PENINGKATAN TARAF IDENTIFIKASI JENIS GAS DI UDARA TERBUKA MENGGUNAKAN TRANSFORMASI FOURIER DAN PRINCIPAL COMPONENT ANALYSIS

Abstract

Klasifikasi jenis gas di udara terbuka diperlukan di berbagai bidang aplikasi seperti pendeteksian kebakaran, monitoring lingkungan dan lainnya. Hal ini memerlukan teknik pengklasifikasian yang handal dikarenakan adanya konsentrasi gas yang berubah secara dinamis. Sebuah deret sensor gas yang dikombinasikan dengan algoritma pengenal pola Neural Networks telah lama digunakan untuk mengatasi hal ini. Makalah ini melaporkan sebuah metode yang handal untuk klasifikasi jenis gas di udara terbuka. Pada penelitian ini, metode yang digunakan adalah metode Fast Fourier Transform (FFT) untuk analisa spektrum frekuensi dan metode Principal Component Analysis (PCA) untuk ekstraksi data sebagai metode preprocessing untuk Propagasi balik Neural Networks. Sebuah deret sensor terdiri dari tiga tipe sensor gas semikonduktor yang berbeda dan menghasilkan sebuah pola yang khas untuk setiap jenis gas pada domain waktu. Beberapa gas digunakan untuk mengevaluasi unjuk kerja dari klasifikasinya. Hasil percobaan menunjukkan bahwa taraf klasifikasi dari Neural Networks yang dihasilkan lebih tinggi daripada sistem klasifikasi tanpa menggunakan preprocessing walaupun konsentrasi gas berubah pada kondisi yang bervariasi. Kata kunci: Deret Sensor, Spektrum Frekuensi, Principal Component Analysis, Neural Networks. Abstract Classification of gases in open field is of great interest in many applications such as fire detection, environmental monitoring, etc. They all require reliable classification techniques due to dynamical change of gas concentration. A gas sensor array combined with Neural Networks pattern recognition algorithm has been traditionally used to address these issues. This paper reports a robust method for gas classification in the ambient air. In this research, we employ Fast Fourier Transform (FFT) method for frequency spectrum analysis and Principal Component Analysis (PCA) method for data extraction as preprocessing methods for a Back Propagation Neural Networks. A sensor array consists of three different types of semiconductor gas sensors producing a unique pattern for each gas in time domain. Several gases were introduced to evaluate the classification performance. The experiment result showed that classification rate of the Neural Networks with FFT and PCA methods as preprocessing was higher than that of the system without preprocessing even if the gas concentration changed into various conditions.

Keywords

• Sensor Array
• Frequency Spectrum
• Principal Component Analysis
• Neural Networks