See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/318559864

Identifikasi Jenis Cairan Menggunakan Sensor Fotodioda Dan Pyroelectric Infrared

Article · October 2008

CITATION READS

1 287

3 authors, including:

Muhammad Rivai
Institut Teknologi Sepuluh Nopember
101 PUBLICATIONS 85 CITATIONS

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Fuzzy logic View project

All content following this page was uploaded by Muhammad Rivai on 20 July 2017.

The user has requested enhancement of the downloaded file.

 IDENTIFIKASI JENIS CAIRAN MENGGUNAKAN SENSOR
FOTODIODA DAN PYROELECTRIC INFRARED
Muhammad Rivai Tasripan
Jurusan Teknik Elektro ITS Surabaya 60111, e-mail: muhammad_rivai@ee.its.ac.id
Abstrak - Identifikasi jenis dan kandungan cairan
merupakan hal yang sangat penting untuk kebutuhan
analisa. Pada umumnya peralatan spektrofotometer
digunakan sebagai penganalisa serapan panjang
gelombang yang melewati sampel cairan. Peralatan ini
terdiri dari sumber cahaya yang kaya akan panjang
gelombang, monokromator dan sensor cahaya. Pada
penelitian ini telah dirancang dan dibuat sustu sistim
pendeteksian cairan menggunakan Light Emitting Diode
(LED) sebagai sumber cahaya, fotodioda dan Pyroelectric
Infra Red (PIR) sebagai sensor cahayanya. Neural network
digunakan untuk mengidentifikasi secara otomatis jenis
sampel cairan yang digunakan. Hasil eksperimen
menunjukkan bahwa sampel cairan organik mempunyai
respon serapan panjang gelombang yang kuat pada
spektrum biru, hijau, near-infrared dan mid - infrared.
Neural network dapat mengenali pola serapan panjang
gelombang untuk setiap sampel cairan dengan tingkat
identifikasi sebesar 97,14%.
Kata kunci: LED, Fotodioda, PIR, Pola Serapan
Panjang Gelombang, Neural Network.
I. PENDAHULUAN
Identifikasi suatu cairan atau larutan terutama senyawa
organik merupakan hal yang sangat penting dalam sistim
kehidupan. Air dan cairan lain mempunyai kandungan yang
dapat menghasilkan dampak yang baik dan buruk bagi
kesehatan tubuh. Sistim spektrofotometer biasanya
menggunakan suatu lampu xenon (Xe) yang menghasilkan
daya optik sebesar 150W pada spektrum panjang
gelombang yang lebar antara 300-500 nm dan lampu
mercury (Hg) pada spektrum 250 – 600 nm dengan tekanan
gas sebesar 10 atmosfir. Jenis lampu tersebut biasanya
memerlukan arus listrik sebesar 25A dan tegangan picu 20-
40 KV untuk menginisiasi percikan plasma. Hal ini dapat
mengakibatkan resiko ledakan, interferensi elektronik dan
sengatan listrik. Cahaya yang dihasilkan oleh sumber lampu
tersebut dilewatkan ke monokromator ataupun filter optik
untuk mendapatkan suatu panjang gelombang tertentu yang
dilewatkan ke sampel cairan. Laser merupakan sumber
cahaya yang mempunyai efisiensi optik yang tinggi, tetapi
menghasilkan spektrum panjang gelombang yang sangat
sempit. Pada sistim ini tidak diperlukan monokromator,
tetapi memerlukan jumlah laser yang banyak dengan
panjang gelombang yang berbeda.
Pada penelitian ini digunakan sumber lampu berupa
Light Emitting Diode (LED). Sumber lampu ini hanya
memerlukan daya kurang dari 50 mW. Dibanding dengan
lampu xenon dan neon, LED memiliki spektrum panjang
gelombang yang relatif lebih sempit, namun lebih lebar dari
Fajar Budiman
spektrum laser. Untuk itu pada sistim ini diperlukan deret
LED dengan spektrum yang berbeda agar dapat saling
melengkapi. Spektrum panjang gelombang LED mencakup
ultra violet sampai infra red [1,2]. Cahaya yang dihasilkan
oleh deret LED tersebut dilewatkan ke sampel cairan
sehingga mengalami peredaman. Cahaya yang diteruskan
ditangkap dengan sensor cahaya fotodioda dan Pyroelectric
Infra Red (PIR). Fotodioda mempunyai respon panjang
gelombang sinar tampak, sedangkan PIR mempunyai
respon pada infrared. Kedua jenis sensor cahaya tersebut
dapat menghasilkan suatu pola serapan cahaya LED yang
spesifik untuk setiap sampel cairan. Back Propagation
Neural Network digunakan untuk mengenali jenis cairan
secara otomatis setelah tahap pembelajaran. Sistim ini
diimplementasikan kedalam suatu rangkaian elektronika
berbasis mikrokontroler sehingga mempunyai bentuk yang
ringkas.
II. TEORI
Cahaya bisa dianggap sebagai energi kuantum ataupun
gelombang Elektromagnetik. Cahaya dapat merambat tanpa
atau ada medium rambatan. Perbedaan bagian sprektrum
panjang gelombang cahaya diberi nama khusus seperti
ultaviolet, tampak dan infrared, ditunjukkan pada gambar 1.
Ketika suatu gelombang cahaya (I0) dilewatkan ke suatu
materi, sebagian gelombangnya akan dipantulkan kembali,
diserap oleh materi tersebut dan menyebar serta
berfluorisasi dan diteruskan (I). Pada gambar 2 dapat dilihat
ilustrasi dari penyerapan cahaya yang terjadi pada suatu
cairan [3]. Besarnya gelombang radiasi yang dapat
diteruskan tergantung dari besarnya konsentrasi atom-atom,
ion-ion atau molekul-molekul yang membentuk materi
tersebut. Penyerapan yang dilakukan oleh sampel (A)
memenuhi hukum Beer-Lambert,
I
A log εCl (1)
I
0
dengan l panjang lintasan cahaya yang melewati cairan,
koefisien peredaman pada panjang gelombang tertentu, dan
C konsentrasi molekul penyerapan.
LED merupakan komponen dioda semikonduktor yang
arusnya disokong oleh pergerakan elektron dan hole.
Adanya sumber tegangan terbias maju akan menghasilkan
proses rekombinasi antara elektron dan hole di daerah
persambungan. Ketika elektron telah berekombinasi dengan
hole menyebabkan elektron terlepas dari energi ikatnya
sehingga menghasilkan energi cahaya atau foton, sebagian
lain energi digunakan untuk memanaskan partikel-partikel
kristal. LED dibuat agar lebih efisien jika mengeluarkan
cahaya dengan panjang gelombang tertentu, ditunjukkan

pada gambar 3. Material yang berbeda energi gapnya dapat
menghasilkan spektrum warna yang berbeda.
Gambar 1. Spektrum cahaya.
Gambar 2. Interaksi radiasi cahaya dengan materi.
Gambar 3. Spektrum cahaya LED [4]
JAVA Journal of Electrical and Electronics Engineering, Vol. 6,No.2, Okt. 2008, ISSN 1412-8306
37
Gambar 4. Spektrum cahaya fotodioda silikon.
Pada umumnya fotodioda digunakan sebagai sensor
cahaya dikarenakan bentuknya yang kecil, respon yang
cepat, dan spektrum yang lebar [5]. Fotodioda merupakan
komponen dioda semikonduktor yang arus bias terbaliknya
sebanding dengan intensitas cahaya yang mengenai daerah
persambungan. Material fotodioda yang sering digunakan
adalah silicon, germanium, gallium arsenide, indium
antimonide, indium arsenide, lead selenide dan timah
sulfida. Bahan-bahan ini menyerap cahaya dengan kisaran
panjang gelombang yang tertentu. Gambar 4 menunjukkan
spektrum fotodioda silikon.
Sensor PIR merupakan sensor yang sensitif terhadap
perubahan radiasi mid-infrared yang mengenainya. Sensor
ini diklasifikasikan dalam sensor cahaya pada tipe radiasi
panas. Sensor ini menggunakan energi infrared sebagai
sumber panas dan tidak memerlukan proses pendinginan.
Sensor ini sering disebut passve infra red karena tidak
memerlukan sumber eksitasi untuk dapat membaca
perubahan radiasi infrared lingkungan. Sensor PIR bekerja
dengan memanfaatkan gejala pyroelectric, yaitu
terbentuknya potensial listrik sementara pada beberapa
kristal bila dikenai perubahan suhu. Ketika bahan
pyroelectric dimanfaatkan dalam aplikasi sebagai detektor
cairan atau gas maka sumber infrared yang digunakan
berupa sumber cahaya konstan dengan panjang gelombang
yang telah ditentukan. Agar terjadi pemodulasian pada
permukaan bahan pyroelectric maka sumber infrared yang
mengenainya perlu dimodulasi secara elektrik. Sedangkan
jika pyroelectric digunakan untuk mendeteksi atau
mengukur sumber infrared yang tidak konstan seperti
infrared yang diradiasikan oleh tubuh manusia maka
pemodulasian yang dikenakan terhadap sumber infrared
tersebut dilakukan secara mekanis menggunakan chopper
dengan frekuensi putaran tertentu yang biasanya dibawah 2
Hz [6]. Gambar 5 menunjukkan efek pyroelectric yang
terjadi saat pyroelectric dikenai masukan infra red yang
termodulasi.
Gambar 6 merupakan grafik respon sensor PIR
terhadap panjang gelombang. PIR dapat mendeteksi radiasi
infra red dari panjang gelombang 5,5 µm hingga 20 µm
(mid-infrared), yang mana sensor fotodioda tidak bisa
mendeteksi spektrum tersebut.
38
Gambar 5. Efek Pyroelectric terhadap perubahan suhu [7].
Gambar 6. Respon spektrum PIR terhadap panjang gelombang
[8]
Neural Network merupakan metoda pengenalan pola
yang prinsipnya meniru cara kerja otak manusia, yaitu
dilakukan tahap pelatihan terlebih dahulu sebelum
digunakan pada tahap aplikasi. Metode backpropagation
neural network adalah salah satu jenis algoritma dengan
arsitektur multi layer perceptron, ditunjukkan pada gambar
7. Ketika diberikan pola masukan sebagai pola pelatihan
maka pola tersebut menuju ke unit-unit pada lapis
tersembunyi untuk diteruskan ke unit-unit lapisan keluaran.
Saat keluaran jaringan tidak sesuai dengan yang diharapkan
maka keluaran akan disebarkan mundur (backward) pada
lapis tersembunyi, selanjutnya diteruskan ke unit pada lapis
masukan untuk melakukan perubahan bobot. Sedangkan
penyelesaian masalah akan dilakukan jika proses pelatihan
tersebut telah selesai. Metoda ini dapat diimplementasikan
pada sistim spektroskopi sehingga dapat mendeteksi jenis
sampel secara otomatis [9]
III. METODE
Sistem secara keseluruhan dapat dilihat pada blok
diagram pada gambar 8. Sumber cahaya berasal dari deret
LED dengan spektrum violet, biru, hijau, kuning, merah,
near-infrared dan mid-infrared yang termodulasi. Cahaya
tersebut dilewatkan ke sampel cairan secara bergantian.
Kemudian besarnya intensitas cahaya yang diteruskan akan
diukur intensitasnya oleh fotodioda. Khusus untuk LED
mid-infrared termodulasi 0,8 Hz akan diterima sensor PIR
sebagai thermal radiation.
JAVA Journal of Electrical and Electronics Engineering, Vol. 6,No.2, Okt. 2008, ISSN 1412-8306
Gambar 7. Jaringan Backpropagation neural network
Gambar 8. Diagram blok sistem pengenalan cairan.
Sinyal arus keluaran fotodioda diubah menjadi
tegangan lalu dikuatkan. Sedangkan sinyal tegangan PIR
dikuatkan menggunakan penguatan dua tingkat dan
diangkat level tegangannya agar bisa dibaca oleh unipolar
Analog to Digital Convertion (ADC). Selanjutnya pola
enam output dari fotodioda dan satu output dari PIR
digunakan sebagai masukan pada proses perhitungan neural
network.
Sistem ini menggunakan dua kanal ADC pada
mikrokontroler untuk dua sensor cahaya yaitu fotodioda
dan PIR. Pengujian sistem dilakukan dengan mengaktifkan
semua enam LED violet, biru, hijau, kuning dan infrared
secara bergantian dalam waktu 0,5 detik untuk masing –
masing LED yang akan diterima oleh fotodioda.
Selanjutnya LED inframerah 8 µm yang termodulasi
diaktifkan dan diterima oleh sensor PIR. Semua data akan
ditampilkan di LCD dan dikirim hasil pembacaannya ke
komputer menggunakan komunikasi serial RS-232 untuk
keperluan pelatihan neural network.
Pada tahap pelatihan neural network dilakukan di unit
komputer dengan menggunakan toolbox MATLAB. Pada
proses ini digunakan algoritma backpropagation untuk
menghasilkan bobot akhir dengan tingkat kesalahan
mendekati nol. Selanjutnya bobot akhir tersebut ditanamkan
pada mikrokontroler ATMega16 untuk dilakukan tahap
pengujian. Penggunaan mikrokontroler ini dimaksudkan
agar sistim yang dibuat dapat berbentuk ringkas dan
portabel. Tabel 1 menunjukkan target yang harus
dikeluarkan oleh keluaran neural network pada tahap
pelatihan.
 39

Tabel 1 Pola target pada tahap pelatihan neuron

network
No pola Cairan Target
1 Aquades 1000000
2 Alkohol 0100000
3 Minyak Gandapura 0010000
4 Singer 0001000
5 Larutan Gliserin 0000100
6 Cuka 0000010
7 Kosong 0000001

IV. HASIL DAN PEMBAHASAN

Pembacaan intensitas cahaya yang menembus setiap Gambar 11. Respon perubahan output sensor terhadap cairan
jenis sampel cairan dilakukan secara bergantian,
ditunjukkan pada gambar 9. Sensor fotodioda mengukur
intensitas cahaya LED violet, biru, hijau, kuning, merah
dan near-infrared, sedangkan sensor PIR mengukur
intensitas cahaya LED mid-infrared. Hasil dari pembacaan
ini menghasilkan pola seperti yang ditunjukkan pada
gambar 10. Hal ini menunjukkan bahwa ada perbedaan
pola untuk setiap jenis cairan sampel yang diujikan.
Gambar 11 menunjukkan tingkat serapan sampel cairan
untuk setiap spektrum sumber cahaya yang mengenainya.
Hal ini menunjukkan bahwa sampel cairan mempunyai
tingkat penyerapan yang berbeda pada spektrum panjang
gelombang biru, hijau, near-infrared dan mid-infrared.
Neural network digunakan untuk mengenali jenis cairan
melalui pola serapan cahayanya. Jumlah node input adalah Gambar 12. Profil kesalahan neural network pada tahap
tujuh berkesesuaian dengan jumlah spektrum cahaya LED. pelatihan.
Jumlah neuron output adalah tujuh berkesesuaian dengan
jumlah jenis cairan yang diujikan. Tabel 2. Hasil identifikasi neural network pada tahap
pengujian
Hasil Hasil Keberhas
Pola Uji ke- Target
threshold identifikasi ilan
Uji 1 1000000 Aquades Sukses
Aquades
Uji 2 1000000 Aquades Sukses
1000000
Uji 3 1000000 Aquades Sukses
1 Uji 4 1000000 Aquades Sukses
Uji 5 1000000 Aquades Sukses
Uji 1 0100000 Alkohol Sukses
Alkohol
Uji 2 0100000 Alkohol Sukses
0100000
2 Uji 3 0100000 Alkohol Sukses
Uji 4 0100000 Alkohol Sukses
Uji 5 0100000 Alkohol Sukses
Uji 1 0010000 Gandapura Sukses
Gandapura
Uji 2 0010000 Gandapura Sukses
0010000
3 Uji 3 0010000 Gandapura Sukses
Uji 4 0010000 Gandapura Sukses
Uji 5 0010000 Gandapura Sukses
Uji 1 0010000 Gandapura Gagal
Singer
Uji 2 0001000 Singer Sukses
0001000
4 Uji 3 0001000 Singer Sukses
Uji 4 0001000 Singer Sukses
Gambar 9. Pembacaan cahaya LED oleh sensor cahaya. Uji 5 0001000 Singer Sukses
Uji 1 0000100 Gliserin Sukses
Uji 2 Gliserin 0000100 Gliserin Sukses
5 Uji 3 0000100 0000100 Gliserin Sukses
Uji 4 0000100 Gliserin Sukses
Uji 5 0000100 Gliserin Sukses
Uji 1 0000010 Cuka Sukses
Uji 2 0000010 Cuka Sukses
Cuka
6 Uji 3 0000010 Cuka Sukses
0000010
Uji 4 0000010 Cuka Sukses
Uji 5 0000010 Cuka Sukses
Uji 1 0000001 Kosong Sukses
Uji 2 Kosong 0000001 Kosong Sukses
7 Uji 3 0000001 0000001 Kosong Sukses
Uji 4 (lainnya) 0000001 Kosong Sukses
Gambar 10. Pola untuk setiap cairan uji Uji 5 0000001 Kosong Sukses

JAVA Journal of Electrical and Electronics Engineering, Vol. 6,No.2, Okt. 2008, ISSN 1412-8306
40
Jaringan ini dilatih dengan menggunakan algoritma
Lavenberg-Marquardt, yang mana jika terjadi kesalahan
jaringan e maka dilakukan pembaharuan bobot w dengan
w w T -1 T
n 1 n - J J μI J e
dengan J adalah Jacobian matrix. Dengan pengaturan µ
maka dapat diperoleh optimalisasi perhitungan dapat
mempercepat tahap pelatihan. Hasil pelatihan neuron
network menunjukkan bahwa kesalahan dapat mencapai
kurang dari 10-12 pada epoch ke 5595, ditunjukkan pada
gambar 12. Bobot yang telah diperoleh digunakan pada
proses arah maju neuron network yang hasilnya
ditunjukkan pada tabel 2. Neural network dapat mengenali
setiap jenis sampel cairan yang diujikan secara otomatis
dengan taraf identifikasi sebesar 97,14%.
V. KESIMPULAN
Telah dibuat suatu sistim pengidentifikasi jenis cairan
menggunakan deret LED sebagai sumber cahaya yang
dilewatkan ke sampel cairan dan diukur menggunakan
sensor fotodioda dan pyroelectric infrared. Suatu cairan
menyerap energi cahaya dengan koefisien serapan yang
berbeda sehingga memberi pola serapan yang khas,
terutama pada spektrum panjang gelombang biru, hijau,
near-infrared dan mid-infrared. Neural network dapat
mengenali setiap jenis sampel cairan yang diujikan dengan
taraf identifikasi sebesar 97,14%.
DAFTAR PUSTAKA
[1] Lau KT, Baldwin S, Shepherd RL, Dietz PH, Yerzunis
WS , Diamond D, “Novel fused-LEDs devices as
optical sensors for colorimetric analysis”, Talanta 63,
2004, pp. 167–173
[2] Lau KT, Yerazunis WS, Shepherd RL, Diamond D,
“Quantitative Colorimetric Analysis of Dye Mixture
using An Optical Photometer based on LED Array”,
School of Chemical Sciences, National Centre for
Sensor Research, Dublin City University, Collins
Avenue, Glasnevin, Dublin, Ireland, 2005
[3] Lau KT, Baldwin S, O’Toole M, Shepherd R,
Yerazunis WJ, Izuo S, Ueyama S, Diamond D, “A
low-cost optical sensing device based on paired
emitter–detector light emitting diodes”, Analytica
Chimica Acta 557, 2007, pp. 111–116
JAVA Journal of Electrical and Electronics Engineering, Vol. 6,No.2, Okt. 2008, ISSN 1412-8306
View publication stats
[4] Moe AE, Marx S, Banani N, Liu M, Marquardt B,
Wilson DM, “Improvements in LED-based
fluorescence analysis systems”, Sensors and Actuators
B 111–112, 2005, pp. 230–241
[5] O’Toole Martina, Diamond D, “Absorbance Based
(2) Light Emitting Diode Optical Sensors and Sensing
Devices”, Sensors, 8, 2008, pp. 2453-2479.
[6] Arief Sudarmaji, M Rivai, “Implementasi Jaringan
Syaraf Tiruan Untuk Identifikasi Bahan Bakar Cair
Menggunakan Sensor PIR Pada Termal Wave
Resonator Cavity”, MIPAnet, Bali
[7] Fraden J, “Handbook of Modern Sensors: Physics,
designs and applications”, Springer, 2003.
[8] Anonym,“Pyroelectric Infrared Radial Sensor”, PIR
Sensor Co., Ltd.,
[9] M Rivai, Syaifudin, “Identifikasi Jenis Uap
Menggunakan Video Spektroskopi dan Neural
Network”, Seminar Nasional Aplikasi Fotonika
(SNAF), Surabaya, 2008, pp. C1 1-5.
BIOGRAFI
Muhammad Rivai dilahirkan di Surakarta, tanggal 26
April 1969. Tahun 1993 memperoleh gelar Sarjana Teknik
Elektro, ITS. Tahun 1997 memperoleh gelar Magister
Teknik Opto-Elektro Teknik dan Aplikasi Laser, Universitas
Indonesia. Tahun 2006 memperoleh gelar Doktor FMIPA
Universitas Airlangga. Sejak tahun 1994 menjadi angota
staf pengajar dan peneliti di Jurusan Teknik Elektro FTI-ITS
pada Bidang Studi Elektronika. Bidang penelitian yang
ditekuni adalah teknologi sensor.
Tasripan dilahirkan di Lamongan, tanggal 18 April
1962. Tahun 1988 memperoleh gelar Sarjana Teknik
Elektro ITS. Tahun 1996 memperoleh gelar Magister
Teknik Elektro, Institut Teknologi Bandung. Sejak tahun
1990 menjadi angota staf pengajar di Jurusan Teknik
Elektro FTI-ITS pada Bidang Studi Elektronika. Bidang
penelitian yang ditekuni adalah teknologi mikroelektronika.
Fajar Budiman dilahirkan di Sumenep, tanggal 7 Juli
1986. Tahun 2004 mendapat beasiswa pertukaran pelajar
(AFS) di Whitney M. Young Magnet High School Chicago,
Illinois USA. Tahun 2010 memperoleh gelar Sarjana Teknik
Elektro ITS. Bidang penelitian yang ditekuni adalah
rangkaian elektronika.