PROGRAM STUDI TEKNIK OTOMASI JURUSAN …repository.ppns.ac.id/2428/1/0915040047 - Dinni Bangkit...PROGRAM STUDI TEKNIK OTOMASI JURUSAN TEKNIK KELISTRIKAN KAPAL POLITEKNIK PERKAPALAN

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


v

PERNYATAAN BEBAS PLAGIAT

vi


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


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


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


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


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


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


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


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


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



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


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






Gambar 4.2 Rangkaian arduino dengan Sensor MQ 135 (Penulis, 2019)





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%






C. Pengujian Sensor MQ 136




37



Gambar 4.3 Rangkaian arduino dengan Sensor MQ 136 (Penulis, 2019)





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%






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


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


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


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


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


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


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


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 %


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 %


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


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 = [(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



VRL = (261 / 1024) x 5

VRL = 1.274 V


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



VRL = (453 / 1024) x 5

VRL = 2.211 V


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.





di udara segar.

54


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



(4.11)

√


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 menemukan R0.


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


persamaan berikut













56



y = mx + b

Dimana:

y: nilai X

x: nilai X

m: Kemiringan garis

b: Y intercept


log (y) = m * log (x) + b (4.13)



yaitu titik (200,2) dan (5000,0.45) dari garis H2. Rumus untuk menghitung m




sebagai berikut:

m = log (y / y0) / log (x / x0)


m = log (0.45 / 2) / log (5000/200)

m = -0.463



H2), yaitu titik (2000,0.7)


b = log (y) - m * log (x) (4.15)

b = log (0.7) - (-0.463) * log (2000)

b = 0.754



log (x) = [log (y) - b] / m (4.16)

57



x = 10 ^ [log (y) - b] / m

x = 10 ^ [log (y) – 0.754] / (-0.463)

Berikut adalah contoh perhitungan dengan bit ADC 99


VRL = (99 / 1024) x 5

VRL = 0.483 V


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.





di udara segar.

58


X Y

0.6 200

0.8 100

0.9 60

1 40

1.2 20

1.5 10



(4.17)

√


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 menemukan R0.


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


persamaan berikut















y = mx + b

60

Dimana:

y: nilai X

x: nilai X

m: Kemiringan garis

b: Y intercept


log (y) = m * log (x) + b (4.19)



yaitu titik (10,1.5) dan (100,0.8) dari garis H2S. Rumus untuk menghitung m




sebagai berikut:

m = log (y / y0) / log (x / x0)


m = log (0.8 / 1.5) / log (100/10)

m = -0.273



H2S), yaitu titik (60,0.9)


b = log (y) - m * log (x) (4.21)

b = log (0.9) - (-0.273) * log (60)

b = 0.439



log (x) = [log (y) - b] / m (4.22)



x = 10 ^ [log (y) - b] / m

61

x = 10 ^ [log (y) – 0.439] / (-0.273)

Berikut adalah contoh perhitungan dengan bit ADC 349


VRL = (349 / 1024) x 5

VRL = 1.704 V


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


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.


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.


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)






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)


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






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:


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


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


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


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




FeedForwardBackProp_Indicator yaitu nilai IW , LW , dan b dengan

ukuran matrikx masing-masing. Berikut adalah data nilai nya:

73

Nilai IW




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


Nilai LW




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


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


Nilai b



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




FeedForwardBackProp_Level yaitu nilai IW , LW , dan b dengan

ukuran matrikx masing-masing. Berikut adalah data nilai nya:

Nilai IW




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


Nilai LW




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


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


Nilai b



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


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


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


80

Gambar 4.27 Interface Pengujian Level Gas pada H2O2 (Penulis, 2019)

Tabel 4.27 Data Hasil Pengujian Level Gas pada NH3


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


Gambar 4.28 Interface Pengujian Level Gas pada NH3 (Penulis, 2019)

Tabel 4.28 Data Hasil Pengujian Level Gas pada H2SO4


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



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


5 97 38 346 70% H2O2 Berbahaya On On

Kurang

Sesuai


7 114 51 340 35% H2O2

Tidak


8 98 47 348 70% H2O2

Harap



10 96 48 370 100% H2O2

Harap

Hati-Hati On On

Kurang

Sesuai


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


1 410 280 740 35% NH3

Tidak


2 440 360 836 70% NH3

Harap


3 684 563 865 100% NH3 Berbahaya On On Sesuai

4 480 300 743 35% NH3

Tidak


5 461 371 838 70% NH3 Berbahaya On On

Kurang

Sesuai


7 489 302 750 35% NH3

Tidak


8 443 372 840 70% NH3

Harap





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


1 449 212 345 35% H2SO4

Tidak


2 394 207 341 70% H2SO4

Harap


3 390 190 334 100% H2SO4 Berbahaya On On Sesuai

4 452 215 342 35% H2SO4

Tidak


5 401 206 339 70% H2SO4 Berbahaya On On

Kurang

Sesuai


7 439 220 350 35% H2SO4

Tidak


8 386 202 361 70% H2SO4

Harap


9 381 198 358 100% H2SO4

Harap

Hati-Hati On On

Kurang

Sesuai



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%



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%



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


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

Documents

PROGRAM STUDI TEKNIK OTOMASI JURUSAN …repository.ppns.ac.id/2428/1/0915040047 - Dinni Bangkit...PROGRAM STUDI TEKNIK OTOMASI JURUSAN TEKNIK KELISTRIKAN KAPAL POLITEKNIK PERKAPALAN