10
BAB 5 HASIL DAN PEMBAHASAN
Pada Indikator capaian pada tahun pertama dilakukan ujicoba performasi hardware terhadap enose. Hasil evaluasi terhadap ujicoba ini kemudian diperbaiki untuk kemudian dijadikan sebagai bahan evaluasi
tingkat pengenalan untuk tahun ke dua. Setelah melalui tahap evaluasi, kemudian dilakukan pembuatan laporan dan publikasi. Gambar 1, merupakan pemetaan tingkat capaian dari penelitian hibah bersaing
tahun kedua.
Masih sederhana, hanya fan, kadang aroma motor fan
mengganggu sistem deteksi
Beberapa sinyal mempunyai kecenderungan tidak linear
Nilai varians sensing kecil, sehingga butuh penelitian
variance sensor yang tepat Sistem Odor HD luas, karena
belum ada penguat aroma, seperti hitter cromatografi
Sinyal yang dihasilkan masih mempunyai kemiripan, walau
pakai nilai standar deviasi
Multi adaptor masih berupa piranti yang berukuran besar,
akan dilakukan chipping Menggunakan PCA 2D,
pengenalannya belum 100, akan dicoba dengan PCA 3D
Belum dilakukan percobaan menggunakan jaringan syaraf
tiruan unt VOC yg lbh halus
1. LARIK SENSOR 3. ODOR HANDLING
2. ODOR DELIVERY SYSTEMS
4. POWER SYSTEM 6. EKSTRAKSI CIRI
5. FILTERING 7. PRA-PROSES
8. PENGENALAN POLA
1.1 L.Sensor Paralel
Hasil sinyal sensing belum stabil MQ
1.3 Tanpa Odor Handg
Sinyal yang dihasilkan selalu berbeda, walau
dengan odor yg sama
1.5 Tanpa Filter
Sinyal dengan white noise masuk ke LDA
1.6 Tanpa Pra-proses
Nilai puncak terpengaruh baseline
1.2 Tanpa Odor DS
Steady state yang lama dan tidak menentu 10
menit, muncul white noise
1.4 Power Supply Switching 5A
Sinyal tidak stabil dan muncul white noise
murni
1.6 PCA
Klaster Menyebar
1.8 SVM 2.1 Larik Sensor Serial
Output sensor stabil walau muncul derau
gaussian MQ
2.3 Akrilik 7x7x7
Sinyal yang dihasilkan selalu berbeda, walau
dengan odor yg sama
2.5 Tanpa filter
Sinyal mempunyai derau white gaussian
2.7 Tanpa Pra-proses
Nilai puncak terpengaruh baseline
2.2 Pakai 2 Fan 5V
Rising Time 50 detik
2.4 Percobaan Adaptor 3A dan 5A
Lebih bersih 5A
2.6 Wavelet Denoising PCA
Klaster Menyebar
2.8 SVM
Klaster Menyebar
3.1 Larik Sensor Serial
Respon sensor sensitif TGS
3.3 Akrilik 7x7x7
Reduksi Berdasarkan jurnal IEEE dan
pertibangan jml ppm
3.5 Tanpa Filter
Sinyal mempunyai derau white gaussian
3.7 Normalisasi
Normalisasi Nilai puncak, terpengaruh
baseline
3.2 Pakai 2 Fan 5V
Rising Time 50 detik
3.4 Perbaikan GND Pakai Adaptor 5A
Sinyal Repeatable
3.6 SVD-PCA
Tingkat pengenalan kecil
3.8 SVM
ENOSE BERAS AROMATIK
1 2
3
Penentuan Objek Penelitian
Peningkatan performasi
hardware Peningkatan
metode ekstraksi ciri
Klaster Menyebar Peningkatan
performasi hardware
Peningkatan metode ekstraksi
ciri
1 2
Klaster Menyebar
H IB
A H
B ER
SA IN
G T
A H
U N
2
H IB
A H
B ER
SA IN
G T
A H
U N
2
3
HIBAH BERSAING TAHUN 2
Penentuan Objek Penelitian
Gambar4.
Diagram Tulang Ikan Indikator Capaian Tahun 2 Dari hasil tahun pertama tersebut, terdapat beberapa kelemahan pada bagian hardware, diantaranya
adalah masalah sensitifitas sensor dan keluaran sensor yang masih berderau AWGN Analog White Gaussian Noise. Sedangkan pada sisi software, ternyata sinyal ber-AWGN mempengaruhi tingkat
pengenalan sistem. Kesulitan terjadi pada saat menentukan baseline dari sinyal yang ber-AWGN. Dari penelitian kecil yang kami lakukan, ternyata terdapat perbedaan lokasi yang signifikan pada pemetaan titik
klaster metode PCA, antara sinyal yang baselinenya sama dengan sinyal yang beda baseline. Jika pada tahun 1, nilai akurasi dari tingkat pengenalannya masih kecil, yaitu 84 pada sinyal pembelajaran, maka
pada tahun ke-2 ini, telah ditemukan letak kesalahan sistem yang membuat kecilnya tingkat pengenalan
11 sistem pengenalan mutu beras. Hal ini kemungkinan akibat dari sistem pengenalan polanya, yang masih
menggunakan metode SVM Support Vector Machines. Pada tahun ke-2, penelitian difokuskan untuk meningkatkan performansi sistem dengan melakukan
pendekatan dari sisi perbaikan sensitivitas sensor dan penanganan noise, serta normalisasi baseline dan metode pengenalan pola yang berbeda, hingga mendapatkan tingkat pengenalan pola yang lebih besar.
Pada tahun ke-2, sensor yang dipakai masih menggunakan 4 sensor, namun menggunakan sensor yang berbeda dengan sensor pada tahun 1, hal ini karena sensor MQ, walaupun sensitifitasnya bagus, namun
umur hidup sensor sangat pendek, sehingga sulit untuk mendapatkan reliabilitas sensor dalam waktu yang berbeda. Permasalahannya adalah, untuk setiap pengambilan data pada waktu yang berbeda, baseline
sensor selalu mengalami perubahan. Sedangkan pada sensor TGS, walaupun sensitifitas sensor masih kurang, namun TGS mempunyai nilai hidup yang lebih lama dibandingkan dengan sensor MQ, sehingga
lebih mudah mencari tingkat reliabilitas sensor, karena baselinenya relatif stabil.
5.1 Persiapan
Kategori