i
HALAMAN PENGESAHAN
SKRIPSI
Pembimbing 1 Penguji 1
Pembimbing 2 Penguji
ii
PERNYATAAN
Dengan ini saya menyatakan bahwa Laporan Skripsi ini tidak terdapat
karya yang pernah diajukan untuk memperoleh gelar kesarjanaan di suatu
Perguruan Tinggi, dan sepanjang pengetahuan saya juga tidak terdapat karya atau
pendapat yang pernah ditulis atau diterbitkan oleh orang lain, kecuali yang secara
tertulis diacu dalam naskah ini dan disebutkan dalam daftar pustaka.
Yogyakarta,
iii
KATA PENGANTAR
1. Bapak Danang Lelono, S.Si., M.T. dan Ibu Faizah S.Kom, M.Kom selaku
dosen pembimbing tugas akhir atas ilmu, bimbingan dan motivasi yang
telah beliau berikan kepada penulis selama mengerjakan tugas akhir
sehingga penulis dapat menyelesaikan tugas akhir dengan baik dan lancar.
2. Kedua orang tua penulis yang selalu memberi dukungan, semangat, doa,
dan mencurahkan kasih sayangnya kepada penulis.
3. Adik penulis yang selalu memberikan motivasi, doa, bantuan serta
masukan demi kelancaran penulis selama mengerjakan tugas akhir.
4. Teman-teman sekre elins dan tim e-nose yang berjuang bersama
mengerjakan tugas akhir dengan semangat, saling membantu dan berbagi.
5. Sahabat-sahabatku yang telah mendukung yang memberikan motivasi
kepada penulis, terutama wida astuti.
iv
6. Teman-teman alih jenis elins 2013 atas kebersamaan dalam menuntut ilmu
dan berbagi ilmu selama kuliah.
7. Keluarga besar Program Studi Elektronika dan Instrumentasi, keluarga
besar Fakultas MIPA, dan keluarga besar Universitas Gadjah Mada yang
telah menjadi almamater kebanggaan tempat penulis menuntut ilmu dan
mendapatkan pengalaman berharga.
8. Serta orang-orang yang telah berjasa membantu penulis yang tidak bisa
penulis sebutkan satu persatu.
Tidak ada suatu hasil karya manusia yang sempurna, begitu pula dengan
tugas akhir ini, oleh karena itu dengan segala kerendahan hati penulis
mengharapkan kritik dan saran dari pembaca demi tercapainya perbaikan di
kemudian hari. Akhir kata, penulis mohon maaf apabila terdapat kesalahan kata
dalam penulisan naskah tugas akhir, dan penulis berharap semoga tugas akhir ini
dapat bermanfaat bagi pembaca dan bagi perkembangan ilmu pengetahuan dan
teknologi ke depan.
Yogyakarta,
v
DAFTAR ISI
HALAMAN JUDUL................................................................................................ i
HALAMAN PENGESAHAN ................................................................................. ii
HALAMAN PERNYATAAN ............................................................................... iii
KATA PENGANTAR ........................................................................................... iv
DAFTAR ISI .......................................................................................................... vi
DAFTAR GAMBAR ........................................................................................... viii
DAFTAR TABEL ................................................................................................... x
INTISARI............................................................................................................... xi
ABSTRACT .......................................................................................................... xii
BAB I PENDAHULUAN ................................................................................ 1
1.1 Latar Belakang............................................................................ 1
1.2 Rumusan Masalah....................................................................... 3
1.3 Batasan Masalah ......................................................................... 3
1.4 Tujuan Penelitian dan Manfaat Penelitian .................................. 4
1.5 Metodologi Penelitian................................................................. 4
1.6 Sistematika Penulisan ................................................................. 5
BAB II TINJAUAN PUSTAKA ....................................................................... 7
BAB III LANDASAN TEORI .......................................................................... 12
3.1 Cairan Mudah Terbakar (Flammable Liquid)........................... 12
3.2 Electronic Nose ......................................................................... 13
3.3 Principal Component Analysis (PCA) ...................................... 17
3.4 Jaringan Syaraf Tiruan .............................................................. 20
3.5 Jaringan Backpropagation ........................................................ 22
BAB IV METODE PENELITIAN .................................................................... 27
4.1 Rancangan Penelitian................................................................ 27
4.1.1 Bahan ............................................................................ 27
4.1.2 Peralatan ........................................................................ 27
4.2 Tahapan Penelitian.................................................................... 31
4.3 Preparasi Sampel ...................................................................... 33
4.4 Pengambilan Data ..................................................................... 34
4.5 Pengolahan Data ....................................................................... 36
4.6 Rancangan Sistem Secara Keseluruhan .................................... 38
4.7 Rancangan Program .................................................................. 40
4.8 Rancangan Teknis Pengujian Jaringan JST-BP ........................ 42
4.9 Topologi Identifikasi Cairan Mudah Terbakar dan Cairan Tidak
Mudah Terbakar........................................................................ 44
4.10 Rancangan GUI (Graphical User Interface) ............................ 46
BAB V IMPLEMENTASI ............................................................................... 48
5.1 Implementasi Program Jaringan Syaraf Tiruan ....................... 48
5.2 Implementasi Program Pengujian ............................................. 51
BAB VI HASIL PENELITIAN DAN PEMBAHASAN .................................. 55
6.1 Analisis Respon Sensor ............................................................ 55
6.2 Ekstraksi ciri ............................................................................. 57
6.3 Analisis Klasifikasi Sampel dengan PCA................................. 58
vi
6.4
Proses Pengujian Jaringan Syaraf Tiruan Backpropagation .... 64
6.4.1 Pengujian Parameter Pelatihan Backpropagation ......... 64
6.4.2 Pelatihan Jaringan dengan PerbandinganVariasi
Learning Rate dan Goal ................................................ 66
BAB VII KESIMPULAN ................................................................................... 69
7.1 Kesimpulan ............................................................................... 69
7.2 Saran ......................................................................................... 69
DAFTAR PUSTAKA ........................................................................................... 71
vii
DAFTAR GAMBAR
Gambar 6.1 Respon sensor untuk sampel cairan mudah terbakar .................. 56
Gambar 6.2 Respon sensor untuk sampel cairan tidak mudah terbakar ......... 57
Gambar 6.3 Proses ekstraksi ciri dengan menggunakan metode
differensial ................................................................................. 58
Gambar 6.4 Grafik loading plot sampel campuran ......................................... 61
Gambar 6.5 Grafik score plot PCA untuk sampel campuran ......................... 63
Gambar 6.6 Proses pelatihan jaringan............................................................. 64
Gambar 6.7 Tampilan proses pelatihan JST-BP ............................................. 65
Gambar 6.8 Proses pengujian jaringan JST-BP .............................................. 66
Gambar 6.9 Grafik MSE hasil pelatihan ......................................................... 68
viii
DAFTAR TABEL
ix
INTISARI
Oleh
Identifikasi cairan yang mudah terbakar dan cairan yang tidak mudah
terbakar menggunakan electronic nose telah berhasil dilakukan. Sampel yang
digunakan untuk cairan yang mudah terbakar terdiri dari ethanol (30%, 50%, dan
96%) dan aseton (30%, 50%, dan 99%), sedangkan untuk cairan yang tidak
mudah terbakar terdiri dari ammonium hidroksida (10%, 15%, dan 25%) dan
formalin (2%, 5%, dan 10%). Volume untuk masing-masing sampel adalah 30
mL. Sampling data masing-masing sampel dilakukan selama 120 detik (flushing,
odour on dan odour off) dengan pengambilan data 10 puncak perhari dan Comment [M1]: 1.Peak diganti
menjadi puncak
dilakukan selama 10 hari. Proses ekstraksi ciri dilakukan menggunakan metode
differensial dan analisa lebih lanjut menggunakan metode PCA (Principal Comment [M2]: “dengan”-nya
dihilangkan, serta tulisan differensial
Component Analysis), serta untuk identifikasi sampel berbasis jaringan syaraf dimiringin
tiruan dengan metode backpropagation (JST-BP). Berdasarkan hasil pengujian
electronic nose menggunakan analisis PCA dapat mengklasifikasi ethanol, aseton Comment [M3]: analisa ganti menjadi
analisis
untuk cairan mudah terbakar dan formalin, ammonium hidroksida untuk cairan
tidak mudah terbakar dengan prosentase variasi kumulatif dua komponen utama Comment [M4]: tak mudah terbakar
menjadi tidak mudah terbakar
sebesar 93,3%. Sedangkan identifikasi sampel dengan JST-BP diperoleh tingkat
akurasi 99,1%, MSE (Mean Square Error) 0,0088 pada epochs ke-133.
Kata kunci: Electronic nose, PCA, JST-BP, cairan mudah terbakar, cairan tidak
mudah terbakar Comment [M5]: kata tidak sama dengan
kalimat
x
ABSTRACT
by
xi
BAB I
PENDAHULUAN
1
2
Batasan masalah pada penelitian ini adalah: Comment [M8]: point nomer 2 (sampel
cairan yang mudah terbakar menggunakan
1. Sampel cairan mudah terbakar dan cairan tidak mudah terbakar sampel ethanol 96% dan aseton 99%)
dihilangkan.
dilarutkan dengan aquades. Kadar sampel ethanol 96% divariasikan
menjadi 30%, 50%, dan 96%, sedangkan kadar sampel aseton 99%
divariasikan menjadi 30%, 50%, dan 99%. Kadar sampel ammonium
hidroksida 25% divariasikan menjadi 10%, 15%, dan 25%. Serta kadar
sampel formalin 10% divariasikan menjadi 2%, 5%, dan 10%.
2. Instrumen yang digunakan adalah electronic nose yang terdiri dari 6
sensor (TGS 2620, TGS 2201A, TGS 2201B, TGS 813, TGS 822, TGS
2610). (Rahmani, 2014)
3. Semua sampel yang diuji tidak divalidasi dengan instrument analitik
standar seperti GC (Gas Chromatography) dan HPLC (High
Performance Liquid Chromatography).
4
Tujuan yang ingin dicapai dalam penelitian ini adalah untuk merancang dan
mengimplementasikan sistem berbasis jaringan syaraf tiruan jenis backpropagation
yang dapat mengidentifikasi cairan mudah terbakar dan cairan tidak mudah terbakar
menggunakan electronic nose dan mengklasifikasi cairan tersebut dengan metode Comment [M9]: “dengan”-nya
dihilangkan
principal component analysis. Adapun manfaat dari penelitian ini diharapkan dapat
membantu dalam mengidentifikasi cairan mudah terbakar dan cairan tidak mudah
terbakar.
1. Studi Literatur
Melakukan identifikasi masalah dari tema yang dilatarbelakangi oleh
keadaan dan permasalahan dari pengenalan pola dengan mengamati
kondisi data ini, menganalisis berbagai permasalahan yang masih ada,
dan mencari solusi atas masalah yang ditentukan.
2. Pengambilan dan Pemrosesan Data
Pengambilan sampel dilakukan dengan mencari sampel cairan yang
mudah terbakar dan cairan yang tidak mudah terbakar. Pengambilan dan
pemrosesan data dilakukan dengan tujuan pengenalan aroma untuk
menglarifikasi pola dengan menggunakan Principal Component Analysis
(PCA) dan mengidentifikasi cairan yang mudah terbakar dan cairan yang
tidak mudah terbakar dengan metode backpropagation.
3. Implementasi Sistem
Sistem yang telah dirancang lalu diimplementasikan dalam bentuk
perangkat lunak pengolahan data cairan yang mudah terbakar dan cairan
yang tidak mudah terbakar, implementasi dari klasifikasi pola dari PCA
dan backpropagation.
5
4. Analisis Hasil
Pada penelitian ini dilakukan juga analisis data dengan pengenalan pola
dengan menggunakan PCA dan jaringan syaraf tiruan yang terdiri atas
proses pengenalan aroma melalui suatu pelatihan jaringan, kemudian
proses pengujian jaringan menggunakan data perubahan voltase,
sehingga dapat diketahui apakah proses pelatihan telah sesuai harapan
atau belum. Dan proses ini dapat dilakukan evaluasi dan ditarik
kesimpulan dari hasil penelitian yang dilakukan.
Laporan penelitian ini terdiri dari tujuh bab, dimana isi dari setiap bab
adalah:
- BAB I: PENDAHULUAN
Bab ini berisi penguraian tentang latar belakang masalah yang diteliti,
batasan masalah pada penelitian, tujuan penelitian, metode penulisan
yang dilakukan serta sistematika penulisan laporan penelitian.
- BAB II: TINJAUAN PUSTAKA
Bab ini berisi penjelasan mengenai penelitian metode penelitian yang
sesuai bidang yang telah ditetapkan sebelumnya, serta
menghubungkannya dengan penelitian yang akan dilakukan.
- BAB III: LANDASAN TEORI
Ban ini berisi tentang penjelasan dan dasar teori yang meliputi: dasar
teori tentang cairan yang mudah terbakar, cairan-cairan yang tidak
mudah terbakar, electronic nose, sensor bau, serta jaringan syaraf tiruan
dengan metode backpropagation.
- BAB IV: ANALISIS DAN PERANCANGAN SISTEM
Bab ini berisi tentang prosedur atau cara yang ditempuh untuk mencapai
tujuan tertentu. Dan terdapat teknik penelitian yaitu cara yang spesifik
6
Zhang, dkk (2007) melakukan penelitian tentang metode ekstraksi ciri dan
sistem sampling untuk pengenalan pola dengan cepat dari cairan yang mudah
terbakar dengan menggunakan electronic nose portable. Sistem sampling terdiri dari
ruang sensor dan pompa mikro. Waktu sampling dari sistem sampling yang diambil
pada setiap sampel yaitu 1 detik. Metode ekstraksi ciri yang digunakan dapat
mengekstrak informasi yang kuat untuk pengenalan pola dengan cepat
menggunakan proses perhitungan. Metode umum yang diekstrak yaitu sinyal
amplitude sebagai ciri yang diambil sebagai perbandingan dengan metode ekstraksi
ciri. Principal Component Analysis (PCA) dan Discriminant Function Analysis
(DFA) yang digunakan dalam menganalisa data.
7
8
Component Analysis (PCA). Dalam penelitian ini menggunakan empat buah sensor
gas yaitu TGS 880, TGS 826, TGS 822, dan TGS 825. Nilai keluaran dari jaringan
syaraf tiruan dapat membedakan teh dalam 3 jenis yaitu teh hitam, teh hijau, dan teh
wangi melati. Metode penelitian tersebut dilakukan dengan tahap pengukuran
parameter-parameter yang menentukan aroma teh melalui parameter uji laboratoris.
Parameter uji laboratoris dilakukan menggunakan perangkat hidung elektronik
(electronic nose).
Megasari, dkk (2010) melakukan penelitian tentang gizi buruk pada balita
yang mengakibatkan gangguan tumbuh kembang anak. Pendeteksian pola makan
buruk dapat dilakukan melalui penglarifikasian pada pola makan balita. Penelitian
ini bertujuan untuk menerapkan anlisis diskriminan dan jaringan syaraf tiruan pada
kasus klarifikasi pola makan balita dan mengetahui metode penglarifikasian yang
lebih baik diantara analisis diskriminan dan jaringan syaraf tiruan dengan metode
backpropagation.
Peneliti,
Judul Metode Hasil yang diperoleh
Tahun
Berdasarkan hasil
penelitian dapat
Electronic nose yang
dibuktikan bahwa
menggabungkan
masing-masing sensor
rangkaian sensor gas Menggunakan
dapat merespon bahan
Gardner, dan teknik sensor gas dan
kimia dengan tingkat
1999 pengenalan pola teknik pengenalan
sensitifitas yang unik
untuk aroma pola
terhadap sensor lain,
sederhana dan
sehingga mempu
kompleks.
memberikan analisis
kualitatif dan analisis
10
Peneliti,
Judul Metode Hasil yang diperoleh
Tahun
kuantitatif yang
sederhana atau
kompleks terhadap
suatu gas, uap, atau
aroma bau.
Berdasarkan hasil
penelitian pengenalan
Pengenalan pola
pola dari cairan yang
dengan cepat dari
mudah terbakar dapat
cairan yang mudah Menggunakan
Zhang, mengenali pola
terbakar dengan metode analisis
2007 dengan cepat dengan
menggunakan DFA dan PCA
menggunakan metode
electronic nose
ekstraksi ciri dan
portable
analisis DFA dan
PCA.
Hasil penelitian
berupa aplikasi
jaringan syaraf tiruan
Sistem hidung Menggunakan serta klasifikasi
Nugroho, elektronik yang metode Principle dengan menggunakan
2008 digunakan untuk Component PCA yang dapat
mendeteksi aroma teh Analysis (PCA) mengidentifikasi 3
jenis, yaitu teh hitam,
teh hijau, dan teh
wangi melati.
Pendeteksian pola Menggunakan Hasil dari penelitian
makan yang buruk metode analisis ini diperoleh
Megasari, dengan menggunakan diskriminan dan penggunaan jaringan
2010 analisis diskriminan jaringan syaraf syaraf tiruan lebih
dan jaringan syaraf tiruan baik daripada analisis
tiruan backpropagation diskriminan.
Peneliti,
Judul Metode Hasil yang diperoleh
Tahun
Menggunakan
array sensor gas
TGS yang Dari hasil penelitian
berjumlah empat ini sudah dapat m
Identifikasi variasi cat
Firdaus, buah dan analisis engidentifikasi variasi
mobil berbasis
2013 dengan cat mobil
electronic nose
menggunakan menggunakan
metode Principal electronic nose
Component
Analysis (PCA)
Sistem dirancang
Dari hasil penelitian
Rancang bangun
dengan ini electronic nose ini
electronic nose untuk
menggunakan flow
dapat
membantu
air (aliran udara)
menglarifikasikan
Rahmani, menglarifikasikan
serta digunakan
pola bau premium
2014 pola bau bensin
Principal murni terhadap
premium murni
Component premium yang sudah
terhadap bensin
Analysis dalam
dicampur dengan
campuran
menganalisa data
bahan lain (solar).
Dari hasil penelitian
Identifikasi cairan dapat menglasifikasi
yang mudah terbakar Menggunakan dan mengidentifikasi
menggunakan analisis Principal cairan yang mudah
electronic nose dan Component terbakar
Astriyanie,
metode Principal Analysis (PCA) menggunakan
2015
Component Analysis dan jaringan syaraf electronic nose
dan jaringan syaraf tiruan dengan metode
tiruan backpropagation analisis PCA dan
Backpropagation jaringan syaraf tiruam
backpropagation
BAB III
LANDASAN TEORI
12
13
berasal dari kondisi ruangan yang sedang digunakan untuk eksperimen pembakaran
cairan kimia.
Electronic nose adalah suatu sitem yang terdiri dari tiga komponen
fungsional yang beroperasi berurutan pada suatu sampel aroma, pada larik (array)
sensor gas, dan pada pola sistem pengenalan. Hasil pembacaan dari electronic nose
dapat mengidentifikasi aroma. Karena aroma merupakan suatu campuran dari
berbagai gas yang mudah menguap, maka pada electronic nose dilengkapi dengan
beberapa sensor gas yang spesifik (Triyana, 2007). Blok diagram electronic nose
dapat dilihat pada Gambar 3.1.
Larik Sensor
Pengenalan
Larik Sensor
Pola
sensor tersebut diakses secara individual dan secara hampir bersamaan pada alat
yang digunakan. Oleh sebab itu, dalam prosedur operasinya sensor-sensor tersebut
dapat digunakan sebagai elemen sensor yang independent. (Firdaus, 2013)
b. Rangkaian Antarmuka
Rangkaian antarmuka mengubah parameter keluaran sensor menjadi sinyal
elektrik untuk pemrosesan lebih lanjut. Dalam sensor komoresistor, perubahan
hambatan dihasilkan ketika sensor dipaparkan ke partikel aroma. Pembagi tegangan
atau rangkaian jembatan wheatsone dapat digunakan sebagai rangkaian antarmuka
dasar.
c. Akuisisi Data
Akuisisi data melibatkan proses memperoleh sinyal dari sumber pengukuran
yaitu sensor dan mengubah sinyal kedalam bentuk digital untuk proses
penyimpanan, analisis dan presentasi pada komputer.
d. Prapemrosesan Sinyal
Sensor-sensor dalam e-nose memiliki beberapa karakteristik yang tidak
dapat dihilangkan sehingga sulit untuk mendapatkan hasil dengan keakurasian
tinggi. Idealnya, jika respon sensor konsisten terhadap aroma dalam jangan waktu
yang sama (reprodusibilitas) dan konsisten terhadap aroma yang sama dari sensor
ke sensor (matching), penglasifikasian dengan tingkat galat yang kecil dapat
dihasilkan. Namun, reprodusibilitas dan matching ini sulit dicapai dalam prakteknya
karena interaksi antara aroma dengan permukaan sensor yang berbeda-beda dan
faktor-faktor lingkungan yang mempengaruhi seperti suhu dan kelembaban. Hal ini
dapat diatasi dengan pemrosesan sinyal. Prapemrosesan dilakukan sebalum sinyal
diproses oleh mesin pengenalan pola. Prapemrosesan bertujuan mengekstrak
informasi yang relevan dari respon sensor dan menyiapkan data untuk analisis pola.
Pemilihan teknik prapemrosesan sinyal sangatlah penting dan berdampak signifikan
terhadap performa sistem pengenalan pola. Tahapan prapemrosesan secara umum
ada tiga yaitu:
15
pola. Kompresi dapat dilakukan pada masa transisi saat respon sensor menuju
keadaan stabil.
3. Normalisasi, normalisasi dapat dikelompokkan menjadi dua:
- Metode lokal, metode ini digunakan untuk mengatasi adanya variasi
sampel yang disebabkan perbedaan konsentrasi. Persamaan 3.4 adalah
metode normalisasi lokal:
(3.4)
(𝑘 (𝑘
Dengan 𝑌𝑠 adalah hasil normalisasi respon luaran sensor, 𝑋𝑠 adalah
respon luaran untuk sensor ke-S pada sampel ke-k.
- Metode global, metode ini digunakan untuk mengatasi adanya perbedaan
penskalaan sensor. Persamaan 3.5 merupakan persamaan metode ini:
(3.5)
(𝑘
dengan 𝜎(𝑥𝑠 ) adalah standar deviasi dari respon luaran sensor ke-S untuk
satu sampel.
e. Pengenalan Pola
Tahap akhir adalah pemrosesan oleh mesin pengenal pola atau klasifikasi.
Tujannya adalah memprediksi sampel yang tidak diketahui dan
menglasifikasikannya kedalam kelas yang diperoleh dalam proses pelatihan
(Bhattacharya, 2010). Pada umumnya, performa klasifikasi e-nose bergantung pada
hasil diskriminasi respon e-nose. Jika ciri untuk sampel yang berbeda dapat
didiskriminasi dengan baik, maka tingkat kesuksesan klasifikasi yang tinggi dapat
dihasilkan dari sistem klasifikasi aroma. Respon yang dihasilkan oleh larik sensor
dapat diproses menggunakan berbagai macam teknik. Dalam pengenalan pola
17
dari data akhir ini akan didapatkan orde Principal Component (PC) yang
sudah terurut. Kolom pertama merupakan PC1, kolom kedua merupakan
PC2 dan seterusnya.
Jaringan syaraf tiruan disusun dengan asumsi yang sama seperti jaringan
syaraf biologis (Puspitaningrum, 2006):
3. Jaringan Recurrent
Model jaringan recurrent mirip dengan jaringan layar tunggal ataupun
ganda. Hanya saja, ada neuron yang memberikan sinyal pada unit input
(sering disebut feedback loop).
1. Input layer terdiri dari neuron-neuron atau unit-unit input mulai dari unit
input 1 sampai dengan unit input-n.
2. Hidden layer terdiri dari unit-unit tersembunyi dengan jumlah minimal
adalah 1.
23
Hubungan antara input layer, hidden layer, dan keluaran layer ditunjukkan
dalam arsitektur backpropagation pada Gambar 3.5.
Agar dapat digunakan, jaringan syaraf tiruan harus melalui proses pelatihan
terlebih dahulu. Pelatihan dilakukan dengan cara dimasukkan sekumpulan contoh
pelatihan yang disebut set pelatihan. Set pelatihan ini digambarkan dengan sebuah
vector feature yang disebut sebagai vektor input yang diasosiasikan dengan sebuah
24
pelatihan sampai unjuk kerja jaringan mencapai tingkat yang diinginkan atau
sampai kondisi berenti. Pelatihan akan dihentikan misalnya telah ditentukan setelah
mencapai 1000 epoch, maka setelah pelatihan mencapai 1000 epoch akan berhenti.
Pelatihan juga akan dihentikan jika sebuah nilai ambang terpenuhi. Setelah proses
pelatihan selesai maka dilakukan set pengujian. Dari respon jaringan dapat dinilai
kemampuan memorisasi dan generalisasi jaringan dalam menebak keluaran
berdasarkan yang telah dipelajari jaringan. (Puspitaningrum, 2006)
𝑧_𝑛𝑒𝑡𝑗 = 𝑣𝑗 0 + 𝑥𝑖 𝑣𝑗𝑖
𝑖=1
1
𝑧𝑗 = 𝑓 𝑧_𝑛𝑒𝑡𝑗 = 1+𝑒 −𝑧_𝑛𝑒𝑡𝑗
26
𝑛
𝑦_𝑛𝑒𝑡𝑘 = 𝑤𝑘0 + 𝑗 =1 𝑧𝑗 𝑤𝑘𝑗
1
𝑦𝑘 = 𝑓 𝑦_𝑛𝑒𝑡𝑘 = 1+𝑒 −𝑦 _𝑛𝑒𝑡𝑘 (3.6)
𝛿𝑘 = 𝑡𝑘 − 𝑦𝑘 𝑓 ′ 𝑦𝑛𝑒𝑡 𝑘 = 𝑡𝑘 − 𝑦𝑘 𝑦𝑘 (1 − 𝑦𝑘 )
∆𝑤𝑘𝑗 = 𝛼𝛿𝑘 𝑧𝑗
𝑚 𝑚
𝛿𝑗 = 𝑘=1 𝛿𝑘 𝑤𝑘𝑗 𝑓 ′ 𝑧_𝑛𝑒𝑡𝑗 = 𝑘=1 𝛿𝑘 𝑤𝑘𝑗 𝑧𝑗 (1 − 𝑧𝑗 )
∆𝑣𝑗𝑖 = 𝛼𝛿𝑗 𝑥𝑖 (3.7)
4.1.1. Bahan
Bahan yang digunakan sebagai sampel dalam penelitian ini adalah cairan
yang mudah terbakar dan cairan yang tidak mudah terbakar. Cairan mudah terbakar
yang digunakan adalah ethanol dengan kadar 96% dan aseton 99%, sedangkan
cairan tidak mudah terbakar yang digunakan adalah formalin 10% dan ammonium
hidroksida 25%.
4.1.2. Peralatan
Sistem electronic nose yang digunakan pada penelitian ini yaitu tipe Flow
Air (Aliran udara). Sensor gas yang digunakan berjumlah 6 sensor (TGS 2620, TGS
2201A, TGS 2201B, TGS 822, TGS 813, TGS 2610). Enam jenis sensor Figaro ini Comment [M10]: jelaskan masing-
masing sensor dan alasan penggunaannya.
memiliki sensitivitas berbeda-beda saat terpapar gas tertentu. Kandungan senyawa
gas ethanol dan aseton yaitu CO, H2, dan OH. Sedangkan kandungan senyawa gas
formalin dan ammonium hidroksida yaitu CO, OH, dan NH4. Sehingga dipilih jenis
sensor yang responnya mendekati senyawa gas-gas yang terkandung pada sampel.
Adapun 6 jenis sensor tersebut adalah TGS 2620,TGS 822, TGS 2610, TGS 2201,
dan TGS 813 (Zhang, 2007). Secara umum, sistem e-nose ini terdiri dari 4 bagian Comment [M11]: pustaka jumlah
sensor dan jenis-jenisnya untuk identifikasi
utama yaitu sensing element, pengondisi sinyal dan konversi analog ke digital, cairan mudah terbakar dan cairan tidak
mudah terbakar
processing dan graphical user interface. Penjelasan dari masing-masing bagian
utama sistem e-nose adalah sebagai berikut:
27
28
mengidentifikasi aroma yang dihasilkan oleh sampel tersebut. Ruang sensor ini
dirancang dengan metode aliran headspace sampling dengan tipe seri. Ruang
sampel tipe seri ini dibuat seperti pada Gambar 4.1yaitu array sensor disusun
sejajar/lurus dengan aliran gas yang masuk dari kiri (inlet) ke kanan (outlet)
dialirkan secara langsung.
RUANG KONTROL
RUANG SENSOR
RUANG SAMPEL
Electronic nose dengan tipe seri ini dapat mengetahui seberapa efektif
respon array sensor sehingga dapat diketahui kelebihan dan kekurangannya jika
ruang sensor dibuat dengan tipe ini. Pengujian sampel dilakukan dalam beberapa
kali untuk mendapatkan nilai tegangan keluaran yang konstan dan akurat (Rahmani,
2014). Kemudian bau yang dihasilkan diruang sampel tersebut dialirkan dengan
menggunakan selang dan membuka valve 2 dan valve 3, agar udara terdorong
menuju ruang sensor. Mikrokontroler digunakan untuk membaca nilai tegangan
keluaran dari sensor. Sensor-sensor mengeluarkan sinyal analog yang kemudian
dikonversi oleh ADC pada mikrokontroler dengan Arduino. Setelah itu, oleh
mikrokontroler data dikeluarkan melalui USB serial, disimpan dan ditampilkan
dalam bentuk grafik pada antarmuka kemudian nantinya akan dilakukan analisis
30
untuk mengklasifikasi cairan mudah terbakar dan cairan tidak mudah terbakar.
Nilai-nilai tegangan sensor yang dikeluarkan oleh sensor dan diproses oleh
mikrokontroler ditampilkan pada komputer secara real time. Hasil pembacaan
keluaran sensor menggunakan perangkat lunak Labview yang dapat menampilkan
data keluaran sensor berupa grafik tegangan vs waktu, suhu, hambatan, dan
kelembaban. Hasil pembacaan keluaran ini digunakan untuk membantu pengguna
dalam pengoperasian alat sesuai dengan settingan yang diperlukan. Tampilan dari
perangkat lunak e-nose dapat dilihat pada Gambar 4.2. Comment [M12]: software diganti
menjadi perangkat lunak
Prosedur Penelitian
Sistem E-nose
Pengukuran waktu
respon larik sensor gas
terhadap aroma sampel
Klasifikasi data
menggunakan PCA
Pengujian jaringan
JST-BP
Analisis hasil
pengujian
Gambar 4.3. Tahapan penelitian dan pembuatan aplikasi JST-BP Comment [M14]: tahapan pengerjaan
apa?
32
Pada tahapan penelitian ini dilakukan preparasi sampel, dimana sampel yang
digunakan berupa 4 jenis cairan, yaitu ethanol, aseton, formalin, dan ammonium
hidroksida. Pengukuran data sampel menggunakan sensor aroma dilakukan dengan
meletakkan sampel didalam sebuah tempat tertutup dan dialiri dengan udara
bergerak masuk (inlet) dan keluar (outlet) menggunakan pipa. Penggunaan sistem
akuisisi data bertujuan untuk mempermudah pengambilan data. Sistem akuisisi data
dibuat dengan menggunakan Labview.
Data respon larik sensor gas terhadap aroma sampel akan dilakukan tahap
pre-processing. Selanjutnya dipisahkan menjadi dua kelompok yaitu kelompok data
latih dan kelompok data uji. Data latih kemudian dilatihkan pada JST-
Backpropagation, sehingga diperoleh bobot. Bobot yang telah diperoleh tersebut
kemudian diuji dengan data uji. Hasil dari pengujian ini selanjutnya akan dilakukan
analisisa untuk mencari akurasi data.
33
Penelitian ini menggunakan 2 jenis sampel cairan yang mudah terbakar dan
2 jenis sampel cairan yang tidak mudah terbakar. Dua jenis sampel cairan yang
mudah terbakar terdiri atas sampel ethanol dengan konsentrasi murni 96% dan
aseton dengan konsentrasi murni 99%. Kedua jenis sampel ini kemudian diencerkan
sehingga menjadi 30% dan 50%. Kemudian, 2 jenis sampel cairan yang tidak
mudah terbakar terdiri atas sampel formalin dengan konsentrasi murni 10% dan
ammonium hidroksida dengan konsentrasi murni 25%. Kedua jenis sampel cairan
yang tidak mudah terbakar ini kemudian diencerkan, untuk formalin diencerkan
menjadi 2% dan 5%, sedangkan ammonium hidroksida diencerkan menjadi 10%
dan 15%. Setiap sampel cairan yang mudah terbakar dan cairan yang tidak mudah
terbakar diukur dengan volume yang sama yaitu 30 mL. Jumlah keseluruhan sampel
ada 12 buah. Sampel-sampel ditempatkan didalam wadah botol gelap untuk
menyimpan sampel dan agar sampel tidak mudah menguap. Semua sampel ini
kemudian diuji dengan menggunakan electronic nose. Variasi konsentrasi dilakukan
pada Gambar 4.4. Untuk mengencerkan sampel digunakan rumus tertrasi, sebagai
berikut:
larutan . Mlarutan = Vaquadest . Mx (4.1)
34
Konsentrasi 30%
Ethanol
Konsentrasi 50%
Cairan mudah
Konsentrasi 96%
terbakar
Konsentrasi 30%
Formalin Konsentrasi 2%
Konsentrasi 10%
Ammonium
Hidroksida Konsentrasi 15%
Konsentrasi 25%
Gambar 4.4. Variasi konsentrasi sampel
Gambar 4.5. Pengambilan data pada E-nose Comment [M15]: judul gambar gak
cocok dengan gambar
(Gutierrez-Osuna, et.al, 2003)
Pada Gambar 4.5 menunjukkan dalam satu kali pengambilan data diperoleh
nilai maksimum dan nilai minimum pada setiap puncak dari hasil keluaran sensor.
Nilai ini akan digunakan untuk proses ekstraksi ciri dengan persamaan 4.2. Tahap
ekstraksi ciri pada penelitian ini menggunakan metode differensial. Penggunaan
metode ini digunakan untuk menghitung nilai keluaran sensor yang akan diekstrak
untuk mendapatkan nilai-nilai yang mempresentasikan pola spesifik dari data
tersebut. Metode differensial bertujuan untuk mengurangi penyimpangan atau derau
tambahan pada respon sensor dan mengatasi pergeseran nilai baseline dengan
menyamakan nilai baseline.
Xkis =Xmax - Xmin, X = respon sinyal sensor (4.2)
i = data ke 1, 2, 3,…, 10
s = sensor 1, 2, 3, 4, 5, 6
k = hari ke 1, 2, 3,…, 10
Data hasil ekstraksi akan digunakan untuk melakukan klasifikasi dengan
menggunakan PCA. Setelah dilakukan klasifikasi sampel dengan metode PCA,
dapat diketahui apakah data dari keempat sampel ini sudah bisa dikelaskan. Setelah
dilakukan klasifikasi dengan menggunakan PCA, tahap selanjutnya yaitu data
dikelompokkan menjadi dua bagian, yakni data latih dan data uji. Data ini
digunakan untuk proses identifikasi cairan mudah terbakar dan cairan tidak mudah
36
Sistem electronic nose terdiri atas sistem piranti keras dan sistem piranti
lunak. Sistem piranti keras diwali dari larik sensor dan berakhir pada bagian akuisisi
data yang disimpan pada komputer, sedangkan sistem piranti lunak digunakan
untuk melakukan analisis data lebih lanjut. Adapun pada sistem piranti keras telah
tersedia dalam bentuk peralatan yang telah diimplementasikan, sedangkan sistem
piranti lunak electronic nose ini bentuk rancangan sistem yang digunakan akan
dibicarakan pada bab ini.
yang telah dibentuk dari hasil pelatihan yang digunakan untuk mengidentifikasi
cairan mudah terbakar dan cairan tidak mudah terbakar. Pada proses ini sampel
yang akan diidentifikasi jenisnya akan diubah menjadi data dalam variabel yang
kemudian akan dibandingkan dengan hasil dari jaringan yang telah terlatih. Proses
identifikasi dilakukan untuk menghasilkan keluaran akhir berupa identifikasi cairan Comment [M18]: output diganti
menjadi keluaran
mudah terbakar dan cairan tidak mudah terbakar.
Mulai
Konversi string
ke numerik
Transpose data
Pelatihan
jaringan
A
39
Pengujian
jaringan
Identifikasi
sampel
Selesai
Gambar 4.7. Diagram alir program JST-BP keseluruhan Comment [M19]: program apa?
Pada Gambar 4.7 diagram alir program tersebut terlihat bahwa masukan
yang perlu dibaca dan dimasukkan pertama kali adalah data pelatihan dari cairan
mudah terbakar dan cairan tidak mudah terbakar. Data pelatihan tersebut kemudian
dikonversi dari data bertipe string yang tersimpan pada file dengan format (*.txt)
menjadi data numerik dan disimpan ke dalam variabel MATLAB. Sebelum itu
dilakukan proses transpose terlebih dahulu karena data dari notepad berupa 6 buah
kolom yang mewakili sinyal dari sensor-sensor gas dan baris yang sesuai dengan
banyaknya data. Transpose data dilakukan karena pembacaan pada MATLAB
secara umum berupa baris terlebih dahulu, untuk itu maka baris harus diubah
menjadi kolom dan kolom menjadi baris. Proses berikutnya dilakukan proses
pelatihan untuk melatih jaringan, adapun prosedur pelatihan tersebut menggunakan
tools yang telah tersedia di Matlab. Dalam hal ini, disimbolkan dalam sub program
jaringan syaraf tiruan backpropagation. Hasil pelatihan JST-BP akan menghasilkan
nilai bobot, dimana nilai ini kemudian akan digunakan pada proses pengujian. JST-
BP yang telah dilatih kemudian diuji dengan data masukan yang belum diketahui
identitasnya. Hasil dari proses pengujian ini berupa identifikasi cairan mudah
terbakar dan cairan tidak mudah terbakar.
40
4.7. Rancangan Teknis Pelatihan Jaringan JST-BP Comment [M20]: rancangan program
diubah menjadi rancangan teknis.
Rancangan pengujian apa aja:
Proses pelatihan berfungsi untuk melatih jaringan agar mampu mengenali -apa aja yang harus diuji , caranya?
data yang telah dimasukkan. Data yang digunakan pada proses pelatihan ini adalah
data hasil ekstraksi ciri yang terdiri atas 150 buah data cairan mudah terbakar
(dengan masing-masing data untuk ethanol dan aseton sebanyak 75 buah), dan 150
buah data cairan tidak mudah terbakar (dengan masing-masing data untuk formalin
dan ammonium hidroksida sebanyak 75 buah data). Untuk mengenali data masukan
tersebut, diperlukan data yang telah dikonversi dari string menjadi numerik dan
disimpan ke dalam variabel MATLAB. Tahap awal di dalam membangun JST-BP
yang digunakan untuk mengidentifikasi cairan mudah terbakar dan cairan tidak
mudah terbakar dilakukan proses pemilihan dan penentuan target. Masing-masing
untuk sampel cairan mudah terbakar dan cairan tidak mudah terbakar memiliki nilai
target yang berbeda. Dalam penelitian ini dirancang nilai target yang ditentukan
adalah 0 dan 1. Cairan yang mudah terbakar memiliki nilai target 0 dan cairan
yang tidak mudah terbakar memiliki nilai target 1. Setelah target ditentukan,
kemudian dilakukan proses pelatihan jaringan dengan metode backpropagation.
Hasil akhir yang diperoleh berupa bobot yang sudah sesuai, dimana perubahan nilai
bobot yang diperoleh tersebut berasal dari proses pelatihan jaringan berdasarkan
masukan yang telah diberikan. Perubahan nilai bobot ini dilihat dari error yang
dihasilkan, dimana jika error yang didapat sangat kecil maka bobot yang dihasilkan
telah mendekati sesuai. Secara umum JST-BP dengan error yang sangat kecil
menunjukkan bahwa jaringan tersebut mempunyai kemampuan untuk mengenali
sebuah masukan yang diujikan dengan baik. Pada Gambar 4.8 terlihat diagram alir
dari program jaringan syaraf tiruan backpropagation tahap pelatihan.
41
Mulai
Jumlah target
Epochs
Learning rate
Goal
Fase feedforward
Fase Backpropagation
Tidak
Error < target error
Ya
Selesai
Berdasarkan diagram alir Gambar 4.8 dapat dijelaskan bahwa pada tahap
pelatihan, setelah data diambil dari file text (*.txt) maka langkah pertama yang
harus dilakukan adalah menginisialisasi bobot, melakukan konfigurasi jaringan
syaraf tiruan dengan memberikan nilai maksimum epoch, target error atau goal
42
yang dicapai, learning rate melalui masukan yang diberikan oleh user. Selanjutnya
masuk ke tahap alur feedforward, pada proses ini setiap unit masukan menerima
sinyal dari sensor dan meneruskan sinyal tersebut ke semua unit pada lapisan
tersembunyi. Kemudian setiap unit pada lapisan tersembunyi bobot sinyal masukan
dijumlahkan dan diterapkan fungsi aktivasi untuk menghitung sinyal keluarannya.
Setelah itu dilanjutkan pada tahap backpropagation, dimana pada proses ini setiap
unit keluaran menerima pola target yang sesuai dengan pola masukan pelatihan dan
menghitung MSE (Mean Square Error) yang didapat, jika error yang didapat lebih
besar dari target error yang diijinkan, maka proses pelatihan tersebut akan kembali
pada tahap inisialisasi bobot, demikian seterusnya sampai didapat nilai error yang
lebih kecil dari target error yang diijinkan. Kemudian jika nilai yang diinginkan
telah didapat, maka bobot tersebut tersimpan untuk dimasukkan pada tahap
pengujian.
Proses pengujian ini dilakukan apabila jaringan sudah terlatih dengan baik
dan siap untuk dilakukan proses pengujian. Jaringan yang sudah terlatih akan diuji
berapa tingkat ketepatannya dalam mengenali sampel uji. Data uji yang dimasukkan
berupa sampel cairan mudah terbakar (ethanol dan aseton) dengan banyaknya data
masing-masing berjumlah 25 buah data serta sampel cairan tidak mudah terbakar
(formalin dan ammonium hidroksida) dengan banyaknya data masing-masing
berjumlah 25 buah data. Data sampel yang akan diujikan oleh jaringan yang telah
dilatih tersebut kemudian akan ditentukan cairan mudah terbakar dan cairan tidak
mudah terbakar. Kemudian keberhasilan atau ketepatan dalam mengenali cairan
mudah terbakar dan cairan tidak mudah terbakar sangat tergantung dengan error
pada saat proses pelatihan. Semakin kecil error pelatihannya maka semakin baik
tingkat ketepatan pengujiannya. Keluaran dari sampel yang disimulasikan ini
berupa nilai Y yang nilai targetnya telah ditentukan yaitu 0 untuk cairan mudah
terbakar dan 1 untuk cairan tidak mudah terbakar. Setelah itu pada akhirnya nilai Y
43
yang dihasilkan oleh keluaran jaringan akan dibandingkan dengan nilai target yang
telah ditentukan tersebut. Secara garis besar program pengujian ditunjukkan pada
Gambar 4.9.
Mulai
MT = 0
TM = 0
Tidak Tidak
y(i) = 1? y(i) = 2? Plot x,y
Ya Ya
i=i+n
Tidak
i = n?
Ya
Selesai
Gambar 4.9. Diagram alir program pengujian jaringan JST-BP Comment [M21]: diagram alir program.
Diagram alir program apa?
pengujian ini. Nilai Y tersebut akan dibandingkan atau diseleksi dengan nilai target
yang telah ditentukan sebelumya yaitu pada proses pelatihan jaringan. Nilai Y yang
dihasilkan ini tidak harus sama dengan nilai target yang telah ditentukan melainkan
ada jangkauan tertentu yang memungkinkan nilai ini tidak bertabrakan dengan
target dari sampel cairan mudah terbakar. Sebagai permisalan, target pada cairan
mudah terbakar adalah 0, maka nilai Y ini tidak harus sama dengan 0, tetapi nilai
keluaran ini tidak boleh bertabrakan dengan nilai target sampel cairan tidak mudah
terbakar yang bernilai sama dengan 1. Untuk menyelesaikan permasalahan ini
dilakukan penyeleksian nilai Y dengan menggunakan fungsi kondisional (if-else).
Dimana nilai keluaran Y jika berharga sama dengan 0 maka akan menampilkan
grafik dengan simbol (o) beserta jumlah data cairan tidak mudah terbakar yang
dapat dideteksi. Kemudian jika Y bernilai sama dengan 1 maka akan menampilkan
grafik dengan simbol (□) beserta jumlah data cairan tidak mudah terbakar yang
dapat dideteksi serta jika tidak keduanya maka akan ditampilkan grafik dengan
simbol (◊). Setelah itu, proses perulangan akan terus berlangsung hingga terpenuhi
jumlah data sampel.
Pada bagian ini akan dijelaskan mengenai rancangan topologi jaringan untuk
proses identifikasi cairan mudah terbakar dan cairan tidak mudah terbakar. Jaringan
syaraf tiruan digunakan sebagai sistem yang diharapkan dapat mengidentifikasi
cairan mudah terbakar dan cairan tidak mudah terbakar berdasarkan informasi yang
ada. Jaringan ini akan menerima masukan (input) berupa informasi-informasi yang
berasal dari electronic nose. Electronic nose ini menggunakan 6 sensor TGS Comment [M22]: yang digambar 4.10
kon Cuma lima?
(Toguchi Gas Sensor). Sensor TGS yang digunakan yaitu sensor TGS 2620, TGS
2201A, TGS 2201B, TGS 822, TGS 813, dan TGS 2610. Sensor ini akan
menghasilkan suatu sinyal yang diperoleh dari pengukuran perubahan pada sifat
elektrik sensor selama terpapar oleh suatu gas. Data analog dari sensor akan diubah
menjadi data digital oleh analog to digital converter (ADC) untuk disimpan ke
45
komputer dan dianalisa lebih lanjut. Data dari ADC akan diprapemrosesakan
terlebih dahulu. Prapemrosesan berfungsi untuk menyiapkan sinyal agar dapat
dengan mudah diolah oleh mesin pengenalan pola. Hasil dari prapemrosesan sinyal
akan menjadi masukan dalam jaringan syaraf tiruan.
Lapisan Input
6
Lapisan tersembunyi Lapisan keluaran
Program jaringan syaraf tiruan yang dibuat terdiri dari program pelatihan
jaringan dan juga program uji jaringan dengan menggunakan metode
backpropagation. Program pelatihan ini akan digunakan untuk melatih jaringan
untuk mengenali data masukan dari cairan mudah terbakar dan cairan tidak mudah
terbakar, sedangkan program uji ini digunakan untuk menguji jaringan ini.
Pengimplementasian program jaringan syaraf tiruan ini menggunakan perangkat
lunak MATLAB R2010a dengan neural network tools yang telah tersedia di
perangkat lunak ini. Jaringan yang dibuat terdiri dari 6 neuron untuk lapisan input
dan terdapat satu buah lapisan keluaran dalam penelitian ini. Lapisan input ini
terdiri dari 6 neuron yaitu 6 buah masukan data yang dihasilkan dari ke-6 sensor
yang digunakan pada e-nose berupa tegangan dengan satuan miliVolt (mV).
Kemudian dari keenam keluaran sensor-sensor tersebut diumpankan kedalam
lapisan tersembunyi. Terdapat 1 buah lapisan tersembunyi yang terdiri dari 6
neuron. Keluaran dari lapisan tersembunyi ini kemudian diumpankan ke lapisan
keluaran yang akan menghasilkan nilai target yang dapat mengidentifikasi cairan
mudah terbakar dan cairan tidak mudah terbakar. Implementasi program diawali
dengan mempersiapkan input dan targer yang akan digunakan. Input yang
digunakan dalam proses pelatihan berjumlah 300 buah data cairan yang mudah
48
49
terbakar dan data cairan yang tidak mudah terbakar, serta data ini disimpan dalam
extensi file berupa txt pada notepad. Sehingga impelemtasi program awal yaitu
membuka file ini pada button 1 yaitu data pelatihan.
untuk memproses data uji. Data uji yang diujikan pada proses ini berbeda dengan
data yang digunakan pada proses pelatihan.
Keluaran dari jaringan berupa bilangan yang besarnya berkisar diantara nilai
target-target yang telah ditentukan. Nilai keluaran pada pengujian jaringan ini tidak
selalu sama dengan nilai target yang telah ditentukan. Semakin kecil perbedaan data
cairan mudah terbakar dan cairan tidak mudah terbakar maka semakin kecil juga
error pada saat proses pelatihan. Ketika nilai error yang diujikan semakin kecil,
maka semakin baik juga nilai keluaran dari pengujian jaringan tersebut, sehingga
nilai tersebut tidak terlalu jauh berbeda dengan target yang telah ditentukan.
Implementasi proses pengujian yang dilakukan adalah me-load data uji dan
hasil dalam extensi mat, adapun pada perintah me-load hasil.mat merupakan
instruksi yang digunakan untuk memanggil fungsi-fungsi berupa variabel, bobot,
error, dsb yang telah dihasilkan dari proses pelatihan kemudian data uji yang akan
digunakan sebagai masukan ini di-transpose. Setelah itu mencari jumlah baris data
uji yang akan diujikan dengan menggukan perintah size(P). Simulasi dari
jaringan yang telah terlatih dan memasukkan data uji tersebut sebagai masukan.
Pada proses pengujian ini dimasukkan 100 data, dimana data ini akan diuji hasilnya.
Adapun program dalam simulasi jaringan yang telah terlatih dan data uji
ditunjukkan pada Gambar 5.4.
85 function pushbutton6_Callback(hObject, eventdata, handles)
86 cla('reset');
87 load data_uji.txt;
88 load hasil.mat;
89
90 P = data_uji';
91
92 %Mencari jumlah data yang akan diujikan
93 [m, n] = size (P);
94
95 %Simulasi jaringan yang akan diujikan
96 for i = 1 : n
97 Y(i) = sim(net, P(:,i));
53
98 end
99
100 cla (handles.axes2, 'reset');
101
102 x = 1:n;
Gambar 5.4. Implementasi program pengujian
Banyaknya perulangan yang dilakukan sesuai dengan banyaknya data uji
yang dibaca. Perintah sim merupakan perintah simulasi dari neural network dengan
komponen jaringan berupa net dan input berupa P. Sedangkan nilai Y merupakan
nilai keluaran hasil simulasi dan nilai Y ini yang akan digunakan untuk menentukan
proses identifikasi cairan mudah terbakar dan cairan tidak mudah terbakar.
Selanjutnya, hasil keluaran berupa nilai Y ini akan diseleksi dengan nilai
target yang telah ditentukan sebelumnya dengan menggunakan perintah if-else.
Ketika nilai Y bernilai benar maka keluaran akhir dari program akan
mengidentifikasi sampel tertentu. Sedangkan apabila nilai Y bernilai salah, maka
keluaran akhirnya akan mendeteksi sampel yang lainnya. Program seleksi nilai
keluaran Y ini dapat dilihat pada Gambar 5.5. Pada program tersebut, terdapat
perintah perulangan yaitu for i=1:n. Perintah ini menunjukkan bahwa program
seleksi data akan berhenti apabila data-data tersebut telah terseleksi semuanya.
Pertintah round digunakan untuk melakukan pembulatan ke bilangan bulat
terdekat. Mula-mula program mengambil nilai keluaran Y, yang kemudian jika nilai
keluaran Y tersebut sama dengan 0 maka tampilan pada grafik adalah simbol (o)
berwarna merah. Jika nilai keluaran Y sama dengan 1 maka akan tertampil pada
grafik yaitu simbol (□) berwarna hijau. Sedangkan apabila nilai keluaran Y tersebut
tidak masuk kedalam nilai 0 dan 1 maka akan tertampil pada grafik dengan simbol
(◊). Selain itu, pada masing-masing seleksi terdapat nilai variabel hasil yang akan
menyimpan nilai dari masing-masing sampel. Kemudian proses perulangan ini akan
dihentikan apabila semua data telah terbaca. Disamping itu, setiap pembacaan nilai
keluaran Y yang dihasilkan akan dilakukan peoses seleksi yang sesuai dengan nilai
target yang diberikan. Tetapi apabila tidak ada nilai target yang sesuai maka
54
informasi tersebut tidak masuk pada kedua sampel yang diberikan. Hasil akhir dari
proses pengujian ini kemudian akan disimpan secara permanen dalam extensi file
(*.mat). Apabila sudah tersimpan dalam memori sekunder, nilai data yang
tersimpan dalam file tersebut dapat dipanggil kembali ke memori dengan perintah
load.
104 %Menentukan nilai keluaran identifikasi dari nilai target
105 %MT = Mudah Terbakar
106 %TT = Tidak Terbakar
107
108 MT = 0;
109 TT = 0;
110 for i = 1: n
111 hold on
112 if round (Y(i)) == 0
plot (x(1,i), Y(1,i),
113 'linestyle','.','Marker','o','MarkerSize',10,'MarkerFaceColor
','r');
114 MT = MT + 1;
115 else if round (Y(i)) == 1
plot (x(1,i), Y(1,i),
116 'linestyle','.','Marker','s','MarkerSize',10,'MarkerFaceColor
','g');
117 TT = TT + 1;
118 else
plot (x(1,i), Y(1,
119 i),'linestyle','.','Marker','d','MarkerSize',10,'MarkerFaceCo
lor', 'k');
120 end
121 end
122
123 set(handles.edit7,'string',MT);
124 set(handles.edit8,'string',TT);
125 for i = 1:length(x)
126 text(x(i)+.1,Y(i),num2str(x(i)));
127 end
128 hold off
129 xlim([0 n+0.3]);
130 ylim([-0.3 1.3]);
131 end
132 save hasil_uji.mat Y
133 guidata(hObject, handles);
Pada bab ini mengulas tentang hasil analisa dari hasil penelitian dan
pengujian yang telah dilakukan sehingga dengan adanya analisa ini diharapkan hasil
pengujian dan pembahasan tersebut sesuai dengan tujuan yang dicapai. Pengolahan
data dan analisa dilakukan setelah mendapatkan data dari hasil pengujian berupa
analisa respon sensor. Setelah mendapatkan hasil pengujian berupa respon sensor,
kemudian dilakukan proses ekstraksi ciri. Pelatihan biasanya dilakukan variasi pada
parameter-parameter pelatihan dan pengujian yang dilakukan dengan melihat
pengaruh dari parameter-parameter pelatihan terhadap kecepatan pelatihan
6.1. Analisis Respon Sensor Untuk Cairan Mudah Terbakar dan Cairan Comment [M24]: analisa diganti jadi
analisis
Tidak Mudah Terbakar alat yang sudah ada kenapa diuji lagi?
perbaikan: tidak diuji lagi, tetapi data yang
Pengolahan dan analisis data respon sensor bertujuan untuk mendapatkan sudah ada dilakukan analisis dan
pengolahan data.
informasi berupa hasil analisis data menggunakan metode Principal Component
Analysis (PCA) untuk klasifikasi sampel cairan mudah terbakar dan cairan tidak
mudah terbakar. Sedangkan untuk proses identifikasi cairannya berbasis jaringan
syaraf tiruan dengan metode backpropagation.
Preparasi sampel dilakukan dengan membuat sampel uji sesuai dengan
prosedur penelitian yang telah ditentukan. Dalam penelitian ini dibuat 3 jenis
konsentrasi untuk setiap sampel. Seperti pada sampel cairan yang mudah terbakar,
ethanol dibuat 3 buah konsentrasi sebesar 30%, 50%, dan 96% dan untuk sampel
aseton dibuat 3 buah konsentrasi sebesar 30%, 50%, dan 99%. Sedangkan pada
sampel cairan yang tidak mudah terbakar, seperti sampel formalin dibuat 3 buah
konsentrasi sebesar 2%, 5%, dan 10%, serta untuk sampel ammonium hidroksida
dibuat 3 buah konsentrasi sebesar 10%, 15%, dan 25%. Masing-masing sampel
mempunyai volume 30 mL.
55
56
Gambar 6.1. Respon sensor untuk sampel cairan yang mudah terbakar
57
Gambar 6.2. Respon sensor untuk sampel cairan yang tidak mudah
terbakar
Berdasarkan grafik respon sensor yang ditunjukkan pada Gambar 6.1 dan
Gambar 6.2 dapat dilihat bahwa sinyal respon sensor e-nose pada pengujian sampel
cairan mudah terbakar mempunyai nilai respon (amplitudo) yang lebih besar
dibandingkan dengan sinyal respon pada pengujian sampel cairan tidak mudah
terbakar. Sensor yang respon lebih tinggi pada cairan yang mudah terbakar adalah
sensor 813, sedangkan sensor yang respon lebih tinggi pada cairan yang tidak
mudah terbakar adalah sensor TGS 2620. Perbedaan respon dari keenam sensor
tersebut disebabkan karena masing-masing sensor memiliki kepekaan tersendiri
terhadap gas-gas yang dihasilkan oleh sampel. Kombinasi gas-gas tersebut
membentuk suatu aroma yang memiliki pola tersendiri.
6.2. Ekstraksi Ciri
udara bebas (flushing) dan sesudah pengambilan data untuk satu periode,
ditunjukkan oleh Gambar 6.3.
Gambar 6.3. Proses ekstraksi ciri dengan menggunakan metode differensial Comment [M26]: Gambar 6.3. Respon
sensor dengan metode differensial untuk
sampel cairan mudah terbakar -> diganti
menjadi proses ekstraksi ciri dengan
Dari Gambar 6.3 tersebut dapat dilihat hasil dari proses ektraksi ciri menggunakan metode differensial
menggunakan metode differensial. Hasil yang diperoleh, baseline awal dari respon
sinyal dari sensor-sensor ini adalah 0. Sensor yang memiliki respon paling cepat
berdasarkan settling time masing-masing sensor yaitu sensor TGS 822, TGS 2620,
TGS 813, TGS 2201, adapun sensor yang tidak respon pada adalah sensor 2610.
Untuk kembali pada keadaan awal (baseline) setelah melalui proses pengambilan
data, setiap sensor membutuhkan waktu yang berbeda. Sehingga dibutuhkan proses
ekstraksi ciri menggunakan metode differensial agar didapatkan nilai baseline yang
sama.
yang terjadi dengan seminimal mungkin jumlah komponen utama. Jumlah variabel
masukan pada proses PCA adalah 6 variabel yang mewakili jumlah sensor pada e-
nose, variabel ini pada akhirnya akan direduksi menjadi dua dimensi yang terdiri
dari komponen utama pertama (PC1) dan komponen utama kedua (PC2) yang dapat
mewakili presentase nilai variansi yang signifikan dari total keseluruhan variansi
data yang terjadi dan digunakan untuk membuat grafik visualisasi data dua dimensi
untuk analisis dan interpretasi informasi secara kualitatif. Comment [M27]: penjelasan analisanya
ada paragraf selanjutnya
Kedua sampel cairan yang mudah terbakar yang terdiri dari ethanol dan
aseton sudah dapat terpisah satu sama lain. Hal ini juga terjadi pada kedua sampel
cairan yang tidak mudah terbakar yang terdiri dari ammonium hidroksida dan
formalin. Keduanya sudah dapat terpisah satu sama lain. Pemisahan keempat
sampel ini kemudian diuji lagi dengan menyatukan keempat sampel menjadi satu
masukan pada PCA. Pengujian keempat sampel ini dilakukan untuk mengetahui
apakah e-nose mampu membedakan keempat sampel ini apabila datanya disatukan.
Tahap analisis PCA dilakukan seperti pada tahap analisis yaitu pertama dengan
membentuk matriks kovarian, sehingga didapatkan matriks kovarian C1 sebagai
berikut:
C1 =
513996 92427 387015 745312 388615 38555
92427 102881 151906 308563 114991 25025 Comment [M28]: ini adalah matriks
covarian yaitu tahap analisis PCA pertama
387015 151906 524201 829989 437151 45614 kali
745312 308563 829989 1747416 733614 107499
388615 114991 437151 733614 453580 41132
38555 25025 45614 107499 41132 18324
Tabel 6.1 memuat nilai eigen value hasil penghitungan eigen pada matriks
kovarian data keempat sampel campuran ini. Dua eigen value pertama mampu
menghasilkan persentase variansi kumulatif sebesar 93,3% dari total variansi yang
terjadi pada keseluruhan data, dengan proporsi 87,3% untuk eigen value pertama
dan 6,0% untuk eigen value kedua.
Matriks eigen vector V2 yang terbentuk dari hasil perhitungan eigen pada
matriks kovarian data sampel daging campuran adalah sebagai berikut:
V2 =
-0,358447 0,672433 0,545776 0,310760 -0,157645 -0,007380
-0,130023 -0,326598 -0,124321 0,353474 -0,839381 0,177391
-0,391713 0,113278 -0,626807 0,569001 0,329735 -0,091403
-0,756715 -0,507022 0,298310 -0,197731 0,198374 0,053603
-0,355722 0,405843 -0,451906 -0,643635 -0,295819 0,052527
-0,044896 -0,080976 0,024017 -0,036854 0,187086 -0,976981
Pada Gambar 6.6 dapat dilihat bahwa proses pelatihan dihentikan ketika
proses ini sudah mencapai target yang telah ditentukan. Proses ini berhenti pada
epochs ke-192. Proses ini juga menghasilkan nilai MSE yang nantinya dapat
mengitung akurasi dari proses pelatihan ini. Variasi yang dilakukan untuk pengujian
parameter ini mempengaruhi proses lama atau tidaknya suatu proses pelatihan.
Pada penelitian ini, variasi yang dilakukan adalah dengan memvariasi parameter
pelatihan. Parameter yang diujikan pada proses pelatihan backpropagation, yaitu
65
membandingkan parameter learning rate dan goal untuk mendapatkan hasil MSE
dan epoch paling kecil. Nilai MSE yang dihasilkan dari proses pelatihan akan
ditampilkan pada tampilan antarmuka GUI pada Gambar 6.7 menunjukkan nilai
MSE hasil pelatihan jaringan JST-BP dengan nilai 0,0067729.
Jumlah data pelatihan yang digunakan pada proses pelatihan jaringan yaitu
150 buah, setiap sampel menyuguhkan 75 buah data untuk proses pelatihan ini.
Data latih yang telah dikumpulkan ini kemudian dimasukkan kedalam notepad yang
nantinya akan dipanggil dengan tombol data latih. Setelah dilakukan proses
pelatihan yang maksimal dengan nilai MSE yang kecil, maka sudah bisa dilakukan
proses pengujian jaringan. Hasil pengujian jaringan JST-BP ini dapat dilihat pada
Gambar 6.8. Sebelum dilakukan proses uji, dilakukan pemeriksaan data yang telah
terseimpan pada notepad data uji yang telah tersimpan pada tombol data uji. Data
uji yang digunakan pada penelitian ini adalah 100 buah data yang terdiri atas 25
buah data dari masing-masing sampel. Dari hasil pengujian ini dapat diketahui
bahwa dari 50 data cairan mudah terbakar yang bisa diidentifikasi oleh jaringan
adalah 49, sedangkan 50 data cairan tidak mudah terbakar yang bisa diidentifikasi
dari hasil pengujian ini adalah 51. Hal ini dikarenakan ada satu nilai dari data uji
66
pada kelompok data cairan mudah terbakar yang nilainya hampir mirip dengan nilai
target cairan tidak mudah terbakar.
Variasi learning rate dan goal yang dilakukan pada penelitian ini dengan
cara memvariasi kedua parameter ini dengan nilai 1, 0.1, 0.01, 0.001, 0.0001.
Sedangkan dalam proses pelatihan digunakan nilai epoch sebesar 1000 dan jumlah
hidden layer sebanyak 1 layer. Dengan jumlah 6 neuron pada hidden. Adapun
jumlah data sampel yang digunakan pada cairan yang mudah terbakar dan cairan
yang tidak mudah terbakar untuk proses pelatihan sebanyak 300 data.
Berdasarkan perbandingan nilai learning rate dan nilai goal ini diperoleh
nilai error pelatihan sebesar 0.0088 dan akurasinya sebesar 99,1%. Sedangkan hasil
perbandingan dari nilai learning rate dan goal ini dapat dilihat pada Tabel 6.2.
67
Tabel 6.2. Hasil nilai error dan epoch terkecil dengan variasi learning
rate dan goal
α 1 0,1 0,01 0,001 0,0001
Goal MSE Epochs MSE Epochs MSE Epochs MSE Epochs MSE Epochs
0,01 0,0997 795 0,0983 37 0,0315 286 0,0949 121 0,0654 68 Comment [M30]: angka-angka
penulisan tidak baku
0,001 0,0254 99 0,3159 607 0,0308 871 0,0316 470 0,0311 237
0,0001 0,00999 128 0,00987 376 0,0994 306 0,0088 133 0,0094 185
Kualitas hasil pembelajaran dapat dilihat dari nilai MSE dengan nilai epochs-nya.
Kualitas hasil pembelajaran sebagaimana dapat dilihat pada Gambar 6.9 yang
menunjukkan grafik performa yang menggambarkan penurunan MSE pada setiap
epochs.
Dengan memberikan nilai learning rate dan goal yang optimal, maka nilai
MSE akan menurun tajam dengan simpangan yang besar pada epochs awal. Adapun
jika dilihat dari grafik (goal) maka nilai tersebut bergerak menurun menuju posisi
69
yang diinginkan (10-4) atau dengan kata lain proses pelatihan sudah berhasil
dilakukan.
70
BAB VII
KESIMPULAN
7.1. Kesimpulan
1. Kandungan senyawa gas ethanol dan aseton yaitu CO, H2, dan OH.
Sedangkan kandungan senyawa gas formalin dan ammonium hidroksida
yaitu CO, OH, dan NH4. Sehingga dipilih jenis sensor yang responnya
mendekati senyawa gas-gas yang terkandung pada sampel. Adapun 6
jenis sensor tersebut adalah TGS 2620,TGS 822, TGS 2610, TGS 2201,
dan TGS 813.
2. Dengan menggunakan metode PCA dapat mengklasifikasi sampel
ethanol dan aseton dengan persentase variansi data sebesar 83,3%.
Sedangkan untuk sampel formalin dan ammonium hidroksida persentase
variansi data sebesar 91,1%. Adapun untuk pengujian campuran
(keseluruhan sampel) menghasilkan variansi data sebesar 93,3%.
3. Parameter-parameter optimal untuk arsitektur jaringan syaraf tiruan
backpropagation untuk pelatihan dengan leraning rate 0,001, nilai goal
0.0001, dan MSE yaitu 0,0088 dengan tingkat akurasi sistem 99,1%.
7.2. Saran
1. Dilakukan analisis data dengan metode analisis yang lebih baru dan
dilakukan perbandingan untuk mengetahui metode yang paling efektif untuk
analisis data pada e-nose.
70
71
DAFTAR PUSTAKA
Ciosek, P., Wroblewski, W., 2006, Electronic Tongue for Flow Through Analysis of
Beverages. Sensor and Aqtuator B. Chemical 118 (1/2), 454-460.
Firdaus, R.R., 2013, Identifikasi Cat Mobil Berbasis Electronic Nose, Skripsi,
Jurusan Elektronika dan Instrumentasi FMIPA UGM, Yogyakarta.
Gardner, J.W dan Cole, M., 2003, Integrated Electronic Noses and Microsystems
for Chemical Analysis, Pearce, T.C., Schiffman, S.S., Nagle, H.T., dan
Gardner, J.W., Handbook of Machine Olfaction: Electronic Nose
Technology, WILEY-VCH, Weinheim.
Gutes, A., Ibanez, A., Cespedes, F., Alegret, S., Del, V.M., 2005, Simultaneous
Determination of Phenolic Compounds by Means of An Automated
Voltammetric “Electronic Tongue” . Anal Bioanal Chem 382: 471.
Gutierrez-Osuna, R., Nagle, H.T., Kermani, B., dan Schiffman, S.S., 2003, Signal
Conditioning and Preprocessing, Handbook of Machine Olfaction:
Electronic Nose Technology, WILEY-VCH, Weinheim.
Hermawan, A., 2006, Jaringan Syaraf Tiruan: Teori dan Aplikasi, Andi,
Yogyakarta.
Mergasari, D., Samingun, H., Henny, P., 2010, Metode Klasifikasi Analisis
Diskriminasi dan Jaringan Syaraf Tiruan Backpropagation pada kasus
klasifikasi pola makan pada balita, Fakultas Matematika dan Ilmu
Pengetahuan Alam, Universitas Brawijaya, Surabaya.
72
73
Nugroho, J., Dwi, M., Sri, R., dan Nursigit, B., 2008, Aplikasi Jaringan Syaraf
Tiruan Untuk Identifikasi Aroma Teh Menggunakan Electronic Nose,
Prosiding Seminar Nasional Teknik Pertanian 2008, Yogyakarta, 18-19
November 2008.
Rahmani, M.N., 2014, Rancang Bangun Electronic Nose Untuk Klasifikasi Bensin
Murni dan Premium Campuran, Skripsi, JurusanElektronika dan
Instrumentasi FMIPA UGM, Yogyakarta.
Ruckler, C.K., Stenberg, M., WInquits, F., Lundstorm, I., 2001, Electronic Nose for
Enviromental Monitoring Based On Sensor arrays and Pattern Recognition:
A Review. Analytica Chimica Acta 426 (2001) 217-226.
Siang, J.J., M.Sc, Drs., 2005, Jaringan Syaraf Tiruan dan Pemrogramannya
Menggunakan Matlab, Yogyakarta, Andi Offset.
Tang, L., Zang, G.M., Shen G.L., Zang, Y., Huang, G.H., Li, J.B., 2006,
Simultaneous Amperometric Determination of Lignin Peroxidase and
Manganese Peroxidase Activies in Compost Bioremidiation Using Artificial
Neural Networks. Anal Chim Acta 579: 109
Triyana, K., Kurniawati, A.D., Hardoyo, F., dan Chotimah, 2012, Penerapan
Metode Ekstraksi Ciri Berbasis Transformasi Wavelet Disktrit Untuk
Meningkatkan Unjuk Kerja Electronic Nose, Prosiding Pertemuan Ilmiah
XXVI HFI Jateng & DIY, Perworejo, 14 April 2012, ISSN,: 0853-0823
Laboratorium Fisika Material dan Instrumentasi Jurusan Fisika FMIPA
UGM, Yogyakarta.
Zhang, S., Changsheng, X., Dawen, Z., Qinyi, Z., Huayao, L., Zikui, B., 2007, A
Feature Extraction Method and Sampling System For Fast Recognation of
flammable liquids with a portable e-nose, Department of Material Science
and Engineering, China.
Zupan, J., 1994, Introduction of Artificial Neural Network (ANN) methods: what
they are and how to use them. Acta Chimica Slovenica 41: 327.