peningkatan taraf identifiskasi jenis gas di udara terbuka menggunakan transformasi fourier dan...
TRANSCRIPT
-
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] -
7/25/2019 Peningkatan Taraf Identifiskasi jenis gas di udara terbuka menggunakan transformasi fourier dan principal compo
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
-
7/25/2019 Peningkatan Taraf Identifiskasi jenis gas di udara terbuka menggunakan transformasi fourier dan principal compo
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.
-
7/25/2019 Peningkatan Taraf Identifiskasi jenis gas di udara terbuka menggunakan transformasi fourier dan principal compo
4/8
106 Jurnal Ilmiah KURSORVol. 6, No. 2, Juli 2011, hlm. 103-110
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
-
7/25/2019 Peningkatan Taraf Identifiskasi jenis gas di udara terbuka menggunakan transformasi fourier dan principal compo
5/8
Rivai & dkk, Peningkatan Taraf Identifikasi Jenis Gas 107
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.
-
7/25/2019 Peningkatan Taraf Identifiskasi jenis gas di udara terbuka menggunakan transformasi fourier dan principal compo
6/8
108 Jurnal Ilmiah KURSORVol. 6, No. 2, Juli 2011, hlm. 103-110
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
-
7/25/2019 Peningkatan Taraf Identifiskasi jenis gas di udara terbuka menggunakan transformasi fourier dan principal compo
7/8
Rivai & dkk, Peningkatan Taraf Identifikasi Jenis Gas 109
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.
-
7/25/2019 Peningkatan Taraf Identifiskasi jenis gas di udara terbuka menggunakan transformasi fourier dan principal compo
8/8
110 Jurnal Ilmiah KURSORVol. 6, No. 2, Juli 2011, hlm. 103-110
[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. .