Dengan F = frekuensi resonansi dasar (MHz)
M= massa total molekul gas yang terserap (g)
A = Luas elektoda (cm
2
)
Sensor kuarsa mempunyai sensitivitas yang tinggi bila dibandingkan dengan jenis
sensor kimia yang lain, tetapi material kuarsa hanya efektif pada suhu yang relatif rendah
(<50C). Sensor kuarsa yang digunakan memiliki frekuensi dasar 10 MHZ karena
frekuensi ini sudah sensitif dan mempunyai noise yang kecil.
Gambar 1. Prinsip dasar sensor kuarsa
Untuk dapat mengidentifikasi bermacam gas beraroma, maka digunakan beberapa
sensor kuarsa yang dilapis berbagai membran sensitif yang berkarakteristik berbeda.
Perubahan frekuensi masing-masing sensor akan membentuk pola yang berbeda.
Pada percobaan ini akan digunakan 4 buah sensor dengan membran sensitif yang
berbeda. Membran sensitif yang digunakan adalah Phosphatidic acid, Lecitin,
Cholesterol, Phospatidyl ethanolanise.
3.2 Peralatan Elektonik
Sistematika peralatan elektronik yang digunakan dalam percobaan ini seperti
gambar 2 berikut ini.
Gambar 2. Sistematika perangkat elektronik
Masing-masing sensor dihubungkan dengan rangkaian osilator dan data yang
didapat kemudian dikirim ke rangkain pencacah Frekuensi untuk mengetahui nilai
dat
add
t
rst
rst
A
n
t
a
r
M
u
k
a
Komputer
1 detik
penurunan frekuensi akibat proses adsorbsi. Data keluaran Pencacah Frekuensi kemudian
dibaca oleh komputer melalui rangkaian antar muka.
Time-base digunakan untuk mencacah frekuensi ditentukan sebesar 1 detik, agar
mendapatkan ketelitian hingga mencapai orde 1 Hz. Penurunan frekuensi dasar akibat
pelapisan membran sensitif berkisar antara 5-20 KHz, sedangkan penurunan frekuensi
akibat efek pembebanan massa oleh gas mencapai kurang dari 5 KHz pada penggunaan
sensor dengan frekuensi dasar 10 MHz.
3.3 Jaringan Saraf Tiruan (JST) atau Neural Network
Pada dasarnya jaringan saraf tiruan meniru prinsip kerja jaringan saraf pada
manusia yang dapat mengenali suatu persoalan tanpa input yang lengkap atau tidak tepat
sama, atau apabila fungsi matematis dari persoalan tersebuat sangat sulit didapatkan. JST
dapat terdiri dari beberapa lapisan, dimana tiap lapisan dapat terdiri dari beberapa saraf
arau disebut juga neuron. Setip neuron pada lapisan berbeda dihubungkan oleh suatu
bobot keterhubungan.
3.3.1 Propagasi Balik
Jaringan Saraf ini terdiri dari lapisan input, lapisan tersembunyi, dan lapisan
output, yang memerlukan metode pelatihan dengan pengarahan (supervised). Proses
pelatihan diperlukan agar diperoleh tanggapan yang benar terhadap pola masukan yang
diberikan.
Jumlah neuron pada lapisan input disesuaikan dengan hasil output yang diberikan
oleh sensor yaitu sebanyak 4 buah, karena sensor yang akan digunakan dalam percobaan
ini berjumlah 4 buah. Data yang masuk ke dalam lapisan input merupakan penurunan
frekuensi dari masing-masing sensor yang telah diolah pada mesin pencacah frekuensi.
Fungsi aktifasi yang digunakan antara lapisan input dan lapisan tersembunyi adalah
sigmoid biner.
Lapisan tersembunyi yang digunakan berjumlah 1 lapisan dengan jumlah neuron
9 buah, berdasarkan hasil studi pustaka terhadap penelitian sejenis untuk pengenalan
aroma. Lapisan tersembunyi ini digunakan untuk mempercepat waktu pelatihan. Setiap
neuron pada suatu lapisan dihubungkan ke setiap input di lapisan terdekatnya dengan
bobot-bobot yang diatur sebelumnya.
X0
X1
X2
X3
Z2
Z3
Z4
Z5
Z1
Z6
Z0
Z7
Y0
Y1
y0
y1
f0
f2
f3
Z8
Lapisan Input
Lapisan Tersembunyi
Lapisan Output
f1
Gambar 3. Arsitektur Backpropagation yang digunakan
Jumlah neuron pada lapisan output disesuikan dengan jumlah pola yang ingin
dikenali dari masukan (dalam hal ini tingkat kebusukan daging ayam), ditetapkan
berjumlah 2 buah yang didapat dari fungsi aktivasi biner yang digunakan pada
perhitungan lapisan tersembunyi dengan lapisan output dengan hasil yang dirancang
seperti pada tabel 1 berikut.
Tabel 1. Output Backpropagation
Y0 Y1 Output
0 0 Busuk
0 1 Sedikit Busuk
1 0 Normal
1 1 Sangat Normal
Adapun algoritma pembelajaran dan pengenalan yang dipakai dalam percobaan ini adalah
sebagai berikut:
Bobot-bobot awal yang digunakan adalah 0
Laju pembelajaran yang dipakai adalah 0,5
Algoritma Pembelajaran
Langkah 0: Inisialisasi bobot keterhubungan antara neuron dengan menggunakan
bilangan acak kecil (-0.5 sampai +0.5).
Langkah 1: Kerjakan langkah 2 sampai langkah 9 selama kondisi berhenti yang
ditentukan tidak dipenuhi.
Langkah 2: Kerjakan langkah 3 sampai langkah 8 untuk setiap pasangan pelatihan.
- Propagasi maju
Langkah 3 : Setiap unit masukan (X
i
) menerima sinyal masukan x
i
, dan
menyebarkannya ke seluruh unit pada lapisan tersembunyi.
Langkah 4:- Setiap unit pada lapisan tersembunyi menjumlahkan seluruh sinyal yang
masuk.
=
+ =
n
i
ij i j j
v x vo in z
1
_ masukan untuk lapisan tersembunyi.
- Setiap unit pada lapisan tersembunyi memakai fungsi aktifasi untuk
menghasilkan sinyal keluaran.
) _ (
j j
in z f z = keluaran dari lapisan tersembunyi.
- z
j
didistribusikan ke seluruh neuron pada lapisan keluaran.
Langkah 5:- Setiap unit pada lapisan keluaran menjumlahkan seluruh sinyal yang
masuk.
=
+ =
p
j
jk j k k
w z wo in y
1
_ masukan untuk lapisan keluaran.
- Setiap unit pada lapisan keluaran memakai fungsi aktifasi untuk
menghasilkan sinyal keluaran.
) _ (
k k
in y f y = keluaran dari lapisan keluaran.
- Propagasi balik
Langkah 6:- Setiap unit pada lapisan keluaran menghitung informasi error antara sinyal
yang dihasilkan dengan target dari pola.
) _ ( ' ) (
k k k k
in y f y t = o
- Menghitung koreksi beban.
j k jk
z w oo = A
- Menghitung koreksi bias.
k k
wo oo = A
- Kirimkan o
k
ke unit di bawahnya (lapisan tersembunyi).
Langkah 7:- Setiap unit pada lapisan tersembunyi menjumlahkan seluruh sinyal yang
masuk.
=
=
m
k
jk k j
w in
1
_ o o masukan untuk lapisan tersembunyi.
- Setiap unit pada lapisan tersembunyi menghitung informasi error.
) _ ( ' _
j j j
in z f in o o =
- Menghitung koreksi beban.
i j ij
x v oo = A
- Menghitung koreksi bias.
j j
vo oo = A
Fungfi aktivasi:
1) Fungsi biner
=
1
0
y
jika
jika
0
0
>
s
x
x
2) Fungsi sigmoid biner
Fungsi ini mempunyai nilai pada range 0 sampai 1. Fungsi ini dirumuskan sebagai,
( )
x
x f y
+
= =
exp 1
1
- Penyesuaian bobot
Langkah 8:- Update bobot dan bias pada hubungan antar lapisan.
jk jk jk
w lama w baru w A + = ) ( ) (
ij ij ij
v lama v baru v A + = ) ( ) (
Algoritma Pengenalan
Langkah 0: Inisialisasi bobot keterhubungan antara neuron yang diambil dari hasil
pembelajaran.
Langkah 1: Kerjakan langkah 2 sampai langkah 4 untuk setiap vektor masukan.
Langkah 2: Untuk i = 1, , n : set aktifasi dari unit masukan x
i
;
Langkah 3: Untuk j = 1, , p:
=
+ =
n
i
ij i j j
v x vo in z
1
_ .
) _ (
j j
in z f z =
Langkah 4: Untuk k = 1, , m :
=
+ =
p
j
jk j k k
w z wo in y
1
_
) _ (
k k
in y f y =
4. Rancangan Percobaan
4.1 Pengumpulan Sampel
Sampel yang dipakai untuk data pembelajaran dalam percobaan ini berjumlah 20 buah
dengan pembagian 5 buah untuk masing-masing output yang diharapkan. Sampel didapatkan
langsung dari berbagai tempat pemotongan ayam sehingga diketahui secara pasti waktu
pemotongan ayam seperti pada tabel 2. Sampel tersebut masing-masing diletakkan dalan sebuah
kotak yang terisolasi agar udaranya tidak keluar dan dijaga agar berada pada suhu 20 C.
Tabel 2. Kategorisasi sampel untuk data pembelajaran
Kategori Banyak Waktu pemotongan Output
Sampel 1 5 buah 0-1 hari Sangat Normal
Sampel 2 5 buah 1-2 hari Normal
Sampel 3 5 buah 2-3 hari Sedikit Busuk
Sampel 4 5 buah 3 hari Busuk
Untuk sampel data pengenalan akan diambil sebanyak 5 buah yang diambil secara acak
dari berbagi pasar tradisional dan supermarket.
4.2 Pengukuran Sampel
Gambar 4 menunjukan percobaan yang dilakukan untuk mengukur kualitas daging ayam.
Gambar 4. Skematik Rangkaian Percobaan
Pertama, katup magnetik akan terbuka dan pompa menyala. Ruang terisolasi yang berisi sensor-
sensor (sensor array) akan menerima udara tanpa aroma daging ayam (udara bersih) selama 30
detik. Kemudian, katup diputar agar sampel udara dengan aroma daging ayam masuk ke sensor
array selama 30 detik dan perubahan frekuensi diukur. Pemanas digunakna untuk mempercepat
penguapan dari sampel udara. Terakhir katup magnetik menutup dan sensor array dibersihkan
dari sampel udara selama 30 detik. Percobaan ini dilakukan sebanyak 20 kali untuk masing-
masing sampel. Data-data yang didapat kemudian dikumpulkan dan dioleh oleh komputer
menggunakan metode backpropagation yang diajukan sebelumnya.
5. Kesimpulan
- Penggunaan neural network atau jaringan saraf tiruan untuk hasil pengukuran hidung
elektronik mungkin dapat dilakukan berdasarkan penelitian-penelitian yang dilakukan
oleh peneliti lain.
- Hasil hidung elektronik dipengaruhi oleh sensor kuarsa yang dipakai terutama pada
karakteristik membran sensitifnya sehingga sensor kuarsa yang dirancang untuk
percobaan ini belum tentu berhasil karena berdasarkan pada penelitian orang lain
yang berbeda bidang pengukuran (untuk mengklasifikasi aroma).
- Arsitektur backpropagation yang dipilih belum tentu tepat karena belum diuji.
Udara
Keluar