Brilianda Adi WIcaksono Bidang Studi Elektronika Jurusan Teknik Elektro FTI Institut Teknologi Sepuluh Nopember Surabaya

Transkripsi

1 Rancang Bangun Sistem Pencacah Frekuensi Untuk Sensor Gas Quartz Crystal Microbalance (DESIGN OF FREQUENCY COUNTER SYSTEM FOR QUARTZ CRYSTAL MICROBALANCE GAS SENSOR) Brilianda Adi WIcaksono Bidang Studi Elektronika Jurusan Teknik Elektro FTI Institut Teknologi Sepuluh Nopember Surabaya 1

2 PENDAHULUAN Latar Belakang Tujuan Tugas Akhir Perumusan Masalah Batasan Masalah 2

3 Latar Belakang Identifikasi gas sangatlah penting untuk industri, baik industri pangan atau non pangan. Sistem Identifikasi gas ini dapat dijadikan sebuah alat untuk menitoring atau mengontrol kualitas produk. Dalam sistem konvensional identifikasi ini membutuhkan waktu dan biaya yang cukup tinggi, karena kita perlu mengambil sampel dan menganalisa di laboratorium. 3

4 Tujuan Tugas Akhir 1. Merancang sistem pencacah frekuensi untuk mendapatkan perubahan frekuensi sensor. 2. Memahami proses akuisisi data dari sensor yang digunakan menggunakan mikrokontroler. 3. Dapat memroses data sehingga dapat dilakukan proses identifikasi dengan cepat dan akurat. 4

5 Perumusan Masalah 1. Perancangan dan pengimplementasian rangkaian pengurang dan pembagi frekuensi. 2. Perancangan dan pengimplementasian rangkaian pencacah frekuensi untuk sensor gas Quartz Crystal Microbalance sehingga dapat diolah untuk identifikasi gas. 3. Proses pengolahan data hasil pencacahan frekuensi pada mikrokontroler yang dikomunikasikan pada PC 5

6 Batasan Masalah 1. Perancangan pencacah frekuensi menggunakan IC counter dan proses akuisisi data dilakukan dengan ATMega 16 yang dikomunikasikan pada PC. 2. Pengujian dilakukan dengan menggunakan sensor QCM dengan polimer yang telah ditentukan. 3. Pengujian dilakukan pada kondisi fisik yang sama ( suhu dan kelembaban ) 6

7 Teori Penunjang Sensor Gas 7

8 Sensor Gas 1. Cara kerjanya dengan memanfaatkan efek piezo electric untuk menghasilkan resonansi listrik-mekanik. 2. Perubahan massa pada pada crystal akan memperngaruhi frekuensi resonansi crystal. Persamaannya f = C f. m 8

9 PERANCANGAN DAN PENGUJIAN SISTEM Perangkat Keras Osilator Pengurang frekuensi Pembagi Frekuensi Pencacah Frekuensi Minimum System ATmega 16 Perangkat Lunak Program pada mikrokontroler Program pada PC 9

10 Diagram Blok Sistem QCM 1 QCM n Osilator Osilator f1 fn S E L E K T O R fx Pengurang Frekuensi Out Pembagi fd fd/n Frekuensi PC C Counter MIKROKONTROLER Hasil Kounter (C) Crystal Referensi Osilator fr Counter Konvensional Sinyal selek 10

11 Osilator (1) 11

12 Osilator (2) Desain : Sebagai pembangkit frekuensi sensor QCM Pengujian : No Nilai Crystal (Mhz) Pengukuran Osilator (MHz) Error Output ( 0 / 00 ) , , , , ,

13 Pengurang Frekuensi Desain : Sebagai Pengurang antara frekuensi referensi dan Output frekuensi sensor: Frekuensi No FD = FR FX Pengujian : Frekuensi Referensi (Mhz) Sensor (MHz) Pengukuran Perhitungan Error Output (%) 1 20, , ,730 KHz 19,200 KHz , , ,840 KHz 17,000 KHz , , ,230 KHz 24,200 KHz , , ,220 KHz 22,300 KHz

14 Pembagi Frekuensi Desain : Pembagian dilakukan untuk mendapatkan hasil perhitungan yang teliti dan stabil. Pengujian : No Input (Hz) Hasil Pembagian 256 Pengukuran (Hz) Perhitungan (Hz) Error(%) , , , ,

15 Pencacah Frekuensi Desain : Digunakan untuk melakukan perhitungan pulsa dengan rentang waktu dari perubahan frekuensi sensor. Hasil yang ditung C = fr. t = fr. N fd 15

16 Sistem Minimum Atmega 16 Desain : Sebagai Akuisisi data hasil perhitungan Sebagai pemberi sinyal selek untuk mengolah sensor Sebagai komunikasi serial 16

17 Program Pada Mikrokontroller Desain : Melakukan akuisisi data, memberikan sinyal selek pada mux dan Komunikasi Serial Akuisisi data => 24 bit dari kounter Komunikasi serial => menggunakan fungsi USART Memberikan sinyal selek pada mux. Mulai Power On? Y Inisialisasi I/O Ambil Data T Selesai Diagram Alir : Comport Open? T Y Kirim Data T Data Diterima? Y Sinyal Selek 17

18 Program Pada Komputer / PC Program Pengambilan Data Sampel dan Pengujian Online Desain : Mengambil dan mengolah data dari mikrokontroller Melakukan proses Neural Network Melakukan proses identifikasi gas Mulai Comport Open? T Selesai Y Terima Data Kirim Sinyal ke ATMega Neural Network ` Output Layer input Hidden layer 1 Hidden layer 2 Layer output Selesai 18

19 Program Pada Komputer / PC Program Pembelajaran Neural Network Desain : Melakukan Proses Learning untuk mendapatkan nilai bobot dan nilai ambang untuk proses identifikasi gas. No. Gas Nilai Kesalahan 1 Alkohol 4,32* Amoniak 6,23* Asam Asetat 9,99*

20 PROSES IDENTIFIKASI GAS Pengambilan Data Analisa data Pengujian Neural Network 20

21 Pengambilan Data (1) Pengambilan data: Pengambilan Data Sampel: Penentuan perbedaan frekuensi awal didasarkan pada pelewatan udara kering pada sensor ( Udara yang dilewatkan silica gel). Perbedaan Frekuensi sensor dinolkan dengan mengurangkan perbedaan frekuensi awal. Pengambilan data dilakukan dengan menyuntikkan gas (±10ml) Penyuntikkan gas dilakukan ketika data mencapai rata-rata ke 10. Gas yang digunakan adalah alkohol 70%, amoniak dan asam asetat Digunakan pompa untuk mendorong gas melewati sensor 21

22 Analisa Data(1) Proses Analisa Dilakukan dengan mengamati hasil proses pengolahan data menjadi perubahan frekuensi ketika disuntikkan gas sampel. Data 1 alkohol 70% 22

23 Data 2 Alkohol 70% Data 3 Alkohol 70% 23

24 Data 1 Amoniak Data 2 Amoniak 24

25 Data 2 Amoniak Data 1 Asam Asetat 25

26 Data 2 Asam Asetat Data 3 Asam Asetat 26

27 Analisa Data (6) No. Gas (Data) Sensor1 (OV-101) Perubahan Frekuensi Max (Hz) Sensor2 (PEG-6000) Sensor3 (OV-17) Sensor4 (PEG-1540) 1 Alkohol70% (1) 8.19E E E E+00 2 Alkohol70% (2) 7.30E E E E+00 3 Alkohol70% (3) 4.44E E E E+00 4 Amoniak (1) 3.37E E E E+01 5 Amoniak (2) 4.39E E E E+01 6 Amoniak (3) 2.30E E E E+01 7 Asam Asetat (1) 1.05E E E E+00 8 Asam Asetat (2) 1.15E E E E+00 9 Asam Asetat (3) 7.83E E E E+00 27

28 Pengujian Neural Network No. Gas Tingkat Keberhasilan 1 Alkohol70% 100% 2 Amoniak 100% 3 Asam Asetat 70% 28

29 KESIMPULAN DAN SARAN Kesimpulan Saran 29

30 Kesimpulan Sistem yang dirancang telah mampu mendeteksi pergeseran frekuensi untuk tiap sensor terhadap gas yang diujikan. Besarnya nilai pembagian sangatlah berpengaruh terhadap sistem yang dirancang. Dengan nilai pembagi yang semakin besar maka sistem yang dibuat akan semakin akurat dan stabil. Neural network yang dirancang sudah mampu mengidentifikasi gas uji yaitu alkohol, amoniak dan asam asetat. Tingkat keberhasilan Sistem identifikasi mencapai 90%. 30

31 Saran Digunakan rangkaian osilator yang lebih stabil, sehingga didapatkan hasil yang lebih baik. Digunakan sensor yang lebih banyak, sehingga dapat lebih teliti dalam proses identifikasi. Digunakan sistem penetrasi gas kedalam sensor yang lebih baik, sehingga kecepatan penetrasi dapat menjadi sama. 31

32 Terima Kasih 32

33 Hasil Uji Pembagian Hasil Penghitungan frekuensi dengan nilai Pembagi yang diubah-ubah: Dapat disimpulkan Semakin banyak nilai pembagi semakin stabil nilai perhitungan frekuensi 33

34 Hasil Percobaan Pembagian error rata-rata (% ) Error pengukuran terhadap perhitungan Pembagian error rata-rata (% ) Error pengukuran terhadap perhitungan jika error pengurangan diabaikan 34

35 Hasil Alkohol Amoniak Asam Asetat 35