Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015 251

Deteksi Kandungan Formalin Pada Tahu Menggunakan Sensor Gas Dengan Metode
Pembelajaran Learning Vector Quantization (LVQ)

Fristhio Norpi*), Andrizal**), Budi Rahmadya***), Derisma****)

† † Sistem Komputer, Universitas Andalas
* *** ****
**
Elektro, Politeknik Negeri Padang
* ** *** ****
E-Mail: vanoiht@gmail.com, -, budi-r@fti.unand.ac.id, -

Abstrak
Tahu adalah salah satu makanan pokok yang banyak dijual di pasar dengan harga
terjangkau, namun tahu itu sendiri banyak mengandung zat kimia berbahaya, salah
satunya adalah formalin. Penelitian ini bertujuan untuk mendeteksi gas yang berasal
dari tahu apakah tahu mengandung formalin atau tidak. Gas Formaldehyde
merupakan gas yang akan dijadikan penelitian. Sistem yang dirancang menggunakan
sensor gas MQ-138 yang berfungsi untuk mendeteksi gas Formaldehyde yang
terkandung pada tahu. Untuk pembuatan pola data gas, sistem ini menggunakan
metode Fast Fourier Transform (FFT) Pembuatan pola data nantinya dapat dijadikan
identifikasi dengan menggunakan metode Jaringan syaraf tiruan Learning Vector
Quantization (LVQ) Setelah dilakukan pengujian, hasil yang diperoleh untuk masing-
masing sampel tahu berbeda-beda, untuk tahu yang tidak mengandung formalin
dideteksi dengan tingkat keberhasilan 100%, tahu mengandung formalin 2 ml 75%,
tahu mengandung formalin 4 ml 100%, tahu mengandung formalin 6 ml 75%, tahu
mengandung formalin 8 ml 100%, dan tahu mengandung formalin 10 ml 100%.
Sedangkan untuk sampel acak yang didapat dari 9 pedagang berbeda, diperoleh hasil 9
sampel tahu yang tercampur formalin dan 0 sampel tahu tidak mengandung formalin
dengan kadar formalin yang berbeda.
Kata Kunci : Fast Fourier Transform, Formaldehdye, Formalin, Learning Vector
Quantization, MQ-138, Sensor Gas.

1. PENDAHULUAN kadar Formaldehyde bervariasi, antara 37% -

Makanan adalah kebutuhan pokok yang
diperlukan oleh tubuh manusia, jika makanan
tidak memenuhi standar keamanan, mutu dan gizi
akan memberi efek negative bagi tubuh manusia.
Oleh karena itu perlu seleksi terhadap makanan
sebelum dikonsumsi agar manusia terhindar dari
makanan yang membahayakan kesehatan.
Saat ini banyak sekali bahan kimia dan
campuran zat-zat lain yang digunakan dalam
produksi makanan sehingga lebih efektif dan
efisien dalam penyajiannya, tanpa mempedulikan
efek samping yang akan diterima oleh konsumen.
Salah satu bahan kimia tersebut adalah larutan
formalin.
Formalin merupakan nama dagang dari
campuran formaldehyde (CH2O), Methanol dan
Air. Formalin yang beredar dipasaran mempunyai
40% [1]. Konsumsi terhadap formalin baik dalam
jangka pendek maupun jangka panjang
mengakibatkan berbagai macam penyakit bahkan
kematian[5].
Bau gas pada makanan yang mengandung
formalin ini dapat diketahui dengan
menggunakan peralatan instrumentasi yang
komponennya menggunakan sensor gas yang
sensitif terhadap gas tersebut. Salah satu sensor
yang dapat digunakan adalah sensor gas MQ-138
yang sensitif terhadap formaldehyde (CH2O).
Data output dari sensor tersebut dapat diolah
untuk mendapatkan pola data unsur gas
formaldehyde dengan menggunakan metode Fast
Fourier Transform (FFT). Pola data yang
didapat, dijadikan sebagai bahan masukan pada
Jaringan Syaraf Tiruan (JST), yang merupakan
bagian proses untuk pengambilan keputusan.

ISBN: 979-26-0280-1
252 Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015
Salah satu metode yang dapat melakukan proses
training pola data dalam (JST) adalah metode
Learning Vector Quantization (LVQ).
2. METODOLOGI PENELITIAN
2.1. Rancang Penelitian
Pada penelitian ini, metode yang digunakan
adalah pendekatan terstruktural model proses
sekuensial linear. Penulis membuat rancangan
penelitian atau proses yang akan dikerjakan
dalam membangun perangkat lunak perancangan
sistem deteksi formalin menggunakan sensor gas
dengan membandingkan pola data yang diuji
terhadap pola data yang ada sebagai acuan.
Gambar 1. Rancangan Penelitian
3. HASIL DAN PEMBAHASAN
3.1. Pengoperasian Sistem
Dalam proses pengambilan sampel data dan
pengoperasian sistem, perlu dilakukan beberapa
langkah agar sistem bekerja dengan baik,
diantaranya:
1. Proses Pemanasan Heater Sensor
Proses ini dilakukan agar sensor bekerja
dengan baik dalam membaca gas yang
dideteksinya sehingga dapat memperoleh nilai
tegangan yang stabil sebelum sampel data
dimasukkan. Proses pemanasan heater ini
dilakukan selama 5-7 menit atau tegangan awal
mencapai 1,4 V.
ISBN: 979-26-0280-1
2. Proses Pengambilan Sampel Data
Proses ini dilakukan sebanyak 10 kali
percobaan, dimana setiap percobaan dilakukan
selama 32 counter dengan delay 500 ms (0,5 s)..
3. Proses Transform Sinyal dan Penyimpanan
Data
Proses ini dilakukan di PC/laptop dengan
menggunakan program Borland Delphi.
Penyimpanan ini terdiri dari penyimpanan data
input dan data output yang akan disimpan ke
Microsoft Excell.
4. Proses Training Learning Vector
Quantization.
Proses ini dilakukan untuk mendapatkan
nilai bobot akhir yang digunakan sebagai
pembanding untuk mengetahui sampel yang diuji
berformalin atau tidak. Nilai input training
didapatkan sebanyak 4 input yang berasal dari 32
frekuensi nilai magnitude hasil ouput FFT
masing-masing sampel tahu, sampel yang
digunakan ada 6, yaitu tahu normal (tidak
berformalin), berformalin 2 ml, 4 ml, 6 ml, 8 ml
dan 10 ml. Kemudian dibandingkan dengan
pemrograman Matlab untuk mendapatkan nilai
bobot akhir. Nilai bobot tersebut akan digunakan
untuk proses identifikasi.
5. Proses Identifikasi Learning Vector
Quantization
Proses ini dilakukan untuk menguji apakah
sampel tahu tersebut tidak berformalin atau
berformalin 2 ml, 4 ml 6 ml, 8 ml dan 10 ml.
Nilai input identifikasi diperoleh secara langsung
dari sampel tahu yang diambil nilai magnitude
hasil output FFT-nya sebanyak 4 input.
Kemudian nilai input akan dibandingkan dengan
bobot identifikasi, dimana akan dihasilkan selisih
terhadap masing bobot. Bobot yang memiliki
selisih terkecil akan di jadikan output hasil
identifikasi, dimana masing-masing bobot
mewakili satu kelas target.
3.2. Pengujian respon sistem
Pengujian respon sistem ini memperlihatkan
data uji tiap sampel. Sampel terdiri dari Tahu
tidak mengandung formalin dan Tahu yang
dicampur Formalin dengan komposisi 2 ml, 4 ml,
6 ml dan 10ml.
Ketika tabung/ wadah sampel ditutup dengan
sensor gas sensor gas akan mengeluarkan hasil
respon sensor dan akan ditampilkan dalam bentuk
grafik (Gambar 2).
 Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015 253

Tabel 1. Input Data Training Learning Vector

Quantization

Gambar 2. Respon Sensor Terhadap Formalin

3.3. Uji Training Learning Vector Quantization
Input data yang diambil adalah nilai
magnitude dari 32 counter tersebut, dimana nilai
itu berasal dari hasil output FFT. Ada 4 output
data yang diambil sebagai input untuk proses
training, yaitu counter ke- 4, 8, 12 dan 16.
Proses training learning vector quantization X1, X2, X3 dan X4 merupakan 4 counter
dilakukan dengan pemrograman Matlab untuk tadi yang dijadikan input pada proses training,
dapat menghasilkan nilai bobot. Untuk proses banyak data yang digunakan adalah 36 data.
training ini target kelas sudah ditentukan terlebih Dalam proses training LVQ ini 6 data pertama
dahulu, dimana kelas tersebut yang akan dijadikan bobot awal untuk training. Setelah
dijadikan hasil identifikasi terhadap sampel yang dilakukan proses training akan didapat bobot
akan diuji. Kelas ditentukan berdasarkan data akhir yang akan digunakan untuk proses
input sampel mana yang diambil. Karena terdapat identifikasi.
6 sampel tahu maka kelas yang digunakan juga 6, Tabel 2. Bobot Akhir Hasil Training LVQ
dimana masing-masing kelas mewakili ouput dari
hasil identifikasi.

3.4. Uji Identifikasi

Proses identifikasi yang dilakukan hampir
sama dengan proses training. Data yang
diidentifikasi akan memiliki jarak masing-masing
dengan 6 bobot akhir yang telah ditetapkan, maka
jarak terpendek merupakan hasil identifikasi dari
data tersebut. kemudian program akan
menampilkan langsung hasil dari identifikasi.

ISBN: 979-26-0280-1
254 Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015

1. Tahu tidak berformalin 3. Berformalin 4 ml

Tabel 3. Identifikasi sampel tidak berformalin Tabel 5. Identifikasi sampel berformalin 4 ml 4
4 kali percobaan kali percobaan

Dapat dilihat dari Output hasil identifikasi

menunjukan jarak terpendek terdapat pada output
Y3 (Berformalin 4 ml.).
4. Berformalin 6 ml
Output hasil identifikasi menunjukan jarak
Tabel 6. Identifikasi sampel berformalin 6 ml 4
terpendek terdapat pada output Y1(Tidak
kali percobaan
Berformalin).
2. Berformalin 2 ml
Tabel 4. Identifikasi sampel berformalin 2ml 4
kali percobaan

Output hasil identifikasi menunjukan jarak

terpendek terdapat pada output Y4 sebanyak 3
kali dan Y5 1 kali (Berformalin 6 ml).

Output hasil identifikasi menunjukan jarak

terpendek terdapat pada output Y2 sebanyak 3
kali dan Y1 1 kali (Berformalin 2 ml).

ISBN: 979-26-0280-1
 Seminar Nasional Teknologi Informasi dan Komunikasi Terapan (SEMANTIK) 2015 255

5. Berformalin 8 ml Hasil dari simulasi menunjukan jarak

Tabel 7. Identifikasi Sampel berformalin 8 ml terpendek terdapat pada output Y6, dimana Y6
4 kali percobaan mewakili dari kelas 6. Maka sampel ini
teridentifikasi sebagai Berformalin 10 ml.

Output hasil identifikasi menunjukan jarak
terpendek terdapat pada output Y5 (Berformalin
8 ml).
6. Berformalin 10 ml
Tabel 8. Identifikasi sampel berformalin 10 ml
4 kali percobaan
4. KESIMPULAN
1. Sensor MQ-138 memiliki sensitivitas yang
cukup tinggi terhadap unsur gas
formaldehyde (CH2O) yang ada pada tahu.
2. Ouput hasil FFT yang dijadikan input untuk
training Learning Vector Quantization hanya
dibutuhkan 4 input.
3. Berdasarkan uji sistem terhadap 9 sampel
acak, diperoleh 1 sampel berformalin 2 ml, 5
sampel berformalin 4 ml, 2 sampel
berformalin 6 ml dan 1 sampel berformalin 8
ml.
4. Metode Jaringan Syaraf Tiruan dengan
training Learning Vector Quantization dapat
digunakan untuk mengidentifikasi apakah
sampel tahu tidak berformalin atau
berformalin 2 ml, 4 ml, 6 ml, 8 ml dan 10 ml
dengan inputan yang berasal dari nilai
magnitude output metode FFT.
5. DAFTAR PUSTAKA
[1] Purwanti, R. dan Widowati, D. (2003),
Deteksi Formalin Dan Penentuan Total
Angka Kuman Pada Tahu Yang Dijual di
Pasar Kartasura. Harmacon Pharmaceutical
Journal Of Indonesia.
[2] Saparindo dan Hidayati. (2006). Penggunaan
Formalin dan dampak bagi kesehatan.
Medan. Universitas Sumatera Utara.
[3] Hidayati, Nurul. (2010). Prediksi
Terjangkitnya Penyakit Jantung Dengan
Metode Learning Vector Quantization.
Semarang. FMIPA Universitas Diponegoro.
[4] Agustina, Alfa Ceria. (2010). Pengenalan
Aksara Jawa Menggunakan Learning Vector
Quantization (LVQ). Teknik Informatika,
Fakultas Teknologi Informasi,Universitas
Kristen Duta Wacana.
[5] Departemen Kesehatan Indonesia. (2007).
Mengenal Formalin. URL: http://Oke.or.id.
Diakses tanggal 29 November 2013.

ISBN: 979-26-0280-1