Upload
others
View
18
Download
1
Embed Size (px)
Citation preview
TUGAS AKHIR (609502A)
KLASIFIKASI PENGUKURAN LEVEL GAS PADA PROSES PEMBUATAN MSG DENGAN MENGGUNAKAN NEURAL NETWORK
DINNI BANGKIT NURRIZKI NRP. 0915040047 DOSEN PEMBIMBING: Dr. MAT SYAI’IN, S.T., M.T., Ph.D. RINI INDARTI, S.Si., M.T.
PROGRAM STUDI TEKNIK OTOMASI JURUSAN TEKNIK KELISTRIKAN KAPAL POLITEKNIK PERKAPALAN NEGERI SURABAYA SURABAYA 2019
i
TUGAS AKHIR (609502A)
KLASIFIKASI PENGUKURAN LEVEL GAS PADA PROSES PEMBUATAN MSG DENGAN MENGGUNAKAN NEURAL NETWORK
DINNI BANGKIT NURRIZKI NRP. 0915040047
DOSEN PEMBIMBING: Dr. MAT SYAI’IN, S.T., M.T., Ph.D. RINI INDARTI, S.Si., M.T.
PROGRAM STUDI D4 TEKNIK OTOMASI JURUSAN TEKNIK KELISTRIKAN KAPAL POLITEKNIK PERKAPALAN NEGERI SURABAYA SURABAYA 2019
ii
Halaman Ini Sengaja Dikosongkan
iii
LEMBAR PENGESAHAN
TUGAS AKHIR
iv
Halaman Ini Sengaja Dikosongkan
v
PERNYATAAN BEBAS PLAGIAT
vi
Halaman Ini Sengaja Dikosongkan
vii
KATA PENGANTAR
Alhamdulillahirobbil„alaamiin, puji syukur kehadirat Allah SWT yang
telah melimpahkan rahmat karunia serta hidayah-Nya, serta baginda
Muhammad SAW yang telah mengajarkan akhlak yang mulia sehingga
penulis dapat menyelesaikan Tugas Akhir yang berjudul : “Klasifikasi
Pengukuran Level Gas Pada Proses Pembuatan MSG dengan Menggunakan
Neural Network ”. Tugas Akhir ini disusun untuk memenuhi salah satu syarat
kelulusan jenjang Diploma 4 Program Studi Teknik Otomasi Politeknik
Perkapalan Negeri Surabaya.
Dalam menyelesaikan Tugas Akhir ini, dilaksanakan berdasarkan teori-
teori yang telah diperoleh dalam proses perkuliahan, studi literatur dan
bimbingan dari dosen pembimbing serta pihak lain yang telah memberi
semangat dan bantuan secara moril ataupun materil. Oleh karena itu, pada
kesempatan ini penulis mengucapkan terima kasih yang tak terhingga kepada :
1. Allah SWT yang telah memberikan rahmat, hidayah serta inayah-
Nya.
2. Segenap keluarga tercinta terutama ibu Tupadni dan kakak tersayangku
Intan serta ayah dan adek yang menjadi motivasi utama dan tiada hentinya
mendo‟akan dan mendukung segala usaha saya selama pengerjaan Tugas
Akhir ini.
3. Ir. Eko Julianto, M.Sc., FRINA selaku direktur Politeknik Perkapalan
Negeri Surabaya.
4. Mohammad Basuki Rahmat, S.T., M.T. selaku Ketua Jurusan Teknik
Kelistrikan Kapal Politeknik Perkapalan Negeri Surabaya.
5. Dr. Eng. Imam Sutrisno, S.T., M.T. selaku Koordinator Program Studi
Teknik Otomasi Politeknik Perkapalan Negeri Surabaya.
6. Bapak Dr. Mat Syai‟in , ST., MT., Ph.D. selaku Dosen Pembimbing I atas
segala ilmu yang telah ditularkan, pembinaan, serta motivasi yang tiada
henti selama penyusunan Tugas Akhir ini
viii
7. Bu Rini Indarti, S.Si., M.T. selaku Dosen Pembimbing II yang telah
menemani, membimbing, dan memberikan dukungan yang luar biasa dari
pengajuan judul Tugas Akhir hingga saat ini, serta atas segala jenis
tantangan yang bersifat membangkitkan motivasi saya sehingga Tugas
Akhir ini dapat terselesaikan
8. Bapak Agus Khumaidi S.ST., M.T. yang telah memberikan inspirasi dan
ide untuk judul Tugas Akhir, senantiasa memberi arahan / masukan untuk
mendapatkan hasil yang baik.
9. Dosen pengajar dan karyawan Politeknik Perkapalan Negeri Surabaya
yang telah membekali penulis dengan banyak ilmu selama masa
perkuliahan.
10. Seluruh keluarga mahasiswa Teknik Otomasi khususnya teman-teman
Teknik Otomasi angkatan 2015 atas segala bentuk dukungan serta
kenangan perjuangan bersama selama menjadi mahasiswa.
11. Teman-teman TO-2015B khususnya wanita-wanita tangguh Teknik
Otomasi yang telah memberikan dukungan dan saling menguatkan satu
sama lain untuk mendapatkan hasil yang memuaskan yaitu wisuda bareng.
Semoga Allah SWT selalu mengkaruniakan kebaikan dan mengganti
dengan sesuatu yang lebih baik dari yang pernah diberikan. Penulis menyadari
terdapat banyak kekurangan selama pengerjaan Tugas Akhir ini, untuk itu kritik
dan saran sangat diharapkan agar pada penelitian selanjutnya bisa lebih baik
lagi. Tiada kebahagiaan yang begitu besar kecuali semua ikhtiar ini dapat
bermanfaat dan tidak meninggalkan kesia-sian. Semoga Allah SWT meridhoi.
Aamiin.
Surabaya, 27 Juli 2019
Penulis
ix
KLASIFIKASI PENGUKURAN LEVEL GAS PADA PROSES
PEMBUATAN MSG DENGAN MENGGUNAKAN NEURAL
NETWORK
Dinni Bangkit Nurrizki
ABSTRAK
Bahan baku utama pembuatan Monosodium Glutamat (MSG) adalah tetes
tebu sebagai sumber karbohidrat dan bahan pendukung lainnya seperti
ammonia(NH3), Asam Sulfat(H2SO4), H2O2,NaOH, HCL,Karbon aktif, O2,
Penisilin ,Enzim, dan lain sebagainya. Pada masing-masing bahan pendukung
memiliki karakteristik zat yang berbeda-beda seperti beracun, mudah terbakar,
ataupun dapat berbahaya bagi tubuh manusia apabila terjadi kebocoran. Seiring
berkembangnya teknologi pada bidang industri terdapat sebuah alat yang
fungsinya sama seperti indra penciuman (hidung) manusia. Alat tersebut dapat
mendeteksi, mengenal, dan membedakan macam-macam bau atau aroma disekitar
yang disebut dengan Electronic Nose (E-Nose). E-Nose ini terdiri dari sensor
metal oxide semiconductor yaitu MQ-2, MQ-135, MQ-136. Dalam penelitian ini ,
E-Nose dimanfaatkan untuk mendeteksi gas pada zat tambahan dalam proses
pembuatan MSG apabila terjadi kebocoran, kemudian diidentifikasi /
diklasifikasikan level gas kecil, sedang, dan bahaya dengan menggunakan metode
Neural Network sebagai pengolah data. Sistem ini dilengkapi dengan buzzer
sebagai tanda peringatan bahaya dan dimonitoring mengggunakan GUI Matlab.
Dengan menerapkan metode Neural Network menjadikan klasifikasi akan lebih
efisien dan tepat sehingga kebocoran dapat diketahui dengan cepat. Hasil yang
didapatkan dari pengujian ini yaitu dengan tingkat keberhasilan untuk klasifikasi
jenis gas sebesar 100%, error sebesar 0%. Sedangkan untuk klasifikasi level gas
sebesar 84 % dengan error 16 %.
.
Kata kunci : MSG, Electronic-Nose, Neural Network , GUI Matlab, Buzzer
x
Halaman Ini Sengaja Dikosongkan
xi
CLASSIFICATION OF GAS LEVEL MEASUREMENT IN MSG
MAKING PROCESS USING NEURAL NETWORK
Dinni Bangkit Nurrizki
ABSTRACT
The main raw material for making Monosodium Glutamate (MSG) is
molasses as a source of carbohydrates and other supporting materials such as
ammonia (NH3), Sulfuric Acid (H2SO4), H2O2, NaOH, HCL, activated carbon,
O2, Penicillin, Enzymes, and so forth. Each support material has characteristics
of different substances such as toxic, flammable, or can be dangerous to the
human body in the event of a leak. Along with the development of technology in
the industrial field there is a tool that functions the same as the human sense of
smell (nose). The tool can detect, recognize, and distinguish the kinds of odors or
aromas around the so-called Electronic Nose (E-Nose). E-Nose consists of a
metal oxide semiconductor sensor, namely MQ-2, MQ-135, MQ-136. In this
study, E-Nose is used to detect gases in additives in the process of making MSG in
the event of a leak, then identified / classified small, medium, and hazard gas
levels by using the Neural Network method as data processing. This system is
equipped with a buzzer as a warning sign and is monitored using the Matlab GUI.
By applying the Neural Network method the classification will be more efficient
and precise so that leaks can be identified quickly. The results obtained from this
test are the success rate for gas type classification of 100%, error of 0%. As for
the gas level classification of 84% with an error of 16%.
Keywords : MSG, Electronic-Nose, Neural Network ,GUI Matlab, Buzzer
xii
Halaman Ini Sengaja Dikosongkan
xiii
DAFTAR ISI
HALAMAN SAMPUL ......................................................................................... .. i
LEMBAR PENGESAHAN ................................................................................... iii
PERNYATAAN BEBAS PLAGIAT ....................................................................... v
KATA PENGANTAR .......................................................................................... vii
ABSTRAK ............................................................................................................. ix
ABSTRACT ............................................................................................................. xi
DAFTAR ISI ........................................................................................................ xiii
DAFTAR TABEL ............................................................................................... xvii
DAFTAR GAMBAR ........................................................................................... xix
BAB 1 PENDAHULUAN ....................................................................................... 1
1.1 Latar Belakang ............................................................................................... 1
1.2 Perumusan Masalah ....................................................................................... 2
1.3 Tujuan ............................................................................................................ 3
1.4 Manfaat Tugas Akhir ..................................................................................... 3
1.5 Batasan Masalah ............................................................................................ 3
BAB 2 TINJAUAN PUSTAKA ............................................................................. 5
2.1 Penelitian Sebelumnya................................................................................... 5
2.2 Monosodium Glutamat (MSG) ...................................................................... 6
2.2.1 Bahan Baku Pembantu MSG ............................................................... 7
2.2.2 Proses Pembuatan MSG ....................................................................... 7
2.3 Ammonia (NH3) ............................................................................................ 9
2.4 Asam Sulfat (H2SO4) .................................................................................... 9
2.5 Hidrogen Peroksida (H2O2) ........................................................................ 10
2.6 Metode Yang Digunakan ............................................................................. 11
2.6.1 Neural Network .................................................................................. 11
2.6.2 Algoritma Backpropagation................................................................. 12
2.7 Software yang Digunakan .......................................................................... 14
2.7.1 Matlab................................................................................................. 14
2.7.2 Arduino IDE ....................................................................................... 15
2.8 Sensor dan Aktuator .................................................................................... 15
xiv
2.8.1 Sensor MQ-135 ................................................................................... 15
2.8.2 Sensor MQ-136 ................................................................................... 16
2.8.3 Sensor MQ-2 ....................................................................................... 16
2.8.4 LCD (Liquid Crystal Display) 20x4 ................................................... 17
2.8.5 Ball Valve ........................................................................................... 18
2.8.6 Exhaust Fan ........................................................................................ 18
2.8.7 Buzzer ................................................................................................. 19
2.9 Kontroler ...................................................................................................... 19
2.9.1 Arduino Mega 2560 ............................................................................ 19
2.9.2 Relay ................................................................................................... 20
BAB 3 METODOLOGI PENELITIAN ................................................................ 21
3.1 Alur Penelitian ............................................................................................. 21
3.2 Tahapan Identifikasi Awal ........................................................................... 22
3.2.1 Identifikasi Masalah............................................................................ 22
3.2.2 Penetapan Rumusan Masalah dan Tujuan Penelitian ......................... 23
3.2.3 Studi Literatur ..................................................................................... 23
3.3 Analisa Kebutuhan Sistem ........................................................................... 24
3.4 Perancangan Sistem ..................................................................................... 24
3.4.1 Perancangan Sistem Awal .................................................................. 24
3.4.2 Perancangan Flowchart Kerja System ................................................ 25
3.5 Perancangan dan Pembuatan Hardware dan Mekanik ................................. 27
3.5.1 Perancangan Hardware ....................................................................... 27
3.5.2 Perancangan Mekanik ......................................................................... 29
3.5.3 Perancangan Neural Network ............................................................. 30
3.5.4 Perancangan Klasifikasi ...................................................................... 31
3.5.5 Perancangan Software ......................................................................... 32
BAB 4 HASIL DAN PEMBAHASAN ................................................................. 35
4.1 Pengujian Alat .............................................................................................. 35
4.1.1 Pengujian Sensor Gas ......................................................................... 35
4.1.2 Sensor MQ terhadap H2O2 ................................................................ 37
4.1.3 Sensor MQ terhadap NH3 .................................................................. 40
xv
4.1.4 Sensor MQ terhadap H2SO4 .............................................................. 42
4.1.5 Relay dengan Exhaust Fan ................................................................. 45
4.1.6 Relay dengan Buzzer .......................................................................... 46
4.1.7 LCD I2C dengan arduino ................................................................... 47
4.2 Perhitungan PPM ......................................................................................... 47
4.3 Desain NN untuk Klasifikasi Gas ................................................................ 61
4.3.1 Proses Training NN ............................................................................ 62
4.4 Pengujian NN untuk Klasififkasi Gas ......................................................... 77
4.4.1 Pengujian Jenis Gas ............................................................................ 78
4.4.2 Pengujian Level Gas........................................................................... 79
4.5 Pengujian Integrasi Software dan Hardware ............................................... 82
BAB 5 KESIMPULAN DAN SARAN ................................................................ 87
5.1 Kesimpulan .................................................................................................. 87
5.2 Saran ............................................................................................................ 87
DAFTAR PUSTAKA ........................................................................................... 89
LAMPIRAN .......................................................................................................... 91
xvi
Halaman Ini Sengaja Dikosongkan
xvii
DAFTAR TABEL
Tabel 2.1 Karakteristik dari Produk MSG ....................................................... 6
Tabel 3.1 Dimensi Desain Mekanik .............................................................. 29
Tabel 3.2 Tabel Klasifikasi Pengukuran Level Gas ...................................... 32
Tabel 4.1 Data Pengujian Sensor MQ 2 ........................................................ 35
Tabel 4.2 Data Pengujian Sensor MQ 135 .................................................... 36
Tabel 4.3 Data Pengujian Sensor MQ 136 .................................................... 37
Tabel 4.4 Pengujian Sensor MQ dengan H2O2 ............................................ 38
Tabel 4.4 Pengujian Sensor MQ dengan H2O2 (Lanjutan) ........................... 39
Tabel 4.5 Pengujian Sensor MQ dengan NH3 .............................................. 40
Tabel 4.5 Pengujian Sensor MQ dengan NH3 (Lanjutan) ............................. 41
Tabel 4.6 Pengujian Sensor MQ dengan H2SO4 ......................................... 43
Tabel 4.7 Data Pengujian Relay dan Exhaust Fan ......................................... 46
Tabel 4.8 Data Pengujian Relay dan Buzzer ................................................. 47
Tabel 4.9 Data Grafik MQ 2 .......................................................................... 49
Tabel 4.10 Data Grafik MQ 135 .................................................................... 54
Tabel 4.11 Data Grafik MQ 136 .................................................................... 58
Tabel 4.12 Data Input Output ........................................................................ 62
Tabel 4.13 Data IW Gas ................................................................................ 71
Tabel 4.14 Data LW 1 Gas ............................................................................ 71
Tabel 4.15 Data LW 2 Gas ............................................................................ 72
Tabel 4.16 Data B(bias) Gas .......................................................................... 72
Tabel 4.17 Data IW Indicator ........................................................................ 73
Tabel 4.18 Data LW 1 Indicator .................................................................... 74
Tabel 4.19 Data LW 2 Indicator .................................................................... 74
Tabel 4.20 Data B(bias) Indicator ................................................................. 75
Tabel 4.21 Data IW Level ............................................................................. 76
Tabel 4.22 Data LW 1 Level ......................................................................... 76
Tabel 4.23 Data LW 2 Level ......................................................................... 77
Tabel 4.24 Data B(bias) Level ....................................................................... 77
xviii
Tabel 4.25 Data Hasil Pengujian Jenis Gas ................................................... 78
Tabel 4.26 Data Hasil Pengujian Level Gas pada H2O2 ............................... 79
Tabel 4.27 Data Hasil Pengujian Level Gas pada NH3 ................................. 80
Tabel 4.27 Data Hasil Pengujian Level Gas pada NH3 (Lanjutan) ............... 81
Tabel 4.28 Data Hasil Pengujian Level Gas pada H2SO4 ............................. 81
Tabel 4.28 Data Hasil Pengujian Level Gas pada H2SO4 (Lanjutan) ........... 82
Tabel 4.29 Data Hasil Pengujian Integrasi pada H2O2 ................................. 83
Tabel 4.30 Data Hasil Pengujian Integrasi pada NH3 ................................... 83
Tabel 4.31 Data Hasil Pengujian Integrasi pada H2SO4 ............................... 84
Tabel 4.32 Data Hasil Pengujian Integrasi untuk klasifikasi jenis gas .......... 84
Tabel 4.33 Data Hasil Pengujian Integrasi untuk klasifikasi level gas .......... 85
xix
DAFTAR GAMBAR
Gambar 2.1 Monosodium Glutamat (MSG) .................................................... 6
Gambar 2.2 Ilustrasi Struktur Jaringan Syaraf Tiruan (Neural Network) ..... 12
Gambar 2.3 Struktur Algoritma Backpropagation......................................... 14
Gambar 2.4 Sensor MQ-135 .......................................................................... 16
Gambar 2.5 Sensor MQ-136 .......................................................................... 16
Gambar 2.6 Sensor MQ-2 .............................................................................. 17
Gambar 2.7 LCD 20x4 .................................................................................. 17
Gambar 2.8 Pompa Udara.............................................................................. 18
Gambar 2.9 Exhaust Fan................................................................................ 18
Gambar 2.10 Buzzer ...................................................................................... 19
Gambar 2.11 Front Side Arduino Mega 2560 ............................................... 20
Gambar 2.12 Driver L298N ........................................................................... 20
Gambar 3.1 Alur Penelitian ........................................................................... 21
Gambar 3.2 Diagram Blok Sistem ................................................................. 25
Gambar 3.3 Flowchart Kerja Sistem ............................................................. 26
Gambar 3.4 Perancangan Desain Hardware .................................................. 28
Gambar 3.5 Perancangan Desain Mekanik .................................................... 29
Gambar 3.6 Perancangan Neural Network .................................................... 30
Gambar 3.7 Diagram Sistem Neural Network ............................................... 31
Gambar 3.8 Interface GUI Matlab................................................................. 33
Gambar 4.1 Rangkaian arduino dengan Sensor MQ 2 .................................. 35
Gambar 4.2 Rangkaian arduino dengan Sensor MQ 135 .............................. 36
Gambar 4.3 Rangkaian arduino dengan Sensor MQ 136 .............................. 37
Gambar 4.4 Grafik pengujian H2O2 Sensor MQ tehadap bit ADC .............. 39
Gambar 4.5 Grafik pengujian H2O2 Sensor MQ tehadap tetes .................... 39
Gambar 4.6 Grafik pengujian NH3 Sensor MQ tehadap bit ADC ................ 41
Gambar 4.7 Grafik pengujian NH3 Sensor MQ tehadap tetes ...................... 42
Gambar 4.8 Grafik pengujian H2SO4 Sensor MQ tehadap bit ADC ............ 44
Gambar 4.9 Grafik pengujian H2SO4 Sensor MQ tehadap tetes .................. 44
xx
Gambar 4.10 Rangkaian Relay dan Exhaust Fan ........................................... 45
Gambar 4.11 Rangkaian Relay dan Exhaust Fan saat kondisi OFF dan ON . 45
Gambar 4.12 Rangkaian Relay dan Buzzer ................................................... 46
Gambar 4.13 Pengujian Relay dan Buzzer .................................................... 46
Gambar 4.14 Rangkaian arduino dengan LCD I2C 20X4 ............................. 47
Gambar 4.15 Rangkaian Sensor Sederhana ................................................... 47
Gambar 4.16 Grafik Karakteristik MQ 135 ................................................... 49
Gambar 4.17 Grafik Karakteristik MQ 2 ....................................................... 54
Gambar 4.18 Grafik Karakteristik MQ 136 ................................................... 58
Gambar 4.19 Diagram NN FeedForwardBackProp_Gas ............................... 63
Gambar 4.20 Diagram NN FeedForwardBackProp_Indicator....................... 63
Gambar 4.21 Diagram NN FeedForwardBackProp_Level ............................ 64
Gambar 4.22 Diagram Back Propagation ...................................................... 66
Gambar 4.23 Proses Training Data FeedForwardBackProp_Gas ................. 67
Gambar 4. 24 Proses Training Data FeedForwardBackProp_Indicator ......... 68
Gambar 4. 25 Data kesalahan klasifikasi indicator ....................................... 69
Gambar 4. 26 Proses Training Data FeedForwardBackProp_Level .............. 69
1
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Monosodium Glutamat atau Mononatrium Glutamat adalah garam natrium
dari asam glutamat dan merupakan senyawa cita rasa. Monosodium Glutamat atau
Mononatrium Glutamat memiliki rumus molekul C5H8O4NaH2O dan memiliki
berat molekul sebesar 187, 13 g/gmol. Di pasaran senyawa tersebut terdapat
dalam bentuk kristal monohidrat dan dikenal sebagai Ajinomoto. Miwon, Sasa,
semua nama tersebut merupakan merk dagang untuk MSG (Winarno, 1980).
Dalam pembuatan MSG digunakan bahan baku berupa tetes tebu sebagai
sumber karbohidrat. Tetes tebu diolah terlebih dahulu untuk menghilangkan
kandungan Ca dengan menambahkan H2SO4. Setelah itu tetes disterilisasi dengan
menggunakan uap panas bersuhu maksimum 1200C selama 10 hingga 20 menit
dan siap difermentasi dalam tabung yang juga disterilisasi (Said, 1991).
Selain bahan baku utama juga terdapat bahan pembantu dalam pembuatan
MSG. Bahan pembantu tersebut adalah amina (NH2), asam sulfat (H2SO4), HCl,
H2O2, NaOH, karbon aktif, “beet molasses” dan “raw sugar” (Susanto dan
Sucipto, 1994).
Salah satu bahan pembantunya adalah ammonia (NH3). Ammonia
merupakan gas tak berwarna dan berbau menyengat, mudah dicairkan dan
kelarutannya di dalam air sangat tinggi, satu bagian volume air akan melarutkan
1,30 bagian volume NH3. Pada suhu kamar dan tekanan 1 atm. Ammonia
berbentuk uap dan pada temperature -33OC amoniak berbentuk cair.
Gas amoniak merupakan gas yang toxik dengan nilai ambang batas di
udara untuk 8 jam kerja adalah 25 ppm, sifat lain adalah merupakan gas yang
higroskopis, mudah menyerap air dan mempunyai kelarutan terhadap air dengan
semua komposisi didalam air, sebagian amoniak terionisasi menjadi ion NH4 dan
2
sebagian lagi masih berupa NH3 bebas yang berada dalam keseimbangan
dengan ionnya yaitu NH4 dan OH.
Bahaya terhadap manusia yaitu pada konsentrasi NH3 = 90 ppm, pH
mencapai 11 dan ini merupakan racun (toxik), sebagai gas amoniak menyebabkan
iritasi pada saluran pernafasan, mata dan kulit. Demikian pula bila sejumlah
amoniak bebas di udara dan mencapai volume gas amoniak 16-17%, maka dapat
timbul ledakan (explosion) ledakan ini menjadi sumber api terhadap semburan
amoniak yang keluar dengan tekanan tinggi. Kebakaran amoniak akan segera
meningkatkan suhu sekitar dan memacu kebakaran lain (Susiyanto,2007).
Terdapat beberapa macam zat tambahan dalam pembuatan MSG namun
yang akan diteliti dan dijadikan sample hanya ada 3 zat. Pada penelitian ini akan
dilakukan deteksi kebocoran zat, oleh karena itu diperlukan alat yang mampu
mendeteksi dengan cepat dan tepat. Maka seiring perkembangan teknologi
memungkinkan penciptaan sebuah system dengan cara kerja menyerupai hidung
manusia, yang disebut Electronic Nose. Hidung manusia mampu mendeteksi,
mengenal dan membedakan berbagai macam bau (Pearce dkk, 2003). Electronic
Nose terdiri dari sensor metal oxide semiconductor sebagai pengganti reseptor
penciuman yang berfungsi untuk mendeteksi bau atau aroma. Electronic Nose
dapat dimanfaatkan dalam berbagai bidang aplikasi, diantaranya unuk mengukur
dan menentukan kualitas makanan, memonitor pencemaran udara, serta
pendeteksian berbagai macam gas, zat dan racun.
Dari permasalahan diatas maka dilakukan penelitian terhadap klasifikasi
pengukuran level gas pada proses pembuatan MSG dengan menggunakan
Electronic Nose dan menerapkan metode Neural Network dilengkapi dengan
buzzer sebagai tanda peringatan bahaya.
1.2 Perumusan Masalah
Rumusan masalah pada penelitian ini antara lain:
1. Bagaimana proses klasifikasi pengukuran level gas pada proses pembuatan
MSG ?
2. Bagaimana implementasi Electronic Nose dalam proses klasifikasi
pengukuran level gas ?
3
3. Bagaimana implementasi Neural Network dalam proses klasifikasi
pengukuran level gas?
1.3 Tujuan
Adapun tujuan yang ingin dicapai dalam tugas akhir ini :
1. Mengetahui proses klasifikasi pengukuran level gas pada proses
pembuatan MSG.
2. Dapat mengimplementasikan Electronic Nose dalam proses klasifikasi
pengukuran level gas.
3. Dapat mengimplementasikan Neural Network dalam proses klasifikasi
pengukuran level gas.
1.4 Manfaat Tugas Akhir
Manfaat yang dapat diperoleh dari tugas akhir ini adalah:
1. Mampu mengklasifikasi pengukuran level gas.
2. Mampu memberikan peringatan jika terjadi bahaya saat dilakukan
pengukuran level gas.
3. Dapat digunakan sebagai sarana edukasi dan pengembangan teknologi di
bidang industri.
1.5 Batasan Masalah
Batasan masalah yang terdapat dalam tugas akhir ini antara lain:
1. Menggunakan 3 macam sensor metal oxide semiconductor untuk
mendeteksi kebocoran zat.
2. Menggunakan 3 macam sample zat tambahan pada proses pembuatan
MSG yang berupa cair.
3. Pengujian dilakukan dengan satu sample zat terlebih dahulu.
4
Halaman Ini Sengaja Dikosongkan
5
BAB 2
TINJAUAN PUSTAKA
Pada bab ini menjelaskan tentang tinjauan pustaka yang di gunakan untuk
mempermudah dalam menyelesaikan tugas akhir ini. Berisi penjelasan tentang
penelitian yang pernah dilakukan, metode yang digunakan, hardware dan software
yang digunakan. Penjelasan tentang tinjauan pustaka pada bab ini akan di jelaskan
secara berurutan.
2.1 Penelitian Sebelumnya
Beberapa penelitian tentang Electronic Nose telah dilakukan. Salah satunya
yaitu penelitian yang dilakukan oleh Muhammad Rivai (2017) yang berjudul
“Rancang Bangun Wireless Electronic Nose berbasis Teknologi Internet of
Things”. Pada penelitian tersebut, Electronic Nose digunakan untuk
mengidentifikasi gas alcohol, minyak tanah, dan bensin. Dalam jurnalnya,
Muhammad Rivai (2017) menuliskan bahwa teknologi Internet of Things dapat
dilakukan untuk mempermudah pengidentifikasian gas yang dapat dipantau
dimana saja secara real time.
Penelitian tentang Electronic Nose juga telah dilakukan oleh beberapa
peneliti. Diantaranya adalah penelitian oleh Joko Nugroho(2008) berjudul
“Aplikasi Jaringan Syaraf Tiruan untuk Identifikasi aroma teh menggunakan
Electronic Nose”. Penelitian dilakukan dengan tujuan mengidentifikasi aroma teh
hitam, teh hijau, dan teh wangi melati menggunakan teknik pengenalan pola
Jaringan Syaraf Tiruan dan Principle Component analysis (PCA). Hasil
pengujian menunjukan jaringan syaraf tiruan mampu memberikan klasifikasi
benar 100% dari 9 set data pengujian.
Dalam tugas akhir ini, Electronic Nose menggunakan 3 sensor metal oxide
semiconductor dengan 3 data sample dari zat tambahan dalam proses pembuatan
MSG yaitu NH3(Ammonia), H2SO4(Asam Sulfat), H2O2(Hidrogen Peroksida).
Metode yang akan digunakan untuk pengklasifikasian pengukuran level gas
tersebut adalah Neural Network .Jika sensor mendeteksi level gas berbahaya
6
maka buzzer akan berbunyi untuk peringatan akan bahaya dan kemudian akan
ditampilkan pada interface GUI Matlab.
2.2 Monosodium Glutamat (MSG)
Pada tahun 1908, Ikeda menemukan bahwa MSG adalah komponen aktif
yang bermanfaat dari algae Laminaria japonica, digunakan sejak lama di Jepang
sebagai pembangkit cita rasa dan sup dan makanan sejenisnya. Pada kisaran pH 5-
8 dan biasanya digunakan pada level 0,2-0,5%, MSG mempunyai rasa yang sedap,
sedikit rasa asin-manis dan sifat yang sering disebut sebagai “mouth satisfactions”
(Bellitz and Grosch, 1999).
Gambar 2.1 Monosodium Glutamat (MSG) (Bellitz and Grosch, 1999)
Tabel 2.1 Karakteristik dari Produk MSG
Alternatif Nama
Glu (singkatan IUPAC)
Asam glutamat
Asam 2-Aminopentanedioic
Asam 2-Aminoglutarat
Asam 1-Aminopropana-1, 3-dikarboksil
Bentuk Kristal
Bentuk Molekul C5H9NO4
Rasa Tidak ada
(Sumber : Bellitz and Grosch, 1999)
7
2.2.1 Bahan Baku Pembantu MSG
Pada proses pembuatan MSG, NaOH (bersifat basa) digunakan dalam
proses netralisasi untuk bereaksi dengan asam glutamat (bersifat asam)
menghasilkan MSG. Sehingga akan diperoleh pH ± 6,8-7,2, dimana
merupakan standart keamanan MSG untuk dikonsumsi.
HCl merupakan bentuk hydrogen klorida dalam air. Biasa digunakan
dalam pengolahan makanan seperti “can syrup” dan sodium glutamat untuk
menciptakan suasana asam saat proses isolasi asam glutamat. HCl
mempunyai sifat-sifat tidak berwarna atau sedikit kuning, korosif, larut dalam
air, alkohol, benzen, berasap dan tidak mudah menyala atau terbakar
(Handojo, 1995).
2.2.2 Proses Pembuatan MSG
Secara garis besar proses produksi MSG melalui tahap-tahap persiapan
bahan baku dan bahan pembantu, fermentasi, kristalisasi, dan netralisasi serta
pengeringan dan pengayakan.
1. Persiapan bahan baku dan bahan pembantu
Dalam pembuatan MSG digunakan bahan baku berupa tetes tebu sebagai
sumber karbohidrat. Tetes tebu diolah terlebih dahulu untuk menghilangkan
kandungan Ca dengan menambahkan H2SO4. Setelah itu tetes disterilisasi
dengan menggunakan uap panas bersuhu maksimum 1200C selama 10 hingga
20 menit dan siap difermentasi dalam tabung yang juga disterilisasi (Said,
1991).
Selain bahan baku utama juga terdapat bahan pembantu dalam pembuatan
MSG. Bahan pembantu tersebut adalah amina (NH2), asam sulfat (H2SO4),
HCl, NaOH, karbon aktif, “beet molasses” dan “raw sugar” (Susanto dan
Sucipto, 1994).
2. Fermentasi
Fermentasi adalah suatu reaksi oksidasi reduksi di dalam sistem
biologi yang menghasilkan energi. Fermentasi menggunakan senyawa
organik yang biasanya digunakan adalah karbohidrat dalam bentuk glukosa.
8
Senyawa tersebut akan diubah oleh reaksi reduksi dengan katalis enzim
menjadi bentuk lain (Winarno, 1990).
Bakteri yang banyak digunakan dalam pembuatan MSG adalah
bakteri Brevibacterium lactofermentum. Pertama-tama biarkan kultur yang
telah diinokulasi dimasukkan kedalam tabung berisi medium prastarter dan
diinkubasi selama 16 jam pada suhu 310C. Selanjutnya biarkan prastarter
diinokulasi kedalam tangki starter (Judoamidjojo, dkk. 1990).
3. Kristalisasi dan Netralisasi
Kristalisasi merupakan metode yang terpenting dalam purifikasi
senyawa-senyawa yang mempunyai berat molekul rendah (Mc Cabe, et al.
1994). Kristal murni asam glutamat yang berasal dari proses pemurnian asam
glutamat digunakan sebagai dasar pembuatan MSG. Asam glutamat yang
dipakai harus mempunyai kemurnian lebih dari 99 % sehingga bisa
didapatkan MSG yang berkualitas baik. Kristal murni asam glutamat
dilarutkan dalam air sambil dinetralkan dengan NaOH atau dengan Na2CO3
pada pH 6,6-7,0 yang kemudian berubah menjadi MSG. Pada keadaan asam
glutamat akan bereaksi dengan Na dan membentuk larutan MSG. Larutan ini
mempunyai derajat kekentalan 26 -280Be. Pada suhu 300C dengan
konsentrasi MSG sebesar 55 gram/larutan (Winarno, 1990).
4. Pengeringan dan pengayakan
Kristal MSG yang dihasilkan dari proses kristalisasi dipisahkan
dengan metode sentrifugasi dari cairannya. Filtrat hasil penyaringan
dikembalikan pada proses pemurnian dan kristal MSG yang dihasilkan
setelah disaring kemudian dikeringkan dengan udara panas dalam lorong
pengeringan, setelah itu diayak dengan ayakan bertingkat sehingga diperoleh
3 ukuran yaitu LLC (“Long Large Crystal”), LC (“Long Crystal”), dan RC
(“Regular Crystal”), sedangkan FC (“Fine Crystal”) yang merupakan kristal
kecil dikembalikan ke dalam proses sebagai umpan. Hasil MSG yang telah
diayak dalam bentuk kering kemudian dikemas dan disimpan sementara
dalam gudang sebelum digunakan untuk tujuan lainnya (Said, 1991).
9
2.3 Ammonia (NH3)
Amonia (NH3) merupakan gas tak berwarna yang berbau sangat
menyengat. Senyawa ini mudah dicairkan dan kelarutannya dalam air sangat
tinggi, satu bagian volume air akan melarutkan 1,30 bagian volume NH3.
Amonia murni pada suhu kamar dan tekanan 1 atm berbentuk uap, pada
temperatur -33 oC berbentuk cairan. Gas amonia merupakan gas yang toksis
dengan nilai ambang batas di udara untuk 8 jam adalah 35 ppm. Amonia
merupakan gas yang hygroskopis, mudah menyerap air dan mempunyai
kelarutan terhadap air pada semua komposisi. Di dalam air sebagian amonia
akan terionisasi menjadi ion NH4+ dan sebagian lagi masih berupa NH3
bebas yang berada dalam kestimbangan, dengan ionnya yaitu NH4+ dan OH-
(Parwati dkk , 2015).
Gas amoniak (NH3) dapat terbentuk sebagai hasil penguraian/pembusukan
protein yang terdapat dalam limbah atau sampah organik, baik yang berasal dari
limbah rumah tangga maupun industri. Gas amoniak berbau busuk dan jika
terhirupdalam pernafasan dapat berakibat mengganggu kesehatan, molekul
amoniak (NH3) biasanya membentuk ion amonium (NH4+). Dengan demikian,
kadar amoniak dalam air atau limbah cair selalu ditentukan sebagai ion
ammonium (Banon dan Suharto, 2008).
2.4 Asam Sulfat (H2SO4)
Asam Sulfat merupakan senyawa kimia yang termasuk asam kuat. Senyawa
dengan rumus kimia H2SO4 ini, dapat larut dalam air dalam berbagai
perbandingan. Asam sulfat merupakan salah satu produk utama dalam industri
kimia dan termasuk yang paling banyak diproduksi dibandingkan dengan senyawa
kimia lainnya. Senyawa ini banyak dipergunakan dalam berbagai proses reaksi
kimia. Penggunaan asam sulfat banyak terdapat dalam kegiatan pemrosesan bijih
mineral, proses sintesis kimia, pemrosesan air buangan (limbah) dan dalam
industri kilang minyak. Selain itu asam sulfat juga biasa dimanfaatkan sebagai
bahan dasar pembuatan pupuk, bahan peledak, detergen, zat pewarna, insektisida,
medisinal atau obat-obatan, plastik, baja dan baterai (Hooligandonjon,2014).
10
Efek Jangka Pendek (Akut) : Menghirup uap asam menyebabkan iritasi pada
hidung dan tenggorokan serta mengganggu paru-paru. Cairan asam dapat
menimbulkan luka yang parah dan dapat menimbulkan kebutaan jika terkena
mata.
Efek Jangka Panjang (Kronis) : Menghirup uap asam pada jangka panjang
mengakibatkan iritasi pada hidung, tenggorokan dan paru-paru.
Nilai Ambang Batas : 1 mg/m3 (ACGIH 1987-88)
Toksisitas : LD50 = 2.14 g/kg (tikus)
LC50 = 510 mg/m3 (tikus)
IDLH = 80mg/m3 (Kariyan, 2008)
2.5 Hidrogen Peroksida (H2O2)
Hidrogen peroksida berbentuk cairan tidak berwarna, sedikit lebih kental
dari air dan dapat bercampur dengan air dalam berbagai komposisi. Hidrogen
peroksida bersifat asam yang sangat lemah dan mempunyai kemampuan sifat
oksidator yang sangat kuat. Hidrogen peroksida digunakan sebagai zat
pemutih (bleaching), desinfektan, antiseptik, oksidator dan pendorong roket.
Hidrogen peroksida ini memiliki suhu optimum yaitu, 80-85 0C. Jika suhu
pada saat proses kurang dari 80 0C maka proses akan berjalan lambat,
sedangkan jika lebih dari 85 0C hasil proses tidak sempurna Pemutihan dengan
H2O2 ini memiliki beberapa keuntungan yaitu waktu pengerjaannya singkat,
karena pada saat proses pengerjaan dengan menaikkan suhu hingga 85 0C
secara konstan selama ± 1 jam, maka serat akan lebih cepat diputihkan;
hasil pemutihan baik dan rata, dengan menggunakan proses pemanasan maka
warna asli pada serat dapat terurai dan bahan menjadi lebih putih dan rata.
Hasil derajat putih yang dihasilkan juga stabil, tidak mudah menjadi kuning;
kemungkinan kerusakan kecil, karena daya oksidasi hidrogen peroksida lebih
kecil, kerusakan yang dihasilkan juga kecil; demikian juga karena pengaruh
penggunaan natrium silikat sebagai stabilisator yang memperlambat penguraian
dari hidrogen peroksida sehingga kerusakan lebih kecil ,sifatnya lebih ramah
11
lingkungan dibandingkan oksidator lain karena peruraiannya hanya
menghasilkan air dan oksigen (Muladi, S 2013).
Data Nilai Ambang Batas zat kimia di udara tempat kerja untuk hidrogren
peroksida adalah 1 BDS yang telah terbukti karsinogen terhadap bnatang
percobaan.
2.6 Metode Yang Digunakan
Dalam Tugas Akhir ini, peneliti menggunakan metode Neural Network untuk
mengolah dan menganalisa data digital yang diperoleh dari perubahan voltase
pada sensor. Selain metode tersebut terdapat lagi beberapa metode penunjang
yang digunakan oleh peneliti agar hasil yang diraih sesuai dengan yang
diharapkan. Berikut ini dijelaskan uraian tenteng metode-metode yang digunakan
oleh peneliti.
2.6.1 Neural Network
Jaringan syaraf tiruan (JST) atau yang biasa disebut Artificial Neural
Network (ANN) atau Neural Network (NN) saja, merupakan sistem pemroses
informasi yang memiliki karakteristik mirip dengan jaringan syaraf pada
makhluk hidup. Neural network berupa suatu model sederhana dari suatu
syaraf nyata dalam otak manusia seperti suatu unit threshold yang biner.
Neural network merupakan sebuah mesin pembelajaran yang dibangun
dari sejumlah elemen pemrosesan sederhana yang disebut neuron atau node.
Setiap neuron dihubungkan dengan neuron yang lain dengan hubungan
komunikasi langsung melalui pola hubungan yang disebut arsitektur jaringan.
Bobot-bobot pada koneksi mewakili besarnya informasi yang digunakan
jaringan. Metode yang digunakan untuk menentukan bobot koneksi tersebut
dinamakan dengan algoritma pembelajaran. Setiap neuron mempunyai tingkat
aktivasi yang merupakan fungsi dari input yang masuk padanya. Aktivasi
yang dikirim suatu neuron ke neuron lain berupa sinyal dan hanya dapat
mengirim sekali dalam satu waktu, meskipun sinyal tersebut disebarkan pada
beberapa neuron yang lain.
12
Misalkan input Z1,t, Z2,t, …, Zm,t yang bersesuaian dengan sinyal dan
masuk ke dalam saluran penghubung. Setiap sinyal yang masuk dikalikan
dengan bobot koneksinya yaitu w1, w2, …, wm sebelum masuk ke blok
penjumlahan yang berlabel ∑. Kemudian blok penjumlahan akan
menjumlahkan semua input terbobot dan menghasilkan sebuah nilai yaitu
Zt_in.
Zt_in = .wi = Zt,1.w1 + Zt,1.w2 + … + Zm,1.wm
Aktivasi Zt ditentukan oleh fungsi input jaringannya, Zt=f(Zt_in)
dengan f merupakan fungsi aktivasi yang digunakan.
Ilustrasi dari Neural Network dapat dilihat pada Gambar 2.2.
Gambar 2.2 Ilustrasi Struktur Jasingan Syarat Tiruan(Neural Network)(Penulis, 2018)
2.6.2 Algoritma Backpropagation
Tujuan utama dalam pengembangan model neural network adalah untuk
mencari sebuah himpunan optimal dari parameter weight dan bias sehingga
fungsi dari neural network dapat mendekati atau mewakili perilaku dari
permasalahan yang aslinya. Hal ini dapat dilakukan melalui proses yang
disebut sebagai training. Pada algoritma backpropagation sekumpulan data
training disediakan untuk neural network. Data training adalah berupa
pasangan dari
𝑝1, 𝑡1, 𝑝2, 𝑡2, … , 𝑝𝑄, 𝑡𝑄
dimana 𝑝𝑄 adalah input dari neural network dan 𝑡𝑄 merupakan target atau
output yang diinginkan dari neural network.
Selama training, performa dari neural network dievaluasi dengan
menghitung selisih antara output yang dihasilkan oleh neural network dengan
13
output yang diinginkan untuk semua sampel dari data training. Nilai selisih
ini dinyatakan sebagai error dan dapat dirumuskan sebagai
∑ (𝑡 )
( )
atau yang sering dikenal sebagai Mean Squared Error (MSE).
Tahap-tahap dalam algoritma backpropagation adalah sebagai berikut :
Forward Propagation
Forward propagation adalah tahap dimana sinyal yang terdapat pada layer
input diteruskan sampai menuju ke layer output. Proses ini diawali dengan
menginisialisasi nilai weight dan bias pada setiap neuron. Umumnya
pemilihan nilai weight dan bias ini adalah berupa nilai acak antara 0 sampai 1
Proses yang terjadi pada setiap neuron adalah sebagai berikut :
∑ 𝑝
( )
Kemudian nilai n akan dimasukkan menuju ke transfer function yang
menghasilkan output dari neuron :
( )
Setelah forward propagation selesai maka didapatkan output dari neural
network. Langkah selanjutnya adalah menghitung local gradient pada masing-
masing neuron. Log-sigmoid transfer function mempunyai turunan sebagai
berikut
𝑓 ( ) = 𝑓( ) [1 − 𝑓( )] (2.4)
sehingga nilai gradient dari neuron dapat dihitung dengan rumus :
𝛿𝑗 = ∗ 𝑓 ( ) (2.5)
Tahap terakhir dalam algoritma backpropagation adalah melakukan
update nilai weight dan bias.
( + 1) = ( ) + ∗ ( ) ∗ 𝑦 (2.6)
( + 1) = ( ) + ∗ ( ) ∗ 1 (2.7)
14
Gambar 2.3 Struktur Algoritma Backpropagation (Penulis, 2019)
2.7 Software yang Digunakan
Pada tugas akhir ini peneliti menggunakan beberapa software antara lain:
2.7.1 Matlab
MATLAB adalah kependekan dari MATrix LABoratory dikarenakan
setiap data pada MATLAB menggunakan dasar matriks. MATLAB adalah
bahasa pemrograman tinggi, tertutup, dan case sensitive dalam lingkungan
komputasi numerik yang dikembangkan oleh MathWorks. Salah satu
kelebihannya yang paling populer adalah kemampuan membuat grafik
dengan dukungan kustomisasi terbaik. MATLAB mempunyai banyak tools
yang dapat membantu berbagai disiplin ilmu. Ini merupakan salah satu
penyebab industri menggunakan MATLAB. Selain itu MATLAB mempunyai
banyak library yang sangat membantu untuk menyelesaikan permasalahan
matematika seperti membuat simulasi fungsi, pemodelan matematika dan
perancangan GUI.
MATLAB digunakan oleh kalangan pelajar, teknisi, peneliti di
Universitas, Institusi Penelitian maupun Industri untuk melakukan komputasi
matematis dalam berbagai keperluan. MATLAB biasanya digunakan untuk
penelitian, pengembangan sistem dan desain sistem. Berbeda dengan bahasa
pemrograman lainnya, MATLAB merupakan bahasa pemrograman tertutup.
Untuk dapat mengkompilasi anda harus menggunakan software dari
MathWorks sendiri. Berikut pengertian MATLAB dan kegunaannya.
15
2.7.2 Arduino IDE
Arduino Mega 2560 dapat diprogram dengan menggunakan software
Arduino IDE. Sebelum menggunakan software ini, perlu dilakukan
beberapa proses, diantaranya menginstal software Arduino IDE. Kemudian
menyambungkan laptop dan Arduino Mega 2560 dengan menggunakan
USB connection. Selanjutnya dilakukan pengaturan ports dan driver pada
device manager dengan beberapa langkah yaitu membuka start menu,
kontrol panel, sistem dan security, sistem, device manager.
2.8 Sensor dan Aktuator
Dalam Tugas Akhir ini, peneliti menggunakan sensor dan aktuator yaitu:
2.8.1 Sensor MQ-135
Sensor gas MQ-135 ini digunakan untuk mengukur kualitas udara atau
polusi udara menggunakan rangkaian mikrokontroler.
Sensor MQ-135 ini sangat sensitif terhadap gas-gas polutan dan gas
buang kendaraan bermotor. Material gas yang dideteksi oleh sensor gas MQ-
135 adalah gas seperti SnO2, Amonia, Uap Bensin, Sulfide, dan gas-gas
berbahaya lainnya.
a. Sensitivitas tinggi dengan area deteksi luas
b. Long life
c. Detection gas : Amonia, Benze Steam, Sulfide
d. Concentration : 10 - 10000 ppm
e. Loop Voltage (Vc) : <24V
f. Heater Voltage (Vh) : 5V
g. Load Resistence (RL): Adjustable
h. Heater resistance (Rh) : 31 ohm
i. Heater Consumption : <900mW
j. Sensing resistance : 2K ohm - 20K ohm (pada 100ppm NH3)
k. Slope : >=5
l. Standard operating voltage : 5V
m. Preheat time : >48 jam.
16
Gambar 2.4. Sensor MQ-135 (Penulis, 2018)
2.8.2 Sensor MQ-136
Sensor gas untuk mendeteksi gas H2S (Hidrogen Sulfida)
Spesifikasi :
- Catu daya heater : 5V AC/DC
- Catu daya rangkaian : 5VDC
- Range pengukuran Hidrogen Sulfida : 1 - 100ppm
- Mampu mendeteksi bau gas busuk, gas asam, asam belerang, limbah
industri, peternakan dll
- Output : analog (perubahan tegangan) dengan tambahan Rload
Gambar 2.5. Sensor MQ-136 (Penulis, 2018)
2.8.3 Sensor MQ-2
Sensor gas MQ-2 ini digunakan untuk mengukur atau deteksi
kebocoran gas di udara menggunakan rangkaian mikrokontroler.Sensor MQ-2
ini sangat sensitif terhadap gas polutan seperti LPG, iso butane, Propane,
Methane, Alkohol, Hidrogen, dan asap.
Sensitivitas tinggi dengan area deteksi luas
Long life
Detection gas : LPG, i-butane, Propane, Methane, Alkohol, Hidrogen
Concentration : 200 - 5000 ppm (LPG dan Propane), 300 - 5000 ppm
(Butane), 5000 - 20000 ppm (Methane), 300 - 5000 ppm (Hidrogen), 100
- 2000 ppm (Alkohol)
17
Circuit Voltage (Vc) : 5V
Heating Voltage (Vh) : 1.4V-5V
Heating Time Th (High) : 60s
Heating Time Th (Low) : 90s
Load Resistence (RL) : Adjustable
Heater resistance (Rh) : 33 ohm
Heater Consumption : <800 mW
Sensing resistance : 3K ohm - 30K ohm (pada 1000 ppm iso Butane)
Preheat time : >24 jam
Gambar 2.6. Sensor MQ-2 (Penulis, 2018)
2.8.4 LCD (Liquid Crystal Display) 20x4
LCD (Liquid Crystal Display) 20x4 adalah jenis media tampilan atau
Display dari bahan cairan kristal sebagai penampil utama.LCD 20x4 yang
terdiri dari 4 baris dengan tiap baris menampilkan 20 karakter.
Gambar 2.7. LCD 20X4 (Penulis, 2019)
18
2.8.5 Ball Valve
Ball valve merupakan katup putar yang dapat digunakan sebagai
bagian kontrol atau blok pada system atau dalam suatu proses aliran.
Umumnya berutar 90 untuk memblokir aliran. Ball valve memiliki
kemampuan aliran yang baik pada saat tekanan rendah dan suhu tetap pada
kondisi baik. Pemilihan ukuran, desain dan material tertentu memegang
peranan penting dalam kehandalan dan kinerja dari sistem pada saat
bekerja., untuk memproduksi katup bola yang andal. Ball valve memiliki
karakteristik antara lain; resistansi terhadap cairan ringan, tidak mudah bocor
dan daya kerja tinggi. Ball valve tidak hanya digunakan pada pipa industri
umum, juga banyak digunakan di berbagai jaringan pipa industri
kedirgantaraan [7].
Gambar 2.8. Ball Valve (Penulis, 2019)
2.8.6 Exhaust Fan
Exhaust fan berfungsi sebagai sirkulasi udara atau untuk menghisap
udara di dalam ruangan untuk keluarkan, atau sebaliknya. Pada system ini.
Exhaust fan berfungsi untuk menghisap udara di dalam ruang untuk dibuang
ke luar, dan pada saat bersamaan menarik udara segar di luar ke dalam
ruangan.
Gambar 2.9. Exhaust Fan
(Sumber : Winata, 2017 )
19
2.8.7 Buzzer
Buzzer adalah sebuah komponen elektronika yang berfungsi untuk
mengubah getaran listrik menjadi getaran suara. Pada dasarnya prinsip kerja
buzzer hampir sama dengan loud speaker, jadi buzzer juga terdiri dari
kumparan yang terpasang pada diafragma dan kemudian kumparan tersebut
dialiri arus sehingga menjadi elektromagnet, kumparan tadi akan tertarik ke
dalam atau keluar, tergantung dari arah arus dan polaritas magnetnya, karena
kumparan dipasang pada diafragma maka setiap gerakan kumparan akan
menggerakkan diafragma secara bolak-balik sehingga membuat udara
bergetar yang akan menghasilkan suara. Buzzer biasa digunakan sebagai
indikator bahwa proses telah selesai atau terjadi suatu kesalahan pada sebuah
alat (alarm).
Gambar 2.10. Buzzer (Penulis, 2018)
2.9 Kontroler
Dalam tugas akhir ini peneliti menggunakan kontroler sebagai berikut:
2.9.1 Arduino Mega 2560
Arduino adalah sebuah platform elektronik yang open source dan
memiliki situs resmi www.Arduino.cc . situs ini memberikan banyak hal
yang dapat digunakan oleh pembaca dan pengguna seperti software
Arduino yang selalu diperbarui dan dapat diunduh secara gratis, pengenalan
produk-produk terbaru Arduino (Lika,2016). Arduino Mega2560 adalah
papan mikrokontroler berbasis ATmega2560 (datasheet ATmega2560) yang
digunakan pada sistem ini. Arduino Mega 2560 memiliki 54 pin digital
input/output, dimana 15 pin dapat digunakan sebagai output PWM, 16 pin
sebagai input analog, dan 4 pin sebagai UART (port serial hardware), 16
Mhz Kristal osilator, koneksi USB, jack power, header ICSP, dan tombol
reset. Ini semua yang diperlukan untuk mendukung mikrokontroler. Cukup
20
dengan menghubungkan ke computer melalui kabel USB atau power
dihubungakan dengan adaptor AC-DC atau baterai untuk mulai
mengaktifkannya. Gambar 2.12 dibawah merupakan Arduino Mega yang
digunakan sebagai kontroler pada sistem ini.
Gambar 2.11. Front Side Arduino Mega 2560
(Sumber : Abraham, 2016 )
2.9.2 Relay
Relay adalah suatu peranti yang bekerja berdasarkan
elektromagnetik untuk menggerakan sejumlah kontaktor yang tersusun
atas sebuah saklar elektronis yang dapat dikendalikan dari rangkaian
elektronik lainnya dengan memanfaatkan tenaga listrik sebagai sumber
energinya. Kontaktor akan tertutup (menyala) atau terbuka (mati) karena
efek induksi magnet yang dihasilkan kumparan (induktor) ketika dialiri
arus listrik. Berbeda dengan saklar, pergerakan kontaktor (on atau off)
dilakukan manual tanpa perlu arus listrik (Triyono,2013).
Relay yang akan digunakan yaitu modul relay 2 channel yang
ditunjukkan oleh gambar 2.12 berfungsi untuk mengatur exhaust fan dan
buzzer.
Gambar 2.12. Relay (Triyono,2013).
21
BAB 3
METODOLOGI PENELITIAN
Bab ini berisi tentang alur penelitian dari tugas akhir. Alur penelitian ini
membahas tentang identifikasi masalah, studi literatur, perancangan sistem,
perancangan dan pembuatan hardware, perancangan dan pembuatan software,
analisis dan pembahasan. Penjelasan dari alur penelitian ini dijelaskan secara
berurutan.
3.1 Alur Penelitian
Alur penelitian pengerjaan tugas akhir ditunjukkan pada Gambar 3.1.
Mulai
Analisa Kebutuhan Sistem
Apakah telah sesuai ?
A
Ya
Tidak
A
Identifikasi Masalah
Perancangan Sistem
Perancangan Hardware &
Mekanik
Pembuatan Software
Apakah telah berhasil?
Integrasi Hardware, Mekanik,
& Software
Selesai
Analisa dan Penulisan Laporan
Apakah telah berhasil?
Ya
Ya
Tidak
Tidak
Gambar 3. 1 Alur Penelitian (Penulis, 2018)
22
Gambar 3.1 menunjukkan diagram alur penelitian yang dimulai dari
identifikasi masalah mengenai mekanik, hardware dan software yang digunakan,
kemudian perancangan sistem untuk mengatur seluruh sistem yang digunakan
pada tugas akhir, kemudian dilanjutkan untuk perancangan dan pembuatan
mekanik serta hardware. Setelah itu dilakukan uji coba, jika dalam pembuatan dan
perancangan mekanik serta hardware tidak berhasil, maka alur penelitian akan
kembali ke pembuatan dan perancangan mekanik serta hardware untuk diadakan
perbaikan. Jika pada uji coba sudah berhasil, maka akan dilanjutkan pada proses
pembuatan software kemudian apabila terdapat error maka penelitian akan
kembali ke perbaikan program. Apabila seluruh alur telah terpenuhi maka akan
ditarik sebuah analisa dan kesimpulan mengenai tugas akhir ”Klasifikasi
pengukuran level gas pada proses pembuatan MSG dengan menggunakan
Electronic Nose dan Neural Network” dan dinyatakan selesai.
3.2 Tahapan Identifikasi Awal
Tahap identifikasi awal merupakan langkah awal dalam pelaksanaan
penelitian, sehingga dapat dilakukan identifikasi permasalahan serta tujuan yang
akan dicapai. Dalam tahap identifikasi terdiri dari beberapa langkah yaitu :
3.2.1 Identifikasi Masalah
Dalam pembuatan tugas akhir ini perlu dilakukan tahapan untuk
mengidentifikasi masalah yang terjadi dalam industry food (makanan)
sehingga kita dapat menentukan langkah atau solusi yang harus diambil
untuk menangani masalah yang terjadi. Sehingga pada tugas akhir ini
dapat diambil judul,yaitu ”Klasifikasi pengukuran level gas pada proses
pembuatan MSG dengan menggunakan Neural Network” dengan
memanfaatkan perkembangan teknologi Electronic Nose untuk memberi
solusi dan ide baru pada system yang ada di industry food (makanan)
dalam upaya mengoptimalkan proses pengklasifikasian pengukuran level
gas pada proses pembuatan MSG, sehingga dapat mengurangi masalah-
masalah yang akan ditimbulkan nantinya apabila terjadi kebocoran zat
tersebut.
23
3.2.2 Penetapan Rumusan Masalah dan Tujuan Penelitian
Berdasarkan identifikasi masalah yang terjadi, ada beberapa rumusan
masalah yang menjadi tujuan dari penelitian ini. Rumusan masalah
penelitian ini adalah berkaitan dengan cara penerapan metode Neural
Network pada system klasifikasi pengukuran level gas pada proses
pembuatan MSG dengan menggunakan Electronic Nose, control arduino
Mega dan GUI Matlab. Berdasarkan rumusan masalah tersebut, maka tujuan
dari penelitian ini adalah untuk mengembangkan metode dari sistem
pengoptimalisasian proses klasifikasi pengukuran level gas pada pembuatan
MSG dengan menggunakan Electronic Nose, control dari Arduino Mega
dan GUI Matlab.
3.2.3 Studi Literatur
Sebelum melangkah ke dalam perancangan sistem dari tugas akhir
ini hal yang perlu dilakukan adalah observasi, karena dengan melakukan
observasi terlebih dahulu dapat memudahkan apa saja yang harus
dikerjakan atau dilakukan dalam membuat tugas akhir. Observasi tersebut
berupa studi literatur yang dilakukan untuk menguatkan gagasan,
pemahaman konsep, teori dan teknologi yang akan digunakan dalam
pengerjaan tugas akhir ini. Literatur yang digunakan melalui beberapa
referensi, mulai dari internet, paper, e-book , journal serta dokumentasi
dari komponen teknologi yang terkait dengan perumusan masalah yang
telah dibuat. Selain itu, hal yang diperlukan adalah mencari dan
mendapatkan data-data yang diperoleh dari narasumber industry yang
berkaitan dengan judul tugas akhir yang diteliti serta melakukan survei
lapangan.
24
3.3 Analisa Kebutuhan Sistem
Analisis kebutuhan sistem merupakan proses dalam merancang sistem
dengan memperhitungkan kebutuhan yang diperlukan. Data yang dibutukan
berupa data kerusakan drum. Selain itu juga dilakukan analisis tentang teknologi
apa saja yang dibutuhkan untuk membangun sistem ini. Kebutuhan system
prototype :
1. Sensor MQ-136 : 1 buah
2. Sensor MQ-2 : 1 buah
3. Sensor MQ-135 : 1 buah
4. Arduino Mega 2560 : 1 buah
5. Buzzer : 1 buah
6. Power Supply 24V,2A : 1 buah
7. Modul Step Down : 1 buah
8. Ball Valve : 3 buah
9. Exhaust Fan : 1 buah
10. Relay 2 channel 5 V : 1 buah
11. LCD I2C 20X4 : 1 buah
3.4 Perancangan Sistem
Setelah melakukan studi literatur, maka langkah selanjutnya adalah
melakukan perancangan sistem. Pada tahap ini dibagi menjadi 2 tahap yaitu
perancangan hardware dan perancangan software. Perancangan hardware
dikerjakan terlebih dahulu. Setelah perancangan hardware sudah selesai,
dilanjutkan dengan perancangan software
3.4.1 Perancangan Sistem Awal
Perancangan system awal pada tugas akhir ini dapat ditunjukkan
pada Gambar 3.2 di bawah ini.
25
Sensor MQ 2
Sensor MQ 135
Sensor MQ 136
Arduino Mega 2560
Buzzer
Exhaust Fan
GUI Matlab LCD Display
MASUKAN PROSES KELUARAN
TAMPILAN
Gambar 3. 2 Diagram blok system (Penulis, 2019)
Pada Gambar 3.2 menjelaskan konsep awal dalam pembuatan
system klasifikasi pengukuran level gas dalam proses pembuatan MSG.
Terdapat 3 macam sampel yang berada pada ruang sampel akan diuji di
ruang sensor. Setelah sampel berada di ruang sensor maka rangkaian
sensor metal oxide semiconductor akan mendeteksi gas yang dikeluarkan
oleh zat tersebut dan nilai resistansi dari sensor akan berubah yang
mengakibatkan perubahan voltase . Data sensor tersebut diteruskan ke
mikrokontroler yaitu Arduino Mega 2560, keluarannya yaitu
membunyikan buzzer apabila keadaan bahaya dan exhaust fan menyala
unuk mensterilkan ruangan. kemudian diolah di Matlab dengan metode
NN dan ditampilkan menggunakan GUI Matlab dan dapat dilihat pada
LCD Display.
3.4.2 Perancangan Flowchart Kerja System
Alur kerja sistem tugas akhir ini akan dijelaskan pada Gambar 3.3
26
A
Level menunjukkan tanda
Kecil/Sedang/Bahaya
Buzzer akan berbunyi sesuai
tanda level peringatan
Hasilnya akan ditampilkan
pada GUI Matlab
Valve akan menutup
Exhaust Fan akan menyala
untuk memasukkan udara
bersih di ruang sensor
Selesai
Gambar 3. 3 Flowchart Kerja Sistem (Penulis, 2019)
Mulai
Valve, Sensor Metal
Oxide Semiconductor,
Exhaust Fan, Buzzer aktif
Valve menyala dan
mengeluarkan gas ke ruang
sensor
Sensor mendeteksi dan
mengeluarkan nilai resistansi
Data sensor diolah dan
dianalisis menggunakan
Neural Network
Proses identifikasi dan
klasifikasi dengan
mencocokkan data set
Apakah proses
klasifikasi telah
berhasil ?
A
Ya
Tidak
27
Dari flowchart diatas, prinsip kerja sistem pada tugas akhir ini adalah :
1. Pada kondisi awal, Pompa, Sensor Metal Oxide Semiconductor,
Exhaust Fan, Buzzer aktif.
2. Valve akan menyala dan mengeluarkan gas ke ruang sensor.
3. Deret modul sensor akan mendeteksi perubahan nilai resistansi
sehingga mengakibatkan perubahan voltase.
4. Data akan diolah dan dianalisis dengan metode Neural Network untuk
mengidentifikasi dan mengklasifikasi jenis zat yang diujikan.
5. Proses klasifikasi dengan mencocokkan data set.
6. Jika klasifilasi berhasil maka akan diteruskan pada buzzer menyala,
namun jika tidak kembali ke proses pengolahan data sensor dengan
metode Neural Network .
7. Level menunjukkan tanda Kecil/Sedang/Bahaya.
8. Buzzer akan menyala sesuai tanda level peringatan jika terdeteksi level
gas yang berbahaya.
9. Hasilnya akan ditampilkan pada GUI Matlab.
10. Valve akan menutup untuk mengurangi bahaya dari gas.
11. Exhaust fan akan aktif dan mengganti udara di ruang sensor dengan
udara bersih.
12. Selesai.
3.5 Perancangan dan Pembuatan Hardware dan Mekanik
3.5.1 Perancangan Hardware
Gambar perancangan sistem hardware ditunjukkan pada Gambar 3.4
dibawah ini.
28
Gambar 3. 4 Perancangan Desain Hardware (Penulis, 2018)
Arduino Mega 2560
Sensor MQ-135
Sensor MQ-136
Sensor MQ-2
Buzzer
Exhaust Fan
Relay 2 channel
GUI Matlab
Sample Zat
Valve
29
3.5.2 Perancangan Mekanik
Pada Tugas Akhir ini dilakukan perancangan mekanik dengan cara
kerjanya yaitu dengan mencoba sampel zat dibuka maka ketiga sensor akan
mengeluarkan nilai sensor masing-masing sesuai karakteristik sensor. Nilai yang
dikeluarkan sensor akan ditampilkan pada LCD display untuk memonitoring
keluaran sensor. Jika nilai sensor tinggi maka akan membunyikan buzzer sebagai
tanda peringatan. Setelah dilakukan percobaan pertama, secara otomatis exhaust
fan akan bekerja untuk memasukkan udara bersih sebagai netralisir alat tersebut.
Perancangan sistem Mekanik keseluruhan memiliki dimensi 23 cm x 18
cm x 26 cm (p x l x t) ditunjukkan pada Gambar 3.5 dibawah ini.
Gambar 3. 5 Perancangan Desain Mekanik (Penulis, 2019)
Tabel 3.1 Dimensi Desain Mekanik
No Dimensi Panjang Lebar Tinggi Diameter
1 Ruang Uji Coba 23 cm 18 cm 26 cm -
2 Tabung Sampel Zat - - 8 cm 3 cm
3 Kotak Elektrik 18 cm 11,5 cm 6,5 cm -
( Sumber : Penulis, 2019)
30
3.5.3 Perancangan Neural Network
Pada Struktur Neural Network yang akan digunakan untuk
mengidentifikasi zat tambahan ditunjukkan pada Gambar 3.6 dibawah ini.
A1
A2
A3
A4
A5
B1
B2
B3
B4
B5
Y2
Y3
Y4
Y1
X1
X2
X3
INPUT OUTPUT
H1 H2
MQ
-13
5M
Q-2
MQ
-136
Am
mo
nia / A
sam S
ulfat/ H
2O
2
Kecil / S
edan
g / B
erbah
aya/ N
orm
al
Gambar 3. 6 Perancangan Neural Network (Penulis, 2019)
Terdapat 3 layer input/masukan yang digunakan yang meliputi MQ-2,
MQ-135, MQ-136 , terdapat 3 layer output/keluaran yang meliputi Ammonia
kesil/sedang/berbahaya, Asam Sulfat kecil/sedang/berbahaya, H2O2
kecil/sedang/berbahaya , dan 2 hidden layer yang masing-masing memiliki 5
neuron.
31
Gambar 3.7 Diagram Sistem Neural Network (Penulis, 2019)
Pada Gambar 3.7 diatas menunjukkan diagram system pada proses training
dan testing menggunakan metode Neiural Network dengan algoritma Feed
Forward Backpropagation. Pada proses training , data sensor dan target akan
dilatih mengggunakan metode Neiural Network kemudian didapatkan nilai target
yang benar. Dari proses training didapatkan weight dan bias yang akan digunakan
pada proses testing untuk mengetahui jenis gas dan klasifikasi level gas.
3.5.4 Perancangan Klasifikasi
Pada Tabel Klasifikasi Ammonia, Asam Sulfat, dan Natrium Hidroksida
yang akan digunakan untuk pengukuran level gas sebagai berikut :
Data Sensor
& Target
Target OK
Weight &
Bias
Data Sensor
dari Arduino
Output (Jenis
dan Level gas)
TRAINING
TESTING
Neural Network
Feed Forward
Backpropagation
Neural Network
Feed Forward
Backpropagation
32
Tabel 3.2 Klasifikasi Pengukuran Level Gas
Klasifikasi Output Keadaan Gas
0 0 0 0 0 Normal (Semua)
1 0 0 0 1 Kecil
Ammonia (NH3) 2 0 0 1 0 Sedang
3 0 0 1 1 Bahaya
4 0 1 0 0 Kecil
Asam Sulfat (H2SO4) 5 0 1 0 1 Sedang
6 0 1 1 0 Bahaya
7 0 1 1 1 Kecil
Hidrogen Peroksida (H2O2) 8 1 0 0 0 Sedang
9 1 0 0 1 Bahaya
( Sumber : Penulis, 2019)
3.5.5 Perancangan Software
Pada Tugas Akhir ini software yang digunakan adalah Arduino IDE untuk
pemrograman sensor-sensor dan actuator. Setelah data-data sensor didapat
kemudian dilakukan komunikasi antara data di arduino dengan MATLAB, lalu
diolah menggunakan training data dengan metode Neural Nework. Berikut adalah
interface pada GUI Matlab :
33
Gambar 3.8 Interface GUI Matlab (Penulis, 2019)
Keterangan :
A : COM PORT koneksi dengan arduino
B : Tombol Open untuk membuka koneksi dari arduino
C : Tombol exit
D : Iterasi untuk pengambilan data sensor
E : Tombol Clear
F : Nilai Input Neural Network
G : Nilai Output Neural Network
H : Grafik Respon Gas
Untuk mengaplikasikan GUI Matlab pada Gambar 3.8 terlebih dahulu
pastikan telah terhubung Arduino kemudian klik tombol OPEN. Maka secara
otomatis data akan ddita sensor akan dikirim ke matlab kemudian diproses
menggunakan metode Neural Network dan hasilnya akan ditampilkan pada GUI
Matlab. Setelah itu dikirim perintah uuntuk menyalakan buzzer dan Exhaust Fan.
Untuk menghentikan system maka klik tombol EXIT.
A
D C B
F
G
H
E
34
Halaman Ini Sengaja Dikosongkan
35
BAB 4
HASIL DAN PEMBAHASAN
4.1 Pengujian Alat
4.1.1 Pengujian Sensor Gas
A. Pengujian Sensor MQ 2
Pada Tugas Akhir ini digunakan sensor MQ 2 sebagai sensor gas
semikonduktor yang berfungsi untuk mendeteksi gas yang akan
muncul. Supaya dapat melihat data yang dikeluarkan sensor maka
sensor MQ 2 dihubungkan dengan rangkaian arduino seperti yang
ditunjukkan pada gambar 4.1.
Gambar 4. 1 Rangkaian arduino dengan Sensor MQ 2 (Penulis, 2019)
Berikut adalah data dari hasil pengujian sensor MQ 2 yang akan
ditunjukkan pada Tabel 4.1 dibawah ini.
Tabel 4.1 Data Pengujian Sensor MQ 2
No Pengujian Serial Monitor Avometer PPM Error
1. 1 0,987 V 0,972 V 11.6 1,52%
2. 2 0,985 V 0,974 V 11.4 1,12%
3. 3 1,899 V 1,875 V 83.2 1,26%
4. 4 1,692 V 1,682 V 83.1 0,59%
5. 5 1,540 V 1,518 V 82.9 1,43%
6. 6 1,38 V 1,376 V 82.6 0,28%
Rata-rata Error = 1,03 %
(Sumber : Penulis, 2019)
Setelah melakukan beberapa pengujian, dapat disimpulkan bahwa
sensor MQ 2 merupakan sensor gas yang cukup akurat karena
menghasilkan rata-rata error yang cukup kecil sebesar 0,98 %.
36
B. Pengujian Sensor MQ 135
Pada Tugas Akhir ini digunakan sensor MQ 135 sebagai sensor gas
semikonduktor yang berfungsi untuk mendeteksi gas yang akan
muncul. Supaya dapat melihat data yang dikeluarkan sensor maka
sensor MQ 135 dihubungkan dengan rangkaian arduino seperti yang
ditunjukkan pada gambar 4.2.
Gambar 4.2 Rangkaian arduino dengan Sensor MQ 135 (Penulis, 2019)
Berikut adalah data dari hasil pengujian sensor MQ 135 yang akan
ditunjukkan pada Tabel 4.2 dibawah ini.
Tabel 4.2 Data Pengujian Sensor MQ 135
No Pengujian Serial Monitor Avometer PPM Error
1. 1 0,887 V 0,867 V 7.26 2,25%
2. 2 0,885 V 0,888 V 7.23 0,33%
3. 3 0,917 V 0,924 V 6.12 0,76%
4. 4 0,928 V 0,916 V 6.32 1,29%
5. 5 0,789 V 0,778 V 8.24 1,39%
6. 6 0,756 V 0,738 V 8.11 2,38%
Rata-rata Error = 1,40 %
(Sumber : Penulis, 2019)
Setelah melakukan beberapa pengujian, dapat disimpulkan bahwa
sensor MQ 135 merupakan sensor gas yang cukup akurat karena
menghasilkan rata-rata error yang cukup kecil sebesar 1,40 %.
C. Pengujian Sensor MQ 136
Pada Tugas Akhir ini digunakan sensor MQ 136 sebagai sensor gas
semikonduktor yang berfungsi untuk mendeteksi gas yang akan
muncul. Supaya dapat melihat data yang dikeluarkan sensor maka
37
sensor MQ 136 dihubungkan dengan rangkaian arduino seperti yang
ditunjukkan pada gambar 4.3.
Gambar 4.3 Rangkaian arduino dengan Sensor MQ 136 (Penulis, 2019)
Berikut adalah data dari hasil pengujian sensor MQ 136 yang akan
ditunjukkan pada Tabel 4.3 dibawah ini.
Tabel 4.3 Data Pengujian Sensor MQ 136
No Pengujian Serial Monitor Avometer PPM Error
1. 1 2,211 V 2,133 V 0.67 3,52%
2. 2 2,246 V 2,219 V 0.74 1,20%
3. 3 2,297 V 2,245 V 0.83 2,26%
4. 4 2,301 V 2,264 V 0.89 1,60%
5. 5 2,316 V 2,292 V 0.91 1,03%
6. 6 2,308 V 2,256 V 0.90 2,25%
Rata-rata Error = 1,97 %
(Sumber : Penulis, 2019)
Setelah melakukan beberapa pengujian, dapat disimpulkan bahwa
sensor MQ 136 merupakan sensor gas yang cukup akurat karena
menghasilkan rata-rata error yang cukup kecil sebesar 1,97 %.
4.1.2 Sensor MQ terhadap H2O2
Pada Tugas Akhir ini dilakukan pengujian sensor MQ dengan sampel
H2O2. Terdapat 3 sensor MQ yang akan diujikan yaitu MQ 2, MQ 135, MQ
136. Untuk sampel H202, aroma yang ditimbulkan tidak begitu menyengat
seperti ammonia. Oleh karena itu sensor MQ tidak dapat bekerja secara
maksimal. Pengujian ini dilakukan untuk mengetahui karakteristik yang
dikeluarkan oleh masing-masing sensor terhadap sampel H202.Terdapat 3
38
kondisi yang akan dilakukan yaitu sampel dengan 1 tetes, 5 tetes, dan 10 tetes
yang menunjukkan level kecil, sedang, dan bahaya. Pada pengujian normal
maksudnya adalah nilai sensor saat di udara bersih. Berikut adalah beberapa
pengujian sensor MQ dengan sampel zat H2O2 yang ditunjukkan dengan
tabel 4.4.
Tabel 4.4 Pengujian Sensor MQ dengan H2O2
No Sensor Pengujian
Normal
(bit ADC)
1 Tetes
(bit ADC)
5 Tetes
(bit ADC)
10 Tetes
(bit ADC)
MQ 2
1. 108 92 99 109
2. 107 92 99 110
3. 107 92 98 110
4. 107 93 97 111
5. 107 94 100 111
6. 107 94 100 112
7. 106 95 100 112
8. 106 95 101 113
9. 105 96 102 113
10. 105 97 103 114
MQ 135
1. 34 53 34 34
2. 34 52 34 34
3. 34 51 34 34
4. 34 50 34 34
5. 34 49 35 34
6. 34 47 35 34
7. 34 46 35 34
8. 34 46 35 34
9. 34 45 35 34
10. 34 45 35 34
MQ 136
1. 349 330 339 341
2. 345 344 344 342
3. 338 345 344 344
4. 324 344 346 345
39
Tabel 4.4 Pengujian Sensor MQ dengan H2O2 (Lanjutan)
5. 321 343 346 343
6. 320 341 346 340
7. 319 341 346 340
8. 320 341 346 340
9. 320 340 346 340
10. 320 340 346 340
(Sumber : Penulis, 2019)
Gambar 4.4 Grafik pengujian H2O2 Sensor MQ tehadap bit ADC (Penulis, 2019)
Pada Gambar 4.4 diatas menunjukkan Sensor MQ 136 memiliki nilai
bit ADC yang paling tinggi. Setiap sensor MQ akan mengeluarkan nilai
sensor sesuai dengan karakteristik masing-masing dan nilainya juga stabil,
tidak begitu jauh perbedaanya.
Gambar 4.5 Grafik pengujian H2O2 Sensor MQ tehadap tetes (Penulis, 2019)
0
50
100
150
200
250
300
350
400
1 Tetes 5 Tetes 10 Tetes Normal
Bit
AD
C
Data
MQ2
MQ135
MQ136
0
100
200
300
400
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
Bit
AD
C
Data
1 Tetes
5 Tetes
10 Tetes
Normal
40
Pada Gambar 4.5 diatas menunjukkan sensor MQ terhadap tetes
memiliki nilai yang tidak begitu jauh perbedaannya. Setiap sensor akan
mengeluarkan nilai dengan karakteristik masing-masing.
4.1.3 Sensor MQ terhadap NH3
Pada Tugas Akhir ini dilakukan pengujian sensor MQ dengan sampel
NH3 (Ammonia). Ammonia sendiri memiliki aroma yang sangat menyengat,
hal tersebut membuat sensitivitas sensor bekerja sesuai karakteristik masing-
masing. Terdapat 3 sensor MQ yang akan diujikan yaitu MQ 2, MQ 135, MQ
136. Pengujian ini dilakukan untuk mengetahui karakteristik yang
dikeluarkan oleh masing-masing sensor terhadapsampel NH3 (Ammonia).
Terdapat 3 kondisi yang akan dilakukan yaitu sampel dengan 1 tetes, 5 tetes,
dan 10 tetes yang menunjukkan level kecil, sedang, dan bahaya. Pada
pengujian normal maksudnya adalah nilai sensor saat di udara bersih. Berikut
adalah beberapa pengujian sensor MQ dengan data zat NH3 yang ditunjukkan
dengan tabel 4.5.
Tabel 4.5 Pengujian Sensor MQ dengan NH3
No Sensor Pengujian
Normal
(Bit ADC)
1 Tetes
(Bit ADC)
5 Tetes
(Bit ADC)
10 Tetes
(Bit ADC)
1.
MQ 2
371 369 431 508
2. 371 371 434 575
3. 371 371 437 659
4. 371 404 440 685
5. 371 433 441 705
6. 370 458 445 721
7. 370 504 462 734
8. 370 505 466 744
9. 370 506 467 789
10. 370 510 479 804
1.
MQ 135
216 227 261 453
2. 216 231 263 492
3. 216 233 369 503
41
Tabel 4.5 Pengujian Sensor MQ dengan NH3 (Lanjutan)
4. 216 238 388 530
5. 216 240 399 549
6. 216 242 404 557
7. 215 243 417 562
8. 215 245 428 568
9. 215 250 430 569
10. 215 255 445 572
1.
MQ 136
541 737 858 912
2. 541 738 855 888
3. 541 739 853 881
4. 541 740 852 872
5. 541 741 851 867
6. 540 742 846 865
7. 540 743 845 864
8. 540 744 840 860
9. 540 744 836 860
10. 540 794 834 860
(Sumber : Penulis, 2019)
Gambar 4.6 Grafik pengujian NH3 Sensor MQ tehadap bit ADC (Penulis, 2019)
Pada Gambar 4.6 diatas menunjukkan setiap sensor MQ memiliki nilai
yang semakin tinggi sesuai jumlah tetes yang semakin besar. Dari grafik
tersebut nilai dari sensor MQ 136 memiliki nilai bit ADC yang paling tinggi ,
0
100
200
300
400
500
600
700
800
900
1000
1 Tetes 5 Tetes 10 Tetes Normal
Bit
AD
C
Data
MQ 2
MQ 135
MQ 136
42
hal tersebut menunjukkan jika sensor MQ 136 memiliki sensitifitas yang
tinggi.
Gambar 4.7 Grafik pengujian NH3 Sensor MQ tehadap tetes (Penulis, 2019)
Pada Gambar 4.7 diatas menunjukkan jumlah tetes yang memiliki nilai
paling tinggi adalah 10 tetes dari masing-masing nilai yang dikeluarkan oleh
sensor gas MQ.
4.1.4 Sensor MQ terhadap H2SO4
Pada Tugas Akhir ini dilakukan pengujian sensor MQ dengan sampel
H2SO4 (Asam Sulfat). Asam Sulfat ini tidak meiliki bau yang menyengat
seperti ammonia, hal tersebut membuat sensitivitas sensor MQ tidak dapat
bekerja maksimal. Terdapat 3 sensor MQ yang akan diujikan yaitu MQ 2,
MQ 135, MQ 136. Pengujian ini dilakukan untuk mengetahui karakteristik
yang dikeluarkan oleh masing-masing sensor terhadapsampel H2SO4 (Asam
Sulfat). Terdapat 3 kondisi yang akan dilakukan yaitu sampel dengan 1 tetes,
5 tetes, dan 10 tetes yang menunjukkan level kecil, sedang, dan bahaya.
0
100
200
300
400
500
600
700
800
900
1000
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
Bit
AD
C
Data
1 Tetes
5 Tetes
10 Tetes
Normal
43
Tabel 4.6 Pengujian Sensor MQ dengan H2SO4
No Sensor Pengujian
Normal
(Bit ADC)
1 Tetes
(Bit ADC)
5 Tetes
(Bit ADC)
10 Tetes
(Bit ADC)
MQ 2
1. 468 448 394 389
2. 468 447 393 390
3. 468 446 392 386
4. 468 445 390 384
5. 467 444 389 383
6. 467 443 388 382
7. 467 441 387 381
8. 466 440 386 380
9. 466 439 385 379
10. 466 439 384 378
MQ 135
1. 230 214 208 199
2. 230 214 207 198
3. 230 215 204 192
4. 230 214 203 193
5. 230 213 202 193
6. 230 213 201 192
7. 231 212 202 192
8. 230 212 202 191
9. 230 212 202 190
10. 230 210 201 188
MQ 136
1. 351 349 359 356
2. 351 345 358 358
3. 351 341 343 359
4. 351 339 339 361
5. 350 336 337 351
6. 350 335 336 346
7. 350 334 335 342
8. 350 333 334 341
9. 350 333 333 340
10. 350 333 331 339
44
(Sumber : Penulis, 2019)
Gambar 4.8 Grafik pengujian H2SO4 Sensor MQ tehadap bit ADC (Penulis, 2019)
Pada Gambar 4.8 diatas menunjukkan sensor MQ 2 memiliki nilai bit
ADC paling tinggi diantara sensor MQ lainnya saat mendeteksi zat H2SO4.
Setiap sensor memiliki nilai keluaran yang berbeda dan stabil sesuai dengan
karateristik masing-masing sensor MQ.
Gambar 4.9 Grafik pengujian H2SO4 Sensor MQ tehadap tetes (Penulis, 2019)
0
50
100
150
200
250
300
350
400
450
500
1 Tetes 5 Tetes 10 Tetes Normal
Bit
AD
C
Data
MQ 2
MQ 135
MQ 136
0
50
100
150
200
250
300
350
400
450
500
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
Bit
AD
C
Data
1 Tetes
5 Tetes
10 Tetes
Normal
45
Pada Gambar 4.9 diatas menunjukkan nilai jumlah tetes dari masing-
masing sensor MQ hampir sama setiap pengujiannya sesuai karakteristik
sensor MQ tersebut.
4.1.5 Relay dengan Exhaust Fan
Pada Tugas Akhir ini menggunakan aktuator exhaust fan yang
berfungsi untuk mengganti udara yang ada di dalam alat setelah dilakukan
proses uji coba sampel dengan udara bersih dari luar yang akan masuk ke
dalam alat tersebut. Exhaust fan ini disambungkan dengan relay dan
membutuhkan sumber tegangan 12 V untuk mengetahui kondisi dalam
keadaan ON atau OFF. Berikut adalah hasil pengujian exhaust fan dan
gambar rangkaian antara relay dan exhaust fan.
Gambar 4.10 Rangkaian Relay dan Exhaust Fan (Penulis, 2019)
Gambar 4.11 Rangkaian Relay dan Exhaust Fan saat kondisi OFF dan ON (Penulis,
2019)
Pada Gambar 4.11 dilakukan pengujian Relay dengan Exhaust fan
diketahui kondisi nyala dan mati maka pada serial monitor akan muncul ON
dan OFF.
46
Tabel 4.7 Data Pengujian Relay dan Exhaust Fan
No Pengujian Input Arduino Relay Error
1 1 HIGH ON 0%
2 2 LOW OFF 0%
Rata-rata Error = 0 %
(Sumber : Penulis, 2019)
4.1.6 Relay dengan Buzzer
Pada Tugas Akhir ini menggunakan aktuator buzzer sebagai tanda
peringatan level gas yang keluar. Ada 3 macam level gas yaitu kecil, sedang,
dan bahaya. Untuk itu diperlukan tanda peringatan dini apabila terjadi kondisi
yang berbahaya. Buzzer ini akan disambungkan dengan relay dengan
membutuhkan sumber tegangan sebesar 24 V.
Gambar 4.12 Rangkaian Relay dan Buzzer (Penulis, 2019)
Pada Gambar 4.13 dilakukan pengujian Relay dengan Buzzer diketahui
kondisi nyala dan mati maka pada serial monitor akan muncul ON dan OFF.
Gambar 4.13 Pengujian Relay dan Buzzer (Penulis, 2019)
47
Tabel 4.8 Data Pengujian Relay dan Buzzer
No Pengujian Avometer Buzzer Error
1 1 0 V OFF 0%
2 2 12 V ON 0%
Rata-rata Error = 0 %
(Sumber : Penulis, 2019)
4.1.7 LCD I2C dengan arduino
Pada Tugas Akhir ini menggunakan bantuan LCD I2C 20X4 sebagai
tampilan display untuk memonitoring klasifikasi level gas yang keluar. LCD
display 20x4 ini dilengkapi I2C untuk memudahkan menampilkan data pada
LCD display.
Gambar 4.14 Rangkaian arduino dengan LCD I2C 20X4 (Penulis, 2019)
Pada Gambar 4.14 dilakukan pengujian LCD 12C 20X4 dengan
mengetahui hasil keluaran nilai data sensor pada program arduino. Data
sensor yang ditampilkan adalah data sensor MQ2 , MQ 135, dan MQ 136.
4.2 Perhitungan PPM
Pengertian PPM (Parts Per Million) adalah jumlah bagian polutan yang ada
dalam sejuta bagian suatu gas, cairan ,ataupun udara. Berikut adalah contoh
perhitungannya :
Gambar 4.15 Rangkaian Sensor MQ sederhana (Penulis, 2019)
48
Kita dapat memperoleh rumus untuk menemukan RS menggunakan Hukum
Ohm:
V = I x R (4.1)
Di mana V adalah tegangan, I adalah arus, dan R adalah resistansi. Melihat
kembali pada rangkaian diatas, kita dapat melihat bahwa RS, yang merupakan
resistor antara pin A dan B, dan RL adalah seri. Dari Hukum Ohm, kita dapat
memperoleh I sebagai berikut:
I = V / R (4.2)
Pada gambar rangkaian diatas rumusnya menjadi sama dengan:
I = VC / (RS + RL) (4.3)
Kembali ke Gambar 4.15, kita dapat memperoleh tegangan output pada
resistor beban menggunakan nilai yang diperoleh untuk Hukum I dan Ohm.
V = I x R
VRL = [VC / (RS + RL)] x RL
VRL = (VC x RL) / (RS + RL)
Jadi sekarang kita selesaikan untuk RS:
VRL x (RS + RL) = VC x RL
(VRL x RS) + (VRL x RL) = VC x RL
(VRL x RS) = (VC x RL) - (VRL x RL)
RS = [(VC x RL) - (VRL x RL)] / VRL
RS = [(VC x RL) / VRL] - RL
Keterangan :
RS : Resistansi sensor yang berubah tergantung pada konsentrasi gas
VC : Tegangan yang masuk ke sensor (Arduino) (-+ 5 V)
VRL : Tegangan Output Rangkaian
RL : Tahanan beban pada rangkaian sensor
Rumus diatas akan membantu kita menemukan nilai resistansi sensor untuk
gas yang berbeda.
A. MQ 135
Dalam hal ini, sensor gas MQ-135 dapat mengukur NH3, NOx, alkohol,
Benzena, CO2 , dan gas-gas berbahaya lainnya.
49
Pada grafik dibawah ini memberitahu kita konsentrasi gas dalam bagian
per juta (ppm) sesuai dengan rasio resistansi sensor (RS / R0). RS adalah
resistansi sensor yang berubah tergantung pada konsentrasi gas, dan R0 adalah
resistansi sensor pada konsentrasi yang diketahui tanpa kehadiran gas lain, atau
di udara segar.
Tabel 4. 9 Data Grafik MQ 135
X Y
0.8 200
1 100
1.2 80
1.4 60
1.6 40
1.8 20
2 18
2.5 10
(Sumber : Penulis, 2019)
Gambar 4.16 Grafik Karakteristik MQ 135 (Penulis, 2019)
(4.4)
y = 116.85x-2.64
0
50
100
150
200
250
0 0.5 1 1.5 2 2.5 3
PP
M
RS/RO
Karakteristik MQ 135
y
Power (y)
50
√
Dari grafik, kita dapat melihat bahwa rasio tahanan di udara segar adalah
konstan:
Untuk menghitung R0 kita perlu menemukan nilai RS di udara segar. Ini akan
dilakukan dengan mengambil pembacaan nilai analog dari sensor dan
mengubahnya menjadi tegangan. Kemudian kita akan menggunakan rumus RS
untuk menemukan R0.
Berikut adalah perhitungan RS pada udara segar dengan RL = 1 KΩ , VC =
5V, dan VRL = 0.928 V.
RS = [(VC x RL) / VRL] – RL (4.5)
RS = [(5 x 1) / 0.928] – 1
RS = 4.38 KΩ
Maka nilai RS sudah ada , kemudian untuk mencari RO dimasukkan pada
persamaan berikut
Nilai RO sudah ditemukan, maka dapat digunakan untuk mencari nilai PPM
konsentrasi suatu gas dari keluaran sensor dan nilai RO bersifat tetap.
Sekarang mari kita menganalisis grafik:
1. Skala grafik adalah log-log. Ini berarti bahwa dalam skala linier, perilaku
konsentrasi gas sehubungan dengan rasio resistansi adalah eksponensial.
2. Data untuk konsentrasi gas hanya berkisar dari 10 ppm hingga 300 ppm.
3. Meskipun hubungan antara rasio resistansi dan konsentrasi gas mungkin
tampak linier, pada kenyataannya, tidak.
51
Pertama-tama, kita akan memperlakukan garis seolah-olah linier. Dengan
cara ini kita dapat menggunakan satu rumus yang secara linier menghubungkan
rasio dan konsentrasi. Dengan melakukan itu, kita dapat menemukan
konsentrasi gas pada nilai rasio apa pun bahkan di luar batas grafik. Rumus
yang akan kita gunakan adalah persamaan untuk sebuah garis, tetapi untuk
skala log-log. Rumus untuk sebuah baris adalah:
y = mx + b
Dimana:
y: nilai X
x: nilai X
m: Kemiringan garis
b: Y intercept
Untuk skala log-log, rumusnya terlihat seperti ini:
log (y) = m * log (x) + b (4.6)
Catatan: log adalah basis 10.
Untuk menemukan kemiringan garis (m), kita perlu memilih 2 titik dari grafik,
yaitu titik (10,2.5) dan (200,0.8) dari garis NH4. Rumus untuk menghitung m
adalah sebagai berikut:
m = [log (y) - log (y0)] / [log (x) - log (x0)] (4.7)
Jika kita menerapkan aturan hasil bagi logaritmik kita mendapatkan rumus
sebagai berikut:
m = log (y / y0) / log (x / x0)
Sekarang kita mengganti nilai untuk x, x0, y, dan y0:
m = log (0.8 / 2.5) / log (200/10)
m = -0.377
Sekarang kita memiliki m, kita dapat menghitung intercept y (b). Untuk
melakukannya, kita perlu memilih satu titik dari grafik (sekali lagi dari garis
NH4), yaitu titik (100,1)
log (y) = m * log (x) + b
b = log (y) - m * log (x) (4.8)
b = log (1) - (-0.377) * log (100)
b = 0.754
52
Sekarang kita memiliki m dan b, kita dapat menemukan konsentrasi gas untuk
setiap rasio dengan rumus berikut:
log (x) = [log (y) - b] / m (4.9)
Namun, untuk mendapatkan nilai sebenarnya dari konsentrasi gas sesuai
dengan plot log-log, kita perlu menemukan log kebalikan dari x:
x = 10 ^ [log (y) - b] / m (4.10)
x = 10 ^ [log (y) – 0.754] / (-0.377)
Berikut adalah contoh perhitungannya :
1 tetes dengan nilai bit ADC 227
VRL = (Sensor Value ADC / 1024) x 5.0
VRL = (227 / 1024) x 5
VRL = 1.108 V
RS = [(VC x RL) / VRL] - RL
RS = [(5 x 1) / 1.108] – 1
RS = 3.512
y = 2.031
x = 10 ^ [log (2.031) – 0.754] / (-0.377)
x = 10 ^ [0.308 – 0.754] / (-0.377)
x = 10 ^ [– 0.446] / (-0.377)
x = 10 ^ 1.183
x = 15.24 PPM
5 tetes dengan nilai bit ADC 261
VRL = (Sensor Value ADC / 1024) x 5.0
VRL = (261 / 1024) x 5
VRL = 1.274 V
RS = [(VC x RL) / VRL] - RL
RS = [(5 x 1) / 1.274] – 1
RS = 2.925
y = 1.692
53
x = 10 ^ [log (1.692) – 0.754] / (-0.377)
x = 10 ^ [0.228 – 0.754] / (-0.377)
x = 10 ^ [– 0.526] / (-0.377)
x = 10 ^ 1.395
x = 24.83 PPM
10 tetes dengan nilai bit ADC 453
VRL = (Sensor Value ADC / 1024) x 5.0
VRL = (453 / 1024) x 5
VRL = 2.211 V
RS = [(VC x RL) / VRL] - RL
RS = [(5 x 1) / 2.211] – 1
RS = 1.261
y = 0.729
x = 10 ^ [log (0.729) – 0.754] / (-0.377)
x = 10 ^ [-0.137 – 0.754] / (-0.377)
x = 10 ^ [– 0.891] / (-0.377)
x = 10 ^ 2.363
x = 230.67 PPM
B. MQ 2
Dalam hal ini, sensor gas MQ-2 dapat mengukur H2, LPG, alkohol,
Propana, CO , CH4, dan gas-gas berbahaya lainnya.
Pada grafik dibawah ini memberitahu kita konsentrasi gas dalam bagian
per juta (ppm) sesuai dengan rasio resistansi sensor (RS / R0). RS adalah
resistansi sensor yang berubah tergantung pada konsentrasi gas, dan R0 adalah
resistansi sensor pada konsentrasi yang diketahui tanpa kehadiran gas lain, atau
di udara segar.
54
Tabel 4. 10 Data Grafik MQ 2
X Y
0.3 10000
0.45 5000
0.6 3000
0.7 2000
0.8 1500
1 1000
1.2 800
1.5 500
2 200
(Sumber : Penulis, 2019)
Gambar 4.17 Grafik Karakteristik MQ 2 (Penulis, 2019)
(4.11)
√
Dari grafik, kita dapat melihat bahwa rasio tahanan di udara segar adalah
konstan:
y = 995.79x-2.00
0
2000
4000
6000
8000
10000
12000
0 0.5 1 1.5 2 2.5
PP
M
RS/RO
Karakteristik MQ 2
y
Power (y)
55
Untuk menghitung R0 kita perlu menemukan nilai RS di udara segar. Ini akan
dilakukan dengan mengambil pembacaan nilai analog dari sensor dan
mengubahnya menjadi tegangan. Kemudian kita akan menggunakan rumus RS
untuk menemukan R0.
Berikut adalah perhitungan RS pada udara segar dengan RL = 1 KΩ , VC =
5V, dan VRL = 0.985 V.
RS = [(VC x RL) / VRL] – RL (4.12)
RS = [(5 x 1) / 0.985] – 1
RS = 4.07 KΩ
Maka nilai RS sudah ada , kemudian untuk mencari RO dimasukkan pada
persamaan berikut
Nilai RO sudah ditemukan, maka dapat digunakan untuk mencari nilai PPM
konsentrasi suatu gas dari keluaran sensor dan nilai RO bersifat tetap.
Sekarang mari kita menganalisis grafik:
1. Skala grafik adalah log-log. Ini berarti bahwa dalam skala linier, perilaku
konsentrasi gas sehubungan dengan rasio resistansi adalah eksponensial.
2. Data untuk konsentrasi gas hanya berkisar dari 200 ppm hingga 5000 ppm.
3. Meskipun hubungan antara rasio resistansi dan konsentrasi gas mungkin
tampak linier, pada kenyataannya, tidak.
Pertama-tama, kita akan memperlakukan garis seolah-olah linier. Dengan
cara ini kita dapat menggunakan satu rumus yang secara linier menghubungkan
rasio dan konsentrasi. Dengan melakukan itu, kita dapat menemukan
konsentrasi gas pada nilai rasio apa pun bahkan di luar batas grafik. Rumus
56
yang akan kita gunakan adalah persamaan untuk sebuah garis, tetapi untuk
skala log-log. Rumus untuk sebuah baris adalah:
y = mx + b
Dimana:
y: nilai X
x: nilai X
m: Kemiringan garis
b: Y intercept
Untuk skala log-log, rumusnya terlihat seperti ini:
log (y) = m * log (x) + b (4.13)
Catatan: log adalah basis 10.
Untuk menemukan kemiringan garis (m), kita perlu memilih 2 titik dari grafik,
yaitu titik (200,2) dan (5000,0.45) dari garis H2. Rumus untuk menghitung m
adalah sebagai berikut:
m = [log (y) - log (y0)] / [log (x) - log (x0)] (4.14)
Jika kita menerapkan aturan hasil bagi logaritmik kita mendapatkan rumus
sebagai berikut:
m = log (y / y0) / log (x / x0)
Sekarang kita mengganti nilai untuk x, x0, y, dan y0:
m = log (0.45 / 2) / log (5000/200)
m = -0.463
Sekarang kita memiliki m, kita dapat menghitung intercept y (b). Untuk
melakukannya, kita perlu memilih satu titik dari grafik (sekali lagi dari garis
H2), yaitu titik (2000,0.7)
log (y) = m * log (x) + b
b = log (y) - m * log (x) (4.15)
b = log (0.7) - (-0.463) * log (2000)
b = 0.754
Sekarang kita memiliki m dan b, kita dapat menemukan konsentrasi gas untuk
setiap rasio dengan rumus berikut:
log (x) = [log (y) - b] / m (4.16)
57
Namun, untuk mendapatkan nilai sebenarnya dari konsentrasi gas sesuai
dengan plot log-log, kita perlu menemukan log kebalikan dari x:
x = 10 ^ [log (y) - b] / m
x = 10 ^ [log (y) – 0.754] / (-0.463)
Berikut adalah contoh perhitungan dengan bit ADC 99
VRL = (Sensor Value ADC / 1024) x 5.0
VRL = (99 / 1024) x 5
VRL = 0.483 V
RS = [(VC x RL) / VRL] - RL
RS = [(5 x 1) / 0.483] – 1
RS = 9.351
y = 4.189
x = 10 ^ [log (4.189) – 0.754] / (-0.463)
x = 10 ^ [0.622 – 0.754] / (-0.463)
x = 10 ^ [– 0.132] / (-0.463)
x = 10 ^ 0.285
x = 1.92 PPM
C. MQ 136
Dalam hal ini, sensor gas MQ-136 dapat mengukur H2S, CO dan gas-gas
berbahaya lainnya.
Pada grafik dibawah ini memberitahu kita konsentrasi gas dalam bagian
per juta (ppm) sesuai dengan rasio resistansi sensor (RS / R0). RS adalah
resistansi sensor yang berubah tergantung pada konsentrasi gas, dan R0 adalah
resistansi sensor pada konsentrasi yang diketahui tanpa kehadiran gas lain, atau
di udara segar.
58
Tabel 4. 11 Data Grafik MQ 136
X Y
0.6 200
0.8 100
0.9 60
1 40
1.2 20
1.5 10
(Sumber : Penulis, 2019)
Gambar 4.18 Grafik Karakteristik MQ 136 (Penulis, 2019)
(4.17)
√
Dari grafik, kita dapat melihat bahwa rasio tahanan di udara segar adalah
konstan:
y = 40.00x-3.38
0
50
100
150
200
250
0 0.5 1 1.5 2
PP
M
RS/RO
Karakteristik MQ 136
y
Power (y)
59
Untuk menghitung R0 kita perlu menemukan nilai RS di udara segar. Ini akan
dilakukan dengan mengambil pembacaan nilai analog dari sensor dan
mengubahnya menjadi tegangan. Kemudian kita akan menggunakan rumus RS
untuk menemukan R0.
Berikut adalah perhitungan RS pada udara segar dengan RL = 1 KΩ , VC =
5V, dan VRL = 2.246 V.
RS = [(VC x RL) / VRL] – RL (4.18)
RS = [(5 x 1) / 2.246] – 1
RS = 1.226 KΩ
Maka nilai RS sudah ada , kemudian untuk mencari RO dimasukkan pada
persamaan berikut
Nilai RO sudah ditemukan, maka dapat digunakan untuk mencari nilai PPM
konsentrasi suatu gas dari keluaran sensor dan nilai RO bersifat tetap.
Sekarang mari kita menganalisis grafik:
4. Skala grafik adalah log-log. Ini berarti bahwa dalam skala linier, perilaku
konsentrasi gas sehubungan dengan rasio resistansi adalah eksponensial.
5. Data untuk konsentrasi gas hanya berkisar dari 1 ppm hingga 100 ppm.
6. Meskipun hubungan antara rasio resistansi dan konsentrasi gas mungkin
tampak linier, pada kenyataannya, tidak.
Pertama-tama, kita akan memperlakukan garis seolah-olah linier. Dengan
cara ini kita dapat menggunakan satu rumus yang secara linier menghubungkan
rasio dan konsentrasi. Dengan melakukan itu, kita dapat menemukan
konsentrasi gas pada nilai rasio apa pun bahkan di luar batas grafik. Rumus
yang akan kita gunakan adalah persamaan untuk sebuah garis, tetapi untuk
skala log-log. Rumus untuk sebuah baris adalah:
y = mx + b
60
Dimana:
y: nilai X
x: nilai X
m: Kemiringan garis
b: Y intercept
Untuk skala log-log, rumusnya terlihat seperti ini:
log (y) = m * log (x) + b (4.19)
Catatan: log adalah basis 10.
Untuk menemukan kemiringan garis (m), kita perlu memilih 2 titik dari grafik,
yaitu titik (10,1.5) dan (100,0.8) dari garis H2S. Rumus untuk menghitung m
adalah sebagai berikut:
m = [log (y) - log (y0)] / [log (x) - log (x0)] (4.20)
Jika kita menerapkan aturan hasil bagi logaritmik kita mendapatkan rumus
sebagai berikut:
m = log (y / y0) / log (x / x0)
Sekarang kita mengganti nilai untuk x, x0, y, dan y0:
m = log (0.8 / 1.5) / log (100/10)
m = -0.273
Sekarang kita memiliki m, kita dapat menghitung intercept y (b). Untuk
melakukannya, kita perlu memilih satu titik dari grafik (sekali lagi dari garis
H2S), yaitu titik (60,0.9)
log (y) = m * log (x) + b
b = log (y) - m * log (x) (4.21)
b = log (0.9) - (-0.273) * log (60)
b = 0.439
Sekarang kita memiliki m dan b, kita dapat menemukan konsentrasi gas untuk
setiap rasio dengan rumus berikut:
log (x) = [log (y) - b] / m (4.22)
Namun, untuk mendapatkan nilai sebenarnya dari konsentrasi gas sesuai
dengan plot log-log, kita perlu menemukan log kebalikan dari x:
x = 10 ^ [log (y) - b] / m
61
x = 10 ^ [log (y) – 0.439] / (-0.273)
Berikut adalah contoh perhitungan dengan bit ADC 349
VRL = (Sensor Value ADC / 1024) x 5.0
VRL = (349 / 1024) x 5
VRL = 1.704 V
RS = [(VC x RL) / VRL] - RL
RS = [(5 x 1) / 1.704] – 1
RS = 1.934
y = 4.706
x = 10 ^ [log (4.706) – 0.439] / (-0.273)
x = 10 ^ [0.672 – 0.439] / (-0.273)
x = 10 ^ [0.233] / (-0.273)
x = 10 ^ (-0.853)
x = 0.14 PPM
4.3 Desain NN untuk Klasifikasi Gas
Pada Tugas Akhir ini digunakan metode Neural Network dengan
Algoritma Backpropagation untuk mengklasifikasi jenis dan level gas. Maka
dilakukan pengujian untuk mengambil keputusan berdasarkan data training.
Terdapat dua training yang akan dilakukan, yang pertama adalah training
untuk klasifikasi gas yang keluar. Data training tersebut memiliki 3 input
yang berupa data sensor MQ 2, MQ 135, MQ 136 dan memiliki 3output
berupa jenis gas yaitu H2O2, NH3, dan H2SO4 dengan 2 hidden layer yang
masing-masing memiliki 10 neuron. Pada training yang kedua digunakan
untuk klasifikasi level gas. Untuk data training klaifikasi level memiliki 3
input berupa data sensor MQ 2, MQ 135, MQ 136 dan memiliki 3 output
berupa jumlah tetes yaitu 1 tetes, 5 tetes, dan 10 tetes . Jumlah tetes tersebut
menunjukkan kondisi kecil, sedang, dan bahaya.
62
4.3.1 Proses Training NN
A. Data Input Output
Pada saat training menggunakan metode Neural Network,dataset
untuk data training yang digunakan pada 3 input masing-masing
memiliki data sebanyak 100 data. Untuk 3 Output yang dimiliki pada
saat pengujian jenis gas memiliki masing-masing 100 data, dan pada
pengujian Level gas memiliki 3 output yang masing-masing terdapat
100 data training yang ditunjukkan pada tabel 4.9 . Data training yang
lebih lengkap dapat dilihat pada lampiran.
Tabel 4.12 Data Input Output
Data Training
Input MQ 2
100 data
MQ 135
MQ 136
Output H2O2
100 data
NH3
H2SO4
1 Tetes
5 Tetes
10 Tetes
(Sumber : Penulis, 2019)
B. Struktur NN
Pada proses training metode Neural Network ini, telah dilakukan 3
fungsi percobaan data training untuk mendapatkan hasil klasifikasi gas
dan level gas yang tepat. 3 fungsi proses data training NN tersebut
meliputi :
1. FeedForwardBackProp_Gas
Pada proses training ini dilakukan untuk mendapatkan hasil klasifikasi
jenis gas yang diinginkan. Mempunyai 3 input, 3 output, dan 2 hidden
layer yang dapat dilihat pada gambar 4.19.
63
A1
A2
A3
A4
A10
B1
B2
B3
B4
B10
C1
C2
C3
Y2X2
X1
X3
Y1
Y3
Gambar 4.19 Diagram NN FeedForwardBackProp_Gas (Penulis, 2019)
Terdapat 3 input yaitu nilai sensor MQ 2, MQ 135, MQ 136 dan 3
hidden layer yang masing-masing memiliki 10 neuron pada hidden
layer 1 dan hidden layer 2, sedangkan pada hidden layer 3 memiliki 3
neuron, serta memiliki 3 output yaitu NH3(Ammonia), H2O2, dan
H2SO4 (Asam Sulfat).
2. FeedForwardBackProp_Indicator
Pada proses training ini dilakukan untuk mendapatkan hasil klasifikasi
level gas yang diinginkan. Mempunyai 6 input, 3 output, dan 2 hidden
layer yang dapat dilihat pada gambar 4.20.
A1
A2
A3
A4
A10
B1
B2
B3
B4
B10
C1
C2
C3
Y2X4
X3
X5
Y1
Y3
X2
X1
X6
Gambar 4.20 Diagram NN FeedForwardBackProp_Indicator (Penulis, 2019)
Terdapat 6 input yaitu nilai sensor MQ 2, MQ 135, MQ 136, H2O2,
H2SO4,NH3 dan 3 hidden layer yang masing-masing memiliki 10
64
neuron pada hidden layer 1 dan hidden layer 2, sedangkan pada
hidden layer 3 memiliki 3 neuron, serta memiliki 3 output yaitu kecil,
sedang, dan bahaya.
3. FeedForwardBackProp_Level
Untuk memperbaiki fungsi FeedForwardBackProp_Indicator diatas
maka dibuatlah fungsi proses training ini untuk mendapatkan hasil
klasifikasi level gas yang diinginkan. Mempunyai 3 input, 3 output,
dan 2 hidden layer yang dapat dilihat pada gambar 4.21.
A1
A2
A3
A4
A10
B1
B2
B3
B4
B10
C1
C2
C3
Y2X2
X1
X3
Y1
Y3
Gambar 4.21 Diagram NN FeedForwardBackProp_Level (Penulis, 2019)
Terdapat 3 input yaitu nilai sensor MQ 2, MQ 135, MQ 136 dan 3
hidden layer yang masing-masing memiliki 10 neuron pada hidden
layer 1 dan hidden layer 2, sedangkan pada hidden layer 3 memiliki 3
neuron, serta memiliki 3 output yaitu kecil,sedang, dan bahaya.
C. Contoh Perhitungan Metode Neural Network menggunakan
Algoritma Backpropagation
Penggunaan Metode Neural Network ini sebagai proses training data
dengan nilai yang didapatkan sebagai input kemudian ditraining
berulang kali untuk mendapatkan bobot baru sehingga menghasilkan
output yang sesuai. Terdapat 3 proses tahapan pada training data ini,
yaitu tahap forward, backward, dan perubahan bobot.
1. Forward
65
Pada tahap ini data input dapat dihitung dengan Persamaan
4.23 sebagai berikut :
𝑦 ( ∑
) (4.23)
dimana 𝑦 merupakan output, merupakan bias, merupakan
activation function dan ∑ merupakan sigma dari bobot
sementara dikali dengan input. Rumus tersebut merupakan contoh
simple pada 1 hiden layer .
2. Backward
Sedangkan untuk tahap ini terdapat beberapa tahap didalamnya.
Tahap pertama digunakan Persamaan 4.24 sebagai berikut :
𝛿 ( ) (4.24)
Dimana merupakan target output sedangkan yk adalah output
sementara yang telah dihitung. Sedangkan merupakan common
activation function. Kemudian dari hasil tersebut dilanjutkan
dengan persamaan 4.25 dimana bias bernilai 1 sebagai berikut :
𝑡
𝑡 𝑡
(4.25)
3. Perubahan Bobot
. Kemudian dari hasil tersebut dilanjutkan ke fase perubahan bobot
dengan Persamaan 4.26 sebagai berikut :
(4.26)
66
Setelah didapatkan bobot baru dilakukan perulangan
perhitungan menggunakan forward dan backward hingga input dan
output sesuai dengan yang diharapkan.
Berikut adalah contoh perhitungan sederhana backpropagation dalam
proses training data untuk mendapatkan bobot. Sebagai contoh
digunakan 1 input dan 1 output dengan 2 hidden layer dimana masing –
masing memiliki 1 buah neuron. Dapat dilihat pada Gambar 4.22 sebagai
berikut :
x LogsigW1 LogsigV1 tk
1 1
Gambar 4.22 Diagram Back Propagation (Penulis, 2019)
Dari diagram diatas merupakan input bernilai 0.5 , dan 𝑡
merupakan output bernilai 0.2. Sedangkan untuk bernilai 0.2 ,
bernilai 0.3 , bernilai 0.4 , bernilai 0.5.
Forward
∗ ∗
( ) ( )
∗ ∗ ∗ ∗
𝑦 ( ) ( )
Backward
( ) ∗ ( ( )) ∗
𝛿 ( ) ∗ ( ) ∗
∗ 𝛿 ∗ ∗ ∗
∗ 𝛿 ∗ ∗ ∗
𝛿 ∗ ∗
∗ ( ∗ ( ))
∗ ∗ ∗ ∗
67
∗ ∗ ∗ ∗
Fase perubahan bobot
Setelah dilakukan perulangan beberapa kali, tercapai yk = 0.2000
dengan nilai bobot baru.
D. Hasil Training NN (Neural Network)
Pada tugas akhir ini proses training data menggunakan toolbox NN
(Backpropagation) yang ada di Matlab dengan mencoba 3 fungsi yang
telah dibuat.
1. FeedForwardBackProp_Gas
Fungsi yang pertama adalah fungsi FeedForwardBackProp_Gas untuk
klasifikasi gas dengan input sebanyak 3 neuron,output sebanyak 3 neuron,
menggunakan 3 hiden layer dengan 2 hidden layer memiliki masing-
masing 10 neuron dan 1 hidden layer memiliki 3 neuron. Proses training
data ini dilakukan 2 kali training dengan epoch yang paling baik yaitu 79
iterasi yang dapat dilihat pada Gambar 4.23 sebagai berikut :
Gambar 4.23 Proses Training Data FeedForwardBackProp_Gas (Penulis, 2019)
68
Setelah proses tersebut didapatkan bobot (LW,IW, dan b) . LW1
dengan matrix ukuran 10x10 dan untuk LW2 dengan matrix ukuran 3x10.
Untuk nilai IW dihasilkan matrix ukuran 10x3. Sedangkan untuk bias
dihasilkan bias1 dengan matrix ukuran 10x1, bias2 dengan matrik ukuran
10x1 dan bias3 dengan matrix ukuran 3x1.
2. FeedForwardBackProp_Indicator
Fungsi yang kedua adalah fungsi FeedForwardBackProp_Indicator untuk
klasifikasi level gas dengan input sebanyak 6 neuron, output sebanyak 3
neuron, menggunakan 3 hiden layer dengan 2 hidden layer memiliki
masing-masing 10 neuron dan 1 hidden layer memiliki 3 neuron. Proses
training data ini dilakukan sebanyak 13 kali training dan pada training ke
13 menunjukkan hasil yang paling baik dengan epoch yaitu 52 iterasi
yang dapat dilihat pada Gambar 4.24 sebagai berikut :
Gambar 4.24 Proses Training Data FeedForwardBackProp_Indicator (Penulis, 2019)
Setelah proses tersebut didapatkan bobot (LW,IW, dan b) . LW1
dengan matrix ukuran 10x10 dan untuk LW2 dengan matrix ukuran 3x10.
Untuk nilai IW dihasilkan matrix ukuran 10x6. Sedangkan untuk bias
dihasilkan bias1 dengan matrix ukuran 10x1, bias2 dengan matrik ukuran
10x1 dan bias3 dengan matrix ukuran 3x1.
Namun pada saat dilakukan proses testing terdapat kesalahan
klasifikasi untuk data index ke 81 hingga 90, dimana yang seharusnya
berada pada level 3 tetapi malah masuk level 0, sehingga diperbaiki
69
dengan fungsi FeedForwardBackProp_Level. Berikut adalah data index
kesalahan klasifikasi yang akan ditunjukkan pada gambar 4.25.
Gambar 4.25 Data kesalahan klasifikasi indicator (Penulis, 2019)
3. FeedForwardBackProp_Level
Fungsi yang ketiga adalah fungsi FeedForwardBackProp_Level digunakan
untuk memperbaiki fungsi sebelumnya yaitu fungsi
FeedForwardBackProp_Indicator yang masih memiliki kesalahan dalam
klasifikasi. Fungsi FeedForwardBackProp_Level ini untuk klasifikasi
level gas dengan input sebanyak 3 neuron, output sebanyak 3 neuron,
menggunakan 3 hiden layer dengan 2 hidden layer memiliki masing-
masing 10 neuron dan 1 hidden layer memiliki 3 neuron. Proses training
data ini dilakukan sebanyak 3 kali training dan pada training ke 3
menunjukkan hasil yang paling baik dengan epoch yaitu 10 iterasi yang
dapat dilihat pada Gambar 4.26 sebagai berikut :
Gambar 4.26 Proses Training Data FeedForwardBackProp_Level (Penulis, 2019)
70
Setelah proses tersebut didapatkan bobot (LW,IW, dan b) . LW1
dengan matrix ukuran 10x10 dan untuk LW2 dengan matrix ukuran 3x10.
Untuk nilai IW dihasilkan matrix ukuran 10x3. Sedangkan untuk bias
dihasilkan bias1 dengan matrix ukuran 10x1, bias2 dengan matrik ukuran
10x1 dan bias3 dengan matrix ukuran 3x1.
E. Bobot dan Bias
Setelah dilakukan proses training data ,maka akan muncul nilai bobot
dan bias baru yang akan digunakan pada proses testing data selanjutnya
untuk mengetahui klasifikasi jenis gas dan level gas dengan 3 fungsi
training data yang sebelumnya telah dilakukan training dan dapat dilihat
pada data dibawah ini:
1. FeedForwardBackProp_Gas
Terdapat 3 nilai bobot dan bias baru pada fungsi
FeedForwardBackProp_Gas yaitu nilai IW , LW , dan b dengan ukuran
matrikx masing-masing. Berikut adalah data nilai nya:
Nilai IW
Nilai IW merupakan matriks MxN yang menyatakan bobot
pada layer tersembunyi. M adalah jumlah neuron dalam layer tersembunyi.
N adalah jumlah masukan.
71
Tabel 4.13 Data IW Gas
IW FeedForwardBackProp_Gas.IW1,1
1.9524 -2.0875 0.9704
1.4037 1.6096 -2.0618
-5.9071 6.4565 0.6910
1.9719 -0.1544 2.5186
1.1162 2.4091 1.5225
-2.0595 -1.7446 1.3346
-2.2503 -0.5223 1.9638
-0.8661 3.6616 -1.4258
2.3126 0.5958 0.4183
3.3408 0.8935 -1.1331
(Sumber : Penulis, 2019)
Nilai LW
Nilai LW merupakan Matriks LxM yang menyatakan bobot pada
layer keluaran. L adalah jumlah neuron pada layer keluaran. M adalah
jumlah neuron dalam layer tersembunyi.
Tabel 4.14 Data LW1 Gas
LW FeedForwardBackProp_Gas.LW2,1
0.4722 -0.0794 -0.4912 0.4839 0.6654 -0.2858 -0.8297 -0.7175 -0.1260 -0.8469
-0.7784 -0.2059 0.3035 -0.3831 -0.3904 0.5326 -0.7308 0.4898 -0.6662 0.7670
0.0411 1.0616 2.6324 -0.3045 0.3788 0.2504 0.2649 0.4074 -0.9981 -1.7693
-1.3108 0.1403 -5.2672 1.0599 0.2088 -0.2051 0.0876 -1.6131 1.8007 1.7090
-0.7798 -0.6425 -1.9567 1.1713 1.1860 0.7475 0.6467 -1.1791 -0.3372 0.7474
-0.0370 -0.7081 -3.1242 1.0261 -0.2382 -0.0739 -0.7725 -1.0661 1.3008 1.5861
0.3567 -0.1760 0.9885 -0.0250 -0.8246 0.9210 0.2231 -0.7848 -0.2768 -0.9908
-0.4101 0.3603 -3.4449 -0.6907 -0.2910 0.2737 -0.3532 -0.9081 1.2480 0.0487
0.8629 0.4234 -0.2656 -1.1607 -0.3428 -0.2356 -1.0354 0.3050 -0.8271 -0.4761
-1.1449 0.4454 -0.5195 -1.2669 -0.8085 0.4227 -0.3289 0.5561 -0.2815 0.6304
(Sumber : Penulis, 2019)
72
Tabel 4.15 Data LW2 Gas
LW FeedForwardBackProp_Gas.LW3,2
0.7434 -1.2362 3.0758 -6.2661 -2.7338 -3.9836 0.4431 -3.5148 0.0168 0.5604
1.4379 -1.3390 -0.4677 1.1802 -1.4542 -0.4292 -2.2900 2.5549 0.6708 0.5970
-0.8051 -0.4126 0.3684 0.6515 1.0605 0.5495 -1.0734 -1.5275 -1.6277 -2.4835
(Sumber : Penulis, 2019)
Nilai b
Nilai b merupakan Matriks yang menyatakan bobot bias pada layer
tersembunyi dan layer keluaran.
Tabel 4.16 Data B(bias) Gas
b1,1 b2,1 b3,1
-3.035 -1.8156 0.6695
-2.4164 1.3858 -0.7059
1.4211 0.4295 -1.3028
-0.2795 1.0352
-0.1467 0.3885
-0.5897 0.8923
-0.6963 0.6554
1.5373 -0.9831
2.9385 1.3343
2.9969 -1.6749
(Sumber : Penulis, 2019)
2. FeedForwardBackProp_Indicator
Terdapat 3 nilai bobot dan bias baru pada fungsi
FeedForwardBackProp_Indicator yaitu nilai IW , LW , dan b dengan
ukuran matrikx masing-masing. Berikut adalah data nilai nya:
73
Nilai IW
Nilai IW merupakan matriks MxN yang menyatakan bobot
pada layer tersembunyi. M adalah jumlah neuron dalam layer tersembunyi.
N adalah jumlah masukan.
Tabel 4.17 Data IW Indicator
IW FeedForwardBackProp_Indicator.IW1,1
0.9623 -0.6975 0.4944 1.2019 0.5637 -0.5708
-0.5354 -0.8615 -1.0405 0.8993 -0.8223 -0.6277
-12.5606 1.9993 6.8866 -0.5767 3.5667 -0.9677
-0.2923 -1.5215 -1.0751 -0.0315 0.2536 -1.0185
-1.0683 -1.5543 0.1547 2.0887 -0.4632 0.7065
-2.3308 -9.8377 -0.1178 -2.6310 4.3036 1.4812
1.1114 -0.2670 -0.5990 1.0493 1.1770 -1.1062
2.3536 1.2468 1.0801 1.2851 0.0821 -0.2753
0.2321 1.1482 1.0513 1.4573 1.7437 -1.5846
-2.6693 -8.4931 4.6936 0.4967 0.8546 -1.7221
(Sumber : Penulis, 2019)
Nilai LW
Nilai LW merupakan Matriks LxM yang menyatakan bobot pada
layer keluaran. L adalah jumlah neuron pada layer keluaran. M adalah
jumlah neuron dalam layer tersembunyi.
74
Tabel 4.18 Data LW 1 Indicator
LW FeedForwardBackProp_Indicator.LW2,1
-0.3937 -0.4361 -2.6570 0.1047 -2.2451 -4.3717 -1.2252 -0.8431 -1.1190 0.0361
0.9747 -0.6095 -1.3357 0.0210 1.1052 -0.6302 1.2013 -0.2863 0.5702 0.1481
-0.3681 -0.2136 0.6576 0.3647 0.8361 -0.2155 0.5709 2.4943 -1.4970 0.9682
-0.5551 1.3360 -0.7489 0.2956 0.5358 1.0506 0.4269 -1.0179 -0.5429 0.3361
0.3250 -0.5021 11.2740 0.0676 -1.6522 6.5339 0.7860 -1.2403 0.3822 -0.3502
0.6192 -0.4054 1.1873 0.6042 0.4077 3.5365 0.0019 -0.6775 -1.0808 -0.2178
0.1852 -0.5832 -0.4738 0.2783 -0.8886 0.5285 0.9058 0.4147 1.0080 0.4360
1.4325 -1.9229 -7.2560 -1.6811 -1.3494 7.8524 -0.4024 2.2280 -2.4970 9.3059
-0.9214 -0.1311 -2.1747 -0.3850 -0.5742 0.3505 0.7914 -0.6342 1.0287 -0.9697
0.9122 -0.4144 -0.0184 0.6697 -0.2473 -1.0479 0.8230 -0.0687 -0.4331 -0.1429
(Sumber : Penulis, 2019)
Tabel 4.19 Data LW 2 Indicator
LW FeedForwardBackProp_Indicator.LW3,2
1.7899 3.7137 -3.3037 2.5729 -4.8574 -0.6864 0.9621 -3.4761 -0.5992 3.7206
-3.1799 1.2287 -0.3841 -1.0311 8.4263 1.1231 -0.7329 -9.7286 -1.7472 1.5934
-5.0803 2.3642 -3.0040 -0.0892 -7.8991 2.9460 1.0123 11.3190 1.9316 2.1489
(Sumber : Penulis, 2019)
Nilai b
Nilai b merupakan Matriks yang menyatakan bobot bias pada layer
tersembunyi dan layer keluaran.
75
Tabel 4.20 Data B(bias) Indicator
b1,1 b2,1 b3,1
-2.3875 1.7489 -1.6584
1.9491 -1.4929 -2.4278
-1.0579 1.1585 -0.9131
0.5265 0.6219
-1.3925 0.0781
-3.4889 0.4736
0.7416 -1.0321
-0.3531 -3.1581
1.4033 -0.9278
-1.6436 -2.8862
(Sumber : Penulis, 2019)
3. FeedForwardBackProp_Level
Terdapat 3 nilai bobot dan bias baru pada fungsi
FeedForwardBackProp_Level yaitu nilai IW , LW , dan b dengan
ukuran matrikx masing-masing. Berikut adalah data nilai nya:
Nilai IW
Nilai IW merupakan matriks MxN yang menyatakan bobot
pada layer tersembunyi. M adalah jumlah neuron dalam layer tersembunyi.
N adalah jumlah masukan.
76
Tabel 4.21 Data IW Level
IW FeedForwardBackProp_Level.IW1,1
-1.6713 2.3615 -0.9111
-2.6136 -0.4958 7.0208
2.9109 -0.7369 2.1842
6.2292 -8.2236 -0.4673
-0.8529 3.4694 1.1109
-1.6239 -3.5785 2.3110
-4.8223 -7.2306 2.8812
0.7142 -1.7722 -3.4371
9.5065 2.5585 -6.1899
8.2374 1.7007 -4.1174
(Sumber : Penulis, 2019)
Nilai LW
Nilai LW merupakan Matriks LxM yang menyatakan bobot pada
layer keluaran. L adalah jumlah neuron pada layer keluaran. M adalah
jumlah neuron dalam layer tersembunyi.
Tabel 4.22 Data LW 1 Level
LW FeedForwardBackProp_Level.LW2,1
0.1944 -5.3714 -0.7548 1.7927 -0.1151 -2.6819 3.3657 0.7873 -3.8309 -3.3102
-0.1443 -0.1785 0.4164 0.1837 -1.9324 -0.5475 0.1349 0.8399 -0.2481 -0.5243
0.0378 0.8991 -0.5184 -0.9543 -0.6832 -0.4621 0.4326 0.4016 0.4381 0.5190
-1.9016 3.8597 0.5407 7.0999 -0.1209 2.5995 -0.5143 0.9039 3.9407 3.0987
-1.1755 -0.9469 1.9957 0.4154 1.1157 -0.8962 -1.7130 -0.7590 -0.6252 -0.0740
1.3786 2.4041 2.2619 6.3657 1.7883 -1.6617 7.0891 -1.9441 2.3473 1.2547
-1.1159 -1.1675 0.2528 -1.2104 0.2817 0.9472 0.9664 0.7838 -0.4122 -0.1234
1.3880 5.5753 -0.1520 -3.9980 2.4204 1.4770 -0.5184 -3.4870 -9.8372 -7.8797
-0.8977 -1.0303 -0.7797 1.0140 0.7038 -0.0773 -0.4899 0.0523 0.0427 -0.1314
-1.0306 -0.2974 0.1869 0.5019 0.2742 -0.0755 -0.0094 0.8370 -1.4648 -0.0865
(Sumber : Penulis, 2019)
77
Tabel 4.23 Data LW 2 Level
LW FeedForwardBackProp_Level.LW3,2
-8.4992 1.4541 -2.2693 1.5406 -1.5886 0.0427 2.6449 -3.6730 2.5159 1.9758
0.1871 -1.2681 -0.6015 -5.9204 -2.8722 -8.5287 0.0877 8.7780 -0.3736 -0.1738
6.6012 -2.6869 -2.4990 -7.7032 6.7096 7.1643 2.1361 -9.4274 2.8091 2.7491
(Sumber : Penulis, 2019)
Nilai b
Nilai b merupakan Matriks yang menyatakan bobot bias pada layer
tersembunyi dan layer keluaran.
Tabel 4.24 Data B(bias) Level
b1,1 b2,1 b3,1
2.992 -1.7242 -1.1011
3.2875 1.7898 -0.3581
-1.4106 1.1311 -1.3965
-2.5595 -1.0528
-0.574 -0.4718
-1.119 0.8009
-0.8882 -1.3643
1.327 1.7316
6.0923 -1.4219
6.0866 -2.6298
(Sumber : Penulis, 2019)
4.4 Pengujian NN untuk Klasififkasi Gas
Pada Tugas Akhir ini digunakan metode Neural Network. Pengujian ini
dilakukan untuk mengklasifikasi jenis dan level gas berdasarkan data training
dengan 3 input data yaitu dari nilai sensor MQ 2, MQ 135, dan MQ 136 yang
digunakan untuk membaca data yang dikeluarkan saat mendeteksi gas. Pengujian
dilakukan dengan menggunakan MATLAB.
78
4.4.1 Pengujian Jenis Gas
Tabel 4.25 Data Hasil Pengujian Jenis Gas
No. Jenis Gas Target Output Error Keterangan
1
H2O2
(1 0 0) (1 0 0) 0% Sesuai
2 (1 0 0) (1 0 0) 0% Sesuai
3 (1 0 0) (1 0 0) 0% Sesuai
4 (1 0 0) (1 0 0) 0% Sesuai
5 (1 0 0) (1 0 0) 0% Sesuai
6 (1 0 0) (1 0 0) 0% Sesuai
7 (1 0 0) (1 0 0) 0% Sesuai
8 (1 0 0) (1 0 0) 0% Sesuai
9 (1 0 0) (1 0 0) 0% Sesuai
10 (1 0 0) (1 0 0) 0% Sesuai
11
H2SO4
(0 1 0) (0 1 0) 0% Sesuai
12 (0 1 0) (0 1 0) 0% Sesuai
13 (0 1 0) (0 1 0) 0% Sesuai
14 (0 1 0) (0 1 0) 0% Sesuai
15 (0 1 0) (0 1 0) 0% Sesuai
16 (0 1 0) (0 1 0) 0% Sesuai
17 (0 1 0) (0 1 0) 0% Sesuai
18 (0 1 0) (0 1 0) 0% Sesuai
19 (0 1 0) (0 1 0) 0% Sesuai
20 (0 1 0) (0 1 0) 0% Sesuai
21
NH3
(0 0 1) (0 0 1) 0% Sesuai
22 (0 0 1) (0 0 1) 0% Sesuai
23 (0 0 1) (0 0 1) 0% Sesuai
24 (0 0 1) (0 0 1) 0% Sesuai
25 (0 0 1) (0 0 1) 0% Sesuai
26 (0 0 1) (0 0 1) 0% Sesuai
27 (0 0 1) (0 0 1) 0% Sesuai
28 (0 0 1) (0 0 1) 0% Sesuai
29 (0 0 1) (0 0 1) 0% Sesuai
30 (0 0 1) (0 0 1) 0% Sesuai
(Sumber : Penulis, 2019)
Dari percobaan yang telah dilakukan, 30 kali menggunakan metode Neural
Network (NN), hasil yang didapatkan yaitu pengujian NN untuk klasifikasi jenis
gas yang sesuai sebanyak 30 percobaan, jadi untuk tingkat keberhasilannya
79
sebesar 100%.Dengan kata lain metode dapat mengklasifikasi jenis gas dengan
baik.
4.4.2 Pengujian Level Gas
Tabel 4.26 Data Hasil Pengujian Level Gas pada H2O2
No. Level Gas Target Output Error Keterangan
1
Tidak Berbahaya
(Kecil)
(1 0 0) (1 0 0) 0% Sesuai
2 (1 0 0) (1 0 0) 0% Sesuai
3 (1 0 0) (1 0 0) 0% Sesuai
4 (1 0 0) (1 0 0) 0% Sesuai
5 (1 0 0) (1 0 0) 0% Sesuai
6 (1 0 0) (1 0 0) 0% Sesuai
7 (1 0 0) (1 0 0) 0% Sesuai
8 (1 0 0) (1 0 0) 0% Sesuai
9 (1 0 0) (1 0 0) 0% Sesuai
10 (1 0 0) (1 0 0) 0% Sesuai
11
Harap Hati-Hati
(Sedang)
(0 1 0) (0 1 0) 0% Sesuai
12 (0 1 0) (0 1 0) 0% Sesuai
13 (0 1 0) (0 1 0) 0% Sesuai
14 (0 1 0) (0 1 0) 0% Sesuai
15 (0 1 0) (0 1 0) 0% Sesuai
16 (0 1 0) (0 1 0) 0% Sesuai
17 (0 1 0) (0 1 0) 0% Sesuai
18 (0 1 0) (0 1 0) 0% Sesuai
19 (0 1 0) (0 1 0) 0% Sesuai
20 (0 1 0) (1 0 0) 100% Tidak Sesuai
21
Berbahaya (Bahaya)
(0 0 1) (0 1 0) 100% Tidak Sesuai
22 (0 0 1) (0 1 0) 100% Tidak Sesuai
23 (0 0 1) (0 1 0) 100% Tidak Sesuai
24 (0 0 1) (0 1 0) 100% Tidak Sesuai
25 (0 0 1) (0 1 0) 100% Tidak Sesuai
26 (0 0 1) (0 0 1) 0% Sesuai
27 (0 0 1) (0 0 1) 0% Sesuai
28 (0 0 1) (0 0 1) 0% Sesuai
29 (0 0 1) (0 1 0) 100% Tidak Sesuai
30 (0 0 1) (0 1 0) 100% Tidak Sesuai
(Sumber : Penulis, 2019)
80
Gambar 4.27 Interface Pengujian Level Gas pada H2O2 (Penulis, 2019)
Tabel 4.27 Data Hasil Pengujian Level Gas pada NH3
No. Level Gas Target Output Error Keterangan
1
Tidak Berbahaya
(Kecil)
(1 0 0) (1 0 0) 0% Sesuai
2 (1 0 0) (1 0 0) 0% Sesuai
3 (1 0 0) (1 0 0) 0% Sesuai
4 (1 0 0) (1 0 0) 0% Sesuai
5 (1 0 0) (1 0 0) 0% Sesuai
6 (1 0 0) (1 0 0) 0% Sesuai
7 (1 0 0) (1 0 0) 0% Sesuai
8 (1 0 0) (1 0 0) 0% Sesuai
9 (1 0 0) (1 0 0) 0% Sesuai
10 (1 0 0) (1 0 0) 0% Sesuai
11
Harap Hati-Hati
(Sedang)
(0 1 0) (0 1 0) 0% Sesuai
12 (0 1 0) (0 1 0) 0% Sesuai
13 (0 1 0) (0 1 0) 0% Sesuai
14 (0 1 0) (0 1 0) 0% Sesuai
15 (0 1 0) (0 1 0) 0% Sesuai
16 (0 1 0) (0 1 0) 0% Sesuai
17 (0 1 0) (0 1 0) 0% Sesuai
18 (0 1 0) (0 1 0) 0% Sesuai
19 (0 1 0) (0 1 0) 0% Sesuai
20 (0 1 0) (0 1 0) 0% Sesuai
21
Berbahaya (Bahaya)
(0 0 1) (0 0 1) 0% Sesuai
22 (0 0 1) (0 0 1) 0% Sesuai
23 (0 0 1) (0 0 1) 0% Sesuai
81
Tabel 4.27 Data Hasil Pengujian Level Gas pada NH3 (Lanjutan)
24
Berbahaya (Bahaya)
(0 0 1) (0 0 1) 0% Sesuai
25 (0 0 1) (0 0 1) 0% Sesuai
26 (0 0 1) (0 0 1) 0% Sesuai
27 (0 0 1) (0 0 1) 0% Sesuai
28 (0 0 1) (0 0 1) 0% Sesuai
29 (0 0 1) (0 0 1) 0% Sesuai
30 (0 0 1) (0 0 1) 0% Sesuai
(Sumber : Penulis, 2019)
Gambar 4.28 Interface Pengujian Level Gas pada NH3 (Penulis, 2019)
Tabel 4.28 Data Hasil Pengujian Level Gas pada H2SO4
No. Level Gas Target Output Error Keterangan
1
Tidak Berbahaya
(Kecil)
(1 0 0) (1 0 0) 0% Sesuai
2 (1 0 0) (1 0 0) 0% Sesuai
3 (1 0 0) (1 0 0) 0% Sesuai
4 (1 0 0) (1 0 0) 0% Sesuai
5 (1 0 0) (1 0 0) 0% Sesuai
6 (1 0 0) (1 0 0) 0% Sesuai
7 (1 0 0) (1 0 0) 0% Sesuai
8 (1 0 0) (1 0 0) 0% Sesuai
9 (1 0 0) (1 0 0) 0% Sesuai
10 (1 0 0) (1 0 0) 0% Sesuai
11 Harap Hati-Hati
(Sedang)
(0 1 0) (0 1 0) 0% Sesuai
12 (0 1 0) (0 1 0) 0% Sesuai
82
Tabel 4.28 Data Hasil Pengujian Level Gas pada H2SO4 (Lanjutan)
13
Harap Hati-Hati
(Sedang)
(0 1 0) (1 0 0) 100% Tidak Sesuai
14 (0 1 0) (1 0 0) 100% Tidak Sesuai
15 (0 1 0) (0 1 0) 0% Sesuai
16 (0 1 0) (0 1 0) 0% Sesuai
17 (0 1 0) (0 1 0) 0% Sesuai
18 (0 1 0) (0 1 0) 0% Sesuai
19 (0 1 0) (0 1 0) 0% Sesuai
20 (0 1 0) (0 1 0) 0% Sesuai
21
Berbahaya (Bahaya)
(0 0 1) (0 0 1) 0% Sesuai
22 (0 0 1) (0 0 1) 0% Sesuai
23 (0 0 1) (0 1 0) 100% Tidak Sesuai
24 (0 0 1) (0 0 1) 0% Sesuai
25 (0 0 1) (0 0 1) 0% Sesuai
26 (0 0 1) (0 1 0) 100% Tidak Sesuai
27 (0 0 1) (0 1 0) 100% Tidak Sesuai
28 (0 0 1) (0 1 0) 100% Tidak Sesuai
29 (0 0 1) (0 0 1) 0% Sesuai
30 (0 0 1) (0 0 1) 0% Sesuai
(Sumber : Penulis, 2019)
Dari percobaan yang telah dilakukan, 90 kali menggunakan metode Neural
Network (NN), hasil yang didapatkan yaitu pengujian NN untuk klasifikasi jenis
gas yang sesuai sebanyak 76 percobaan, dan 14 percobaan tidak sesuai. Jadi
untuk tingkat keberhasilannya sebesar 84%. Dengan kata lain metode dapat
mengklasifikasi level gas belum dapat bekerja maksimal untuk mengklasifikasi
level gas terutama level bahaya pada H202 dan H2SO4.
4.5 Pengujian Integrasi Software dan Hardware
Tahapan terakhir pada pengerjaan Tugas Akhir adalah pengujian pada model
metode yang didapatkan dan aktuator yang digunakan. Pengujian pada model
metode adalah pengujian model metode yang sudah didapatkan pada tahap proses
training kemudian digunakan untuk pengujian dengan alat. Pengujian alat yaitu
dengan menyamakan bukaan valve terhadap level yang akan diuji. Misal dengan
bukaan valve 35% menunjukkan level kecil, bukaan valve 70% menunjukkan
level sedang, dan bukaan valve 100% menunjukkan level bahaya. Berikut adalah
data hasil pengujian tersebut.
83
Tabel 4.29 Data Hasil Pengujian Integrasi pada H2O2
No.
MQ
2
MQ
135
MQ
136
Kondisi
Valve
Hasil
jenis
Gas
Hasil
Level Gas
Kondisi
Keterangan Buzzer Kipas
1 110 53 342 35% H2O2
Tidak
Berbahaya Off On Sesuai
2 95 34 345 70% H2O2
Harap
Hati-Hati On On Sesuai
3 100 35 340 100% H2O2 Berbahaya On On Sesuai
4 112 49 350 35% H2O2
Tidak
Berbahaya Off On Sesuai
5 97 38 346 70% H2O2 Berbahaya On On
Kurang
Sesuai
6 101 41 350 100% H2O2 Berbahaya On On Sesuai
7 114 51 340 35% H2O2
Tidak
Berbahaya Off On Sesuai
8 98 47 348 70% H2O2
Harap
Hati-Hati On On Sesuai
9 99 45 366 100% H2O2 Berbahaya On On Sesuai
10 96 48 370 100% H2O2
Harap
Hati-Hati On On
Kurang
Sesuai
(Sumber : Penulis, 2019)
Tabel 4.30 Data Hasil Pengujian Integrasi pada NH3
No.
MQ
2
MQ
135
MQ
136
Kondisi
Valve
Hasil
jenis
Gas
Hasil
Level Gas
Kondisi
Keterangan Buzzer Kipas
1 410 280 740 35% NH3
Tidak
Berbahaya Off On Sesuai
2 440 360 836 70% NH3
Harap
Hati-Hati On On Sesuai
3 684 563 865 100% NH3 Berbahaya On On Sesuai
4 480 300 743 35% NH3
Tidak
Berbahaya Off On Sesuai
5 461 371 838 70% NH3 Berbahaya On On
Kurang
Sesuai
6 689 570 870 100% NH3 Berbahaya On On Sesuai
7 489 302 750 35% NH3
Tidak
Berbahaya Off On Sesuai
8 443 372 840 70% NH3
Harap
Hati-Hati On On Sesuai
9 690 575 878 100% NH3 Berbahaya On On Sesuai
10 695 569 875 100% NH3 Berbahaya On On Sesuai
(Sumber : Penulis, 2019)
84
Tabel 4.31 Data Hasil Pengujian Integrasi pada H2SO4
No.
MQ
2
MQ
135
MQ
136
Kondisi
Valve
Hasil
jenis
Gas
Hasil
Level Gas
Kondisi
Keterangan Buzzer Kipas
1 449 212 345 35% H2SO4
Tidak
Berbahaya Off On Sesuai
2 394 207 341 70% H2SO4
Harap
Hati-Hati On On Sesuai
3 390 190 334 100% H2SO4 Berbahaya On On Sesuai
4 452 215 342 35% H2SO4
Tidak
Berbahaya Off On Sesuai
5 401 206 339 70% H2SO4 Berbahaya On On
Kurang
Sesuai
6 382 199 359 100% H2SO4 Berbahaya On On Sesuai
7 439 220 350 35% H2SO4
Tidak
Berbahaya Off On Sesuai
8 386 202 361 70% H2SO4
Harap
Hati-Hati On On Sesuai
9 381 198 358 100% H2SO4
Harap
Hati-Hati On On
Kurang
Sesuai
10 379 193 337 100% H2SO4 Berbahaya On On Sesuai
(Sumber : Penulis, 2019)
Tabel 4.32 Data Hasil Pengujian Integrasi untuk klasifikasi jenis gas
No. Kategori Percobaan Total
Hasil Klasifikasi Jenis Gas
Salah Benar
1 Pengujian H202 10 0 10
2 Pengujian NH3 10 0 10
3 Pengujian H2SO4 10 0 10
Total Data 30 0 30
Persentase Keberhasilan 100%
(Sumber : Penulis, 2019)
Dari percobaan yang telah dilakukan, 30 kali menggunakan metode Neural
Network (NN), hasil yang didapatkan yaitu pengujian Integrasi Software dan
Hardware untuk klasifikasi jenis gas yang sesuai sebanyak 30 percobaan, jadi
untuk tingkat keberhasilannya sebesar 100%.Dengan kata lain metode dapat
mengklasifikasi jenis gas dengan baik.
85
Tabel 4.33 Data Hasil Pengujian Integrasi untuk klasifikasi level gas
No. Kategori Percobaan Total
Hasil Klasifikasi Level Gas
Salah Benar
1 Pengujian H202 10 2 8
2 Pengujian NH3 10 1 9
3 Pengujian H2SO4 10 2 8
Total Data 30 5 25
Persentase Keberhasilan 84%
(Sumber : Penulis, 2019)
Dari percobaan yang telah dilakukan, 30 kali menggunakan metode Neural
Network (NN), hasil yang didapatkan yaitu pengujian Integrasi Software dan
Hardware untuk klasifikasi level gas yang sesuai sebanyak 25 percobaan, dan 5
percobaan tidak sesuai. Jadi untuk tingkat keberhasilannya sebesar 84%.
86
Halaman Ini Sengaja Dikosongkan
87
BAB 5
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan hasil yang telah didapatkan pada analisa dan pengujian yang
telah dilakukan, maka dapat disimpulkan bahwa :
1. Proses klasifikasi yang dilakukan untuk pengukuran level gas pada proses
pembuatan MSG menggunakan metode Neural Network dengan mengolah
data dari 3 sensor MQ kemudian ditraining yang akan menghasilkan
klasifikasi jenis gas dan level gas kecil,sedang, dan bahaya pada setiap zat
sampel.
2. Pada Sistem ini menggunakan prinsip electronic nose dengan bantuan 3
sensor MQ yaitu MQ 2, MQ 135, dan MQ 136 yang kemudian diambil
data keluarannya dan dimasukkan ke Matlab untuk dilakukan proses
training data supaya mendapatkan hasil klasifikasi jenis dan pengukuran
level untuk 3 zat sampel H2O2, NH3 , dan H2SO4 yang sesuai.
3. Penggunaan metode Neural Network dapat bekerja maksimal untuk
pengklasifikasian jenis gas yang muncul menggunakan 3 sampel zat yaitu
NH3, H2O2, H2SO4 dengan tingkat keberhasilan 100%. Sedangkan untuk
klasifikasi level gas memiliki kekurangan dalam menentukan 3 level yaitu
tidak berbahaya (kecil), Harap hati-hati (sedang), dan berbahaya (bahaya)
dengan tingkat keberhasilan 84% karena terkadang hasil yang seharusnya
bahaya namun diklasifikasikan sedang dengan tingkat sensitivitas gas yang
berbeda-beda.
5.2 Saran
Berdasarkan pengujian yang telah dilakukan pada system, ada beberapa hal
yang dapat dilakukan sebagai perbaikan untuk penelitian selanjutnya, yaitu :
1. Data input yang akan digunakan pada metode Neural Network lebih
diperbanyak lagi supaya klasifikasi level dapat akurat.
2. Menggunakan metode yang lebih efisien untuk klasifikasi level dengan
menambahkan data input sebanyak mungkin.
88
3. Menambahkan fitur pengembangan teknologi wireless dan notifkasi
4. Menggunakan zat yang memiliki tingkat kebauan yang tinggi supaya
sensor lebih cepat respon dan sensitive.
89
DAFTAR PUSTAKA
Abraham, Lika L. (2016). Smart Greenhouse Based On Arduino Mega 2650 Rev 3
Microkontroller. Skripsi, Fakultas Sains dan Teknologi Universitas Sanata Dharma
Yogyakarta.
Bellitz, H.D and Grosch, W. 1999. Food Chemistry 2nd.ed. Springer-Verlag Berlin
Herdberg. Germany
Banon, C., dan Suharto T.E., 2008, Adsorpsi Amoniak Oleh Adsorben Zeolit Alam Yang
Diaktivasi Dengan Larutan Amonium Nitrat, Jurnal Gradien, (Online),
(2): 354-360.
Maga, J.A and Tu, A.T. 1994. Food Additive Toxicology. Marcell Dekker, Inc. New
York
Muladi, S. (2013). Diktat Kuliah Teknologi Kimia Kayu Lanjutan. Fakultas
Kehutanan Universitas Mulawarman: Samarinda.
Nugroho, Joko. (2008). Aplikasi Jaringan Syaraf Tiruan untuk Identifikasi Aroma Teh
menggunakan Electronic Nose. UGM Journal. Yogyakarta.
Parwati, Cyrilla Indri ,dkk. (2015). Perancangan Sistem Peringatan Dini Kebocoran Gas
Ammonia pada Industri Kulit berbasis GSM Gateway. Akprind Journal.
Yogyakarta.
Pearce,T.C., Schiffman, S.S, Nagle, H.T., 2003, Handbook of Machine Olfaction-
Electronic Nose Technology, WILEY-VCH, UK.
Rivai, Muhammad. (2017). Rancang Bangun Wireless Electronic Nose berbasis
Teknologi Internet of Things. ITS Journal. Surabaya.
Suratmah. 1997. Ilmu Pangan dan Gizi. Liberty. Yogyakarta
Susanto, T dan N. Sucipto.1994. Teknologi Pengolahan Hasil pertanian. Bina Ilmu,
Surabaya.
Susiyanto, Moch. 2007. Antisipasi PT.Pupuk Kaltim Terhadap Bahaya Kebocoran
System Tanki Penyimpan Amoniak. Pasca Sarjana Undip : Semarang.
Triyono Yoyok, Ontoseno Penangsang, Sjamsjul Anam. (2013). Analisis Studi Rele
Pengaman (Over Current Relay Dan Ground Fault Relay) pada Pemakaian
Distribusi Daya Sendiri dari PLTU Rembang. Jurnal teknik POMITS, Vol. 2
No. 2.
Winarno, F. G. 1980. Teknologi Fermentasi. Gramedia. Jakarta.
90
Winata,Candra (2017). Sistem Pengatur Penyiraman Pada Budidaya Cabai
Berdasarkan Suhu dan Kelembaban Tanah Menggunakan Metode Fuzzy.
Tugas Akhir, Teknik Otomasi Jurusan Teknik Kelistrikan Kapal Politeknik
Perkapalan Negeri Surabaya.
91
LAMPIRAN
Lampiran 1. Hasil Mekanik
- Tampak Samping
- Tampak Atas
92
Lampiran 2. Data Input dan Output Neural Network
No. Input Output
MQ 2 MQ135 MQ136 H202 H2S04 NH3 1_TETES 5_TETES 10_TETES
1 109 53 330 1 0 0 1 0 0
2 110 52 344 1 0 0 1 0 0
3 110 51 345 1 0 0 1 0 0
4 111 50 344 1 0 0 1 0 0
5 111 49 343 1 0 0 1 0 0
6 112 47 341 1 0 0 1 0 0
7 112 46 341 1 0 0 1 0 0
8 113 46 341 1 0 0 1 0 0
9 113 45 340 1 0 0 1 0 0
10 114 45 340 1 0 0 1 0 0
11 448 214 349 0 1 0 1 0 0
12 447 214 345 0 1 0 1 0 0
13 446 215 341 0 1 0 1 0 0
14 445 214 339 0 1 0 1 0 0
15 444 213 336 0 1 0 1 0 0
16 443 213 335 0 1 0 1 0 0
17 441 212 334 0 1 0 1 0 0
18 440 212 333 0 1 0 1 0 0
19 439 212 333 0 1 0 1 0 0
20 439 210 333 0 1 0 1 0 0
21 369 227 737 0 0 1 1 0 0
22 371 231 738 0 0 1 1 0 0
23 371 233 739 0 0 1 1 0 0
24 404 248 740 0 0 1 1 0 0
25 433 256 741 0 0 1 1 0 0
26 458 264 742 0 0 1 1 0 0
27 504 273 743 0 0 1 1 0 0
28 505 283 744 0 0 1 1 0 0
29 506 305 744 0 0 1 1 0 0
30 510 319 794 0 0 1 1 0 0
31 92 34 339 1 0 0 0 1 0
32 92 34 344 1 0 0 0 1 0
33 92 34 344 1 0 0 0 1 0
34 93 34 346 1 0 0 0 1 0
35 94 34 346 1 0 0 0 1 0
93
36 94 34 346 1 0 0 0 1 0
37 95 34 346 1 0 0 0 1 0
38 95 34 346 1 0 0 0 1 0
39 96 34 346 1 0 0 0 1 0
40 97 34 346 1 0 0 0 1 0
41 394 208 356 0 1 0 0 1 0
42 393 207 358 0 1 0 0 1 0
43 392 204 359 0 1 0 0 1 0
44 390 203 361 0 1 0 0 1 0
45 389 202 351 0 1 0 0 1 0
46 388 201 346 0 1 0 0 1 0
47 387 202 342 0 1 0 0 1 0
48 386 202 341 0 1 0 0 1 0
49 385 202 340 0 1 0 0 1 0
50 384 201 339 0 1 0 0 1 0
51 431 323 858 0 0 1 0 1 0
52 434 347 855 0 0 1 0 1 0
53 437 369 853 0 0 1 0 1 0
54 440 388 852 0 0 1 0 1 0
55 441 404 851 0 0 1 0 1 0
56 445 417 846 0 0 1 0 1 0
57 462 428 845 0 0 1 0 1 0
58 466 453 840 0 0 1 0 1 0
59 467 479 836 0 0 1 0 1 0
60 479 526 834 0 0 1 0 1 0
61 99 34 341 1 0 0 0 0 1
62 99 34 342 1 0 0 0 0 1
63 100 34 344 1 0 0 0 0 1
64 98 34 345 1 0 0 0 0 1
65 97 35 343 1 0 0 0 0 1
66 100 35 340 1 0 0 0 0 1
67 100 35 340 1 0 0 0 0 1
68 101 35 340 1 0 0 0 0 1
69 102 35 340 1 0 0 0 0 1
70 103 35 340 1 0 0 0 0 1
71 389 199 359 0 1 0 0 0 1
72 390 198 358 0 1 0 0 0 1
73 386 192 343 0 1 0 0 0 1
74 384 193 339 0 1 0 0 0 1
75 383 193 337 0 1 0 0 0 1
94
76 382 192 336 0 1 0 0 0 1
77 381 192 335 0 1 0 0 0 1
78 380 191 334 0 1 0 0 0 1
79 379 190 333 0 1 0 0 0 1
80 378 188 331 0 1 0 0 0 1
81 508 530 912 0 0 1 0 0 1
82 575 536 888 0 0 1 0 0 1
83 659 546 881 0 0 1 0 0 1
84 685 549 872 0 0 1 0 0 1
85 705 554 867 0 0 1 0 0 1
86 721 557 865 0 0 1 0 0 1
87 734 562 864 0 0 1 0 0 1
88 744 568 860 0 0 1 0 0 1
89 789 569 860 0 0 1 0 0 1
90 804 572 860 0 0 1 0 0 1
91 108 34 349 0 0 0 0 0 0
92 107 34 345 0 0 0 0 0 0
93 107 34 338 0 0 0 0 0 0
94 107 34 324 0 0 0 0 0 0
95 107 34 321 0 0 0 0 0 0
96 107 34 320 0 0 0 0 0 0
97 106 34 319 0 0 0 0 0 0
98 106 34 320 0 0 0 0 0 0
99 105 34 320 0 0 0 0 0 0
100 105 34 320 0 0 0 0 0 0
95
BIODATA
Nama : Dinni Bangkit Nurrizki
Nama Panggilan : Dini
Tempat/Tanggal Lahir : Mojokerto, 20 Mei 1996
No. KTP : 3516136005960002
Jenis Kelamin : Perempuan
Warga Negara : Indonesia
Agama : Islam
Pekerjaan : Mahasiswa
Alamat : Dsn. Jambangan RT 04/RW 04, Desa
Wringinrejo, Kec.Sooko, Kab. Mojokerto
Nomor Telpon : 082233776896
e-Mail : [email protected]
Riwayat Pendidikan
2001 – 2002 : TK Aisyiyah Bustanul Athfal 08
2002 – 2008 : SDN GEDONGAN 3
2008 – 2011 : SMPN 1 KOTA MOJOKERTO
2011 – 2014 : SMAN 1 SOOKO MOJOKERTO
2014 – 2015 : D1 PAPSI ITS
2015 – 2019 : Program Studi D4 Teknik Otomasi,
Politeknik Perkapalan Negeri Surabaya