Klasifikasi Odor pada Ruang Terbuka dengan Menggunakan Short Time Fourier Transform dan Neural Learning Vector Quantization

Transkripsi

1 Klasifikasi Odor pada Ruang Terbuka dengan Menggunakan Short Time Fourier Transform dan Neural Learning Vector Quantization Hendrick 1, Muhammad Rivai 1, Tasripan 1 1 Jurusan Tehnik Elektro Fakultas Teknologi Industri Institute Teknologi Sepuluh Nopember hendrick_polinpdg@yahoo.com Abstrak Pembacaan odor pada udara terbuka menyebabkan data sensor bersifat fluktuatif. Hal ini disebabkan karena odor tersebut dipengaruhi oleh udara sekitar sensor tersebut. Udara bebas ini juga akan mempengaruhi kosentrasi odor yang akan dibaca sensor sehingga mengakibatkan terjadi kesalahan dalam identifikasi. Pada penelitian ini digunakan deret sensor gas semikonduktor. Respon sensor dalam domain waktu dirubah ke domain frekuensi dengan menggunakan Short Time Fourier Transorm untuk mendapatkan karakteristik frekuensi dari odor tersebut. Beberapa komponen frekuensi yang dipilih kemudian di klasifikasikan dengan menggunakan Neural Learning Vector Quantization. Jaringan Learning Vector Quantization dapat dilatih untuk mengenali jenis gas yang diujikan dengan taraf keberhasilan 89.2%. Kata kunci : odor, STFT, LVQ, semikonduktor, respon frekuensi, neural network. Pendahuluan Respon sensor pada ruang terbuka menyebabkan data bersifat fluktuatif dan memerlukan waktu yang cukup lama agar sensor mampu merespon odor dengan baik. Hal ini juga dijumpai pada robot pencari lokasi gas dengan prinsip stereo nose.(faisal 2008). Pada penelitian ini, metode yang digunakan untuk mendapatkan karakteristik frekuensi odor adalah dengan Short Time Fourier Transform (STFT). Metode ini menghasilkan komponen frekuensi yang mampu mewakili suatu odor, sehingga dapat membedakan jenis odor secara benar. Sedangkan metode klasifikasi yang digunakan adalah jaringan Learning Vector Quantization (LVQ). Proses pembelajaran pada metode ini merupakan supervised learning, sehingga odor dikelaskan berdasarkan jarak terpendeknya. Tinjauan Pustaka Sensor Gas Bahan detektor gas dari sensor gas semikonduktor adalah metal oksida, khususnya senyawa SnO2. Struktur sensor ini dapat dilihat pada Gambar.1. Ketika kristal metal oksida (SnO2) dihangatkan pada temperatur tertentu, oksigen akan diserap pada permukaan kristal dan oksigen di udara akan terionisasi dan terikat pada SnO2 dalam bentuk ion-ion negatif. Elektron-elektron donor pada permukaan kristal SnO2 akan ditransferkan untuk mengikat ion-ion oksigen ini. Hasil peristiwa ini meninggalkan ion-in positif dalam lapisan pertemuan (Space Charge Layer) yang terdapat pada permukaan. Tegangan permukaan yang terbentuk akan menghambat laju aliran elektron pada kristal sebagai tegangan barrier /tegangan penghambat (Figaro,2004). Gambar. 1 Struktur sensor gas semikonduktor Didalam sensor arus elektrik mengalir melewati daerah sambungan (grain boundary) dari kristal SnO2. Pada daerah sambungan penyerapan oksigen mencegah muatan untuk bergerak bebas. Jika ada gas pereduksi, proses deoksidasi akan terjadi, rapat permukaan dari muatan negatif oksigen akan berkurang dan mengakibatkan menurunnya ketinggian penghalang dari daerah sambungan. Hal ini dapat dilihat pada Gambar.2. Dengan menurunnya penghalang maka resistansi sensor akan juga ikut menurun. Gambar.2 Pembentukan tegangan barrier saat tanpa gas pereduktif(a), dan pengurangan tegangan barrier saat adanya gas pereduksi(b) (Figaro,2004)

2 Berikut adalah deret sensor gas yang digunakan pada sistem ini. TABEL I Sensor gas semikonduktor No Tipe Sensor Fungsi 1 TGS2602 Voc(volatile organic compound) 2 TGS2611 Methane 3 TGS2620 Alkohol Gambar.3 memperlihatkan bentuk rangkaian dasar pengukuran dengan sensor gas Figaro. Rs adalah tahanan pada sensor gas tersebut, yang nilai nya akan berubah jika mendeteksi adanya gas di sensor tersebut. Tegangan output sensor nantinya adalah sebagai pembagi tegangan antara Rs dan RL pada rangkaian tersebut. Gambar. 3 Rangkaian dasar sensor gas Short Time Fourier Transform STFT adalah suatu metode yang digunakan untuk mendapatkan kharakteristik frekuensi dari suatu sinyal. Sinyal input dikalikan dengan window sinus dan selanjutnya di diproses dengan menggunakan transformasi fourier. Secara matematis STFT dirumuskan seperti berikut ini : (1) notasi w(n) pada persamaan diatas adalah sebagai fungsi windownya. Pada penelitian ini menggunakan Hann window. Persamaan untuk fungsi window hann adalah (2) N adalah sebagai lebar window yang digunakan.(nimsuk,2007). Learning Vector Quantization LVQ adalah suatu metoda klasifikasi pola yang masing-masing unit output mewakili kategori atau kelas tertentu. Arsitektur dari suatu jaringan LVQ dapat terlihat serperti pada gambar.4. (Laurene,1992). Gambar.4 Arsitektur Jaringan LVQ Tujuan menggunakan jaringan LVQ adalah untuk mendapatkan unit output yang terdekat dengan vector input. Notasi yang digunakan pada algoritma ini adalah : x vektor pelatihan(x 1,,x i,,x n ). T kategori atau kelas yang benar untuk vektor pelatihan. W j vektor bobot untuk unit output (w 1j,,w ij,,w nj ). C j kategori atau kelas yang direpresentasikan oleh unit output jarak Euclidean antara vektor input (vektor bobot) dan unit output j. Pada proses pembelajaran, nilai bobot akan terus diperbaharui secara terus-menerus dan akan berakhir, jika x dan w c berada pada kelas yang sama, maka bobot dipindahkan ke vektor input yang baru dan jika x dan w c berada pada kelas yang berbeda, maka bobot akan dipindahkan dari vektor input. Algoritma LVQ adalah : 1. Inisialisi vector referensi dan learning rate,(0). 2. Selama kondisi berhenti bernilai salah,lakukan point 3 sampai Untuk setiap vector input x, lakukan tahap 4 sampai Temukan J sehingga bernilai minimum. 5. Update nilai w j, Jika T = C j, maka w j (baru)=w j (lama)+ [x-w j (lama)] Jika T C j, maka w j (baru)=w j (lama)- [x-w j (lama)] 6. Kurangi nilai learning rate. 7. Test kondisi berhenti Metode Penelitian Secara garis besar metode penelitian pada alat klasifikasi odor ini adalah seperti terlihat pada gambar.5.

3 Gambar.5 Sistem alat klasifikasi odor Sensor gas yang digunakan adalah TGS2602, TGS2611 dan TGS2620 yang ditempatkan didalam ruang sensor. Respon masing-masing sensor terhadap gas kemudian dibaca dengan menggunakan mikrokontroller Atmega16, dengan memanfaatkan internal analog to digital converter (ADC) mikrokontroller tersebut. Data sensor kemudian dikirimkan ke PC dengan menggunakan komunikasi serial. Pada PC, data diproses dengan STFT untuk mendapatkan karakteristik frekuensi masing-masing odor. Selanjutnya, dilakukan pembelajaran pada jaringan LVQ hingga dihasilkan bobot akhir yang sesuai dengan target yang telah ditetapkan. Sehingga dibisa dikelaskan odor tersebut menjadi bensin, alkohol dan minyak tanah. Selanjutnya, masing masing sensor dipilih 4 komponen frekuensi yang telah di absolute kan. Output dari proses STFT ini menghasilkan 12 komponen frekuensi yang selanjutnya akan digunakan sebagai input pada proses LVQ. Bentuk arsitektur yang digunakan untuk proses pembelajaran pada jaringan LVQ seperti pada gambar.8. Gambar.8 Perancangan jaringan LVQ Gambar.6 Pengujian system alat klasifikasi odor Pengujian sistem dilakukan seperti yang terlihat pada gambar.6. Odor ditempatkan pada jarak 10 cm dari sensor gas semikonduktor. Selanjutnya PC akan memberikan instruksi untuk mulai melakukan konversi data pada ADC setiap satu detik. Pada pengujian ini, data yang di ambil sebanyak 100 data. Setelah itu, odor dijauhkan dari sensor dan pengambilan data dilanjutkan hingga mencapai 150 data. Selanjutnya data tersebut dianalisa dengan STFT menggunakan software matlab. Parameter yang digunakan pada proses ini seperti yang terlihat pada gambar.7. Hasil dan Pembahasan Pengujian ini menggunakan 3 jenis odor, yaitu bensin, alkohol dan minyak tanah. Gambar.9 memperlihatkan respon sensor terhadap alkohol. Dari grafik didapatkan bahwa TGS2602 selalu bernilai lebih tinggi dari sensor yang lainnya. Sedangkan untuk respon saat diujikan terhadap bensin seperti terihat pada gambar.10 dan minyak tanah pada gambar.11. Gambar.9 Respon alkohol Gambar.7 Parameter STFT

4 Gambar.13 Komponen frekuensi alkohol Gambar.10 Respon bensin Gambar.14 Komponen frekuensi minyak tanah Selanjutnya data tersebut dinormalisai dengan nilai frekuensi dc nya untuk menghindari variasi pola pada proses LVQ. Hasil normalisasi masing-masing odor diperlihatkan pada gambar.15, gambar.16 dan gambar.17. Gambar.11 Respon minyak tanah Kemiripan pola dari 3 grafik diatas adalah TGS2602 selalu memiliki nilai tertinggi dan 2 sensor berikut nya selalu lebih rendah. Hal yang membedakan juga dijumpai saat merespon minyak tanah, nilai sensor TGS2611 dan TGS2620 jauh lebih rendah dibandingkan saat pengukuran bensin dan alkohol. Untuk mendapatkan respon frekuensinya, maka selanjutnya data diproses dengan STFT dengan menggunakan parameter seperti pada gambar.7. Untuk mempersempit variabel input LVQ, setiap sensor hanya digunakan 4 komponen frekuensi saja untuk mewakili setiap jenis odor. Bentuk grafik nya seperti terlihat pada gambar.12, gambar.13 dan gambar.13. Gambar.15 Hasil normalisasi bensin Gambar.16 Hasil normalisasi alkohol Gambar.12 Komponen frekuensi bensin Gambar.17 Hasil normalisasi minyak tanah

5 TABEL III Data input LVQ TABEL IIIII Bobot hasil pembelajaran TABEL IV Hasil uji bensin pada jaringan LVQ Setelah proses normalisasi, tahap selanjutnya 12 data input tersebut diproses dengan jaringan LVQ. Tabel 2 memperlihatkan data yang di inputkan pada jaringan LVQ. Data yang diinputkan adalah 3 jenis data bensin, 2 jenis data alkohol dan 2 jenis data minyak tanah. Dari data tersebut, maka bensin di kelompokkan sebagai kelas 1, alkohol sebagai kelas 2 dan minyak tanah sebagai kelas 3. Tabel II merupakan data input jaringan LVQ yang didapatkan dari proses STFT. Telah dikelompokkan berdasarkan kelasnya. Setelah proses pembelajaran dengan parameter yang ditentukan maka didapatkan bobot masing-masing kelas. Bobot masing-masing kelas tersebut seperti terlihat pada Tabel III. Bobot hasil pembelajaran tersebut terdiri dari w1, w2 dan w3, masing-masing bobot tersebut mewakili kelasnya. Contohnya, w1 mewakili untuk kelas 1 sebagai bensin. Proses pembelajaran ini dilakukan mulai dari window 1 sampai ke 32. Setelah 32 kali pembelajaran tersebut, didapatkan bahwa epoch terkecil di hasilkan pada saat window ke 27 sampai dengan window ke 32 dengan nilai dibawah 100 epoch. Berdasarkan nilai epoch yang terkecil tersebut, maka ditetapkan pemakaian window ke 27 untuk proses STFT ini. Tabel IV memperlihat hasil pengujian di window ke 27 untuk jenis gas bensin. Kolom w1,w2 dan w3 adalah data bobot hasil pembelajaran jaringan LVQ. Sedangkan data kolom

6 test adalah data yang akan diujikan pada jaringan tersebut. Kemudian nilai-nilai diatas diinputkan pada persamaan eucludian, hingga didapatkan nilai y , y dan y Jarak terdekat diberikan oleh y1, maka odor yang diuji diklasifikasikan sebagai bensin. Pengujian selanjutnya dilakukan pada 28 jenis data odor dan hanya 1 data yang gagal teridentifikasikan. Kesimpulan Alat klasifikasi odor pada ruang terbuka ini dibuat untuk dapat membedakan beberapa jenis odor yang diujikan. Metode yang digunakan adalah dengan menggunakan 3 jenis sensor gas yang berbeda. Short Ttime Fourier Transform digunakan untuk mendapatkan karakteristik dari respon sensor gas tersebut. Jaringan Learning Vector Quantization digunakan untuk membedakan jenis gas ke dalam beberapa kelas. Jaringan LVQ ini memiliki tingkat keberhasilan sebesar 89,2% dalam identifikasi suatu gas. Ucapan Terima Kasih Ucapan terimakasih kepada bapak Muhammad Rivai yang telah meluangkan waktu dan membimbing hingga penelitian ini selesai dikerjakan. Daftar Pustaka Faisal. Hadi (2008), Rancang bangun robot pencari lokasi gas menggunakan prinsip stereo nose. Figaro (2004), General Information for TGS Sensor, mon(1104).pdf. Nimsuk, M. T.Nakamoto(2007). Improvement of capability for classifiying odors in dynamically changing concentration using QCM sensor array and short time fourier transform. Sensor and Actuator B 127 ( ). Laurene, Fauset. (1992). Fundamentals of Neural Network. Mc-Graw Hill