Pramudya, Bagus Esa and Adharul Muttaqin, ST., MT and Dr.Eng. Panca Mudjirahardjo, ST., MT (2023) Identifikasi Jenis Gas Berdasarkan Data Multisensor Dengan Menggunakan Recurrent Neural Network (RNN),. Sarjana thesis, Universitas Brawijaya.
Abstract
Pengawasan kualitas produk melalui analisis gas dan aroma merupakan hal penting dalam berbagai industri. Dalam hal ini, Electronic Nose (E-Nose) merupakan salah satu solusi dengan menggunakan sensor gas semi-selektif dan algoritma pengenalan pola untuk mengenali aroma produk. E-Nose menggunakan konsep multisensor yang mengacu pada penggunaan beberapa sensor yang berbeda pada E-Nose. Salah satu jenis sensor yang digunakan pada E-Nose adalah sensor Quartz Crystal Microbalance (QCM) yang dapat memiliki respon berupa perubahan frekuensi osliasi sensor berdasarkan penyerapan massa gas yang dideteksi. Untuk melakukan pengenalan pola aroma, perubahan frekuensi sinyal diolah dengan menggunakan Recurrent Neural Network (RNN) yang efektif dalam memproses data multisensor. Skripsi ini menunjukan perancangan sebuah model machine learning agar didapatkan identifikasi jenis gas dari data hasil keluaran sensor QCM. Sistem ini menggunakan data pelatihan 6 jenis spesies mint di Botanical Institute of Karlsruhe Institute of Technology (KIT), Jerman yang direkam melalui 12 jenis sensor yang berbeda. Data yang digunakan sebanyak 28746 dengan waktu pengambilan 175.52 menit. Selanjutnya data melewati proses preprocessing dimana data yang mengalami spiking diperbaiki hingga akhirnya normalisasi diterapkan pada data untuk mempermudah pelatihan. Kemudian kumpulan dataset tersebut dibagi menjadi dua dengan skala pembagian 80:20 pada setiap kelas. Hingga akhirnya data dilatih dengan arsitektur Recurrent Neural Network (RNN) agar dapat mendeteksi jenis gas dengan baik. Untuk memastikan sistem berjalan dengan baik, pengujian dilakukan pada dua model machine learning dengan fungsi aktivasi berbeda, yaitu dengan ReLU dan RNN dengan LeakyReLU. Pada tahap pelatihan, model RNN dengan ReLU mendapatkan akurasi sebesar 98.84% dengan waktu komputasi 326 detik sedangkan pada model RNN dengan LeakyReLU mendapatkan akurasi sebesar 97.78% dengan waktu komputasi 267 detik. Namun, pada tahap identifikasi, model RNN dengan ReLU hanya mendapatkan akurasi sebesar 79% dengan waktu komputasi 10 detik, sedangkan model RNN dengan LeakyReLU mendapatkan akurasi sebesar 85% dengan waktu komputasi 4 detik.
English Abstract
Quality control of products through gas and aroma analysis is important in various industries. In this regard, the Electronic Nose (E-Nose) is one solution that uses semi-selective gas sensors and pattern recognition algorithms to identify product aromas. E-Nose employs a multisensor concept, referring to the use of multiple different sensors in the E-Nose. One type of sensor used in the E-Nose is the Quartz Crystal Microbalance (QCM) sensor, which exhibits frequency oscillation changes based on the mass absorption of the detected gas. To perform aroma pattern recognition, the frequency signal changes are processed using a Recurrent Neural Network (RNN), which is effective in handling multisensor data. This thesis presents the design of a machine learning model to achieve gas type identification from QCM sensor output data. The system utilizes training data from six species of mint at the Botanical Institute of Karlsruhe Institute of Technology (KIT), Germany, recorded through twelve different sensors. The dataset used consists of 28,746 data points collected over a duration of 175.52 minutes. The data then undergo preprocessing, where spiked data is corrected and normalization is applied to facilitate training. Subsequently, the dataset is divided into two parts using an 80:20 split for each class. Finally, the data is trained using a Recurrent Neural Network (RNN) architecture to effectively detect gas types. To ensure the system performs well, testing is conducted on two machine learning models with different activation functions, namely ReLU and RNN with LeakyReLU. During the training phase, the RNN model with ReLU achieves an accuracy of 98.84% with a computation time of 326 seconds, while the RNN model with LeakyReLU achieves an accuracy of 97.78% with a computation time of 267 seconds. However, during the identification phase, the RNN model with ReLU only achieves an accuracy of 79% with a computation time of 10 seconds, whereas the RNN model with LeakyReLU achieves an accuracy of 85% with a computation time of 4 seconds.
Other obstract
-
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | 0523070187 |
| Uncontrolled Keywords: | Quartz Cristal Microbalance (QCM), Recurrent Neural Network (RNN), Identifikasi gas |
| Subjects: | 600 Technology (Applied sciences) > 621 Applied physics > 621.3 Electrical, magnetic, optical, communications, computer engineering; electronics, lighting > 621.38 Electronics, communications engineering > 621.381 Electronics |
| Divisions: | Fakultas Teknik > Teknik Elektro |
| Depositing User: | Endang Susworini |
| Date Deposited: | 22 Sep 2023 02:58 |
| Last Modified: | 22 Sep 2023 02:58 |
| URI: | http://repository.ub.ac.id/id/eprint/203192 |
![[thumbnail of DALAM MASA EMBARGO]](http://repository.ub.ac.id/style/images/fileicons/text.png) |
Text (DALAM MASA EMBARGO)
Bagus Esa Pramudya.pdf Restricted to Registered users only until 31 December 2025. Download (4MB) |
Actions (login required)
 |
View Item |