JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-5
1
Sistem Identifikasi Kualitas Bahan Bakar Minyak Menggunakan Deret Light Emitting Diode Nurseno Aqib Fadwi Adi, Muhammad Rivai, Siti Halimah Baki Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya 60111 E-mail:
[email protected]
Abstrak— Studi tentang peningkatan efisiensi pada identifikasi kualitas minyak telah lama dilakukan. Metode yang digunakan untuk meningkatkan efisiensi didasarkan pada spektrum cahaya yang berbeda-beda untuk mengetahui kadar oktan pada bahan bakar minyak. Sistem yang dibuat ini beroperasi berdasarkan kombinasi linier suatu fungsi spektral yang berasal dari sumber cahaya, dalam hal ini merupakan barisan LED. Barisan LED merupakan kunci dari keseluruhan sistem. Barisan LED yang digunakan memiliki panjang gelombang cahaya yang berbeda-beda antara satu dengan yang lain. Semakin banyak gelombang cahaya yang digunakan maka semakin banyak kombinasi yang bisa dihasilkan. Gelombang cahaya ini ditembakkan ke bahan uji kemudian serapan gelombang ini yang diukur oleh sensor. Serapan gelombang ini didasarkan pada hukum Beer-Lambert. Pencahayaan dari barisan LED ini diatur bergantian dengan kecepatan tertentu. Cahaya yang telah diatur oleh sebuah mikroprosessor dimasukkan ke dalam fiber optik sebelum ditembakkan ke cairan uji. Penyerapan cahaya pada bahan uji menjadi data untuk diproses. Pengakuisisian data pada objek dilakukan oleh sensor yang kemudian dimasukkan ke dalam ADC. Hasil dari ADC ini dimasukkan ke dalam neural network. Hasil dari neural network menjadi hasil dari pengujian. Keseluruhan metode ini diharapkan akan menjadi metode yang paling cocok digunakan untuk identifikasi kualitas bahan bakar minyak yang diuji. Pada penelitian ini didapatkan bahwa deret LED dan sensor dapat digunakan untuk identifikasi kualitas bahan bakar minyak, dimana pada 6 bahan uji, presentase keberhasilan adalah sebesar 96,67% pada 30 percobaan. Kata Kunci—barisan minyak, neural network.
LED,
Beer-Lamber,
Pada metode konvensional, cara yang digunakan adalah dengan mengambil bahan uji dari lapangan dan membawanya ke laboratorium untuk diidentifikasi. Metode ini membutuhkan waktu yang lama dan banyak biaya. Metode yang ditawarkan dalam publikasi ini adalah dengan menggunakan spektrum cahaya dengan panjang gelombang yang berbeda-beda. Spektrum cahaya ini didapatkan dari barisan LED yang memiliki panjang gelombang berbeda. Pengaturan cahaya ini akan dikontrol oleh komputer [1]. Spektrum cahaya ini ditembakkan ke bahan uji setelah dilewatkan pada fiber optik. Sensor akan mendeteksi penyerapan cahaya yang dialami oleh bahan uji. Respon setiap cahaya pada panjang gelombang tertentu ini akan berbeda pada bahan uji yang berbeda disebabkan panjang gelombang tertentu akan diserap oleh bahan tertentu pula. Teknik ini akan membuat spektrum yang terbentuk memiliki resolusi yang lebih baik daripada cara konvensional [2]. II. METODE PENELITIAN A. Konsep Spektrofotometri Spektrofotometri adalah pengukuran kuantitatif pada refleksi transmisi dari material sebagai fungsi dari panjang gelombang. Spektrofotometri melibatkan penggunaan spektrofotometer. Fitur penting dalam spektrofotometer adalah spektral bandwidth dan pengukuran penyerapan atau pemantulan pada range linier.
kualitas
I. PENDAHULUAN
I
dentifikasi kualitas bahan bakar minyak merupakan hal yang penting dilakukan. Banyak kecurangan-kecurangan yang dilakukan oleh oknum tertentu sehingga banyak bahan bakar minyak yang memiliki kualitas kurang baik. Hal ini bisa diatasi dengan menggunakan peralatan identifikasi bahan bakar minyak yang mudah digunakan dan cepat.
Gambar. 1. Diagram skematik salah satu sistem optik[3].
Spektrofotometer digunakan untuk mengukur penyerapan cahaya pada bahan uji. Sebuah benda memiliki kemampuan
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-5
2
untuk menyerap gelombang cahaya tertentu dan meneruskan atau memantulkan gelombang cahaya yang lain. Sifat inilah yang dipakai untuk pengukuran pada spektrofotometer. Pada bahan bakar minyak, gelombang cahaya yang diteruskan oleh bahan bakar minyak ini yang akan diukur oleh sensor [4]. Pada metode ini, penyerapan cahaya pada molekul didasarkan pada hukum beer-lambert. Berikut ini merupakan rumus serapan beer-lambert [5]: T=
I0 I
= 10−∝cL
(1)
dimana 𝐼 adalah intensitas cahaya setelah dilewatkan bahan uji, sedangkan 𝐼0 adalah intensitas cahaya yang ditransmisikan dari sumber cahaya, L adalah jarak cahaya merambat, c adalah konsentrasi cairan dan ∝ (𝑐𝑚−1 ) adalah koefisien penyerapan. Pada perancangan alat, cahaya yang digunakan untuk spektrofotometri ada pada range ultraviolet dan infrared. Pada spektrofotometri cahaya ultraviolet, molekul yang mengandung n-elektron dapat menyerap energi dari ultraviolet untuk mengeksitasi elektron ini ke orbit molekul yang lebih tinggi. Semakin mudah elektron tersebut untuk dieksitasi, maka semakin besar panjang gelombang cahaya yang dapat diserap. Pada spektrofotometri cahaya infrared, molekul akan menyerap cahaya infrared yang memiliki frekuensi sama dengan frekuensi getar ikatan pada molekul tersebut.
akan dideteksi dan diukur oleh fotodioda dan dikuatkan oleh rangkaian penguat yang berupa non-inverting amplifier. Hasil penguatan oleh amplifier akan dibaca dan dikirimkan ke PC (personal computer) melalui komunikasi serial USART. Kontrol nyala deret LED, pembacaan tegangan, dan pengiriman data melalui komunikasi serial USART akan dilakukan oleh mikrokontroler ATMega 16. ADC yang digunakan adalah ADC 10 bit dan pengiriman data dilakukan dengan cara paketisasi menggunakan 1 start bit untuk memberi tanda pengiriman data dimulai dan 1 stop bit sebagai tanda bahwa pengiriman data selesai dilakukan C. Perancangan Hardware Perancangan hardware terdiri dari supply 12 volt-2 ampere yang didapatkan dari adaptor switching, penyearah, regulator tegangan 5 volt, sistem minimum ATMega 16, decoder, downloader, driver LED, deret LED, penguat non-inverting dan sensor fotodioda. Implementasi sistem spektrofotometri menggunakan deret LED sebagai sumber cahaya dan sensor fotodioda yang digunakan untuk mendeteksi dan mengukur serapan yang dialami bahan uji. Deret LED membutuhkan sebuah driver untuk menjaga arus tetap konstan selama proses identifikasi. Pada sistem, digunakan driver yang menggunakan sebuah regulator, dua buah transistor, dan dua buah resistor untuk menjaga arus tetap konstan.
B. Gambaran Umum Sistem
Gambar 3. Driver LED
Rangkaian ini akan mengeluarkan arus yang hanya bergantung pada tegangan regulator dan resistor pada emitor. 𝐼𝑒 =
Gambar 2. Diagram Blok Sistem
Pada sistem identifikasi kualitas bahan bakar minyak ini, sensor utama yang digunakan adalah deret LED dan fotodioda. Deret LED dinyalakan secara bergantian. Tiap nyala LED
𝑉 𝑏 −0.7 𝑅
(2)
dimana Vb merupakan tegangan luaran regulator, Ie adalah tegangan emitor, dan R adalah resistor pada emitor. Pada sistem, tegangan luaran dari regulator diatur menjadi 3,3 volt, sehingga arus hanya bergantung pada R saja. 𝐼𝑒 =
3.3−0.7
𝐼𝑒 =
2.6 𝑅
𝑅
(3)
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-5
Driver LED ini akan digunakan untuk mengatur arus pada deret LED yang berjumlah 26 buah. Deret LED ini mengeluarkan cahaya pada range ultraviolet dan inframerah. LED dengan range ultraviolet berjumlah 10 buah , sedangkan LED dengan range inframerah berjumlah 16 buah. Pada tabel 1, dapat dilihat panjang gelombang, tipe, dan daya pada setiap LED yang digunakan.
No.
Type
1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13 14. 15. 16. 17. 18. 19. 20 21. 22. 23. 24. 25. 26.
LED385-04 VL390-5-15 RLU395-8-30 VL400-5-15 LED405-02V VL415-5-15 LED420-01 VL425-5-15 LED430-06 LED435-12-30 ELD-935-525 LED940-06V ELD-950-535 ELD-960-545 LED970-01 LED980-03 ELD-1020-525 LED1050-33 ELD-1060-525 LED1070-03 LED1200-03 ELD-1300-525 LED1450-03 ELD-1480-525 ELD-1550-525 ELD-1720-535
Tabel 1 Deret LED Panjang Gelombang 385 390 395 400 405 415 420 425 430 435 935 940 950 960 970 985 1020 1050 1060 1070 1200 1300 1450 1480 1550 1720
3 computer. Program dalam mikrokontroler ATMega 16 berisi program untuk mengontrol nyala LED dengan delay, membaca tegangan ADC dari penguat, dan mengirimkan hasil pembacaan ADC melalui komunikasi serial data paket. Pada sistem, pin ADC yang digunakan hanya satu pin dari 8 pin yang ada. Pin yang digunakan untuk ADC ini adalah pin A7. Oleh karena ADC yang digunakan adalah ADC 10 bit, maka nilai 1 LSB : 5
1 𝐿𝑆𝐵 = 1024 𝑣𝑜𝑙𝑡 Daya pada 20 mA (mW) 11 8.1-11.5 8 8.1-11.5 15 11.5-16.3 60 10-16 22 13-14 30 150 23 20 25 10 1 10 1.6 2.5 5 2.2 2.5 1.8 1.4 1
Pendeteksian dan pengukuran intensitas cahaya pada deret LED akan dilakukan oleh sensor fotodioda. Respon pada sensor fotodioda dapat dilihat dari gambar 4.
(4)
Tegangan referensi yang digunakan untuk ADC ini adalah 𝑉𝑟𝑒𝑓 dimana 𝑉𝑟𝑒𝑓 ini diberikan tegangan 5 volt. Program dalam personal computer berisi program komunikasi serial menggunakan data paket, neural network, dan proses identifikasi bahan bakar minyak.
Gambar 5. Neural Network
Topologi neural network yang digunakan terdiri dari 4 layer, layer input, hidden layer, dan layer output. Input dari neural network pada sistem adalah hasil pembacaan ADC sebanyak 26 , sama dengan jumlah LED pada deret LED. Selanjutnya, ke-26 input ini dimasukkan ke dalam layer input yang berjumlah 10 node. Hidden layer yang merupakan layer kedua menggunakan node berjumlah 10 dan layer terakhir yang merupakan layer output berjumlah 5 node. Input pada neural network ini dinormalisasi terlebih dahulu sebelum dimasukkan ke dalam sistem neural yang telah dibuat. Persamaan dari proses normalisasi ini adalah sebagai berikut [6] : 𝐴𝐷𝐶 −𝑚𝑖𝑛
𝑛𝑜𝑟𝑚 = 𝑚𝑎𝑘𝑠 −𝑚𝑖𝑛
(5)
Dimana norm adalah nilai normalisasi yang didapatkan, ADC adalah nilai pembacaan ADC, min adalah nilai minimum dari seluruh pembacaan ADC, dan maks adalah nilai maksimum dari seluruh pembacaan ADC. Selanjutnya, output dari neural network akan didenormalisasi terlebih dahulu menggunakan persamaan [6]. Gambar 4. Respon sensor fotodioda
D. Perancangan Software Ada dua jenis software yang digunakan dalam sistem, yaitu software pada mikrokontroler dan software pada personal
𝑛𝑖𝑙𝑎𝑖 𝑑𝑒𝑛𝑜𝑟𝑚𝑎𝑙𝑖𝑠𝑎𝑠𝑖 = 𝑜𝑢𝑡𝑝𝑢𝑡 ∗ 𝑚𝑎𝑘𝑠 −
𝑚𝑖𝑛+𝑚𝑖𝑛
(6)
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-5 III. HASIL PENGUJIAN A. Pengujian Pada Bahan Uji
Gambar 6. Pola Penyerapan Pada Premium Murni
Gambar 7. Pola Penyerapan Pada Campuran Premium Dan Minyak
Gambar 8. Pola Penyerapan Pada Minyak Tanah
Gambar 9. Pola Penyerapan Pada Campuran Pertamax Dan Minyak
4 dimana premium mengalami penyerapan cahaya, sedangkan minyak tidak mengalami penyerapan. Pada bahan uji campuran premium dan minyak, sifat dari minyak bisa dilihat pula pada grafik. Pengaruh dari minyak adalah penguatan penyerapan yang dilakukan oleh premium. Pada awalnya premium hanya menyerap sebagian kecil cahaya, tetapi setalah premium ini dicampur dengan minyak, penyerapan yang terjadi semakin besar. Pada bahan uji campuran pertamax dan minyak, yang terjadi bukanlah penguatan penyerapan cahaya, tetapi penyerapan cahaya yang dialami mengalami penurunan. Penyerapan pada tiap panjang gelombang hampir sama dan menurun pada range panjang gelombang infrared. Hal ini hampir sama dengan bahan uji pertamax murni dimana penyerapan pada panjang gelombang infrared menurun. Perbedaan antara keduanya adalah pada bahan uji campuran pertamax dan minyak, penyerapan yang terjadi lebih sedikit. Hal ini dikarenakan adanya bahan uji minyak di dalamnya. Berdasarkan pengujian pada bahan uji minyak dimana penyerapan yang terjadi hanya sedikit, sifat ini terkandung di dalam campuran pertamax dan minyak, sehingga penyerapan yang terjadi berkurang dibandingkan dengan bahan uji pertamax murni. Berdasarkan pola yang dibentuk pada kedua bahan campuran, pola keduanya terlihat hampir sama, hal ini berpotensi menyebabkan kesalahan pada proses pembacaan data. B. Neural Network Pada gambar 11 dapat dilihat grafik error pada saat pelatihan data. Grafik berwarna merah menunjukkan error pada premium murni, grafik berwarna hijau menunjukkan error pada premium campuran, grafik berwarna kuning menunjukkan error pada minyak, grafik berwarna biru menunjukkan error pada pertamax campuran, dan grafik berwarna ungu menunjukkan error pada pertamax murni
Gambar 10. Pola Penyerapan Pada Pertamax Murni
Kelima grafik di atas menunjukkan pola penyerapan tiap panjang gelombang pada bahan uji. Pada premium murni, minyak tanah, dan campuran premium dan minyak, pola penyerapannya hampir sama dimana panjang gelombang yang bisa dibaca hanya pada LED 3, 4, 5, 7, 8, dan 10. Keenam LED ini adalah LED dengan panjang gelombang 395 nm, 400 nm, 405 nm, 420 nm, 425 nm, dan 435 nm. Pada bahan uji premium murni, penyerapan yang dialami hanya sedikit dibandingkan dengan minyak tanah, dan campuran premium dan minyak. Pada panjang gelombang 395 nm, premium murni hanya mengalami penyerapan sebesar 0,224 volt dimana pada campuran premium dan minyak, mengalami penyerapan sebesar 0,423 volt dan pada minyak mengalami penyerapan sebesar 0,397 volt. Pada bahan uji minyak, pola yang terbentuk hampir sama dengan pola yang dibentuk oleh bahan uji premium murni. Hal yang membuat pola keduanya berbeda adalah kuantitas penyerapan yang dialami, dimana pada premium murni, penyerapan yang dilakukan lebih sedikit dibandingkan dengan kuantitas penyerapan yang dialami oleh minyak. Selain itu, keduanya juga berbeda pada panjang gelombang 425 nm
Gambar 11. Error Pada Proses Pelatihan Data
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-5
5
C. Proses Identifikasi Pola
1
2
3
4
5
6
Uji ke1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5
Tabel 6 Hasil Pengujian Bahan Uji Hasil threshold 10000 10000 Premium 10000 Murni 00100 10000 01000 01000 Premium + 01000 Minyak 01000 01000 00100 00100 Minyak 00100 00100 00100 00010 00010 Pertamax + 00010 Minyak 00010 00010 00001 00001 Pertamax 00001 Murni 00001 00001 00011 00011 Methana 00011 00011 00011
DAFTAR PUSTAKA [1] Hasil identifikasi Premium Murni Premium Murni Premium Murni Minyak Premium Murni Premium + Minyak Premium + Minyak Premium + Minyak Premium + Minyak Premium + Minyak Minyak Minyak Minyak Minyak Minyak Pertamax + Minyak Pertamax + Minyak Pertamax + Minyak Pertamax + Minyak Pertamax + Minyak Pertamax Murni Pertamax Murni Pertamax Murni Pertamax Murni Pertamax Murni Unidentified Unidentified Unidentified Unidentified Unidentified
Dari hasil pengujian di tabel 6, dapat dilihat bahwa pada pembacaan bahan uji premium + minyak, minyak, pertamax + minyak, pertamax murni, dan methana tingkat keberhasilannya adalah 100%, sedangkan pada bahan uji premium murni, masih terjadi kegagalan sebesar 20%, sehingga tingkat keberhasilannya adalah 80% pada bahan uji ini IV. KESIMPULAN Dari hasil perancangan, dan pengujian alat pada penelitian tentang identifikasi kualitas bahan bakar minyak menggunakan deret light emitting diode ini dapat disimpulkan bahwa deret LED yang terdiri dari LED ultraviolet dan LED infrared yang dideteksi oleh fotodioda ini mampu mendeteksi kualitas bahan bakar minyak. Tingkat keberhasilan pada lima kali percobaan pada kelima bahan uji menunjukkan angka 100%, kecuali pada bahan uji premium murni yang memiliki tingkat keberhasilan 80%. Tingkat keberhasilan pada 30 kali percobaan adalah sebesar 96,67%. Panjang gelombang pada range ultraviolet memiliki respon yang baik dalam pendeteksian kualitas bahan bakar minyak yang digunakan. Neural network yang digunakan mampu digunakan untuk mengidentifikasi kualitas bahan bakar minyak yang menjadi bahan uji. Sistem mampu mendeteksi campuran bahan bakar minyak kemurnian 50% menggunakan parameter panjang gelombang ultraviolet dengan range 385-435 nm dan infrared dengan range 935-1720 nm.
[2]
[3] [4] [5]
[6]
Laure Fauch, Ervin Nippolainen, Victor Teplov, and Alexei A. Kamshilin, “Recovery of reflection spectra in a multispectral imaging system with light emitting diodes” Opt. Express, vol 18, no. 22, Oktober 2010 V. I. Yuzhakov, and S.V. Patsayeva, “Application of fluorescence synchronous spectra for oil pollution identification”, Physics Dept of Moscow State University,vol 3, 1994 Saleha Bano, Dr. Talat Altaf, and Sunila Akbar, “Microcontrolled Based Spectrophotometer using compact disc as diffraction grid”, IEEE, 2010 David R. Caprette, “Principles of Spectrophotometry”, Rice University, September 1996 Fajar Budiman,”Rancang Bangun Sistem Pendeteksi Jenis Cairan Menggunakan Sensor Fotodioda dan Pyroelectric Infrared”, Tugas Akhir S1 Teknik Elektro ITS Surabaya, 2010. Mauridhi Hery Purnomo, dan Agus Kurniawan, “Supervised Neural Networks dan Aplikasinya”, Graha Ilmu, 2006.
