Implementasi Electrinic Nose Dan Support Vector Machine Pada Aplikasi Olfactory Mobile Robot Dalam Mengenali Gas

• Main Authors: Rendyansyah Rendyansyah, Aditya P.P. Prasetyo, Kemahyanto Exaudi
• Format: Article
• Language: English
• Published: Universitas Andalas 2018-03-01
• Series: Jurnal Nasional Teknik Elektro
• Subjects: benzene dan thiner. Pengenalan pola sinyal dari e-nose menggunakan Support Vector Machine (SVM) yang sudah diprogram di dalam komputer. Secara ilustrasi aroma gas yang dideteksi oleh e-nose menghasilkan pola sinyal elektrik yang ditransfer via wireless ke komputer dan diproses untuk dikenali. Hasil percobaan menunjukkan bahwa olfactory mobile robot dapat diaplikasikan untuk mendeteksi dan mengidentifikasi jenis gas dengan akurasi yang baik; E-nose; olfactory mobile robot; Support Vector Machine
• Online Access: http://jnte.ft.unand.ac.id/index.php/jnte/article/view/475/336
• ISSN: 2302-2949; 2407-7267

Aroma gas dapat dirasakan oleh indra penciuman manusia. Adanya aroma karena berasal dari sumber gas itu sendiri atau gas bocor melalui cela-cela seperti katup atau sambungan pipa. Aroma gas tertentu (gas dengan aroma yang menyengat) dapat mengganggu sistem saraf dan hidung manusia. Oleh karena itu perlu alat yang dapat meniru indra penciuman yaitu electronic nose (disingkat e-nose). E-nose merupakan kumpulan dari dua sensor gas atau lebih. Dalam situasi pencarian sumber aroma gas maka pada penelitian ini dikembangkan e-nose kedalam bentuk aplikasi olfactory mobile robot untuk deteksi dan identifikasi. Pada penelitian ini sistem dirancang untuk mengenali gas etanol, benzene dan thiner. Pengenalan pola sinyal dari e-nose menggunakan Support Vector Machine (SVM) yang sudah diprogram di dalam komputer. Secara ilustrasi aroma gas yang dideteksi oleh e-nose menghasilkan pola sinyal elektrik yang ditransfer via wireless ke komputer dan diproses untuk dikenali. Hasil percobaan menunjukkan bahwa olfactory mobile robot dapat diaplikasikan untuk mendeteksi dan mengidentifikasi jenis gas dengan akurasi yang baik, yaitu di atas 97% untuk pemilihan kernel γ = 100 dan γ = 1000.