Sistem Identifikasi Gas Menggunakan Metode

1
Sistem Identifikasi Gas Menggunakan Metode
Kromatografi dan Neural Network
Eri Nur Rahman, Muhammad Rivai, Tasripan
Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember (ITS)
Jl. Arief Rahman Hakim, Surabaya 60111
E-mail: [email protected]
Abstrak— Perkembangan teknologi industri saat ini semakin
pesat, ditandai dengan munculnya industri di berbagai bidang
seperti industri makanan, obat-obatan, pupuk dan pengolahan
minyak. Industri ini sangat erat hubungannya dengan bidang
kimia dalam proses produksinya. Tentunya dilakukan analisa
terhadap senyawa-senyawa yang akan digunakan dalam proses
produksi baik sebelum atau sesudahnya. Salah satu peralatan
yang digunakan dalam proses analisa adalah peralatan
kromatografi gas. Dikarenakan harga alat kromatografi gas yang
mahal, maka dalam tugas akhir ini dibuat alat kromatografi gas
menggunakan kolom kromatografi untuk pemisahan senyawa
penyusun gas, dan sensor gas TGS2610 sebagai pendeteksi
senyawa penyusun sampel. Sistem mikrokontroler sebagai
penerima data analog yang keluar dari sensor, kemudian diolah
dalam Analog to Digital Converter (ADC), sedangkan hasil dari
pembacaan ADC akan dikirim ke komputer melalui komunikasi
serial RS232. Kemudian senyawa tersebut akan dikenali dan
diklasifikasikan oleh Neural Network. Untuk menjaga suhu ruang
pemanas(oven) agar tetap stabil, digunakan kontroler PID,
sehingga hasil pembacaan sensor tidak berubah-ubah untuk gas
uji yang sama. Diharapkan tercipta alat kromatografi gas yang
lebih sederhana namun tetap handal dengan presentase
keberhasilan 100% untuk pengujian sampel. Sampel yang diuji
adalah ethil asetat, methanol, dan heksana.
Kata Kunci—RS232, Sensor gas TGS2610, Mikrokontroler,
Neural Network.
I. PENDAHULUAN
S
ebuah sistem kromatografi gas telah menjadi teknik paling
utama dalam pemisahan dan analisa senyawa yang mudah
menguap. Kromatografi gas biasa digunakan untuk
menganalisa bermacam-macam gas, cairan, dan benda padat.
Khusus untuk benda padat, biasanya dilarutkan dahulu dalam
pelarut yang mudah menguap. Bahan-bahan organik maupun
anorganik dapat dianalisa dan berat molekul dapat
dibentangkan antara 2 sampai 1000 dalton.
Kromatografi gas adalah alat penganalisa yang paling
banyak digunakan di dunia[1]. Kolom kapiler yang efisien
memiliki resolusi yang tinggi, sebagai contohnya, mampu
memisahkan lebih dari 450 komponen dalam aroma kopi, atau
komponen pada bahan alami seperti minyak pepermin.
Keuntungan dari penggunaan kromatografi gas dalam
pengujian gas adalah analisa yang cepat, efisien, dan akurat.
Alat kromatografi gas, umumnya menggunakan spectroscopy
untuk mengetahui identitas dan kurva yang tertera pada
recorder. Oleh karena itu, dibuatlah alat kromatografi gas yang
lebih sederhana menggunakan sensor gas dan neural network
untuk mengidentifikasi jenis gas uji.
II. METODE PENELITIAN
A. Kromatografi Gas
Kromatografi gas adalah suatu metode analisis untuk
memisahkan suatu campuran kimiawi didasarkan atas
perbedaan distribusi dari komponen-komponen campuran
diantara dua fasa, yaitu fasa diam dan fasa gerak. Gas yang
merupakan material fasa gerak akan berinteraksi dengan
material fasa diam dalam kolom partisi. Komponen senyawa
yang mempunyai ikatan yang kuat terhadap fasa diam akan
keluar paling akhir pada detektor [1].
Gambar 1. Basic Gas Chromatography[1]
Peralatan kromatografi gas terdiri dari beberapa bagaian
penting, yaitu gas pembawa, pemasukan cuplikan, kolom
partisi, detektor dan perekam data [2].
B. Sensor Gas
Sensor gas adalah sensor yang menghasilkan sinyal listrik
sebagai hasil interaksinya dengan senyawa kimia, dalam hal
ini adalah gas atau uap pelarut organik. Sensor gas yang
digunakan adalah sensor gas TGS[3].
Gambar 2. Rangkaian dasar sensor gas TGS [3]
Cara kerja rangkaian dasar jenis sensor tersebut
membutuhkan 2 input tegangan, tegangan pemanas dan
2
tegangan untuk sensor sendiri. Nilai RL disesuaikan untuk
menjaga konsumsi daya tetap dibawah 15mW. Dengan
menggunakan rumus sebagai berikut :
(1)
(2)
Berikut ini adalah contoh respon gas uji terhadap jenis
kolom partisi.
Komunikasi serial USART menggunakan komunikasi serial
RS232, menggunakan port Tx dan Rx yang terdapat pada
mikrokontroler untuk komunikasi antara mikrokontroler
dengan komputer. Penggunaan RS232 juga dilengkapi dengan
IC max232 sebagai buffer.
D. Kontroler PID
Sistem kontrol PID (Proportional – Integral – Derivative)
adalah kontroler yang digunakan untuk menentukan ketepatan
suatu sistem instrumentasi dengan apa yang diinginkan
pengguna dengan karakteristik adanya umpan balik pada
sistem tersebut (feedback).
Sistem kontrol PID terdiri dari tiga buah kontroler, yaitu
kontrol P (Proportional), D (Derivative), dan I (Integral),
dengan masing-masing memiliki kelebihan dan kekurangan.
Dalam implementasinya masing-masing cara dapat bekerja
sendiri maupun gabungan dari ketinganya. Dalam
perancangan sistem kontrol PID yang perlu dilakukan adalah
mengatur parameter P, I, D agar tanggapan sinyal luaran
sistem sesuai dengan masukan yang diinginkan pengguna.
Beberapa pengaruh dari kontroler PID terhadap sistem
adalah:
1. Memperbaiki respon transien
2. Menghilangkan error steady state
3. Memberikan efek redaman
Gambar 3. Respon Gas Uji terhadap Jenis Kolom Partisi[5]
Pada gambar 3a, menggunakan kolom partisi
carbowax(polar) sedangkan gambar 3b adalah kolom partisi
DC 200(nonpolar)[1]. Sampel yang diujikan adalah (1)nheptane(98), (2)tetrahidofuran(64), (3)2-butanone(80), (4)npropanol(97)[1]. Dari keempat jenis gas uji, hanya n-heptana
yang merupakan pelarut nonpolar sedangkan tiga lainnya
adalah pelarut polar. Dari sini bisa dianalisa bahwa pelarut
polar akan melaju lebih cepat pada kolom partisi berbahan
nonpolar namun lambat pada kolom berbahan polar,
sebaliknya pada kolom partisi berbahan polar, gas pelarut
yang bersifat polar akan terlambat keluar sedangkan gas
pelarut yang bersifat nonpolar akan melaju lebih cepat. Hal ini
dikarenakan pelarut tersebut akan mengalami ikatan yang
lebih kuat terhadap kolom dengan bahan yang berpolaritas
sama dengan gas pelarut, sehingga laju dari gas pelarut akan
terhambat.
C. Sistem Mikrokontroler ATMega16
ATMega16 merupakan mikrokontroler 8-bit CMOS yang
memiliki kemampuan tinggi dengan daya rendah. Fitur-fitur
yang digunakan dari sistem mikrokontroler adalah Analog to
Digital Converter (ADC), Receiver Interrupt dan komunikasi
serial USART mennggunakan RS232.
Proses inisialisasi Analog to Digital Converter (ADC)
meliputi penentuan clock, tegangan referensi, format output
data dan mode pembacaan. Karena yang digunakan adalah
ADC 8 bit, maka rumus yang digunakan adalah :
(3)
Receiver Interrupt adalah proses komunikasi dua arah, yaitu
menerima perintah dari komputer yang kemudian di jalankan
pada sistem mikrokontroler dan dikirimkan ke komputer lagi.
E. Sensor Suhu Ds1621
Untuk menjaga suhu dalam ruang pemanas ini tetap stabil
diperlukan pengatur suhu. Pengatur suhu ini terdiri dari
beberapa bagian yaitu sensor suhu DS1621, solid state relay
HFS41 dan mikrokontroller. Sensor DS1621 merupakan jenis
sensor untuk suhu, yang bisa dipakai sebagai thermometer dan
thermostat. Kelebihan dari sensor ini adalah data yang
dihasilkan dalam bentuk sinyal digital. Sensor ini
menggunakan tegangan catu sebesar 2,7V sampai 5,5V
dengan kemampuan jangkauan ukur -55°C sampai dengan
+125°C . Sensor ini memiliki ketelitian 0,5°C. Suhu dibaca
sebagai data 9 bit dan data dapat dibaca dan ditulis dengan
komunikasi I2C[4].
Berikut adalah gambar dari sensor DS1621
Gambar 4. Sensor Suhu ds1621[4]
Deskripsi pin DS1621 :
SDA : Serial Data Input/Output
SCL : Serial Clock
GND : Ground
Tout : Output sinyal Termostat
A0
: Alamat Input Chip
A1
: Alamat Input Chip
A2
: Alamat Input Chip
VDD : Catu Daya
3
F. Neural Network
Model saraf tiruan sederhana memiliki banyak nama
seperti model koneksionis, model pengolahan distribusi
parallel, dan sistem neuromorphic [5]. Tiruan neuron dalam
struktur neural network adalah elemen pemroses yang dapat
berfungsi seperti halnya sebuah neuron. Sejumlah sinyal
masukan x dikalikan dengan masing-masing penimbang yang
bersesuaian W. Kemudian dilakukan penjumlahan dari seluruh
hasil perkalian tersebut dan keluaran yang dihasilkan
dilakukan ke dalam fungsi pengaktif untuk medapatkan
tingkatan derajat sinyal keluaran Fx(W) [6].
Menurut
Haykin, Artificial neural network adalah
sejumlah besar prosesor yang terdistribusi secara pararel dan
terdiri dari unit pemrosesan sederhana, dimana masing-masing
unit memiliki kecenderungan untuk menyimpan pengetahuan
yang dialami dan dapat digunakan kembali[7].
Menurut Kevin Gurney, sebuah neural network adalah
pertemuan yang saling berhubungan dari elemen pemrosesan
sederhana, unit atau node, yang fungsi secara bebas
didasarkan pada neuron hewan. Merupakan pengolahan
kemampuan jaringan disimpan dalam antar-satuan kekuatan
sambungan, atau bobot, diperoleh dengan proses adaptasi, atau
belajar dari, satu set pelatihan pola[8].
Gambar 5. Neural Network Sederhana [8]
G. Gambaran Umum Sistem
H. Perancangan Perangkat Keras
Gambar 7. Rancangan Alat
Dari gambar diatas, bisa dilihat komponen utama dari alat
ini adalah ruang pemanas yang di dalamnya terdapat kolom
partisi, sensor suhu, dan sensor gas. Kemudian terdapat pompa
untuk mendorong gas uji. Lalu terdapat silika gel untuk
membersihkan udara pendorong sehingga udara pendorong
adalah udara murni tanpa uap air. Kemudian ada port injeksi
tempat menampung sementara gas uji, sebelum didorong ke
kolom partisi. Yang terakhir adalah papan elektronik yang
berisikan mikrokontroler, catu daya dan rangkaian penunjang
lain.
Untuk mengatur panas yang ada di dalam ruang pemanas,
digunakan kontroler PID yang keluarannya menjadi sinyal
PWM yang akan mengontrol Solid State Relay untuk
melewatkan tegangan AC ke pemanas di dalam ruang
pemanas.
Pembacaan suhu dilakukan oleh sensor suhu ds1621 yang
menggunakan komunikasi I2C dalam pengiriman data. Data
yang dikirimkan adalah data digital, sehingga tidak
memerlukan ADC untuk pembacaan nilai suhu.
Gambar 6. Diagram Blok Sistem
Pada sistem identifikasi jenis gas ini, sensor yang
digunakan adalah sensor gas TGS2610 berguna untuk
mendeteksi senyawa yang terkandung di dalam gas yang
diuji. Tegangan luaran sensor gas tersebut akan naik jika
konsentrasi gas tinggi, begitu juga sebaliknya, tegangan luaran
akan turun jika konsentrasi gas rendah. Hasil pembacaan
tegangan luaran itulah yang dikirimkan ke mikrokontroler
untuk di rubah menjadi data digital sehingga bisa dibaca oleh
komputer. Data tersebut dikirim ke komputer melalui
komunikasi serial USART menggunakan komunikasi serial
RS232, pengiriman data dilakukan oleh mikrokontroler
ATMega 16. Dengan memanfaatkan ADC 8 bit, pengiriman
data dilakukan secara paket data.
I. Perancangan Perangkat Lunak
Perangakat lunak yang digunakan pada alat ini terdapat
pada mikrokontroler dan di komputer. Perangkat lunak yang
terdapat pada mikrokontroler berfungsi sebagai otak dari
sistem yang memberikan perintah-perintah seperti pembacaan
ADC, pembacaan suhu, kontrol PID, dan komunikasi serial.
Sedangkan program pada komputer menggunakan
perangkat lunak untuk membuat antarmuka. Fungsi
antarmuka adalah untuk mengontrol kerja mikrokontroler
seperti menyambung dan memutus komunikasi data,
memberikan setpoint untuk pemanas, menampilkan suhu dan
grafik pembacaan gas uji, dan melakukan identifikasi terhadap
gas uji menggunakan Neural Network.
4
III. HASIL PENGUJIAN
Mulai
Power Aktif
Tidak
Berhenti
Ya
Proses ADC
Tidak
A. Pengujian Nilai ADC
Proses pembacaan data nilai ADC dilakukan secara terus
menerus oleh mikrokontroler saat sistem sudah dijalankan.
Pengujian pembacaan nilai ADC dilakukan dengan cara
memberi masukan berupa nilai tegangan ke pin ADC pada
mikrokontroler, dan hasilnya dibandingkan antara nilai
masukan dengan yang terbaca pada sistem. Berikut adalah
hasil dari pengujian ADC :
Buka Komunikasi
Ya
Kirim Data ADC
Gambar 8. Diagram alir mikrokontroler ATMega16
Pada rangkaian mikrokontroler, saat power aktif, maka akan
langsung dilakukan pembacaan ADC terhadap sensor gas dan
pembacaan nilai suhu, namun hasil pembacaan belum
dikirimkan ke komputer. Setelah ada perintah untuk membuka
komunikasi melalui antarmuka pada komputer, maka data
ADC tadi akan dikirim ke komputer dan ditampilkan di
antarmuka. Pada antarmuka juga terdapat tombol untuk
menghidupkan dan mematikan pompa, jadi gas uji tidak akan
terdorong sebelum pompa dinyalakan.
Program neural network yang terdapat pada komputer
digunakan untuk mengidentifikasi jenis gas uji. Masukan dari
neural network tersebut adalah puncak dari kurva, gradien
positif, gradien negatif, dan waktu dari lebar kurva tersebut.
Tegangan
masukan
ke1
2
3
4
5
6
7
8
9
10
Tabel 1
Hasil Pengujian ADC
Suplay (volt)
ADC (volt)
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
Eror (volt)
0,96
1,08
1,10
1,26
1,34
1,44
1,58
1,66
1,78
1,88
0,04
0,02
0,10
0,04
0,06
0,06
0,02
0,04
0,02
0,02
Dari tabel 1, dapat dilihat bahwa kesalahan pembacaan yang
dilakukan ADC terhadap tegangan masukan dari sumber DC
bervariasi dengan rata-rata adalah 4,2 %.
Berikut ini adalah grafik perbandingan nilai tegangan
masukan dengan pembacaan ADC :
2
1.5
supply
1
adc
0.5
eror
0
1 2 3 4 5 6 7 8 9 10
Gambar 10. Grafik Perbandingan Tegangan yang Diuji dengan Pembacaan
ADC
Gambar 9. Neural Network
100
80
60
40
20
0
Series1
0
180
360
540
720
900
1080
1260
Terdapat empat layer yang digunakan pada neural network
tersebut, yang pertama adalah input layer dengan empat node,
dua hidden layer dengan masing-masing seratus node dan lima
puluh node, dan yang terakhir adalah output layer dengan tiga
node yang menunjukkan tiga gas sampel yang coba
diidentifikasi.
Berikut ini adalah gambar yang menunjukkan empat
parameter yang digunakan sebagai masukan neural network.
B. Pengujian Kontroler PID
Pengujian kali ini dilakukan terhadap kontroler PID dengan
setpoint 70ºC. Parameter yang digunakan untuk nilai Kp=5,
Ki=0.01, Kd=1.
Gambar 11. Hasil Pengujian Kontrol Suhu Menggunakan Kontroler PID
Gambar10. Parameter Masukan Neural Network
Dengan nilai Kp yang besar, terlihat bahwa setpoint tercapai
dengan cepat, yaitu pada detik ke 210, suhu sudah mencapai
74ºC. Namun suhu masih terus naik hingga mencapai 82ºC
5
pada detik 330. Suhu terus turun hingga mencapai suhu 68°C
pada detik 900 sampai akhirnya suhu stabil 70°C saat detik
1290. Berikut adalah tabel perubahan suhu terhadap waktu
dalam satuan detik.
Tabel 2
Hasil Pengujian Kontrol Suhu Menggunakan Kontroler PID
Suhu(°C)
29,5
60
81,5
80,5
76
71,5
68
69
70,5
70
3
iterasi(detik)
Gambar 14. Pengujian heksana
100
80
suhu tanpa
pid
40
suhu pid
20
Dari analisa yang dilakukan, didapatkan nilai puncak kurva
adalah sebesar 3,12 volt. Perubahan tegangan terjadi dari
sebelumnya adalah sebesar 1,66 volt pada udara bersih. Mulai
terjadi kurva adalah pada detik ke 65. Berbeda dengan
pengujian ethil asetat yang membutuhkan waktu lebih dari 120
detik untuk mulai terlihat kurva, pada pengujian heksana
hanya dibutuhkan waktu sebesar 65 detik. Meskipun samasama pelarut organik nonpolar, namun heksana memiliki
massa jenis yang lebih kecil yaitu 0,655 g/ml sedangkan ethil
asetat memiliki massa jenis 0,894 g/ml.
E. Pengujian Methanol
Pengujian berikutnya dilakukan pada gas metanol, yang
diambil sebesar 1 ml, dipanaskan pada suhu 70°C dan
didorong dengan tekanan udara sebesar 1 liter/menit.
0
30
60
90
120
150
180
0
4
Gambar 12. Perbandingan Kenaikan Suhu Menggunakan Kontroler PID dan
Tanpa Kontroler
3
2
volt
Series1
1
0
1
23
45
67
89
111
133
155
177
199
221
C. Pengujian Ethil Asetat
Berikut ini adalah hasil pengujian pertama terhadap ethil
asetat. Pengujian pada semua gas uji dilakukan pada suhu
70°C dengan tekanan udara pendorong sebesar 1 liter/menit
dengan volume gas uji 1 ml.
iterasi pencuplikan(detik)
2.5
2
1.5
1
0.5
0
Gambar 15. Pengujian Methanol
Series1
1
20
39
58
77
96
115
134
153
172
191
volt
Series1
1
0
Kemudian dicoba pengukuran suhu tanpa menggunakan
kontroler PID, dan dibandingkan dengan menggunakan
kontroler PID. Berikut ini adalah hasil pengukuran suhu tanpa
PID dibandingkan dengan yang menggunakan PID.
60
2
1
24
47
70
93
116
139
162
185
Waktu(detik)
0
150
300
450
600
750
900
1050
1200
1350
D. Pengujian heksana
Pengujian berikutnya dilakukan pada gas dari heksana yang
diambil sebesar 1 ml.
4
volt
No.
1
2
3
4
5
6
7
8
9
10
Besarnya nilai tegangan yang terbaca dari udara bersih
dengan suhu 70°C adalah 1,60 volt, dan mulai terlihat kurva
pada detik ke 125.
iterasi pencuplikan(detik)
Gambar 13. Pengujian Ethil Asetat
Dari gambar diatas, besar nilai tegangan pada puncak kurva
yang terbaca oleh sensor gas TGS2610 adalah 2,2 volt.
Didapatkan dari hasil pengujian gas metanol besarnya
puncak kurva yang terbaca adalah 2,84 volt dari sebelumnya
1,52 volt sebelum mendeteksi gas uji. Mulai terlihat kurva
adalah pada detik ke 171 . Dari ketiga gas yang diujikan,
metanol adalah gas yang paling lambat pembacaannya. Hal ini
dikarenakan metanol adalah pelarut polar, yang mana akan
berikatan dengan kolom partisi yang berbahan polar juga.
Sedangkan heksana dan etil asetat adalah bahan nonpolar,
namun heksana memiliki massa jenis lebih kecil yaitu 0,655
g/ml sedangkan etil asetat memiliki massa jenis 0,894 g/ml,
sehingga heksana melaju lebih cepat daripada etil asetat.
Berikut ini adalah grafik perbandingan dari ketiga gas uji.
6
4
3
heksana
volt
2
etil asetat
1
metanol
1
91
181
271
361
451
541
631
721
811
0
iterasi (detik)
Gambar 16. Perbandingan Laju Gas Uji
Tabel 3
Parameter Untuk Masukan Neural Network
Jenis Gas Uji
Puncak
Gradient
Gradient
Kurva (v)
Positif (v)
Negatif (v)
Etil Asetat
Heksana
Methanol
2.20
2.22
2.16
3.20
3.12
3.22
2.86
2.80
2.90
0.012
0.010
0.010
0.036
0.036
0.020
0.013
0.010
0.014
-0.0026
-0.0052
-0.0054
-0.0250
-0.0250
-0.0280
-0.0047
-0.0079
-0.0060
Lebar
Kurva
(detik)
20.600
136.36
131.21
7.5757
7.5757
7.5757
11.2121
12.7272
12.1212
F. Proses Identifikasi
Proses identifikasi dimulai dengan melakukan pelatihan
terhadap seluruh data gas uji, dan didapatkan hasilnya sebagai
berikut.
Gambar 17. Grafik Eror Pelatihan Neural Network
Untuk nilai eror sendiri ditunjukkan pada gambar berikut :
2
Metanol
Metanol
3
Ethil Asetat
Ethil Asetat
4
Ethil Asetat
Ethil Asetat
5
Metanol
Metanol
6
Heksana
Heksana
7
Heksana
Heksana
8
Metanol
Metanol
9
Ethil Asetat
Ethil Asetat
Dari hasil sembilan kali pengujian tersebut, terlihat bahwa
hasil identifikasi dari gas uji memiliki tingkat keberhasilan
100%. Hal ini dikarenakan parameter dari masing-masing gas
uji yang dijadikan masukan pada input layer, memiliki tingkat
perbedaan yang jelas, jadi proses pengidentifikasian juga
berjalan dengan sukses.
IV. KESIMPULAN
Berdasarkan perancangan, pembuatan dan pengujian
keseluruhan sistem yang dibuat, dapat disimpulkan beberapa
hal untuk kepentingan pengembangan selanjutnya.
Penggunaan kontroler PID sebagai pengatur suhu dan
menjaga agar suhu tetap seperti setpoint, sangat efektif untuk
mencegah perbedaan yang besar dari pembacaan sensor gas,
karena perubahan suhu yang drastis sangat berpengaruh pada
laju gas yang didorong dan menyebabkan pembacaan gas uji
berubah-ubah.
Beberapa hal yang mempengaruhi laju gas uji pada
percobaan yang dilakukan adalah jenis gas uji dan bahan dari
kolom partisi. Jika bahan kolom partisi menggunakan bahan
polar, maka gas uji yang berjenis polar akan melaju dengan
lambat karena akan berikatan dengan kolom partisi. Kemudian
hal yang juga mempengaruhi laju gas uji adalah suhu dan
tekanan udara pendorong, sehingga diperlukan kontroler untuk
menjaga suhu tetap stabil dan tekanan udara pendorong juga
harus stabil.
Dari ketiga gas uji, heksana dan ethil asetat melaju lebih
cepat karena merupakan pelarut nonpolar sedangkan methanol
melaju lambat karena methanol adalah pelarut polar.
DAFTAR PUSTAKA
Gambar 18. Nilai Eror Pelatihan Neural Network
e1 adalah error untuk ethil asetat, e2 adalah eror untuk
heksana dan yang terakhir e3 adalah eror untuk methanol.
Berikut ini hasil identifikasi yang dilakukan terhadap sembilan
sampel secara acak.
Tabel 3
Hasil Identifikasi Gas Uji Menggunakan Neural Network
Pengujian KeGas Uji
Hasil Identifikasi
1
Heksana
Heksana
[1]H.M.Mcnair, J.M.Miller, “Basic Gas Chromatography” John Willey and
Sonc.Inc, 1997.
[2]G.A.Eiceman, Instrumentation of Gas Chromatography”, Encyclopedia of
Analytical Chemistry, pp. 10671– 10679,2000.
[3]_________,Figaro.<URL:http://www.figaro.co.jp/en/product/>. 25 mei
2013.
[4]Datasheet DS1621, Maxim Integrated Products, Inc.2005.
[5]Lippmann, R. P. An introduction to computing with neural nets. IEEE ASS
Magazine, 4-22,1987.
[6]M.H.Purnomo, A.Kurniawan, “Supervised Neural Network dan
aplikasinya”,Graha Ilmu, 2006.
[7]Haykin, S., “Neural networks: a comprehensive fundation”, Prentice
Hall, New Jersey, 1999.
[8]Gurney, K., “Neural Nets by Kevin Gurney” <URL:
http://www.shef.ac.uk/psychology/gurney/notes/index.html>, 1999.