BAB II TINJAUAN PUSTAKA

Transkripsi

1 6 2.1 Tinjauan Pustaka BAB II TINJAUAN PUSTAKA Penelitian mengenai sensor gas sebagai pedeteksi aroma atau aroma telah banyak dikembangkan selayaknya menyerupai sistem kerja hidung secara biologis.dan digunakan diberbagai bidang seperti yang sedang dikembangkan oleh banyak peneliti yang telahdirangkum dari beberapa jurnal yaitu pada bidang robotika, sebagai berikut : 1. Endrina Utami melakukan penelitian tentang aroma urin untuk pendeteksi diabetes dengan sensor gas menggunakan metode pembelajaran backpropagation sensor yang digunakan dalam percobaan ini adalah sensor gas TGS 2620, TGS2610, TGS2602, TGS813, TGS822. Dengan hasil Sensor gas TGS 2620, TGS2610, TGS2602, TGS813, TGS822 memiliki sensitifas yang tinggiterhadap unsur gas yang ada pada aroma urine non-diabetes ataupun pada urine diabetes. Nilai tegangan sensor yang diberi aroma urine diabetes mengalami penurunan di bandingkan tegangan pada saat pemberian urine non-diabetes. Tingkat keberhasilan program identifikasi urine diabetes sebesar 40%. 2. Vivi Adela melakukan penelitian identifikasi diabetes melalui aroma urine dengan sensor gas menggunakan metode pembelajaran multilayer perceptron dengan sensor yang berbeda yaitu menggunakan sensorgas TGS 2444, TGS 2620, TGS2610, TGS2602, TGS822, TGS813 memiliki sensitifas yang tinggi terhadap unsur gas yang ada pada urine diabtes dan non-diabetes Sensor TGS 2610 memiliki sensitivitas yang tinggi terhadap urine diabetes dan sensor TGS 813 memiliki sensitivitas yang tinggi terhadap urine non diabetes Setiap pengambilan data yang berbeda maka di cari dulu udara bebas karna dengan memakai pompa gas data urine pertama masih ada pada pompa gas. Tingkat keberhasilan program identifikasi non diabetes 100 %, dan diabetes 30%. Untuk output nilai

2 7 range yang bernilai 1 yaitu memiliki nilai besar dari 0,5 sedangakan untuk range yang bernilai 0 memiliki nilai kecil dari 0,5. 3. Pada tahun 2011 Agus Nurkhozin, melakakuan Klasifikasi Penyakit Diabetes Mellitus Menggunakan Jaringan Saraf Tiruan Backpropagation dan Learning Vector Quantization. Data hasil training dengan mengunakan kedua metode klasifikasi yaitu jaringan LVQ dan Backpropagation dengan masing-masing algoritma berdeda, setelah data dari kedua metode dibandingkan dengan hasil 27,44% hasil error dari metode LVQ dan 26,74% hasil error dari metode Backpropagation, dan hasil keakurasian yang dihasilkan dari ke dua metode tercapai 82,56% untuk metode LVQ dan 73,25% untuk metode Backpropagation. Dan dapat disimpulkan bahwa klasifikasi data penyakit diabetes mellitus menggunakan LVQ memberikan akurasi lebih tinggi dalam pembacaan pola dibandingkan klasifikasi data menggunakan jaringan Backpropagation. 4. Pada tahun 2014 Surya Abdul Muttalib, mengadakan Identifikasi Aroma Campuran (BLENDING) Kopi Arabika Dan Robusta Dengan Electonic Nose Menggunakan Sistem Pengenalan Pola. Dengan sensor TGS822, TGS825, TGS826, TGS2602 mendapatkan hasil persentase Blending kopi Arabika dan Robusta Arabika 75% : 25% memiliki aroma yang sama dengan 100% Arabika dengan grade 1, sehingga penggunaan 25% Robusta cukup baik dalam mensubstitusi penggunaan kopi Arabika dan Jaringan Syaraf Tiruan yang dikembangkan dalam penelitian ini mampu digunakan dalam mengenali nilai blending kopi Arabika dan Robusta dengan ketepatan 75%.

3 8 5. Pada tahun 2010 Benyamin Kusumoputro, melakukan Pengembangan Sistem Penciuman Elektronik Dengan 16 Buah Sensor Kuarsa dan Algoritma Neural Propagasi Balik Untuk Pengenalan Campuran. Hasil percobaan menunjukkan bahwa sistem 16 sensor ini memperlihatkan superioritasnya apabila disbandingkan dengan sistem 4 sensor atau pun sistem 8 sensor, terutama untuk mengenal aroma campuran dengan tingkat kesulitan yang tinggi. Dari 10 percobaan untuk tiap kasus yang dilakukan, tingkat pengenalan yang dihasilkan cukup tinggi, yaitu berkisar 89.9% untuk aroma campuran dengan 4 tingkat konsentrasi alcohol yang berbeda, dan 82.4% untuk aroma campuran dengan 6 tingkat konsentrasi alcohol yang berbeda. Dalam penelitian penelitian tersebut, sensor gas memiliki sensitifitas yang berbeda - beda dalam merespon aroma dan jenis tipe sensor gas yang banyak digunakan yaitu TGS Seri 2602 [4].

4 9 2.2 Landasan Teori Sensor Gas Sensor gas berguna bagi manusia untuk mengetahui kandungan gas tertentu pada sebuah aroma. Kandungan yang dimaksud dapat berupa gas CO, Alkohol, propane, CH4, O2, HCHO, debu, LPG, butane, hexane, benzine, asap, NO2, H2, NH3, isobutane dan CO2. Beberapa sensor juga mempunyai fungsi dapat membau lebih dari 1 gas (disebut multisensing), misalnya MQ5 dapat mendeteksi kandungan CO, Alkohol, CH4, LPG dan H2. Sensor yang multisensing lain adalah MQ2, MQ3, MQ5 dan MQ9. Sensor gas diperlihatkan pada Gambar 2.1. Gambar 2. 1 Macam macam Sensor Gas [11] Sensor gas tersedia dalam spesifikasi yang berbeda, tergantung pada tingkat sensitivitas, jenis gas, dimensi fisik dan berbagai faktor lainnya. Ketika gas berinteraksi dengan sensor ini, pertama-tama terionisasi menjadi unsur-unsurnya dan kemudian diserap oleh elemen penginderaan, penyerapan ini menciptakan beda potensial pada unsur yang disampaikan ke unit prosesor melalui pin output. Modul sensor gas terdiri dari kerangka baja di mana elemen penginderaan. Elemen penginderaan ini mengalami pemanasan. Gas yang mendekati elemen penginderaan akanterionisasi dan diserap oleh elemen penginderaan. Hal ini akan

5 10 mengubah perlawanan dari elemen penginderaan yang mengubah nilai tagangankeluaran sensor [5]. Gambar 2. 2 Struktur Dasar Sensor Gas Sensor gas terdiri dari elemen sensor, dasar sensor dan tudung sensor. Untuk elemen sensor terdiri dari bahan sensor dan pemanas sensor. Elemen sensor terbuat dari bahan - bahan seperti timah oksida ( SnO2). Struktur sensor gas seperti yang ditunjukkan pada Gambar 2.2. Bila suatu kristal oksida logam seperti SnO2 dipanaskan pada suhu tinggi tertentu di udara, oksigen akan teradsorpsi pada permukaan kristal dengan muatan negatif. Elektron-elektron donor pada permukaan kristal ditransfer ke oksigen teradsorpsi, sehingga menghasilkan suatu lapisan ruang bermuatan positif. Akibatnya potensial permukaan terbentuk, yang akan menghambat aliran elektron. Di dalam sensor, arus listrik mengalir melalui bagian-bagian penghubung (batas butir) Kristal-kristal mikro SnO2. Pada batas-batas antar butir, oksigen yang teradsorpsi membentuk penghalang potensial yang menghambat muatan bebas bergerak. Tahanan listrik sensor disebabkan oleh penghalang potensial ini [6].

6 11 Pada penelitian sebelumnya sensor gas yang digunakan yaitu menggunakan beberapa jenis sensor gas yaitu MOX ( Metal Oxide ) dan TGS Series (Tagushi Gas Sensor ) yang merupakan sensor yang berbahan SnO2. Sensor gas metal oxide (Mox) mempunyai respon cepat, biasanya kurang dari 10 detik, sensitifitas tinggi pada rentang penguapan organic. MOx terbuat dari semikonduktor film ( SnO2 ) yang dibungkus alumina. Oksigen yang masuk ke semikonduktor, mengakibatkan resistansi elektrik pada level tertentu [7] Mikrokontroller Mikrokontroler yang digunakan adalah jenis ATmega 328. ATmega 328 merupakan mikrokontroler 8 bit, yang konsumsi dayanya rendah. Kapasitas EEPROM 1Kbyte, SRAM 2Kbyte, terdapat 3 timer dengan mode compare, internal dan eksternal interupt, SPI serial port, 6 kanal ADC 10 bit dan USART. Mikrokontroler yang digunakan, ditempatkan pada board sistem minimum arduino Uno seri R3 dan dikontrol dengan menggunakan sketch, yaitu program khusus dari arduino, yang berbasis bahasa C. Gambar 2. 3 Board Sistem Minimum Arduino Uno R3 dan Sketch Sistem minimum arduino dan sketch diperlihatkan pada Gambar 2.2. Pada arduino, terdapat 14 pin digital I/O (6 pin diantaranya dapat digunakan sebagai output PWM) dan 6 pin analog I/O, tegangan operasi 5V, arus DC per pin I/O 40mA, arus DC untuk pin 3,3V maksimal 50mA, kristal 16MHz, koneksi USB dan tombol reset [8]. Sistem akuisisi data dilakukan dengan

7 12 seting program pada ADC. Karena ADC pada Arduino sebesar 10 bit, maka terdapat 1024 variasi biner yang dapat digunakan [8] Monitoring Arduinomenggunakan USART (Universal Synchronous Asynchronous Receiver / Transmiter). Kabel komunikasi yang digunakan menggunakan standarfpdi (Flat Panel Display Interface). Kecepatan transfer datanya bervariasi,antara lain 1200 aromad, 2400 aromad, 4800 aromad, 9600 aromad, aromad, 1920 aromad,38400 aromad, aromad dan aromad [8]. Data sensor dapat ditampilkanpada hyperterminal ataupun serial monitor yang terdapat pada sketch arduino Analisa Klaster Proses analisis klaster dilakukan dengan menggunakan metode Support Vector Machine (SVM). SVM merupakan salah satu metode pada algoritma analisis klaster yang paling sederhana. Data dari nilai maksimal data ADC, akan di kelompokan menjadi 2 kelas, yaitu kelas diabet dan kelas non-diabet, dengan menggunakan metode SVM. Gambar 2.4 Konsep Hyperplane pada SVM SVM merupakan salah satu metode klastering, yang mampu memilah data menjadi 2 kelas. SVM memisahkan kelas dengan mencari garis hyperplane (batas klaster) terbaik. Garis batas yang dipilih adalah linear, karena garis

8 13 linear sederhana dalam proses komputasi. Rumus umum dari SVM linear diperlihatkan pada persamaan 1. f(x) = w T x + b. (1) Dimana f(x)=-1 untuk kelas A dan f(x)=+1 untuk kelas B, sesuai dengan support vektor yang diperlihatkan pada Gambar 2.4. Margin antara 2 kelas dihitung dengan mencari jarak dari kedua kelas. Kecepatan dan akurasi dari pengenalan, dipengaruhi oleh jumlah support vector yang dilibatkan. Persamaan rumus 1, 2 dan 3 dikutip dari jurnal [9]. (wx1+b=+1)-(wx2+b=-1) (2) w(x1-x2)=2.(3) Pattern X i yang termasuk class 1 (sampel negatif) dapat dirumuskan sebagai pattern yang memenuhi pertidaksamaan w. x i + b 1. (4) Pattern X i yang termasuk class +1 (sampel positif) dapat dirumuskan Persamaan rumus 4 dan 5 dikutip dari jurnal [10]. w. x i + b +1. (5)