__________________________________________________________________________________________
Penggunaan artificial Neural Network untuk pengoptimuman julat rangsangan pH penunjuk Bromotimol Biru
Musa Ahmad1, Faiz Bukhari Mohd. Suah1 dan Mohd. Nasir Taib2
1Pusat Pengajian Sains Kimia & Teknologi Makanan, Fakulti Sains dan Teknologi, Universiti Kebangsaan Malaysia, 43600 Bangi, Selangor DE
2Fakulti Kejuruteraan Elektrik, Universiti Teknologi Mara, 40450 Shah Alam, Selangor DE
(Received 6 September 2000)
Abstrak. Rangkaian Neural Tiruan (ANN), merupakan sistem yang dimodelkan berasaskan otak manusia. Ia terdiri daripada lapisan berganda elemen pemprosesan mudah yang dipanggil neuron. Setiap neuron disambungkan kepada neuron yang bersebelahan dengan pelbagai koefisien yang mengambarkan kekuatan sambungan ini. Proses latihan dilakukan terhadap ANN dengan memberikan input tertentu, di mana nilai koefisien akan diselaraskan sehingga output yang dikehendaki terhasil. Pada masa kini penggunaan teknologi ANN dalam bidang kimia telah menjurus kepada penentuan spektrum, ramalan dan kawalan proses kimia, memanjangkan julat rangsangan penderia gentian optik dan pencaman corak. Dalam kajian ini, ANN telah digunakan untuk mengoptimumkan rangsangan pH yang dihasilkan oleh penunjuk bromotimol biru.
Sistem jaringan tiga lapisan suapan-hadapan telah digunakan dan proses latihan jaringan dilakukan menggunakan algoritma perambatan-balik (back-propagation).
Abstract. Artificial Neural Network (ANN) is a system modeled based on human brain. It contains multilayered processing elements called neuron. Each neuron is connected to the other neuron by several coefficients that indicates the strength of the connection. Training process to the ANN was carried out by providing selected input data to the network, where adjustment on the coefficients values will take place until the target output is obtained. To date, the applications of ANN technology in the field of chemistry are focus on the spectral identification, prediction and chemical control process, extending the response of fiber optic chemical sensor and pattern recognition. In this study, ANN was used to optimise the pH response of bromothymol blue. A three layer feed-forward network was used and the training process was performed by using the back- propagation algorithm.
__________________________________________________________________________________________
Key words : artificial neural network, back-propagation algorithm, pH indicator, bromothymol blue
Pendahuluan
Kebanyakan reagen penunjuk pH yang ada pada masa kini hanya menentukan perubahan pH secara tidak langsung iaitu ia hanya mengukur perubahan warna penunjuk pH sebelum dan selepas tindakbalas dengan analit. Selain itu rangsangan penunjuk pH ini adalah sigmoid dan hanya memberikan julat rangsangan linear yang terhad biasanya pada 2–4 unit pH sahaja [1]. Maka satu kaedah untuk mengatasi masalah ini perlu diketengahkan dan salah satu daripadanya adalah dengan menggunakan ANN.
Kebelakangan ini ANN telah menunjukkan kemampuan untuk merekabentuk sistem tak linear yang kompleks dan membekalkan data keputusan yang persis daripada isyarat pengukuran dengan nisbah isyarat kepada bisingan (SNR) yang rendah [2]. Secara amnya ANN mengadaptasikan sistemnya kepada mekanisme tak linear di bawah pertalian sistem input-output yang dikaji dengan menggunakan
‘hyperspace equation’. Semasa latihan, koefisien
persamaan ini akan memastikan bahawa semua data latihan akan memberikan output seperti yang dikehendaki. Bagi mengaplikasikan sistem ini, jaringan yang telah dilatih digunakan untuk menentukan output sistem berdasarkan input yang dibekalkan kepadanya.
Minat terhadap penggunaan ANN turut melibatkan perkembangannya dalam bidang kimia terutama dalam kimia analisis. ANN telah digunakan dalam penentuan spektra (inframerah, jisim, 1H, 13C, NMR, fluoresin) dan lain-lain. [3], kalibrasi [4], pencaman corak [5,6] dan penentuan serta kawalan proses kimia [7, 8].
ANN sebenarnya merupakan jaringan yang saling bersambungan antara unit asasnya iaitu neuron yang tersusun dalam lapisan dan beroperasi secara berperingkat. Setiap neuron didalam jaringan akan menerima isyarat input dan menghasilkan isyarat output selepas dilalukan ke dalam fungsi penukar (transfer function) [9]. Sistem jaringan suapan-
Rajah 1 : Struktur Am Jaringan Suapan-Hadapan Pelbagai Rangkaian Jaringan Neural Tiruan (ANN)
Rajah 2 : Graf tiga dimensi bagi serapan, panjang gelombang (nm) dan pH bagi bromotimol biru dengan spektrofotometer UL-Nampak
pH
Lapisan input Lapisan terlindung Lapisan output
Panjang gelombang (nm) serapan
hadapan terbina daripada lapisan input dan output dan mempunyai satu atau lebih lapisan neuron diantaranya yang dipanggil lapisan terlindung (hidden layer) yang menghantar input terus kepada lapisan output.
Struktur am jaringan suapan-hadapan pelbagai lapisan adalah seperti yang ditunjukkan dalam Rajah 1. Input diterima oleh lapisan input yang bertindak sebagai pusat pengedar data dan menyebarkan input kepada lapisan terlindung yang pertama. Setiap lapisan terlindung akan mengaktif dan menukarkan data sebelum menghantarnya kepada lapisan seterusnya [3]. Proses ini akan berulang dan akan melalui setiap lapisan terlindung sehinggalah data sampai kepada lapisan output.
Arkitektur jaringan dan latihan algoritma telah dilaporkan oleh Zupan et. al. [8] dan didapati latihan algoritma yang paling popular untuk sistem jaringan suapan-hadapan pelbagai lapisan adalah algoritma perambatan-balik (back-propagation, BP).Algoritma jenis ini menggunakan gradien negatif daripada kriteria tertentu seperti untuk meminimumkan ralat min persegi (mean square error) di antara output sebenar jaringan dengan output yang dikehendaki [3,10].
Penyelidikan ini akan mengkaji penggunaan ANN dalam mengoptimumkan julat rangsangan penunjuk pH bromotimol biru yang dikesan mempunyai julat pertukaran warna pada 6.0-7.6 unit pH [11]. Sistem jaringan tiga lapisan suapan-hadapan dengan satu lapisan neuron terlindung dan proses latihan jaringan menggunakan algoritma BP digunakan seperti yang digunakan oleh Taib et. al.
[3]. Objektif utama kajian ini adalah untuk memanjangkan julat rangsangan pH penunjuk bromotimol biru dan pada masa yang sama meminimumkan ralat ramalan kepada paras yang boleh diterima.
Eksperimen Bahan Kimia dan Peralatan
Semua bahan kimia yang digunakan dalam penyelidikan ini digunakan secara terus tanpa sebarang proses penulenan lanjut. Air yang digunakan ialah air suling ternyahion yang dihasilkan menggunakan Water Deioniser E-Pure (Barnstead).
Larutan penimbal daripada pH 2.0–12.0 dengan selang 0.5 unit pH disediakan menggunakan kaedah yang diterangkan oleh Dean [11]. Reagen penunjuk pH bromotimol biru (BDH) ditimbang seberat 0.20 g dan dilarutkan dalam 20% etanol (Spectrosol) didalam kelalang isipadu 100 ml. Larutan penunjuk ini kemudiannya dituraskan dan disimpan kedalam botol penunjuk dan dijadikan larutan stok.
Sebanyak 3.00 ml larutan stok penunjuk pH bromotimol biru itu tadi kemudiannya dicairkan sehingga ke tanda senggatan dengan larutan penimbal bagi setiap pH di dalam kelalang isipadu 25 ml.
Selepas itu 1.00 ml hasil pencairan tersebut dicairkan lagi dengan 3.00 ml larutan penimbal bagi setiap pH untuk menjadikan nisbah penunjuk pH dengan larutan penimbal 1 : 4.
Pengukuran serapan bagi pencairan terakhir ini dilakukan dengan menggunakan alat Spektrofotometer Ultra Lembayung–Nampak (model Shimadzu UV-260). Keamatan serapan untuk kedua- dua reagen penunjuk pH masing-masing diukur pada julat panjang gelombang 250 nm sehingga 700 nm.
Pengukuran Spektra
Daripada spektrum yang diperolehi, hanya dua puncak spektrum daripada penunjuk pH dipilih untuk analisis dengan ANN iaitu puncak spektrum pada panjang gelombang 433.0 nm dan 616.0 nm.
Sebanyak 21 bacaan spektrum telah diperolehi dan ia merupakan larutan penimbal pada julat pH 2.0 sehingga pH 12.0. Sepuluh daripada spektrum ini pada (pH 5.0, 5.5, 6.0, 6.5. 7.0, 7.5, 8.0, 8.5, 9.0 dan 9.5) digunakan bagi tujuan latihan. Kesemua spektra ujian tersebut mewakili kawasan linear spektrum yang dicerap bagi panjang gelombang 616.0 nm.
Struktur dan Latihan ANN
Sistem jaringan tiga lapisan suapan-hadapan dengan satu lapisan neuron terlindung dan proses latihan jaringan menggunakan algoritma BP digunakan dalam penyelidikan ini. Lapisan input mengandungi satu neuron yang menunjukkan bilangan titik yang dipilih daripada setiap spektrum. Lapisan output hanya mengandungi satu neuron tunggal yang mewakili pelbagai nilai pH. Arkitektur ANN dengan satu lapisan neuron terlindung yang mengandungi satu hingga 20 neuron diandaikan sebagai model ANN yang sesuai. Bilangan ‘epoch’ yang digunakan dalam kajian ini ialah 2000 unit.
Latihan jaringan ini melibatkan algoritma BP seperti yang telah dinyatakan di atas. Latihan dan simulasi algoritma diimplementasikan menggunakan program Matlab [12] yang dijalankan dibawah pemproses 486 PC mengandungi 8 MB RAM.
Pemilihan jaringan yang terbaik adalah berdasarkan kepada beberapa siri ujian menggunakan jaringan terlatih (trained network) termasuklah pemeriksaan terhadap ralat data ramalan dan ralat ramalan. Jaringan yang terpilih kemudiannya digunakan bagi aplikasi simulasi
Rajah 3. Graf serapan melawan pH bagi dua panjang gelombang 433.0 (A) dan 616.0 nm (B) bagi bromotimol biru
Rajah 4. Graf latihan oleh jaringan dengan 10 neuron terlindung pa panjang gelombang 616.0 nm
dimana pengukuran spektra baru diambil, diproses dan ditukar secara terus kepada nilai pH [3].
Simulasi ini turut diimplementasikan dengan menggunakan program Matlab.
Keputusan dan Perbincangan
Rajah 2 menunjukkan graf tiga dimensi bagi serapan, panjang gelombang (nm) dan pH untuk semua
spektrum yang telah diperolehi dengan Spektrofotometer UL-Nampak. Daripada graf ini dapat dilihat bahawa berlakunya serapan maksima pada panjang gelombang 433.0 nm dan 616.0 nm dengan nilai serapan masing-masing adalah 0.663 dan 1.422. Ketinggian puncak serapan ditunjukkan oleh perbezaan kontur. Daripada puncak-puncak serapan yang diperolehi, diketahui bahawa bromotimol biru mengalami perubahan daripada
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6
2 3 4 5 6 7 8 9 10 11 12
n ilai p H
serapan
433.0 nm 616.0 nm
(A) (B)
pH
0 . 1 0 . 2 0 . 3 0 . 4 0 . 5 0 . 6 0 . 7 0 . 8
5 6 7 8 9 1 0 1 1 1 2
F u n c t i o n A p p r o x i m a t i o n
In p u t
Output: -, Target: +
Serapan pH
keadaan berasid kepada beralkali pada julat pH sekitar 6.0 –7.6.
Rajah 3 pula menunjukkan graf serapan melawan pH bagi dua panjang gelombang yang dipilih iaitu 433.0 dan 616.0 nm pada julat panjang gelombang 250 – 700 nm. Daripada graf ini didapati bahawa berlaku perubahan serapan iaitu pada panjang gelombang 433.0 nm serapan menurun apabila nilai pH semakin bertambah. Fenomena ini semakin jelas dilihat pada nilai pH 6.0 sehingga 8.0.
Perkara ini turut berlaku kepada serapan bromotimol biru pada panjang gelombang 616.0 nm. Tetapi serapan semakin meningkat kepada nilai maksimum iaitu pada 1.422 unit iaitu pada pH 9.5 dan seterusnya malar pada pH 11.5. Perkara ini berlaku kerana pada nilai pH 6.0 hingga 7.6 berlaku pertukaran warna penunjuk bromotimol biru daripada kuning kepada biru yang mempengaruhi nilai serapan Spektrofotometer UL-Nampak.
Bagi penunjuk bromotimol biru julat linear yang akanmempengaruhi rangsangan adalah terhad iaitu pada pH 5.5 – 8.0 bagi panjang gelombang 433.0 nm dan pada pH 6.0 – 8.5 bagi panjang gelombang 616.0 nm. ANN kemudiannya digunakan untuk mengoptimumkan rangsangan pH penunjuk bromotimol biru ini. Untuk tujuan ini spektra pada
panjang gelombang 616.0 nm dan julat pH 5.0 – 8.0 telah dipilih kerana ia memberikan garisan linear yang terbaik berbanding spektra pada panjang gelombang 433.0 nm. Julat nilai pH yang kecil ini telah dipilih kerana proses latihan ANN ini akan melibatkan matrik yang kecil sahaja dan selain itu ia akan menjimatkan masa latihan jaringan yang dijalankan. Sebanyak 10 spektrum telah digunakan untuk tujuan melatih ANN ini iaitu dari julat pH 5.0 – 9.5. Parameter latihan yang digunakan adalah seperti yang dicadangkan oleh Taib et. al. [3].
Latihan dijalankan terhadap beberapa jaringan dengan menggunakan beberapa lapisan neuron terlindung yang berbeza iaitu 7, 10 dan 13 bilangan neuron. Keputusan yang diperolehi menunjukkan hampir kesemua output yang diharapkan hanya diperolehi apabila input diberikan kepada arkitektur ANN yang dibina dengan menggunakan 1 neuron input, 1 neuron output, 10 neuron terlindung dan 2000 bilangan ‘epoch’ seperti yang ditunjukkan dalam Rajah 4. Ini menunjukkan bahawa arkitektur ANN yang digunakan adalah sesuai kerana ia berjaya mendapatkan garisan linear apabila graf output melawan input diplotkan.
0 500 1000 1500 2000 2500
100 101 102 103 104
7 neuron
10 neuron 13 neuron
‘epoch’
Sum-squared
Ralat minpersegi
Rajah 5. Graf indeks ralat latihan bagi jaringan dengan menggunakan 2000 ‘epoch’
0 200 400 600 800 1000 1200 1400 1600 1800 2000 10-2
10-1 100 101 102 103 104
Sum-Squared Network Error for 2000 Epochs
Epoch
Sum-Squared Error
Semasa latihan terhadap jaringan dijalankan, ralat latihan turut diambil daripada jumlah kesemua ralat pada setiap spektrum latihan dan ia diukur pada penghujung setiap ‘epoch’. Rajah 5 menunjukkan graf indeks ralat latihan bagi jaringan dengan menggunakan 2000 ‘epoch’ bagi setiap arkitektur ANN yang digunakan. Apabila 7 neuron terlindung digunakan didapati ralat latihan meningkat dengan mendadak pada penghujung ralat latihan iaitu pada 2000 ‘epoch’. Ini menunjukkan 7 neuron terlindung tidak sesuai untuk dijadikan arkitektur ANN.
Kemudian 10 dan 13 neuron terlindung pula digunakan untuk tujuan latihan. Didapati apabila 10 neuron terlindung digunakan ralat latihan yang dicerap adalah lebih rendah berbanding dengan ralat latihan oleh 13 neuron terlindung. Keputusan ini menunjukkan jaringan yang optimum dan sesuai boleh diperolehi dengan menggunakan jaringan yang
mempunyai 10 neuron terlindung dan bilangan
‘epoch’ sebanyak 2000 unit.
Rajah 5 turut menunjukkan keputusan yang menarik di mana berlakunya penurunan indeks ralat latihan apabila bilangan neuron terlindung yang digunakan semakin kecil. Perkara ini berlaku kerana berlakunya perubahan parameter semasa latihan jaringan dan ia turut dipengaruhi oleh saiz neuron terlindung yang digunakan [3]. Graf indeks ralat latihan bagi jaringan untuk bromotimol biru dengan menggunakan 10 neuron terlindung dan 2000
‘epoch’ ditunjukkan dalam Rajah 6. Selepas latihan diulangi sebanyak tiga kali didapati indeks ralat latihan bagi 10 neuron terlindung dan 2000 ‘epoch’
masih lagi tetap bacaannya iaitu diantara 100 hingga 101 ralat min persegi. Ralat ini adalah rendah dan bilangan neuron serta ‘epoch’ yang digunakan sesuai bagi arkitektur ANN yang dipilih.
Rajah 6 : Graf indeks ralat latihan bagi jaringan untuk bromotimol biru dengan menggunakan 10 neuron dan 2000 epoch.
Ralat min persegi
Arkitektur ANN yang dipilih seterusnya boleh digunakan bagi tujuan penentuan dan
pengoptimuman julat julat rangsangan penunjuk pH
bromotimol biru. Ia boleh dilakukan dengan membekalkan data latihan yang tidak diketahui dalam julat 5.5 – 9.5 unit pH kepada arkitektur ANN tersebut. Pengukuran spektrum baru yang diambil dan diproses itu boleh ditukar secara terus kepada nilai pH dengan lebih tepat dan jitu. Graf plot pH melawan serapan bagi bromotimol biru setelah latihan ditunjukkan di dalam Rajah 7.
Kesimpulan
Aplikasi penggunaan ANN dalam mengoptimumkan julat rangsangan penunjuk pH bromotimol biru telah berjaya dilakukan. Arkitektur ANN yang mengandungi 1 neuron input, 1 neuron output, 10 neuron terlindung dan 2000 ‘epoch’ didapati sesuai untuk tujuan ini. Jaringan yang telah dilatih dengan menggunakan algoritma BP adalah sangat tepat dalam mengoptimumkan julat rangsangan penunjuk pH bromotimol biru daripada julat rangsangan konvensional iaitu 6.0 – 7.6 unit pH kepada julat yang lebih optimum iaitu 5.0 – 9.5 unit pH.
Ketepatan dan pengoptimuman rangsangan penunjuk pH bromotimol biru kepada julat yang lebih besar boleh diperolehi dengan menambahkan
lagi data latihan kepada jaringan iaitu daripada julat pH 2.0 – 12.0 unit pH.
Penghargaan
Penyelidik ingin merakamkan ucapan penghargaan kepada Kementerian Sains,Teknologi dan Alam Sekitar Malaysia kerana memberikan bantuan kewangan melalui gran penyelidikan berkod IRPA 03-02-02-0044.
Rujukan
1. B. A. Woods, J. Ruzicka, G.D. Christian, N. J.
Rose & R. J. Charlson. 1988. Fiber Optic pH Sensor Using Flow Injection Analysis, Analyst 113 (1988) 301.
2. S.A Billings, H.B. Jamaludin & S. Chen, 1991. A Comparison of the Backpropagation and Recursive Prediction Error Algorithms for Training Neural Network, Mech. Syst. Sig. Process., 5 233.
3. M.N. Taib, R. Andres & R. Narayanaswamy, 1996.
Extending The Response Range of an Optical Fibre pH Sensor Using Artificial Neural Network, Anal.
Chim. Acta., 330, 31-40.
4. P. Bradare, Y. Mendelson, E Stohr & R.A Peura.
1994. Multivariate Calibration Using Neural Network., Appl. Spectrosc., 48 271.
5. M.N. Souza, C. Gatts & M.A. Fuguera. 1993.
Spectral Identification of NMR Using Artificial serapan
pH pH 9.5
pH 5.5
Rajah 7. Graf pH melawan serapan bagi bromotimol biru setelah latihan 12
10
8
6
5
0.1 0.3 0.5 0.7
Neural Network, SIA- Surf. Interface. Anal., 20 233.
6. G. Niebling. 1994. Artificial Neural Network As Tool For Pattern Recognition, Sens. Actuators, B18 259.
7. F.T. Vertosick & T. Rehn, 1993. Process Control Using Neural Network in Pharmac., Clin. Chem., 39 2478.
8. J. Zupan & J. Gasteiger. 1993. Neural Network for Chemist: An Introduction, VCH, F.R. Germany.
9. H. Simon. 1999. Using Neural Network, Today’s Chemist at Work, Vol. 11 8, 40-43.
10. D.E. Rumelhart & J.L. McClellend, 1996. Parellel
Distributed Processing: Explorations in the Microstructure of Cognition. Vol .1: Foundations, MIT Press, Cambridge.
11. J.A. Dean. 1989. Chemist Ready Reference Handbook, McGraw-Hill Inc.
12. Howard Demuth & Mark Beale. 1998. Neural Network Toolbox version 3 Matlab, The MathsWorks Inc., Rapid Data, Worthing, UK.
