IDENTIFIKASI JENIS GAS MENGGUNAKAN MONOKROMATOR KISI DIFRAKSI DAN JARINGAN SYARAF TIRUAN
Sri Fitria Retnowaty[1], Muhammad Rivai, Achmad Arifin, Program Studi Teknik Elektro, Program Pascasarjana ITS
Kampus ITS, Sukolilo, Surabaya60111, Tel 0315947302, Telp. 085211266956 e-mail:[email protected]
ABSTRAK
Metode spektroskopi telah banyak digunakan untuk mengidentifikasi gas. Cara yang digunakan yaitu dengan melewatkan cahaya pada gas kemudian dilewatkan pada monokromator. Setiap gas akan menghasilkan pola spektrum yang berbeda.Spektrum yang dihasilkan direkam oleh detektor. Pada penelitian ini dibuat spektroskopi sederhana dengan menggunakan LED putih sebagai sumber cahaya dan kisi difraksi sebagai monokromator. Spektrum yang dihasilkan direkam menggunakan webcam kemudian diolah dengan menggunakan pengolahan citra digital. Citra spektrum warna yang telah didapatkan nilai grey ternormalisasinya dimasukkan kedalam jaringan syaraf tiruan.
Sampel yang digunakan pada percobaan ini adalah uap air, uap bensin, uap etanol, dan uap beberapa jenis kopi.
Proses identifikasi menggunakan Jaringan Syaraf Tiruan. Metode yang digunakan adalah backpropagation, dengan fungsi aktifasi sigmoid.Terdapat 2 hidden layer dengan jumlah node yang berbeda untuk masing masing sampel dengan monokromator yang berbeda. Untuk kisi 600 line /mm jumlah node layer pertama 100 dan node layer kedua 200 iterasi yang dilakukan sebanyak 4000 iterasi.Tingkat keberhasilan pengujian gas adalah 100%. Sedangkan untuk kisi 300 line/mm jumlah node layer pertama 110 dan node layer kedua 200 dengan iterasi sebanyak 10.000 iterasi.
Tingkat keberhasilan pengujian gas adalah 100%. Lain halnya dengan pengujian identifikasi kopi yang berbeda merek, dengan node layer pertama 121 node layer kedua 200 dan jumlah iterasi 60.000 iterasi didapat keberhasilan 88,88% .
Kata Kunci :Backpropagation, Jaringan Syaraf Tiruan, Kisi Difraksi, Monokromator.
ABSTRACT
Spectroscopic methods have been widely used to identify the gas. The method used is passing the light trougt the gas is then passing again to the monochromator.
Each gas will produce a different spectrum patterns. Spectrum recorded by the detector.
In this research maked simple spectroscopic by using white LEDs as a light source and a diffraction grating as a monochromator. The resulting spectrum was recorded using a webcam and then processed by digital image processing. Image color spectrumthat has been obtained by grey normalization value entered to artificial neural networks. The sample used in this experiment is water vapor, gasoline vapors, ethanol vapors, and steam severa types of coffee.
The identification process using Artificial Neural Networks. The method used backpropagation, with sigmoid activation function .Learning system has 2 hidden layer with a different number of nodes for each sample with different monochromators. For the grating 600 line / mm first layer number of node 100 and the second layer 200 iterations are performed as 4000 iterations. The success of gas testing rate is 100% . As for the grating 300 line / mm first layer number of node 110 and the second layer 200 with
iterations of 10,000 iterations. The success rate is 100% . As with the identification of testing different coffee brands, with 121 number of node in first layer at second layer 200 number of node with iterations 60 000 iterations obtained 88.88% success.
Key words :Backpropagation, Neuro Network artificial , Kisi Difraksi, Monokromator.
PENDAHULUAN
1.1. Latar Belakang.
Penelitian tentang analisa gas masih terus dikembangkan untuk berbagai kebutuhan, kebutuhan lingkungan, kesehatan, industri, dll. Analisa yang biasa digunakan adalah dengan cara kimiawi yaitu dengan menggunakan spektroskopi. Ada banyak macam spektroskopi, selain sumbernya yang membedakannya juga adalah hasil yang dianalisa.
Dilihat dari sumbernya ada jenis spektroskopi ultraviolet, visible, infra red dll. Jika dilihat dari hasil yang dianalisa ada jenis spektroskopi emisi ada juga spektroskopi absorbsi.
Konsep dasar dari spektroskopi adalah penguraian, yang menguraikan suatu berkas, sinyal atau gelombang menjadi kumpulan sinyal, berkas atau gelombang penyusunnya.
Penguraian tersebut biasanya dengan menggunakan komponen optik, sehingga biasanya disebut spektroskopi optik. Ada beberapa komponen optik yang biasa digunakan, diantaranya adalah prisma dan kisi.
Ada banyak kegunaan spektroskopi, pada bidang kimia, biologi, astronomi, lingkungan, dll. Berangkat dari kebutuhan ini banyak penelitian yang dilakukan untuk merancang spektroskopi diantaranya yaitu penelitian yang dilakukan oleh Syaifudin[1] , ia merancang spektroskopi sederhana dengan menggunakan handycam yang diaplikasikan untuk menguji cairan. Penelitian lain dilakukan oleh Hendri [2] yang menyempurnakan penelitian yang dilakukan oleh Syaifudin, dengan cara mengganti handycam yang harganya relatif mahal dengan webcam, selain itu, Hendri juga mengganti sumber yang digunakan Syaifudin, Syaifudin menggunakan lampu tungsten dan Hendri menggunakan LED. Spektroskopi yang telah dirancang oleh Hendri juga diaplikasikan pada cairan. Untuk proses identifikasi keduanya menggunakan Jaringan Syaraf Tiruan. Metodologi spektroskopi juga digunakan oleh Jatmiko endro[3] untuk menentukan kualitas susu, Jatmiko menggunakan photodiode sebagai detektor, dan jaringan syaraf tiruan untuk proses identifikasi. Dari penelitian yang telah dilakukan oleh Syaifudin, Hendri, dan Jatmiko seluruhnya menerapkan metode spektroskopi untuk mengidentifikasi cairan.
Pada penelitian kali ini dirancang sebuah peralatan spektroskopi absorbsi sederhana yang akan diaplikasikan untuk identifikasi gas. Sumber yang digunakan adalah LED
putih, sedangkan pemisahnya adalah sebuah monokromator kisi difraksi. Pola yang didapatkan dari kisi ini dideteksi oleh webcam dan kemudian akan dikarakterisasi dan diklasifikasikan dengan menggunakan Jaringan syaraf tiruan.
Sample gas yang diuji pada penelitian ini adalah gas bensin, gas ethanol, gas air serta beberapa merek kopi. Semua sampel dihasilkan dari cairan yang diuapkan dengan menggunakan ultrasonic diffuser.
Metode Penelitian
Sistem kamera spektroskopi ini dirancang untuk menghasilkan citra spektrum absorbsi dari gas yang diujikan. Kemudian citra spektrum absorbsi ini akan diproses dengan komputer untuk dikenali jenisnya seperti terlihat pada Gambar 1. Cahaya yang datang dari lampu LED Putih dilewatkan pada sebuah tabung gas yang terutup dengan akrilik transparan. Gas dialirkan dari alat ultrasonic diffuser menuju ke tabung gas. Selama gas dialirkan dari ultrasonic diffuser pompa penyedot yang berada di ujung tabung dihidupkan untuk memastikan bahwa gas yang masuk ke tabung mengalir merata ke seluruh tabung dan keluar melalui pipa penyedot. Setelah cahaya melewati tabung, cahaya tersebut diteruskan ke kisi difraksi untuk diuraikan. Cahaya yang telah diuraikan oleh kisi difraksi tersebut menghasilkan sebuah citra warna dan kemudian di fokuskan oleh sebuah lensa cembung. Citra yang telah dihasilkan dan difokuskan kemuadian diteruskan ke sebuah layar putih dan ditangkap oleh webcam untuk kemudian dikirim ke komputer. Komputer akan mengolah citra berupa spektrum tersebut untuk kemudian dapat di proses ke jaringan syaraf tiruan agar dapat diidentifikasi. Selama proses bekerja pompa penyedot selalu dalam keadaan menyala sampai proses dilakukan selesai. Ini dimaksudkan agar seluruh gas yang telah dialirkan ke dalam tabung seluruhnya keluar dan tidak ada yang teringgal, sehingga tabung kembali pada posisi awal kembali.
Gambar 1. Diagram perangkat keras Ultrasonic
diffuser
Tabung Gas Sumber
Cahaya Pompa
Kisi
Lensa
Kamera
Layar
Perancangan Sistem Perangkat Lunak (Software)
Perancangan software dimulai dari pengambilan gambar dari kamera.
Pengambilan gambar ini dimulai dengan perintah koneksi ke kamera, jika hasil spektrum yang didapat dianggap sesuai, maka dilanjutkan dengan perintah capture. Gambar yang telah di capture diolah terlebih dahulu. Proses pengolahan hasil capture terdiri dari crop gambar, setelah gambar dipotong, dicari posisi garis tengah pada spektrum, pada posisi inilah dihitung nilai histogramnya, yaitu nilai RGB dan nilai Graynya pada posisi tengah yang telah ditentukan tadi. Ini dialakukan dengan asumsi bahwa titik-titik yang berada pada garis tengah tersebut mewakili seluruh spektrum warna yang dihasilkan. Nilai RGB- Grey yang didapat hasilnya dikurangi dengan nilai RGB-Grey referensi. Nilai mutlak hasil pengurangan kemudian dinormalisasi, hasil normalisasi inilah yang kemudian menjadi masukan pada jaringan syaraf tiruan.
Hasil dan Analisa
Pada penelitian ini sumber cahaya yang digunakan adalah LED putih dan untuk pendispersi digunakan kisi disperse 600 line/mm . Spektrum yang dihasilkan kemudian ditangkap oleh kamera webcam yang juga berada di dalam ruang gelap. Hasil capture kamera dilihat di komputer. Proses pengambilan gambar, capture gambar dan mengolah gambar semua dilakukan dengan menggunakan Borland Delphi 7. Berikut adalah gambar citra yang dihasilkan dari dari citra spektrum warna pada kondisi tabung kosong :
Gambar 4.6 Hasil Capture Citra Spektrum reverensi Kisi 600 line/mm
Citra ini kemudian nantinya akan dijadikan sebagai referensi.
4.5 Perhitungan Nilai RGB-Grey
Perhitungan nilai RGB dan Grey untuk setiap sampel dilakukan dengan cara mengambil gambar dari kamera lalu capture. Hasil capture kemudian dilihat nilai RGB dan Graynya. Setelah itu Nilai RGB dan Gray yang telah didapat dikurangi dengan nilai RGB dan Gray referensi yang telah ditentukan sebelumnya. Hasil pengurangan kemudian di normalisasi. Berikut adalah grafik hasil nilai grey yang telah di normalisasi untuk setiap gas pada kisi 600 line/mm :
Untuk hasil pengujian sampel kisi dengan jumlah garis 600 line/mm didapatkan hasil
sebagai berikut:
Grafik 4.4 Nilai Gray ternormalisasi untuk Air
Grafik 4.5 Nilai Gray ternormalisasi untuk Bensin
Grafik 4.6 Nilai Gray ternormalisasi untuk Etanol 0.00E+00
2.00E-01 4.00E-01 6.00E-01 8.00E-01 1.00E+00 1.20E+00
1 12 23 34 45 56 67 78 89 100 111
greyN air1 GreyN air2 Grey N air3 Grey N air4 GreyN air5 GreyN air6
0.00E+00 2.00E-01 4.00E-01 6.00E-01 8.00E-01 1.00E+00 1.20E+00
1 14 27 40 53 66 79 92 105 118
greyN bensin1 GreyN bensin2 GreyN bensin3 GreyN bensin4 GreyN bensin5 GreyN bensin6
0.00E+00 2.00E-01 4.00E-01 6.00E-01 8.00E-01 1.00E+00 1.20E+00
1 14 27 40 53 66 79 92 105 118
greyN etanol1 greyN etanol2 GreyN etanol3 GreyN etanol4 GreyN etanol5 GreyN etanol6
Grafik 4.4, Grafik 4.5 dan Grafik 4.6 menunjukkan nilai grey ternormalisasi pada air, bensin, dan etanol untuk kisi 600 line/mm. Perbedaan pola terlihat pada posisi difraksi ke- 34 sampai posisi ke-80. Untuk etanol dari grafik terlihat tidak menunjukkan konsistensi pada setiap perngulangan pengambilan data baik pada kisi 300 line/mm maupun kisi 600 line/mm. Ini ditunjukkan dengansangat berfariasinya nilai intensitas pada posisi difraksi yang sama. Ini disebabkan karena proses pengambilan gambar hanya berdasarkan metode perkiraan user saja. Untuk gas etanol yang mudah menguap dan mudah berinteraksi dengan udara maka sulit didapatkan kondisi yang sama pada setiap percobaan. Nilai grey ternormalisasi yang didapat kemudian menjadi input pada jaringan syaraf tiruan.
4.7 Pengujian Neural network
Nilai-nilai gray yang ternormalisasi yang telah didapatkan pada proses sebelumnya kemudian dijadikan nilai input pada jaringan syaraf tiruan untuk ditraining agarselanjutnya dapat dilakukan proses identifikasi.
Beberapa tipe neural network telah dicoba untuk sistem identifikasi pada percobaan kisi 600 line/mm dan topologi yang paling pas adalah menggunakan 2 hidden layer, yang masing-masing layernya memiliki 100 nodelayer pertama dan 200 nodelayer kedua. Sedangkan output layer terluarnya untuk sistem identifikasi gas memiliki 3 output.
Fungsi aktifasi yang digunakan adalah binary sigmoid fungtion. Hasil pengujian menunjukkan bahwa untuk identifikasi jenis gas dibutuhkan iterasi sebanyak 4000 kali, dengan nilai error sebesar 0,00268.
