Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN: 2548-964X

Vol. 6, No. 8, Agustus 2022, hlm. 4033-4038 http://j-ptiik.ub.ac.id

Sistem Deteksi Pencemaran Gas Beracun CO, HC, NOx dalam Ruangan
Tertutup dengan Metode Support Vector Machine
Fauzan Rivaldi1, Rizal Maulana2, Mochammad Hannats Hanafi Ichsan3

Program Studi Teknik Komputer, Fakultas Ilmu Komputer, Universitas Brawijaya

Email: 1fznrivaldi98@gmail.com, 2rizal_lana@ub.ac.id, 3hanas.hanafi@ub.ac.id

Abstrak
Hasil pembakaran bahan bakar fosil oleh mesin, terutama kendaraan bermotor, akan mengeluarkan
sejumlah gas beracun yang dapat membahayakan manusia, terlebih lagi gas tersebut bersifat tidak
berwarna dan tidak berbau sehingga sulit untuk disadari. Sehingga dibutuhkan sebuah penelitian
mengenai sistem deteksi pencemaran gas beracun hasil pembuangan bahan bakar mesin, dengan
memanfaatkan Occupational Safety and Health Association (OSHA) milik pemerintahan Amerika
Serikat sebagai referensi utama dalam menentukan kadar racun gas yang terdeteksi oleh sistem
tergolong aman atau berbahaya berdasarkan nilai PPM nya. Adapun 3 jenis gas beracun yang akan
dideteksi, pertama deteksi gas Hidrokarbon atau HC menggunakan sensor MQ-2, kedua deteksi gas
Karbon monoksida atau CO menggunakan sensor MQ-7, dan ketiga deteksi gas Nitrogen Oksida atau
NOx menggunakan sensor MQ-135. Sistem berbasis mikrokontroler ESP32 dan menggunakan metode
SVM atau Support Vector Machine untuk mengklasifikasi nilai hasil deteksi sensor gas MQ tergolong
aman atau berbahaya. Terdapat 60 data latih yang terbagi dalam 2 jenis, yaitu 30 data pada kondisi kadar
racun yang masih aman, dan 30 data pada kondisi berbahaya. Pengujian kinerja dan akurasi sistem
menggunakan 30 data uji yang juga terbagi dalam 2 jenis, yaitu 15 data pada kondisi kadar racun yang
masih aman, dan 15 data pada kondisi berbahaya. Hasil deteksi dan klasifikasi akan ditampilkan melalui
layar LCD disertai dengan bunyi alarm buzzer bila kondisi kadar racun tergolong berbahaya. Akurasi
yang didapatkan dari hasil pengujian klasifikasi SVM sebesar 87%.
Kata kunci: Gas beracun, OSHA, MQ-2, MQ-7, MQ-135, Arduino, ESP32, Support Vector Machine (SVM).
Abstract
Burned fossil fuels from machines, especially vehicles, will release toxic gases which are harmful to
human, even these toxic gases are colorless and odorless which makes them hard to be recognized by
humans. Therefore, a research of detection system on toxic gas pollution caused by burned fuels is
needed, by utilizing Occupational Safety and Health Association (OSHA) as a main reference to
determine and classify the result of gas detection as a safe or dangerous condition according to their
PPM level. There are 3 types of toxic gas detected in the system, first is Hydrocarbon (HC) gas detection
using MQ-2 sensor, then Carbon Monoxide (CO) gas using MQ-7 sensor, and the last is detection of
Nitrogen Oxide (NOx) gas with the MQ-135 sensor. The system is based on an ESP32 microcontroller
using Support Vector Machine (SVM) as the classification method to classify the detection results from
the MQ gas sensor. There are 60 training data which are taken from MQ gas sensor detection, and
divided into 2 types of data, the first 30 data classified as safe condition, and the next 30 data classified
as dangerous condition. The performance and accuracy test of the system uses 30 testing data which
are also divided into 2 types, the first 15 data taken from a safe condition, and the next 15 data are taken
on a dangerous condition. The detection and classification results, as an output, will be displayed on
the LCD screen followed with a buzzer alarm sound if the SVM result is on a dangerous class. The
accuracy obtained from the SVM classification test is 87%.
Keywords: Toxic gas, OSHA, MQ-2, MQ-7, MQ-135, Arduino, ESP32, Support Vector Machine (SVM)

Pekerjaan sehari-hari manusia saat ini tidak

1. PENDAHULUAN luput dari bantuan mesin. Berbagai manfaat telah

Fakultas Ilmu Komputer

Universitas Brawijaya 4033
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
didapatkan dari penggunaan mesin, hanya saja
penggunaan mesin secara berlebih akan
berdampak buruk kedepannya. Kinerja mesin
membutuhkan bahan bakar fosil sebagai sumber
energinya, dengan hasil pembakaran yang akan
mengeluarkan senyawa yang berupa sejumlah
gas beracun, senyawa ini dikenal sebagai emisi
gas buang kendaraan (Syahrani, 2012). Emisi
gas buang keluaran mesin mengandung sejumlah
senyawa kimia seperti Nitrogen Oksida atau
NOx, Karbon Monoksida atau CO, Hidrokarbon
atau HC, uap air atau H2O, dan Karbon Dioksida
atau CO2 (Ismiyati, 2014). Masalahnya
beberapa jenis gas seperti CO, HC, dan Nox
mampu meracuni manusia (Wahyu, 2019).
Selain itu gas-gas tersebut bersifat tidak
berwarna, juga tidak berbau, sehingga sulit
untuk disadari manusia.
Mengingat sulitnya menyadari kehadiran
gas beracun tersebut, dibutuhkan suatu sistem
guna mendeteksi keberadaan gas beracun
tersebut, terutama di dalam ruangan tertutup,
serta mampu memberikan alarm langsung.
Perancangan sistem, terutama sensor gas, akan
mengacu pada Occupational Safety and Health
Association atau OSHA yang didirikan oleh
pemerintahan Amerika Serikat yang telah
menetapkan sebuah indeks standar tentang
pencemaran udara dalam satuan ppm atau part
per million, dengan ketentuan kondisi udara
pada rentang 0-150 ppm akan dianggap aman
oleh sistem, dan pada rentang 150 ppm atau lebih
akan dianggap berbahaya.
Adapula sejumlah penelitian terkait
sebelumnya mengenai sistem pendeteksi gas-gas
beracun yang menjadi referensi penelitian,
seperti penelitian milik Wicaksono pada tahun
2017 yang berjudul “Rancang Bangun Sistem
Monitoring Konsentrasi Gas Nitrogen Oksida
NOX Sebagai Emisi Gas Buang Menggunakan
Sensor Gas MQ – 135 Berbasis Mikrokontroler
STM32F4 Discovery”. Penelitian ini berfokus
pada deteksi gas NOx dengan sensor gas MQ-
135, disertai hasil akurasi sistem yang mencapai
84,52%. Selanjutnya adalah penelitian yang
dilakukan oleh Anton tahun 2017 yang berjudul
“Alat Ukur Kadar Karbon Monoksida CO Dan
Hidrokarbon HC Gas Buang Kendaraan
Bermotor Dengan Penampil Smartphone
Android”, memanfaatkan sensor gas MQ-7
dalam mendeteksi gas CO, dan sensor MQ-2
dalam mendeteksi gas HC dengan output yang
akan ditampilkan pada smartphone Android.
Terdapat juga penelitian mengenai metode
klasifikasi SVM yang telah dilakukan oleh
Fakultas Ilmu Komputer, Universitas Brawijaya
4034
Husnawati dan Putra pada tahun 2018 yang ber
judul “Sistem Klasifikasi Jenis Gas Alkohol dan
Butana Menggunakan Metode Support Vector
Machine”, berfokus pada deteksi gas berupa
alkohol dengan MQ-3, dan deteksi gas butana
dengan MQ-5. Metode SVM berhasil
diimplementasikan dengan hasil yang sangat
baik apabila dilakukan pada ruangan tertutup.
Berdasarkan permasalahan dan referensi
penelitian sebelumnya, penelitian saat ini
berfokus pada deteksi cemaran gas beracun di
dalam ruangan tertutup, dengan deteksi objek
gas yaitu deteksi gas HC dengan sensor MQ 2,
gas NOx dengan sensor MQ 135, dan gas CO
dengan sensor MQ 7. Metode yang dipakai yaitu
klasifikasi SVM, dengan kelebihannya dalam
mencegah terjadinya overfitting pada saat proses
data training (Nur, 2018). Sistem menggunakan
mikrokontroller ESP32 dan diharapkan dapat
bekerja secara efektif dalam mengklasifikasikan,
serta hasil deteksi sensor yang sesuai, lalu dapat
menampilkan nilai ppm dari deteksi sensor gas
dan hasil klasifikasi SVM pada layar LCD, dan
menginformasikan secara langsung apabila
terjadi pencemaran gas beracun melalui bunyi
alarm buzzer.
2. METODE PENELITIAN
2.1. Blok Diagram Sistem
Penjelasan dari alur kerja sistem akan
secara menyeluruh dapat dilihat pada blok
diagram di Gambar 1 berikut.
Gambar 1. Blok Diagram Sistem
Alur kerja sistem diawali dengan deteksi
gas beracun yang dilakukan setiap sensor gas,
yaitu sensor MQ 2 untuk deteksi gas HC, sensor
MQ 7 untuk deteksi gas CO, dan sensor MQ 135
untuk deteksi gas NOx. Selanjutnya akan
dilakukan proses klasifikasi oleh metode SVM
dengan memanfaatkan sejumlah data latih yang
telah tersimpan dalam program, metode SVM ini
ditujukan untuk mengklasifikasikan hasil deteksi
sensor gas ke dalam jenis kelas “aman” atau
“berbahaya” sesuai dengan nilai ppm nya.
Keluaran sistem terakhir adalah berupa tampilan
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
pada layar LCD yang berisi nilai ppm hasil
deteksi sensor gas dan kondisi “aman” atau
“berbahaya” dari hasil klasifikasi SVM, disertai
bunyi alarm buzzer apabila hasil klasifikasi
berupa berbahaya.
2.2. Perancangan Sistem
Penjelasan sistem secara menyeluruh
berdasarkan rancangannya dapat dilihat melalui
Gambar 2 berikut.
Gambar 2. Perancangan Sistem
Rancangan sistem telah dikemas dalam
sebuah kotak ber ukuran 13x9x10 cm. Terdapat
3 lubang untuk menempatkan ketiga sensor gas
MQ pada sisi belakang kotak. Pada bagian depan
terdapat LCD 16x2 beserta alarm buzzer yang
berfungsi sebagai sarana output pada sistem.
Terakhir adalah penempatan mikrokontroler
ESP32 pada sisi samping kotak dan akan
terkoneksi pada Laptop melalui kabel USB.
Adapun skematik detail milik sistem dapat
dilihat pada Gambar 3 berikut.
Gambar 3. Skematik Sistem
Berdasarkan skematik sistem pada Gambar
3 di atas, kendali utama sistem berada pada
ESP32 yang telah dihubungkan dengan sejumlah
kabel jumper menuju sejumlah komponen
perangkat keras. Terdapat 3 buah sensor gas
yaitu MQ-7, MQ-2, dan MQ-135 yang
terhubung dalam sistem, lalu terdapat LCD 16x2
yang terintegrasi dengan modul I2C, dan terakhir
adalah komponen alarm buzzer. Perangkat keras
di atas diprogram dalam suatu rancangan
perangkat lunak pada Gambar 4 berikut.
Fakultas Ilmu Komputer, Universitas Brawijaya
4035
Gambar 4. Diagram Alir Perancangan Perangkat
Lunak
Tahapan kerja sistem diawali dengan
inisialisasi pin dan variabel tertentu, diikuti
dengan pembacaan tiap sensor gas MQ. Hasil
pembacaan sensor gas akan berupa nilai part per
million atau ppm yang kemudian akan menjadi
sekumpulan data uji untuk diklasifikasikan oleh
SVM. Kemudian terdapat training data latih
yang terbagi menjadi 2 jenis kelas, yaitu kelas
aman dan kelas berbahaya, jumlah data latih
untuk masing-masing kelas ada sebanyak 30
data. Setelah training datalatih maka klasifikasi
SVM dapat dilakukan, dengan memanfaatkan
data uji yang didapat dari hasil deteksi sensor
sebelumnya, dan menggunakan kernel linier
dalam pemetaan dimensi SVM. Hasil klasifikasi
SVM berupa kondisi kelas yang disebut aman
(A) atau berbahaya (B), yang ditentukan oleh
rumus hyperplane pada persamaan (1).
𝑤̅ . 𝑥̅ + 𝑏 = 0 (1)
Nilai dari 𝑤̅ dan 𝑥̅ adalah nilai vektor yang
diambil dari data uji, nilai 𝑏 merupakan offset
atau threshold untuk menentukan kelas A atau B
dari data uji yang dihitung sistem. Ada 2 jenis
persamaan menyesuaikan dengan jumlah kelas
SVM yang ada. Pada kelas Bahaya (B) bernilai
lebih besar atau sama dengan 1, sehingga dapat
dituliskan menjadi persamaan (2).
𝑤̅ ⋅ 𝑥̅𝑖 + 𝑏 ≥ 1 (2)
Pada kelas Aman (A) bernilai lebih kecil
atau sama dengan -1, dengan penulisan
persamaan (3).
𝑤̅ ⋅ 𝑥̅𝑖 + 𝑏 ≤ −1 (3)
Setelah kelas SVM didapatkan, maka hasil
kinerja sistem akan berupa tampilan nilai ppm
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 4036

dan hasil klasifikasi SVM pada layar LCD 16x2 3.1 Pengujian Sensor Gas MQ
dan bunyi alarm buzzer apabila hasil klasifikasi
Pengujian dilakukan dengan tujuan
tergolong berbahaya.
memastikan linearitas antara nilai ppm dari Gas
MQ terhadap kondisi gas beracun yang
2.3. Implementasi Sistem
dideteksi. Hasil pengujian sensor berada pada
Implementasi dari perancangan sistem Tabel 1 berikut.
menghasilkan sebuah prototype system dan
Tabel 1. Hasil Pengujian Sensor MQ-2
dapat dilihat pada Gambar (5).
Durasi Kondisi gas
Nilai (ppm)
(menit) (A/B)
1m 66 A
2m 74 A
3m 48 A
4m 55 A
5m 62 A
6m 158 B
7m 220 B
8m 355 B
9m 416 B
10 m 500 B

Tabel 1 menunjukkan perubahan nilai ppm

Gambar 5. Prototype Sistem
Adapun pemasangan sejumlah komponen
perangkat keras pada Gambar (6).
hasil deteksi sensor gas MQ2 ketika mendeteksi
gas beracun HC dari asap kendaraan bermotor.
Nilai ppm yang terus meningkat setiap menitnya
menunjukkan peredaran gas beracun yang
semakin berbahaya.
Tabel 2. Hasil Pengujian Sensor MQ-7

Durasi Kondisi gas

Nilai (ppm)
(menit) (A / B)
1m 88 A
2m 102 A
3m 130 A
4m 124 A
5m 128 A
6m 180 B
7m 259 B
8m 384 B
Gambar 6. Implementasi Hardware 9m 462 B
10 m 557 B
Keseluruhan implementasi hardware ini
saling terhubung dengan kabel jumper, dengan Tabel 2 menunjukkan perubahan nilai ppm
penggunaan project board sebagai sarana hasil deteksi sensor gas MQ7 ketika mendeteksi
pemasangan kabel antarpin setiap komponen gas beracun CO dari asap kendaraan bermotor.
Nilai ppm yang terus meningkat setiap menitnya
sehingga hasilnya lebih tertata. menunjukkan peredaran gas beracun yang
semakin berbahaya.

Tabel 3. Hasil Pengujian Sensor MQ-135

3. PENGUJIAN DAN ALANISIS
Durasi Kondisi gas
Pengujian dan analisis terbagi menjadi 2 (menit)
Nilai (ppm)
(A / B)
tahapan utama, yaitu tahap pengujian untuk 1m 32 A
setiap sensor gas MQ, dan tahap pengujian 2m 40 A
akurasi dari klasifikasi SVM. 3m 47 A
4m 59 A

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 4037

5m 66 A percobaan pengujian terdapat 4 anomali data

6m 197 B yang muncul karena hasil klasifikasi SVM tidak
7m 322 B
8m 462 B sesuai dengan kondisi asli pengujian.
9m 516 B Selanjutnya adalah pencarian nilai akurasi
10 m 592 B dengan menggunakan persamaan (4) berikut.
Tabel 3 menunjukkan perubahan nilai ppm
hasil deteksi sensor gas MQ135 ketika 𝐽𝑢𝑚𝑙𝑎ℎ 𝑘𝑙𝑎𝑠𝑖𝑓𝑖𝑘𝑎𝑠𝑖 𝑠𝑒𝑠𝑢𝑎𝑖
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑋100% (4)
𝑇𝑜𝑡𝑎𝑙 𝑑𝑎𝑡𝑎 𝑢𝑗𝑖
mendeteksi gas beracun NOx dari asap
kendaraan bermotor. Nilai ppm yang terus Berdasarkan persamaan 4 di atas, maka
meningkat setiap menitnya menunjukkan nilai akurasi dari percobaan pengujian klasifikasi
peredaran gas beracun yang semakin berbahaya. SVM yang telah dilakukan adalah sebesar 87%.
3.2. Pengujian Akurasi Klasifikasi SVM 4. KESIMPULAN DAN SARAN
Bertujuan untuk mengetahui besarnya Perancangan dari sistem deteksi cemaran
akurasi yang didapatkan metode SVM dalam gas beracun dalam ruangan yang tertutup
mengklasifikasi kondisi gas beracun yang berbasis mikrokontroler ESP32 dapat dilakukan
terdeteksi. Terdapat 30 kali percobaan dalam dengan memanfaatkan 3 jenis Sensor Gas yaitu
pengujian SVM, dengan 15 percobaan pertama MQ-2, MQ-7, dan MQ-135. Adapun
pada kondisi udara aman, dan 15 pengujian penggunaan metode SVM guna mengklasifikasi
berikutnya di kondisi udara yang telah tercemar kadar racun yang terdeteksi oleh sistem, dan
dan berbahaya. Kondisi aman (A) dan berbahaya hasil klasifikasi telah didasari oleh indeks
(B) ditentukan berdasarkan indeks standar dari standar milik OSHA dalam membedakan
OSHA, dengan hasil akurasi pengujian kondisi kadar gas beracun menjadi 2 kelas, yaitu
klasifikasi SVM pada Tabel 4 berikut. aman dan berbahaya.
Tabel 4. Hasil Pengujian Akurasi SVM Dalam proses pelaksanaan pengujian
klasifikasi SVM, dari 30 kali percobaan yang
Percobaan Hasil Kondisi telah dilakukan, terdapat 4 anomali data yang
ke- Klasifikasi Asli
ditemukan, sehingga hasil pengujian SVM
1 A A memberikan nilai akurasi sebesar 87%.
2 A A
3 A A Adapun saran yang akan disampaikan guna
4 A A memperbaiki dan menyempurnakan penelitian
5 A A lebih lanjut, pertama adalah mengganti ESP32
6 B A dengan mikrokontroler lain yang lebih
7 A A
8 A A
compatible dengan rancangan sistem yang
9 A A serupa, sehingga kinerja sistem lebih optimal.
10 A A Lalu memperbanyak jumlah dan variasi data
11 - A latih dan data uji pada metode SVM agar hasil
12 A A pengujian menjadi lebih akurat. Terakhir adalah
13 A A
14 A A dengan menambahkan fitur lain pada output
15 - A sistem, seperti fitur notifikasi melalui
16 B B Smartphone Android ketika sistem mendeteksi
17 B B adanya pencemaran gas beracun agar jangkauan
18 B B
19 B B
sistem lebih luas.
20 B B
21 B B
22 B B
23 B B 5. DAFTAR PUSTAKA
24 A B
25 B B Anton S, 2017. Alat Ukur Kadar Karbon
26 B B Monoksida Co Dan Hidrokarbon Hc Gas
27 B B
28 B B Buang Kendaraan Bermotor Dengan
29 B B Penampil Smartphone Android. Fakultas
30 B B Teknik, Universitas Muhammadiyah
Surakarta.
Berdasarkan Table 4 di atas, dari 30 kali

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 4038

Husnawati & Putra, R. R., 2018. Sistem

Klasifikasi Jenis Gas Alkohol dan Butana
Menggunakan Metode Support Vector
Machine. Prosiding Annual Research
Seminar 2018.
Ismiyati, Marlita, D. & Saidah, D., 2014.
Pencemaran Udara Akibat Emisi Gas
Buang Kendaraan Bermotor. Jurnal
Managemen Transportasi & Logistik
(JMTransLog).
Nur, I. T. A., Setiawan, N. Y. & Bachtiar, F. A.,
2018. Perbandingan Performa Metode
Klasifikasi SVM, Neural. Jurnal
Teknologi Informasi dan Ilmu Komputer
(JTIIK).
Syahrani, A., 2012. Analisa Kinerja Mesin
Bensin Berdasarkan Hasil Uji Emisi.
Jurnal SMARTek.
Wahyu, D., 2019. Gridoto. [Online]
Available at:
https://www.gridoto.com/read/22182394
1/biar-paham-ini-yang-dimaksud-emisi-
gas-buang-kendaraan-bermotor
[Accessed 23 09 2020].
Wicaksono, H. A., 2017. Rancang Bangun
Sistem Monitoring Konsentrasi Gas
Nitrogen Oksida NOx Sebagai Emisi Gas
Buang Menggunakan Sensor Gas MQ –
135 Berbasis Mikrokontroler STM32F4
Discovery. Fakultas Vokasi, Institut
Teknologi Sepuluh Nopember ed.
Surabaya: SKRIPSI.

Fakultas Ilmu Komputer, Universitas Brawijaya