Sistem Identifikasi Gas Menggunakan Metode Kromatografi dan Neural Network

Abstrak— Perkembangan teknologi industri saat ini semakin pesat, ditandai dengan munculnya industri di berbagai bidang seperti industri makanan, obat-obatan, pupuk dan pengolahan minyak. Industri ini sangat erat hubungannya dengan bidang kimia dalam proses produksinya. Tentunya dilakukan analisa terhadap senyawa-senyawa yang akan digunakan dalam proses produksi baik sebelum atau sesudahnya. Salah satu peralatan yang digunakan dalam proses analisa adalah peralatan kromatografi gas. Dikarenakan harga alat kromatografi gas yang mahal, maka dalam tugas akhir ini dibuat alat kromatografi gas menggunakan kolom kromatografi untuk pemisahan senyawa penyusun gas, dan sensor gas TGS2610 sebagai pendeteksi senyawa penyusun sampel. Sistem mikrokontroler sebagai penerima data analog yang keluar dari sensor, kemudian diolah dalam Analog to Digital Converter (ADC), sedangkan hasil dari pembacaan ADC akan dikirim ke komputer melalui komunikasi serial RS232. Kemudian senyawa tersebut akan dikenali dan diklasifikasikan oleh Neural Network. Untuk menjaga suhu ruang pemanas(oven) agar tetap stabil, digunakan kontroler PID, sehingga hasil pembacaan sensor tidak berubah-ubah untuk gas uji yang sama. Diharapkan tercipta alat kromatografi gas yang lebih sederhana namun tetap handal dengan presentase keberhasilan 100% untuk pengujian sampel. Sampel yang diuji adalah ethil asetat, methanol, dan heksana.

Kata Kunci—RS232, Sensor gas TGS2610, Mikrokontroler, Neural Network.

I. PENDAHULUAN

ebuah sistem kromatografi gas telah menjadi teknik paling utama dalam pemisahan dan analisa senyawa yang mudah menguap. Kromatografi gas biasa digunakan untuk menganalisa bermacam-macam gas, cairan, dan benda padat. Khusus untuk benda padat, biasanya dilarutkan dahulu dalam pelarut yang mudah menguap. Bahan-bahan organik maupun anorganik dapat dianalisa dan berat molekul dapat dibentangkan antara 2 sampai 1000 dalton.

Kromatografi gas adalah alat penganalisa yang paling banyak digunakan di dunia[1]. Kolom kapiler yang efisien memiliki resolusi yang tinggi, sebagai contohnya, mampu memisahkan lebih dari 450 komponen dalam aroma kopi, atau komponen pada bahan alami seperti minyak pepermin. Keuntungan dari penggunaan kromatografi gas dalam pengujian gas adalah analisa yang cepat, efisien, dan akurat. Alat kromatografi gas, umumnya menggunakan spectroscopy untuk mengetahui identitas dan kurva yang tertera pada recorder. Oleh karena itu, dibuatlah alat kromatografi gas yang lebih sederhana menggunakan sensor gas dan neural network untuk mengidentifikasi jenis gas uji.

II. METODE PENELITIAN A. Kromatografi Gas

Kromatografi gas adalah suatu metode analisis untuk memisahkan suatu campuran kimiawi didasarkan atas perbedaan distribusi dari komponen-komponen campuran diantara dua fasa, yaitu fasa diam dan fasa gerak. Gas yang merupakan material fasa gerak akan berinteraksi dengan material fasa diam dalam kolom partisi. Komponen senyawa yang mempunyai ikatan yang kuat terhadap fasa diam akan keluar paling akhir pada detektor [1].

Gambar 1. Basic Gas Chromatography[1]

Peralatan kromatografi gas terdiri dari beberapa bagaian penting, yaitu gas pembawa, pemasukan cuplikan, kolom partisi, detektor dan perekam data [2].

B. Sensor Gas

Sensor gas adalah sensor yang menghasilkan sinyal listrik sebagai hasil interaksinya dengan senyawa kimia, dalam hal ini adalah gas atau uap pelarut organik. Sensor gas yang digunakan adalah sensor gas TGS[3].

Gambar 2. Rangkaian dasar sensor gas TGS [3]

Cara kerja rangkaian dasar jenis sensor tersebut membutuhkan 2 input tegangan, tegangan pemanas dan

Sistem Identifikasi Gas Menggunakan Metode

Kromatografi dan Neural Network

Eri Nur Rahman, Muhammad Rivai, Tasripan

Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember (ITS)

Jl. Arief Rahman Hakim, Surabaya 60111

E-mail

: muhammad_rivai@ee.its.ac.id

tegangan untuk sensor sendiri. Nilai RL disesuaikan untuk menjaga konsumsi daya tetap dibawah 15mW. Dengan menggunakan rumus sebagai berikut :

(1)

(2) Berikut ini adalah contoh respon gas uji terhadap jenis kolom partisi.

Gambar 3. Respon Gas Uji terhadap Jenis Kolom Partisi[5]

Pada gambar 3a, menggunakan kolom partisi carbowax(polar) sedangkan gambar 3b adalah kolom partisi DC 200(nonpolar)[1]. Sampel yang diujikan adalah (1)n-heptane(98), (2)tetrahidofuran(64), (3)2-butanone(80), (4)n-propanol(97)[1]. Dari keempat jenis gas uji, hanya n-heptana yang merupakan pelarut nonpolar sedangkan tiga lainnya adalah pelarut polar. Dari sini bisa dianalisa bahwa pelarut polar akan melaju lebih cepat pada kolom partisi berbahan nonpolar namun lambat pada kolom berbahan polar, sebaliknya pada kolom partisi berbahan polar, gas pelarut yang bersifat polar akan terlambat keluar sedangkan gas pelarut yang bersifat nonpolar akan melaju lebih cepat. Hal ini dikarenakan pelarut tersebut akan mengalami ikatan yang lebih kuat terhadap kolom dengan bahan yang berpolaritas sama dengan gas pelarut, sehingga laju dari gas pelarut akan terhambat.

C. Sistem Mikrokontroler ATMega16

ATMega16 merupakan mikrokontroler 8-bit CMOS yang memiliki kemampuan tinggi dengan daya rendah. Fitur-fitur yang digunakan dari sistem mikrokontroler adalah Analog to Digital Converter (ADC), Receiver Interrupt dan komunikasi serial USART mennggunakan RS232.

Proses inisialisasi Analog to Digital Converter (ADC) meliputi penentuan clock, tegangan referensi, format output data dan mode pembacaan. Karena yang digunakan adalah ADC 8 bit, maka rumus yang digunakan adalah : (3)

Receiver Interrupt adalah proses komunikasi dua arah, yaitu menerima perintah dari komputer yang kemudian di jalankan pada sistem mikrokontroler dan dikirimkan ke komputer lagi.

Komunikasi serial USART menggunakan komunikasi serial RS232, menggunakan port Tx dan Rx yang terdapat pada mikrokontroler untuk komunikasi antara mikrokontroler dengan komputer. Penggunaan RS232 juga dilengkapi dengan IC max232 sebagai buffer.

D. Kontroler PID

Sistem kontrol PID (Proportional – Integral – Derivative) adalah kontroler yang digunakan untuk menentukan ketepatan suatu sistem instrumentasi dengan apa yang diinginkan pengguna dengan karakteristik adanya umpan balik pada sistem tersebut (feedback).

Sistem kontrol PID terdiri dari tiga buah kontroler, yaitu kontrol P (Proportional), D (Derivative), dan I (Integral), dengan masing-masing memiliki kelebihan dan kekurangan. Dalam implementasinya masing-masing cara dapat bekerja sendiri maupun gabungan dari ketinganya. Dalam perancangan sistem kontrol PID yang perlu dilakukan adalah mengatur parameter P, I, D agar tanggapan sinyal luaran sistem sesuai dengan masukan yang diinginkanpengguna.

Beberapa pengaruh dari kontroler PID terhadap sistem adalah:

1. Memperbaiki respon transien 2. Menghilangkan error steady state 3. Memberikan efek redaman

E. Sensor Suhu Ds1621

Untuk menjaga suhu dalam ruang pemanas ini tetap stabil diperlukan pengatur suhu. Pengatur suhu ini terdiri dari beberapa bagian yaitu sensor suhu DS1621, solid state relay HFS41 dan mikrokontroller. Sensor DS1621 merupakan jenis sensor untuk suhu, yang bisa dipakai sebagai thermometer dan thermostat. Kelebihan dari sensor ini adalah data yang dihasilkan dalam bentuk sinyal digital. Sensor ini menggunakan tegangan catu sebesar 2,7V sampai 5,5V dengan kemampuan jangkauan ukur -55°C sampai dengan +125°C . Sensor ini memiliki ketelitian 0,5°C. Suhu dibaca sebagai data 9 bit dan data dapat dibaca dan ditulis dengan komunikasi I2C[4].

Berikut adalah gambar dari sensor DS1621

Gambar 4. Sensor Suhu ds1621[4]

Deskripsi pin DS1621 :

SDA : Serial Data Input/Output SCL : Serial Clock

GND : Ground

Tout : Output sinyal Termostat A0 : Alamat Input Chip A1 : Alamat Input Chip A2 : Alamat Input Chip VDD : Catu Daya

F. Neural Network

Model saraf tiruan sederhana memiliki banyak nama seperti model koneksionis, model pengolahan distribusi parallel, dan sistem neuromorphic [5]. Tiruan neuron dalam struktur neural network adalah elemen pemroses yang dapat berfungsi seperti halnya sebuah neuron. Sejumlah sinyal masukan x dikalikan dengan masing-masing penimbang yang bersesuaian W. Kemudian dilakukan penjumlahan dari seluruh hasil perkalian tersebut dan keluaran yang dihasilkan dilakukan ke dalam fungsi pengaktif untuk medapatkan tingkatan derajat sinyal keluaran Fx(W) [6].

Menurut Haykin, Artificial neural network adalah sejumlah besar prosesor yang terdistribusi secara pararel dan terdiri dari unit pemrosesan sederhana, dimana masing-masing unit memiliki kecenderungan untuk menyimpan pengetahuan yang dialami dan dapat digunakan kembali[7].

Menurut Kevin Gurney, sebuah neural network adalah pertemuan yang saling berhubungan dari elemen pemrosesan sederhana, unit atau node, yang fungsi secara bebas didasarkan pada neuron hewan. Merupakan pengolahan kemampuan jaringan disimpan dalam antar-satuan kekuatan sambungan, atau bobot, diperoleh dengan proses adaptasi, atau belajar dari, satu set pelatihan pola[8].

Gambar 5. Neural Network Sederhana [8] G. Gambaran Umum Sistem

Gambar 6. Diagram Blok Sistem

Pada sistem identifikasi jenis gas ini, sensor yang digunakan adalah sensor gas TGS2610 berguna untuk mendeteksi senyawa yang terkandung di dalam gas yang diuji. Tegangan luaran sensor gas tersebut akan naik jika konsentrasi gas tinggi, begitu juga sebaliknya, tegangan luaran akan turun jika konsentrasi gas rendah. Hasil pembacaan tegangan luaran itulah yang dikirimkan ke mikrokontroler untuk di rubah menjadi data digital sehingga bisa dibaca oleh komputer. Data tersebut dikirim ke komputer melalui komunikasi serial USART menggunakan komunikasi serial RS232, pengiriman data dilakukan oleh mikrokontroler ATMega 16. Dengan memanfaatkan ADC 8 bit, pengiriman data dilakukan secara paket data.

H. Perancangan Perangkat Keras

Gambar 7. Rancangan Alat

Dari gambar diatas, bisa dilihat komponen utama dari alat ini adalah ruang pemanas yang di dalamnya terdapat kolom partisi, sensor suhu, dan sensor gas. Kemudian terdapat pompa untuk mendorong gas uji. Lalu terdapat silika gel untuk membersihkan udara pendorong sehingga udara pendorong adalah udara murni tanpa uap air. Kemudian ada port injeksi tempat menampung sementara gas uji, sebelum didorong ke kolom partisi. Yang terakhir adalah papan elektronik yang berisikan mikrokontroler, catu daya dan rangkaian penunjang lain.

Untuk mengatur panas yang ada di dalam ruang pemanas, digunakan kontroler PID yang keluarannya menjadi sinyal PWM yang akan mengontrol Solid State Relay untuk melewatkan tegangan AC ke pemanas di dalam ruang pemanas.

Pembacaan suhu dilakukan oleh sensor suhu ds1621 yang menggunakan komunikasi I2C dalam pengiriman data. Data yang dikirimkan adalah data digital, sehingga tidak memerlukan ADC untuk pembacaan nilai suhu.

I. Perancangan Perangkat Lunak

Perangakat lunak yang digunakan pada alat ini terdapat pada mikrokontroler dan di komputer. Perangkat lunak yang terdapat pada mikrokontroler berfungsi sebagai otak dari sistem yang memberikan perintah-perintah seperti pembacaan ADC, pembacaan suhu, kontrol PID, dan komunikasi serial.

Sedangkan program pada komputer menggunakan perangkat lunak untuk membuat antarmuka. Fungsi antarmuka adalah untuk mengontrol kerja mikrokontroler seperti menyambung dan memutus komunikasi data, memberikan setpoint untuk pemanas, menampilkan suhu dan grafik pembacaan gas uji, dan melakukan identifikasi terhadap gas uji menggunakan Neural Network.

Mulai

Power Aktif Berhenti

Proses ADC

Kirim Data ADC Tidak

Ya

Buka Komunikasi

Tidak Ya

Gambar 8. Diagram alir mikrokontroler ATMega16

Pada rangkaian mikrokontroler, saat power aktif, maka akan langsung dilakukan pembacaan ADC terhadap sensor gas dan pembacaan nilai suhu, namun hasil pembacaan belum dikirimkan ke komputer. Setelah ada perintah untuk membuka komunikasi melalui antarmuka pada komputer, maka data ADC tadi akan dikirim ke komputer dan ditampilkan di antarmuka. Pada antarmuka juga terdapat tombol untuk menghidupkan dan mematikan pompa, jadi gas uji tidak akan terdorong sebelum pompa dinyalakan.

Program neural network yang terdapat pada komputer digunakan untuk mengidentifikasi jenis gas uji. Masukan dari neural network tersebut adalah puncak dari kurva, gradien positif, gradien negatif, dan waktu dari lebar kurva tersebut.

Gambar 9. Neural Network

Terdapat empat layer yang digunakan pada neural network tersebut, yang pertama adalah input layer dengan empat node, dua hidden layer dengan masing-masing seratus node dan lima puluh node, dan yang terakhir adalah output layer dengan tiga node yang menunjukkan tiga gas sampel yang coba diidentifikasi.

Berikut ini adalah gambar yang menunjukkan empat parameter yang digunakan sebagai masukan neural network.

Gambar10. Parameter Masukan Neural Network

III. HASIL PENGUJIAN A. Pengujian Nilai ADC

Proses pembacaan data nilai ADC dilakukan secara terus menerus oleh mikrokontroler saat sistem sudah dijalankan. Pengujian pembacaan nilai ADC dilakukan dengan cara memberi masukan berupa nilai tegangan ke pin ADC pada mikrokontroler, dan hasilnya dibandingkan antara nilai masukan dengan yang terbaca pada sistem. Berikut adalah hasil dari pengujian ADC :

Tabel 1 Hasil Pengujian ADC Tegangan

masukan ke-

Suplay (volt) ADC (volt) Eror (volt)

1 1,0 0,96 0,04 2 1,1 1,08 0,02 3 1,2 1,10 0,10 4 1,3 1,26 0,04 5 1,4 1,34 0,06 6 1,5 1,44 0,06 7 1,6 1,58 0,02 8 1,7 1,66 0,04 9 1,8 1,78 0,02 10 1,9 1,88 0,02

Dari tabel 1, dapat dilihat bahwa kesalahan pembacaan yang dilakukan ADC terhadap tegangan masukan dari sumber DC bervariasi dengan rata-rata adalah 4,2 %.

Berikut ini adalah grafik perbandingan nilai tegangan masukan dengan pembacaan ADC :

Gambar 10. Grafik Perbandingan Tegangan yang Diuji dengan Pembacaan ADC

B. Pengujian Kontroler PID

Pengujian kali ini dilakukan terhadap kontroler PID dengan setpoint 70ºC. Parameter yang digunakan untuk nilai Kp=5, Ki=0.01, Kd=1.

Gambar 11. Hasil Pengujian Kontrol Suhu Menggunakan Kontroler PID Dengan nilai Kp yang besar, terlihat bahwa setpoint tercapai dengan cepat, yaitu pada detik ke 210, suhu sudah mencapai 74ºC. Namun suhu masih terus naik hingga mencapai 82ºC

0 0.5 1 1.5 2 1 2 3 4 5 6 7 8 9 10 supply adc eror 0 20 40 60 80 100 0 18 0 36 0 54 0 72 0 90 0 10 80 12 60 Series1

pada detik 330. Suhu terus turun hingga mencapai suhu 68°C pada detik 900 sampai akhirnya suhu stabil 70°C saat detik 1290. Berikut adalah tabel perubahan suhu terhadap waktu dalam satuan detik.

Tabel 2

Hasil Pengujian Kontrol Suhu Menggunakan Kontroler PID

Kemudian dicoba pengukuran suhu tanpa menggunakan kontroler PID, dan dibandingkan dengan menggunakan kontroler PID. Berikut ini adalah hasil pengukuran suhu tanpa PID dibandingkan dengan yang menggunakan PID.

Gambar 12. Perbandingan Kenaikan Suhu Menggunakan Kontroler PID dan Tanpa Kontroler

C. Pengujian Ethil Asetat

Berikut ini adalah hasil pengujian pertama terhadap ethil asetat. Pengujian pada semua gas uji dilakukan pada suhu 70°C dengan tekanan udara pendorong sebesar 1 liter/menit dengan volume gas uji 1 ml.

Gambar 13. Pengujian Ethil Asetat

Dari gambar diatas, besar nilai tegangan pada puncak kurva yang terbaca oleh sensor gas TGS2610 adalah 2,2 volt.

Besarnya nilai tegangan yang terbaca dari udara bersih dengan suhu 70°C adalah 1,60 volt, dan mulai terlihat kurva pada detik ke 125.

D. Pengujian heksana

Pengujian berikutnya dilakukan pada gas dari heksana yang diambil sebesar 1 ml.

Gambar 14. Pengujian heksana

Dari analisa yang dilakukan, didapatkan nilai puncak kurva adalah sebesar 3,12 volt. Perubahan tegangan terjadi dari sebelumnya adalah sebesar 1,66 volt pada udara bersih. Mulai terjadi kurva adalah pada detik ke 65. Berbeda dengan pengujian ethil asetat yang membutuhkan waktu lebih dari 120 detik untuk mulai terlihat kurva, pada pengujian heksana hanya dibutuhkan waktu sebesar 65 detik. Meskipun sama-sama pelarut organik nonpolar, namun heksana memiliki massa jenis yang lebih kecil yaitu 0,655 g/ml sedangkan ethil asetat memiliki massa jenis 0,894 g/ml.

E. Pengujian Methanol

Pengujian berikutnya dilakukan pada gas metanol, yang diambil sebesar 1 ml, dipanaskan pada suhu 70°C dan didorong dengan tekanan udara sebesar 1 liter/menit.

Gambar 15. Pengujian Methanol

Didapatkan dari hasil pengujian gas metanol besarnya puncak kurva yang terbaca adalah 2,84 volt dari sebelumnya 1,52 volt sebelum mendeteksi gas uji. Mulai terlihat kurva adalah pada detik ke 171 . Dari ketiga gas yang diujikan, metanol adalah gas yang paling lambat pembacaannya. Hal ini dikarenakan metanol adalah pelarut polar, yang mana akan berikatan dengan kolom partisi yang berbahan polar juga. Sedangkan heksana dan etil asetat adalah bahan nonpolar, namun heksana memiliki massa jenis lebih kecil yaitu 0,655 g/ml sedangkan etil asetat memiliki massa jenis 0,894 g/ml, sehingga heksana melaju lebih cepat daripada etil asetat.

Berikut ini adalah grafik perbandingan dari ketiga gas uji.

0 20 40 60 80 100 0 _{30 60 90} 12 0 15 0 18 0 suhu tanpa pid suhu pid 0 0.5 1 1.5 2 2.5 1 _{20 39 58 77 96} 11 5 13 4 15 3 17 2 19 1 Series1

vo

lt

iterasi pencuplikan(detik)

0 1 2 3 4 1 _{24 47 70 93} 11 6 13 9 16 2 18 5 Series1

vo

lt

iterasi(detik)

0 1 2 3 4 1 _{23 45 67 89} 11 1 13 3 15 5 17 7 19 9 22 1 Series1

vo

lt

iterasi pencuplikan(detik)

No.

Waktu(detik)

Suhu(°C)

1

0

29,5

2

150

60

3

300

81,5

4

450

80,5

5

600

76

6

750

71,5

7

900

68

8

1050

69

9

1200

70,5

10

1350

70

Gambar 16. Perbandingan Laju Gas Uji Tabel 3

Parameter Untuk Masukan Neural Network Jenis Gas Uji Puncak

Kurva (v) Gradient Positif (v) Gradient Negatif (v) Lebar Kurva (detik) Etil Asetat 2.20 2.22 2.16 0.012 0.010 0.010 -0.0026 -0.0052 -0.0054 20.600 136.36 131.21 Heksana 3.20 3.12 3.22 0.036 0.036 0.020 -0.0250 -0.0250 -0.0280 7.5757 7.5757 7.5757 Methanol 2.86 2.80 2.90 0.013 0.010 0.014 -0.0047 -0.0079 -0.0060 11.2121 12.7272 12.1212 F. Proses Identifikasi

Proses identifikasi dimulai dengan melakukan pelatihan terhadap seluruh data gas uji, dan didapatkan hasilnya sebagai berikut.

Gambar 17. Grafik Eror Pelatihan Neural Network

Untuk nilai eror sendiri ditunjukkan pada gambar berikut :

Gambar 18. Nilai Eror Pelatihan Neural Network

e1 adalah error untuk ethil asetat, e2 adalah eror untuk heksana dan yang terakhir e3 adalah eror untuk methanol. Berikut ini hasil identifikasi yang dilakukan terhadap sembilan sampel secara acak.

Tabel 3

Hasil Identifikasi Gas Uji Menggunakan Neural Network Pengujian Ke- Gas Uji Hasil Identifikasi

1 Heksana Heksana

2 Metanol Metanol

3 Ethil Asetat Ethil Asetat 4 Ethil Asetat Ethil Asetat

5 Metanol Metanol

6 Heksana Heksana

7 Heksana Heksana

8 Metanol Metanol

9 Ethil Asetat Ethil Asetat

Dari hasil sembilan kali pengujian tersebut, terlihat bahwa hasil identifikasi dari gas uji memiliki tingkat keberhasilan 100%. Hal ini dikarenakan parameter dari masing-masing gas uji yang dijadikan masukan pada input layer, memiliki tingkat perbedaan yang jelas, jadi proses pengidentifikasian juga berjalan dengan sukses.

IV. KESIMPULAN

Berdasarkan perancangan, pembuatan dan pengujian keseluruhan sistem yang dibuat, dapat disimpulkan beberapa hal untuk kepentingan pengembangan selanjutnya.

Penggunaan kontroler PID sebagai pengatur suhu dan menjaga agar suhu tetap seperti setpoint, sangat efektif untuk mencegah perbedaan yang besar dari pembacaan sensor gas, karena perubahan suhu yang drastis sangat berpengaruh pada laju gas yang didorong dan menyebabkan pembacaan gas uji berubah-ubah.

Beberapa hal yang mempengaruhi laju gas uji pada percobaan yang dilakukan adalah jenis gas uji dan bahan dari kolom partisi. Jika bahan kolom partisi menggunakan bahan polar, maka gas uji yang berjenis polar akan melaju dengan lambat karena akan berikatan dengan kolom partisi. Kemudian hal yang juga mempengaruhi laju gas uji adalah suhu dan tekanan udara pendorong, sehingga diperlukan kontroler untuk menjaga suhu tetap stabil dan tekanan udara pendorong juga harus stabil.

Dari ketiga gas uji, heksana dan ethil asetat melaju lebih cepat karena merupakan pelarut nonpolar sedangkan methanol melaju lambat karena methanol adalah pelarut polar.

DAFTAR PUSTAKA

[1]H.M.Mcnair, J.M.Miller, “Basic Gas Chromatography” John Willey and Sonc.Inc, 1997.

[2]G.A.Eiceman, Instrumentation of Gas Chromatography”, Encyclopedia of Analytical Chemistry, pp. 10671– 10679,2000.

[3]_________,Figaro.<URL:http://www.figaro.co.jp/en/product/>. 25 mei 2013.

[4]Datasheet DS1621, Maxim Integrated Products, Inc.2005.

[5]Lippmann, R. P. An introduction to computing with neural nets. IEEE ASS Magazine, 4-22,1987.

[6]M.H.Purnomo, A.Kurniawan, “Supervised Neural Network dan aplikasinya”,Graha Ilmu, 2006.

[7]Haykin, S., “Neural networks: a comprehensive fundation”, Prentice Hall, New Jersey, 1999.

[8]Gurney, K., “Neural Nets by Kevin Gurney” <URL:

http://www.shef.ac.uk/psychology/gurney/notes/index.html>, 1999. 0 1 2 3 4 1 ₉₁ 18 1 27 1 36 1 45 1 54 1 63 1 72 1 81 1 heksana etil asetat metanol

vo

lt

iterasi (detik)