peningkatan taraf identifiskasi jenis gas di udara terbuka menggunakan transformasi fourier dan...

7/25/2019 Peningkatan Taraf Identifiskasi jenis gas di udara terbuka menggunakan transformasi fourier dan principal compo

1/8

Vol. 6, No. 2, Juli 2011 ISSN 0216 - 0544

103

PENINGKATAN TARAF IDENTIFIKASI JENIS GAS DI UDARA TERBUKA

MENGGUNAKAN TRANSFORMASI FOURIERDAN

PRINCIPAL COMPONENT ANALYSIS

aMuhammad Rivai, bTasripan, cTotok Mujionoa,b,c

Laboratorium Elektronika Industri, Jurusan Teknik Elektro, Fakultas Teknologi Industri,Institut Teknologi Sepuluh Nopember Surabaya 60111

E-Mail: [email protected]

Abstrak

Klasifikasi jenis gas di udara terbuka diperlukan di berbagai bidang aplikasi sepertipendeteksian kebakaran, monitoring lingkungan dan lainnya. Hal ini memerlukanteknik pengklasifikasian yang handal dikarenakan adanya konsentrasi gas yang

berubah secara dinamis. Sebuah deret sensor gas yang dikombinasikan dengan

algoritma pengenal pola Neural Networks telah lama digunakan untuk mengatasi halini. Makalah ini melaporkan sebuah metode yang handal untuk klasifikasi jenis gas diudara terbuka. Pada penelitian ini, metode yang digunakan adalah metode FastFourier Transform (FFT) untuk analisa spektrum frekuensi dan metode PrincipalComponent Analysis(PCA) untuk ekstraksi data sebagai metode preprocessinguntukPropagasi balikNeural Networks. Sebuah deret sensor terdiri dari tiga tipe sensor gas

semikonduktor yang berbeda dan menghasilkan sebuah pola yang khas untuk setiapjenis gas pada domain waktu. Beberapa gas digunakan untuk mengevaluasi unjuk

kerja dari klasifikasinya. Hasil percobaan menunjukkan bahwa taraf klasifikasi dariNeural Networks yang dihasilkan lebih tinggi daripada sistem klasifikasi tanpamenggunakan preprocessing walaupun konsentrasi gas berubah pada kondisi yangbervariasi.

Kata kunci: Deret Sensor, Spektrum Frekuensi,Principal Component Analysis,NeuralNetworks.

Abstract

Classification of gases in open field is of great interest in many applications such asfire detection, environmental monitoring, etc. They all require reliable classificationtechniques due to dynamical change of gas concentration. A gas sensor arraycombined with Neural Networks pattern recognition algorithm has been traditionally

used to address these issues. This paper reports a robust method for gas classificationin the ambient air. In this research, we employ Fast Fourier Transform (FFT) methodfor frequency spectrum analysis and Principal Component Analysis (PCA) method for

data extraction as preprocessing methods for a Back Propagation Neural Networks. Asensor array consists of three different types of semiconductor gas sensors producinga unique pattern for each gas in time domain. Several gases were introduced toevaluate the classification performance. The experiment result showed that

classification rate of the Neural Networks with FFT and PCA methods aspreprocessing was higher than that of the system without preprocessing even if the gasconcentration changed into various conditions.

Key words: Sensor Array, Frequency Spectrum, Principal Component Analysis,

Neural Networks.
mailto:[email protected]:[email protected]:[email protected]


2/8

104 Jurnal Ilmiah KURSORVol. 6, No. 2, Juli 2011, hlm. 103-110

PENDAHULUAN

Sistem identifikasi jenis gas dengan

menggunakan deret sensor atau hidungelektronik telah teruji dengan baik sebagai

pengenal jenis gas dengan sampel gas yangdialirkan dalam sistem sirkulasi udara tertutup.Pengambilan sampel diudara bebas biasanyamenggunakan kantong sampel yang dibawa ke

ruang dengan kondisi baik untuk prosesanalisanya. Hal ini dapat memberikan responwaktu yang lama dan memerlukan proseduryang rumit. Klasifikasi gas secara langsungpada udara terbuka sangat diperlukan untukmendapatkan informasi jenis gas secara real-time. Perubahan konsentrasi yang sangat

variatif membuat taraf klasifikasinya menjadirendah, sehingga diperlukan teknik klasifikasi

yang handal [1].Pada penelitian ini dilaporkan hasil

eksperimen pengujian sistem untuk identifikasijenis gas atau uap pada kondisi udara terbuka.

Deret sensor semikonduktor metal oksidadigunakan untuk menghasilkan pola perubahantegangan untuk setiap jenis gas. Jenis sensor inidipilih karena mempunyai sensitivitas, tarafketahanan dan keterulangan yang tinggi [2].Neural Networks tiga lapis dengan metode

pelatihan propagasi balik digunakan untukmengidentifikasi jenis gas yang terdeteksi olehsensor. Metode Fast Fourier Transform (FFT)dan Principal Component Analysis (PCA)diterapkan sebagai preprocessing untuk

meningkatkan taraf identifikasinya.Beberapa metal oksida dapat digunakan

untuk mendeteksi gas dengan cara pengukuranperubahan konduktifitasnya, yaitu ZnO, TeO2,dan SnO2[3,4]. Mekanisme pendeteksian jenissensor ini ditunjukkan pada Gambar 1. Pada

suhu kerja 300-450C, O-mendominasi udara

disekitar dan terserap pada permukaan metal

oksida yang dapat menyingkirkan elektron daripita konduksi Ec dan menjebak elektron pada

permukaan dalam bentuk ion yang dapatmenimbulkan lengkungan pita energi. Hal inimenyebabkan elektron sulit untuk melewatinyasehingga material pada kondisi ini mempunyai

resistansi yang besar atau konduktivitas yangkecil. Reaksi oksigen ini dengan pereduksi gas(seperti CO) dapat mengurangi jumlah oksigenyang terserap sehingga dapat mengembalikan

lengkungan pita energi yang mengakibatkankonduktifitasnya naiknya.

Gambar 1. Mekanisme Serap-Lepas IonOksigen.

Gambar 2. Alur TransformasiFourier.

TransformasiFouriermerupakan algoritma

untuk mengubah domain waktu X menjadi

domain atau spektrum frekuensi Y, yaitumenguraikan sinyal menjadi komponen

sinusoidal penyusunnya. AlgoritmaTransformasi Fourier Diskrit ditunjukkan padaPersamaan (1).

1-N

0k

nk

X(k).WY(n)

(1)

dengan /N-jeW 2

, 1-j ,

N 2 jumlah

data sinyal yang dicuplik, bilangan integerpositip, k dan n masing-masing adalah indekspada domain waktu dan frekuensi ditunjukkan

pada Persamaan (2).

1-n

1-2

2-n

2-2..........

2n4

1n2

0nn

1-k

1-2

2-k

2-2..........

2k4

1k2

0kk

(2)

Dengan mempertimbangkan (N)nkWnkW mod ,

maka perhitungan dapat lebih cepat. Gambar 2

menunjukkan aliran penyelesaian empat buahtitik sampel (N=4) pada domain waktu

W1

W2

W0

W0

W0

X(0)

X(k)

X2(0)

X2(1)

X2(2)

X2(3)

Y(0)

Y(2)

Y(1)

Y(3)

X1(k) X2(k)

X(1)

X(2)

X(3)W

2

W2

W3


3/8

Rivai & dkk, Peningkatan Taraf Identifikasi Jenis Gas 105

ditransformasi menjadi empat buah titik padadomain frekuensi dengan hanya dua informasi

frekuensi (N/2) yang diperoleh. Penggunaanmetode FFT telah digunakan untuk

menganalisa respon transisi sensor metal oksidapada pemodulasian suhu kerjanya [5].

Metode PCA sering digunakan untukvisualisasi hasil klasifikasi pada sistem

identifikasi [6-8]. Metode ini merupakanpenurunan dari teknik factor analysis yangbertujuan untuk mengidentifikasi struktur dari

banyak variabel menjadi data yang lebihsederhana. Metode ini juga dikenal sebagai

Transfomasi Karhunen-Love atauTransformasi Hotelling. PCA merupakan

transformasi linier ortogonal yang

mentransformasi data ke dalam koordinatsistem baru dengan variasi terbanyak diperolehdari proyeksi data pada koordinat prioritas

utama (principle component) yang pertama,variasi kedua terbanyak pada koordinat

prioritas utama yang kedua dan seterusnya.PCA umumnya digunakan untuk mengurangidimensi dari himpunan data tetapi jugamempertahankan karakteristik dari himpunandata tersebut dengan menjaga beberapa

principle component yang tinggi prioritasnyadan membuang beberapa principle component

yang rendah prioritasnya [9].Ada beberapa metode yang umum

digunakan untuk mendapatkan principlecomponent pada metode PCA, yaitu metode

covariance, metode korelasi dan SingularValue Decomposition (SVD). Prosedur PCAdengan menggunakan metode covariance [10]adalah sebagai berikut:

a) Menghimpun data eksperimen X (M,N)yang memiliki dimensi tertentu yang

berkesesuaian dengan variabel atau jumlah

sensor yang digunakan (M) dan jumlah data(N) ditunjukkan pada Persamaan (3).

N

nM,nX

NmX

1

1 (3)

b) Mengurangkan setiap data X dengan nilai

mean mX untuk masing-masing variabelatau sensor (m) ditunjukkan pada

Persamaan (4).

mXXX (4)

c) Mendapatkan matrik covariance (C)ditunjukkan pada Persamaan (5).

1)(N

2X2X

N

1n 1X1X

)2X,1cov(X

(5)

d) Mendapatkan eigenvalue () daneigenvector (V) dari matrik covariance

ditunjukkan pada Persamaan (6).

0 VC (6)

Teknik untuk mendapatkan eigenvalue daneigenvector ini dapat digunakan beberapa

metode yaitu power method, orthogonaliteration, QL method, Lanczos method, dan

Jacobis method.

e) Mendapatkan principal component (PC)

ditunjukkan pada Persamaan (7).

T

iX.ViPC (7)

dengan PC1 adalah principal component

pertama, V1 eigenvector dengan nilaieigenvalueterbesar.

Neural Networks merupakan modelkomputasi untuk pengenalan pola yang menirujaringan neural biologi pada otak manusiasetelah proses pelatihan. Sistem ini banyak

digunakan dalam sistem identifikasi jenis gas[11,12]. Propagasi balik merupakan metode

pembelajaran yang sering digunakan karenakemudahan perancangan dengan ketelitianyang tinggi [13,14]. Jaringan ini terdiri darisebuah lapis masukan, sebuah lapis keluarandan satu atau lebih lapis tersembunyi,

ditunjukkan pada Gambar 3. Pelatihan

diperlukan untuk memperbaharui bobotkoneksi antar neuron yang dilakukan secaraberulang sampai diperoleh taraf kesalahandinyatakan sebagai Mean Square Error (MSE)antara vector keluaran o dan vektor target tyang diinginkan, seperti yang ditunjukkan pada

Persamaan (8).

N

i ioit

N

N

i ie

NMSE

1

21

1

21

(8)

denganN adalah jumlah vektor data masukan.


4/8


Gambar 3. StrukturNeural Networks.

Gambar 4. Diagram Blok Sistem PengenalanGas.

Tabel 1. Respon Sensor Gas.

Sensor Gas

TGS2600Hidrogen, Karbon Monoksidadan Pencemar udara

TGS2610Propana, Butana danHidrokarbon

TGS2620Alkohol dan Uap pelarutorganik

Tabel 2. Pola Target pada PelatihanNeuronNetwork.

No pola Gas Target

1 Butana 000012 Amoniak 00010

3 Spiritus 00100

4 Minyak Tanah 01000

5 Udara Bersih 10000

SISTEM IDENTIFIKASI JENIS GAS

Sistem yang digunakan dalam percobaanditunjukkan pada Gambar 4. Deret sensorterdiri dari sensor metal oksida TGS2600, TGS

2610, dan TGS 2620. Sensitivitas masing-masing sensor terhadap jenis gas ditunjukkanpada (Tabel 1). Sumber gas terletak 20 cmdarisensor. Pompa menghisap gas dengan

kecepatan 100 mL/min untuk mengambil gassampel menuju ke ruang sensor. Sepuluh bit-

Analog to Digital Conversion mengubahbesaran tegangan analog menjadi sinyal diskrit

dalam domain waktu dengan kecepatansampling 1 sampel/detik. FFT mengubah

besaran sinyal diskrit menjadi beberapakomponen frekuensi. Data yang digunakan

dalam pemrosesanFFTini adalah sebanyak 64sampel. Dari spektrum frekuensi yangdihasilkan, empat buah komponen frekuensi

pertama digunakan sebagai komponen yangmewakili respon sensor karena memiliki harga

amplitudo yang besar, yaitu 0; 0,015625;0,03125 dan 0,046875 Hz. Masing-masingkomponen frekuensi untuk setiap sensordimasukkan sebagai data vektor masukan PCA.

Ukuran vektor principal component yangdihasilkan berkesesuaian dengan dimensi

vektor masukannya. Neural Networks terdiridari tiga lapis dengan jumlah node masukan

sebanyak 12 yang berkesesuaian dengan jumlahkomponen frekuensi atau dimensi principal

component, neuron tersembunyi sebanyak

sepuluh dan neuron keluaran sebanyak limaberkesesuaian dengan jumlah jenis gas.

Semua data diambil oleh mikrokontrolerAT Mega-16 dan dikirimkan kekomputermelalui Universal Serial Bus (USB)untuk keperluan penampilan data dan pelatihan

Neural Networks. Pada tahap pelatihan ini,

Neural Networks menggunakan algoritmapropagasi balik dengan bobot awal yang sama

Fa

Fa3

Butana

Amoniak

Bersih

Neural Network

FFT

ADC

OdorFc

3

PCA

Pompa

N

ORM


5/8


untuk setiap pengujian. Pada tahap pengujiandilakukan iterasi sebanyak 10.000 epochuntuk

mencapai target yang ditunjukkan pada(Tabel 2).

HASIL DAN PEMBAHASAN

Pada eksperimen ini, setiap sampel gas diujikansebanyak sepuluh percobaan. Gambar 5menunjukkan respon masing-masing sensorterhadap setiap jenis gas dalam domain waktu.

Terlihat bahwa respon masing-masing sensorpada udara terbuka cenderung tidak konstandengan variasi data terbesar adalah 39,3 %untuk sampel butana. Perubahan yang cepatterjadi pada spiritus karena mempunyai tekanan

uap yang rendah (43,7 mmHg) dibandingdengan butana (1650 mmHg). Hal inimenunjukkan bahwa tingkat perubahan setiap

senyawa adalah khas dalam domain waktu.Gambar 6 menunjukkan pola frekuensi untuk

empat komponen frekuensi pertama. Terlihatbahwa masing-masing gas menghasilkan pola

respon sensor yang berbeda, digambarkandengan pola ternormalisasi komponen

frekuensinya. Normalisasi ini dilakukan denganmembagi nilai setiap frekuensi dengan nilai

maksimumnya untuk setiap vektor masukan.Teknik ini bertujuan untuk menekan adanya

variasi pola sensor sehingga antara konsentrasigas yang berbeda dapat menghasilkan polaidentik untuk jenis gas yang sama. Komponen

frekuensi f0 adalah 0 Hz atau nilai dc yangmenyatakan rerata amplitudo selama waktu

pencuplikan. Komponen frekuensi f1 adalah0,015625 Hz menyatakan besaran frekuensi

dasar untuk waktu pencuplikan 64 detik.

Sedangkan komponen f2 dan f3 merupakankomponen frekuensi harmonisa yang besarnyamasing-masing adalah dua kali dan tiga kali

terhadap frekuensi dasar.

Gambar 5. Respon Sensor dalamDomainWaktu.


6/8


Gambar 6. Respon Sensor dalamDomainFrekuensi.

Gambar 7. Hasil pelatihanNeural Networksyang Dikombinasikan dengan

FFT.

Gambar 7 menunjukkan hasil pelatihanNeural Networks untuk berbagai kombinasikomponen frekuensi setiap sinyal sensor.Semakin banyak komponen frekuensi yangdilibatkan maka cenderung semakin kecil tarafkesalahan yang diperoleh. Terlihat bahwa

Neural Networks yang dikombinasikan denganmetode FFT dan melibatkan semua komponen

frekuensi (f0,f1,f2,f3) dapat mempunyai tingkatkesalahan 1,3 % lebih rendah dibandingkandengan Neural Networks tanpa menggunakanFFT (hanya rerata amplitudo f0 saja) yaitu

4,5%. Hal ini dapat disimpulkan bahwapemrosesan sinyal dalam daerah frekuensi

dapat meningkatkan taraf identifikasi jenis gas.

Eksperimen berikutnya adalah melibatkanimplementasi PCA dengan pola ternormalisasikomponen frekuensi FFT digunakan sebagai

nilai masukannya. Untuk keseluruhan datamasukan yang digunakan, metode ini

menghasilkan 11 eigen value sehinggaakumulasi kesebelas eigen vector-nya dapat

mewakili variasi dari keseluruhan data

masukan, ditunjukkan pada Gambar 8.Gambar 9 menunjukkan hasil pelatihan

Neural Networks untuk berbagai kombinasikomponen factor scores PCA. PCA 1

melibatkan satu principal component, PCA 2melibatkan dua principal component danseterusnya. Terlihat bahwa Neural Networksyang digabung dengan FFT dan PCA dengan

melibatkan minimal lima buah principalcomponentdapat mempunyai tingkat kesalahan0,1 % yang jauh lebih rendah dibandingkanNeural Networks tanpa PCA yaitu 1,3 %. Hal

ini berkesesuaian dengan Scree plot bahwaaksis mulai F6 sampai F11 mempunyai bobot


7/8


yang rendah dalam mewakili variasi datakeseluruhan. Berdasarkan ujicoba ini dapat

disimpulkan bahwa implementasi FFT yangdigabungkan dengan PCA sebagai

preprocessing bagi Neural Networks dapatmeningkatkan taraf identifikasi jenis gas.

SIMPULAN

Pada penelitian ini telah dilakukan pengujiansecara eksperimen penggunaan Propagasi BalikNeural Networks sebagai pengidentifikasianjenis gas pada ruang terbuka yang mempunyaikonsentrasi gas yang sangat fluktuatif. Untuk

data pelatihan yang berasal dari rerataamplitudo dalam domain waktu, jaringan ini

dapat dilatih untuk mengenali setiap jenis gasdengan taraf kesalahan sebesar 4,5 %.Implementasi FFT untuk menghasilkankomponen frekuensi yang digunakan sebagai

preprocessing pada Neural Networks dapatmenurunkan taraf kesalahannya menjadi 1,3 %.Selanjutnya perpaduan antara FFT dan PCAdapat lebih memperkecil taraf kesalahannya

menjadi 0,1 %. Hal ini menunjukkan bahwaimplementasi gabungan antara FFT dan PCAsebagai preprocessing bagi Neural Networks

dapat meningkatkan taraf identifikasi jenis gaswalaupun konsentrasi gas sangat bervariasi.

Gambar 8. Jumlah AksisPCA.

Gambar 9. Hasil PelatihanNeural Networksyang Dikombinasikan denganFFT

danPCA.

DAFTAR PUSTAKA

[1] Trincavelli M and Loutfi A. FeatureSelection for Gas Identification with A

Mobile Robot. Proceeding of IEEEInternational Conference on Robotics

and Automation (ICRA) 2010. 2852-2857. 2010.

[2] Xiaobo Z, Jiewen Z, Shouyi W, andXingyi H. Vinegar Classification Based

on Feature Extraction. Sensors. 3: 101-109. 2003.

[3] Georgieva B, Podolesheva I, Pirov J and

Platikanova V. Tin Oxide HumiditySensors Operating at Room TemperatureObtained by Co-Evaporation Of TeO2

and Sn. Journal of Optoelectronics andAdvanced Materials. 7: 2595-2600. 2005.

[4] Mishra S, Ghanshyam C, Ram N, SinghS, Bajpai RP, and Bedi RK. AlcoholSensing of Tin Oxide Thin Film Preparedby Solgel Process.Bull, Mater, Sci.25:231234. 2002.

[5] Toruan HL dan Rivai M. AnalisisPengaruh Pemodulasian Suhu Terhadap

Selektifitas Sensor Gas SemikonduktorSebagai Pendeteksi Bahan Bakar.

Prosiding Seminar on IntelligentTechnology and Its Application (SITIA)2008. 321-324. 2008.


8/8


[6] Tran VH, Chan HP, Thurston M, JacksonP, Lewis C, Yates D, Bell G, and Thomas

PS. Breath Analysis of Lung CancerPatients Using an Electronic Nose

Detection System. IEEE Sensors Journal.10: 1514-1518. 2010.

[7] Brezmes J, Fructuoso LL, Llobet E,Vilanova X, Recasens I, Orts J, Saiz G,and Correig X. Evaluation of an ElectronicNose to Assess Fruit Ripeness. IEEESensors Journal. 5: 97-108. 2005.

[8] Brezmes J, Cabr P, Rojo S, Llobet E,Vilanova X, and Correig X. Discrimination

Between Different Samples of Olive OilUsing Variable Selection Techniques and

Modified Fuzzy Artmap Neural Networks.IEEE Sensors Journal. 5: 463-470. 2005.

[9] Mirmohseni A and Rostamizadeh K.

Quartz Crystal Nanobalance in Conjuctionwith Principle Component Analysis forIdentification of Volatile OrganicCompounds. Sensors. 6: 324-334. 2006.

[10]Smith LI. A Tutorial on PrincipleComponent Analysis. USA: CornellUniversity. 2005.

[11]Kumar R, Das RR, Mishra VN andDwivedi R. A Neuro-Fuzzy Classifier-

Cum-Quantifier for Analysis of Alcoholsand Alcoholic Beverages Using Responses

of Thick-Film Tin Oxide Gas SensorArray. IEEE Sensors Journal. 10: 1461-

1468. 2010.

[12]Lozano J, Santos JP, Aleixandre M,Sayago I, Gutirrez J and Horrillo MC.Identification of Typical Wine Aromas byMeans of an Electronic Nose. IEEESensors Journal. 6: 173-178. 2006.

[13]Shi Z, Yu T, Zhao Q, Li Y and Lan Y.

Comparison of Algorithms for anElectronic Nose in Identifying Liquors.

Journal of Bionic Engineering. 5: 253-257.2008.

[14]Apriliyah, Mahmudy WF dan Widodo

AW. Perkiraan Penjualan Beban ListrikMenggunakan Jaringan Syaraf TiruanResilent Backpropagation (RPROP).KURSOR. 4: 41-47. 2008. .

peningkatan taraf identifiskasi jenis gas di udara terbuka menggunakan transformasi fourier dan...

Documents