laporan kemajuan penelitian disertasi...
TRANSCRIPT
LAPORAN KEMAJUAN
PENELITIAN DISERTASI DOKTOR
PENGEMBANGAN SISTEM IDENTIFIKASI AIR DAN BAHAN SERTAAN
BERDASARKAN POLA FLUKTUASI MULTI-SPEKTRAL
Tahun ke 1 dari rencana 1 tahun
Ketua Tim
MELINDA, ST, M.SC 0010067903
Dibiayai Oleh Direktorat Penelitian dan Pengabdian kepada Masyarakat, Direktorat
Jenderal Pendidikan Tinggi, Kementerian Pendidikan dan kebudayaan, sesuai dengan
Surat PerjanjianPenugasan Pelaksanaan Hibah bagi Dosen Perguruan Tinggi Batch I
Universitas Syiah Kuala Tahun Anggaran 2017 Nomor: 108/UN11.2/PP/SP3/2017
FAKULTAS TEKNIK
UNIVERSITAS SYIAH KUALA
November 2017
i
ii
RINGKASAN
Perkembangan teknologi sensor semakin berkembang, salah satunya dengan penerapan
impedansi spektroskopi dengan melakukan pendekatan dengan multi spektral dan memiliki
karakter non-destrustive, analisis data yang kompleks, dan pengukuran yang relative cepat
dan akurat. Penelitian awal yang telah dilakukan menggunakan prinsip spektroskopi
impedansi sinyal derau yang dimodifikasi menjadi multi-spektral dengan objeknya adalah air,
dimana setiap frekuensi masukan akan dianalisis spektralnya. Namun data yang dihasil masih
belum konsisten untuk hasil data yang didapatkan berupa pola fluktuasi MF, HF, HMF dan
HHF. Berdasarkan keadaan diatas maka dibutuhkan suatu metode yang mampu untuk
mengidentifikasi bahan air berdasarkan pola fluktuasi. Sebelum dilakukannya proses
identifikasi pola air, akan dilakukan ektraksi fitur atau ciri dari pola air tersebut guna
mendapatkan karakteristik atau ciri-ciri yang unik dari pola air yang belum konsisten dan
nantinya akan memudahkan untuk diidentifikasi. Metode yang digunakan untuk ekstraksi
fitur adalah 2D-DWT (2 Dimensional Discrete Wavelet Transform). Penelitian yang diajukan
ini akan menitik beratkan pada pengidentifikasian bahan air murni, ditambahkan beberapa zat
kimia sertaan (NaOH dan HCl) menggunakan metode jaringan syaraf tiruan dengan
konfigurasi multi layer perceptron dan algoritma backpropagation. Hasil capaian yang
diharapkan dalam penelitian ini adalah mendapatkan algoritma yang dapat digunakan untuk
mengidentifikasi bahan air sesuai dengan pola fluktuasi yang didapatkan dari penelitian
awalnya. Adapun luaran yang akan didapatkan berupa publikasi pada jurnal internasional dan
pengusul akan berusaha dan berencana lulus dari program studi S3 pada tahun awal 2018.
Kata Kunci: Identifikasi air murni, pola fluktuasi, multi-spektral, pendekatan statistik
iii
PRAKATA
Pada kesempatan ini, peneliti membuat Laporan Kemajuan dari hasil penelitian
dengan judul : ―PENGEMBANGAN SISTEM IDENTIFIKASI AIR DAN BAHAN
SERTAAN BERDASARKAN POLA FLUKTUASI MULTI-SPEKTRAL‖. Dimana
penelitian ini sudah berlangsung selama 5(lima) bulan dan akan dilanjutkan dari bulan
September sampai Desember 2017.
Penelitian ini mengembangkan identifikasi bahan dengan pendekatan baru
(FRONTIER) dengan memanfatkan analisis spektral bahan terhadap sinyal masukan yang
diberikan. Dimana telah dilakukan kajian konsistensi terhadap data pengukuran sensor untuk
beberapa frekuensi dengan bahan air murni dan dibagi kedalam beberapa kelompok data.
Dan dalam kesempatan ini, peneliti ingin mengucapakn terima kasih yang kepada
berbagai pihak yang telah membantu terwujudnya penelitian ini:
1. DIKTI yang telah memberikan bantuan dana kepada peneliti untuk melaksanakan
penelitian ini.
2. Berbagai pihak yang telah membantu terlaksananya penelitian ini.
Peneliti mengharapkan kritik dan saran guna memperbaiki laporan ini dan semoga
laporan kemajuan ini dapat di terima baik oleh semua pihak
Depok, 24 Agustus 2017
Peneliti
iv
DAFTAR ISI
RINGKASAN .......................................................................................................................................... i
PRAKATA ............................................................................................................................................. iii
DAFTAR ISI .......................................................................................................................................... iv
BAB 1. .................................................................................................................................................... 1
PENDAHULUAN .................................................................................................................................. 1
1.1 Latar Belakang Penelitian ............................................................................................................. 1
1.2 Perumusan Masalah ...................................................................................................................... 3
1.3 Urgensi (keutamaan) Penelitian .................................................................................................... 4
BAB 2 ..................................................................................................................................................... 5
TINJAUAN PUSTAKA ......................................................................................................................... 5
2.1 Dimension-Discrete Wavelet Transform (2D-DWT) ................................................................... 5
2.2 Beberapa Penelitian Terkait Ektraksi Fitur dengan Wavelet ........................................................ 5
BAB 3 ..................................................................................................................................................... 6
TUJUAN DAN MANFAAT PENELITIAN .......................................................................................... 6
3.1 Tujuan ........................................................................................................................................... 6
3.2 Manfaat Penelitian ........................................................................................................................ 6
BAB 4 ..................................................................................................................................................... 7
METODOLOGI PENELITIAN .............................................................................................................. 7
4.1 Eksperimen ....................................................................................................................................... 7
4.2 Metodologi ........................................................................................................................................ 8
BAB 5 ................................................................................................................................................... 12
HASIL DAN LUARAN YANG DICAPAI .......................................................................................... 12
5.2 Publikasi artikel ilmiah ............................................................................................................... 14
BAB 6 ................................................................................................................................................... 16
RENCANA TAHAPAN BERIKUTNYA ............................................................................................ 16
BAB 7 ................................................................................................................................................... 17
v
KESIMPULAN DAN SARAN ............................................................................................................. 17
7.1 Kesimpulan ................................................................................................................................. 17
7.2 Saran ........................................................................................................................................... 17
DAFTAR PUSTAKA ........................................................................................................................... 18
1
BAB 1.
PENDAHULUAN
1.1 Latar Belakang Penelitian
Fluktuasi merupakan suatu peristiwa naik turunnya nilai puncak amplitude pada
suatu ata tertentu yang diukur melalui proses akuisisi data. Selain itu, fluktuasi yang terjadi
juga sangat komplek karena data informasi yang didapatkan selama proses akuisisi data
bercampur dengan noise yang terdapat didalam data. Biasanya, data tersebut berjumlah
sangat besar, sehingga akan sangat susah untuk mengindentifikasi informasi yang terdapat
dalam data. Oleh karena itu maka dibutuhkan suatu pendekatan analisis yang mampu
mengolah fluktuasi sinyal sehingga dapat mengidentifikasi hasil fluktuasi dari data
tersebut.
Selama beberapa tahun terakhir ini, metode pengolahan sinyal untuk fluktuasi
sinyal telah banyak dikembangkan. Hal ini dikarenakan pengolahan fluktuasi sinyal cukup
sulit untuk dianalisis dengan metode yang biasa karena tidak akan menghasilkan hasil
yang memuaskan. Salah satu metode yang banyak digunakan oleh peneliti adalah dengan
mengimplementasikan analisis wavelet transform. Akan tetapi, fluktuasi sinyal yang
dianalisis merupakan keluaran dari peralatan observasi pada beberapa percobaan kimia
yang menghasilkan pressured fluktuasi sinyal. Transformasi wavelet digunakan untuk
mendekomposisi sinyal asli dari fluktuasi sinyal ke dalam beberapa skala, yaitu skala
aproksimasi dan skala detil. Sehingga nantinya akan dapat melihat jelas karakteristik dari
sinyal dan juga perubahan-perubahan yang terjadi pada domain waktu.
Menurut [1] dan [2], fluktuasi merupakan suatu peristiwa yang tidak bisa dihindari,
dimana memiliki banyak kandungan informasi penting didalamnya yang mencerminkan
keadaan suatu bahan dan juga memiliki sifat non-stasionari. Oleh karena kondisi tersebut,
maka pengolahan fluktuasi sinyal perlu menjadi perhatian yang cukup penting dianalisis.
Beberapa studies telah melakukan pemrosesan sinyal untuk mengekstrak fluktuasi sinyal
seperti yang telah dilakukan oleh [3] dengan menggunakan pengolahan sinyal dengan
transformasi FFT (Fast Fourier Transform), STFT (Short-Time Fourier Transform) dan
WT (Wavelet Transform). Akan tetapi data yang digunakan merupakan data pada operasi
plums yang menghasilkan pressure fluctuation.
2
Selain itu, studi yang dilakukan oleh [4] menunjukkan aplikasi dari DWT (Discrete
Wavelet Transform) untuk memonitoring kerusakan alat secara real time. [5]
memperkenalkan suatu pendekatan untuk mendeteksi peralatan yang rusak. Tren dari
frekuensi sinyal suara dihitung dengan FFT, sedangkan proses lanjutannya akan
difokuskan pada pita frekuensi yang terdeteksi dengan WPD (Wavelet Packet
Decomposition). Selanjutnya, [6] menyajikan pendekatan baru untuk menganalisis
tegangan yang dihasilkan dari rangkaian vakum breaker (VCB) dengan memanfaatkan
FFT dan WT. Hasilnya menunjukkan bahwa dengan mengintegrasikan antara FFT dan WT
akan menunjukkan hasil yang lebih akurat dan juga lebih less time comsuming.
Berikut ini akan dijelaskan beberapa studi yang telah menggunakan analisis
wavelet untuk mengobservasi dan untuk menganalisis pressured fluktuasi sinyal. Studi [7]
berusaha untuk menganalisis transisi dari kecepatan dalam system sirkulasi fluidized
melalui analisis statistic dan multi resolusi analisis terhadap fluktuasi sinyal. [8] telah
mengimplementasikan teknik transformasi wavelet untuk mengetahui karakteristik
fluktuasi pressure sinyal yang dibangkitkan dalam pressurized bubble coloumn. Studi yang
dilakukan oleh [9] bertujuan untuk mendapatkan karakteristik dari kecepatan transisi dan
regime flow dengan beberapa analisis, seperti: standar deviasi dan analisis energy PSDF
(power spectral density function). Study [10] merepresentasikan a novel diagnostic metode
yang bertujuan untuk menginvestasikan fluktuasi pressure untuk beberapa kondisi dengan
menggunakan MRA dari transformasi wavelet. Studi [11] menggunakan data set dengan
berukuran kecil dan menggunakan wavelet Daubechies. Pada studi ini ditemukan bahwa
wavelet Daubechies dapat dipelajari pada fluktuasi besar dan kecil, sehingga efek dari non-
stasioner data fluktuasi dapat dilihat.
Penelitian yang akan dilakukan ini bertujuan untuk mengembangkan metode
pendekatan identifikasi pola fluktuasi sinyal yang merupakan hasil dari akuisisi data multi
frekuensi sensor kapasitif dengan menggunakan gabungan transformasi wavelet dan
transformasi fourier. Kedua jenis transformasi ini akan digunakan pada tahapan
preposesing data. Multi-frekuensi Capacitive Sensor merupakan alat yang bekerja
berdasarkan pengamatan pada fluktuasi yang direpresentasikan berdasarkan besaran
statistik rataan dan standar deviasi dari spektral noise/derau yang diamati dalam sejumlah
besar set data.
Ada beberapa alasan digunakan transformasi wavelet dan transformasi Fourier dalam studi
ini. Pertama, data set yang didapatkan pada proses akuisisi berjumlah besar yaitu sebesar
3
600 data set. Hal berikutnya adalah, untuk proses akuisisi data pada studi ini menggunakan
sensor kapasitif, sehingga data yang dihasilkan rentan terhadap noise. Akan tetapi noise ini
merupakan noise yang diharapkan dengan asumsi bahwa bahwa noise memiliki banyak
informasi dari bahan yang diukur. Oleh karena itu, data yang dihasilkan merepresentasikan
fluktuasi sinyal yang dinotasikan oleh titik-titik informasi sehingga membutuhkan suatu
metode pendekatan untuk melihat pola fluktuasi.
Sebelumnya telah dilakukan usaha untuk melihat pola fluktuasi, seperti yang telah
dilakukan oleh [12], yaitu dengan melakukan proses segmentasi. Proses segmentasi
tersebut dilakukan pada tipe High Fluctuation (HF). Selain itu, ektraksi fitur dari data
fluktuasi ini juga sudah dilakukan oleh [13] menggunakan 2D-DWT, akan tetapi hasil
yang didapatkan untuk ektraksi tidak begitu bagus dan analisis nya dilakukan secara
kualitatif.
Oleh karena itu, studi ini akan menunjukkan performansi dengan
mengimplementasikan transformasi wavelet yang digabung dengan transformasi fourier
pada tahapan pre prosesing. Selanjutnya, hasil yang didapatkan akan dibandingkan dengan
pengolahan data yang hanya menggunakan trasnformasi fourier saja pada proses
preprosesingnya. Secara jelas, performansi dari fluktuasi sinyal yang dibagi kedalam
beberapa tipe seperti MF (mean fluctuation), HF (high fluctuation) dan HHF (high high-
fluctuation) akan ditunjukkan dalam beberapa parameter performansi dalam studi ini,
yaitu: nilai rata-rata, standar deviasi, variance to mean ratio dan nilai konsistensi fluktuasi.
Pendekatan statistic yang digunakan dalam pengolahan sinyal pada studi ini akan mengacu
pada studi yang telah dilakukan oleh [14] yaitu menggunakan pendekatan statistic untuk
mendapatkan nilai mean, standar deviasi dan variance to mean rasio.
1.2 Perumusan Masalah
Permasalahan dari penelitian ini adalah
1. Mengidentifikasi bahan menggunakan memanfaatkan sistem pemetaan fluktuasi
spektral derau menggunakan sensor kapasitif multifrekuensi.
2. Melakukan komparasi bahan air mineral dengan bahan air mineral yang sudah
direkayasa dengan zat kimia.
3. Melakukan observasi kemiripan pola bahan yang diukur dan bahan yang telah
direkayasa.
4
1.3 Urgensi (keutamaan) Penelitian
Urgensi dari penelitian untuk identifikasi bahan adalah:
1. Menggunakan pola fluktuasi sebagai tool atau alat untuk mengidentifikasi bahan
dasar dengan basis air murni.
2. Melakukan identifikasi dengan melihat grafik 2D.
3. Menggunakan pendekatan manual untuk identifikasi bahan.
5
BAB 2
TINJAUAN PUSTAKA
2.1 Dimension-Discrete Wavelet Transform (2D-DWT)
Ada beberapa kategori wavelet yang digunakan untuk pengolahan image, namun
pada penelitian ini akan menggunakan kategori transformasi wavelet diskrit dengan 2-
dimensi atau dikenal dengan 2D-DWT. Pada transformasi ini sinyal dibagi kedalam dua
bagian yaitu: frekuensi tinggi dan frekuensi rendah dan di filter dengan Low Pass
Filter(LPF) dan High Pass Filter (HPF). Selanjutnya frekuensi tinggi akan dibagi kembali
menjadi frekuensi rendah dan juga frekuensi tinggi dan terus akan dilakukan sampai
didekomposisi pada level yang memungkinkan dan diperbaiki sinyalnya kembali dengan
Inverse Discrete Wavelet Transform (IDWT).
2.2 Beberapa Penelitian Terkait Ektraksi Fitur dengan Wavelet
Ekstraksi yang akan digunakan dalam penelitian ini adalah jenis 2D-DWT.
Telah banyak penelitian yang telah dilakukan oleh peneliti sebelumnya terkait ekstraksi
fitur seperti (Dimitroulakos et al. 2005)(Ghazali et al. 2007)(Imtiaz and Fattah
2012)(Materka 2001), dimana para peneliti tersebut menggunakan 2D-DWT untuk
menunjukkan beberapa algoritma 2D-DWT yang sesuai dengan pengembangan dalam
meningkatkan kinerja dari desain sistem dengan ekstraksi fitur bahan yang diolah, dan
mereka menggunakan image yang berupa foto dalam bentuk JPEG dari bahan yang diuji.
Hal yang membedakan penelitian yang akan dilakukan dengan beberapa penelitian
terkait ekstraksi fitur adalah bahwasanya penelitian yang akan dilakukan menggunakan
hasil dari sensor 4E untuk diekstrak, dimana data tersebut bukan image melainkan dalam
bentuk matrik dengan gambar 2D, dengan ukuran matrik [31 x 8192]. Proses ekstraksi juga
akan dilakukan untuk ke empat kategori fluktuasi yaitu MF, HMF, HF dan HHF.
6
BAB 3
TUJUAN DAN MANFAAT PENELITIAN
3.1 Tujuan
Tujuan khusus penelitian ini adalah mengembangkan algoritma pengidentifikasian
komposisi di dalam suatu bahan memanfaatkan sistem pemetaan fluktuasi spektral derau
dengan bahannya adalah air mineral.
Tujuan dari penelitian ini adalah:
1. Mendapatkan database pola fluktuasi (MF, HF, HMF dan HHF) untuk bahan air dan
bahan air yang ditambah bahan kimia sertaan (NaOH dan HCl).
2. Mendapatkan karakteristik fitur pola air yang sudah diekstraksi
3.2 Manfaat Penelitian
1. Mendapatkan konsistensi dari bahan air mineral dan juga data base dari bahan air
yang diukur
2. Mendapatkan karakterirstik atau ciri data dengan metode ekstraksi dari wavelet.
3. Mendapatkan metode identifikasi pola air yang sesuai dengan pola fluktuasi yang
telah diekstrak
7
BAB 4
METODOLOGI PENELITIAN
4.1 Eksperimen
Eksperimen dilakukan dengan menggunakan multi-frekuensi kapasitif sensor.
Bahan objek penelitian yang digunakan adalah air murni yang diletakkan dalam tabung.
Tabung tersebut dibalut dengan kertas foil dan telah dilapisi tembaga sebagai sensor
elektroda sebanyak 4 buah. Untuk menjaga temperatur agar selalu stabil, maka vessel
diletakkan dalam chamber yang suhunya telah diatur pada range 330-36
0 C. Untuk lebih
jelasnya skema eksperimen dapat dilihat pada gambar serikut:
Gambar 4.1 Skema sensor yang digunakan
Berdasarkan setting eksperimen, input akan menghasilkan medan listrik yang di
alami oleh pergerakan molekul dalam bahan yang diukur yaitu H2O dan menimbulkan
perbedaan tegangan. Maka perbedaan tegangan inilah yang disebut dengan nilai fluktuasi
dan kemudian nilainya dicatat oleh DSO (digital storage oscilosscope). DSO yang
digunakan memiliki dua buah chanel yaitu DSO 01 dan DSO 02.
Hasil keluaran dari channel DSO mempunyai nilai yang sangat kecil yaitu sebesar
2 Volt, maka dalam eksperimen ini digunakan WBA (wide band amplifier). Jenis WBA
yang digunakan adalah Operational Amplifier LT1260 IS, yang berfungsi untuk
mengamplifikasi sinyal menjadi sekitar ± 15 Volt. Selain itu jugaa digunakan power
supply untuk menjaga kestabilan arus kedalam system sensor.
8
Akuisisi data dari eksperimen ini mendapatkan hasil awal yang merupakan nilai yang
disimpan pada DSO 01 disebut sebagai nilai A dan DSO 2 sebagai nilai B. Nilai A adalah
nilai yang terdeteksi pada function generator, sedangkan nilai perubahan tegangan dari
bahan yang diukur tersimpan pada DSO 02 yang disebut sebagai nilai B. Maka data yang
akan digunakan untuk proses selanjutnya adalah selisih dari A dan nilai B seperti yang
ditunjukkan pada persamaan berikut:
x = nilai - nilaiBCi (4.1)
4.2 Metodologi
Studi ini menggunakan beberapa tahapan dalam pegolahan datanya dan dapat
dilihat pada skema paga gambar berikut. Untuk lebih jelasnya, tahapan-tahapan dari
metode yang diusulkan akan dijelaskan secara detail.
Gambar 4.2 Skema penelitian yang dikerjakan
4.2.1 Tahapan Pra-Preprosesing
Ada beberapa hal yang diperlu didefenisikan sebelum melalui proses sinyal
prosesing, dimana hal tersebut akan dijelas sebagai tahapan pra-preposesing. Tahapan ini
diperlukan untuk memudahkan proses komputasi dengan mengatur data yang didapatkan
dari proses akuisisi data dan pengolahan nya menggunakan pendekatan secara statistik.
Tahapan pra-preprosesing dapat dijelaskan sebagai berikut:
1. Data yang didapatkan pada proses akuisisi data sebanyak 300 set data
2. Setiap 1 data terdiri dari 6 bundel (subset)
3. 1 bundel terdiri dari 31 frekuensi seperti yang ditunjukkan pada tabel diatas.
4. Terdapat 12 kali proses pengambilan pada setiap frekuensi
9
5. Maka 1 bundel terdiri dari 31 buah frekuensi dikalikan dengan 12 kali pengambilan
dan menghasilkan 372 file.
6. 1 file terdiri dari 60 frame
7. 1 frame terdiri dari 16.384 titik/point
8. Maka untuk 1 frekuensi pada 1 bundel akan membentuk grafik 3 Dimensi dengan
12 x pengambilan dikalikan dengan 60 frame yang menghasilkan 720 frame.
Proses selanjutnya adalah melakukan tahapan preprosesing dengan pendekatan statistik.
4.2.2 Tahapan sinyal prosesing yang di usulkan
Tahapan pemrosesan sinyal dilakukan setelah tahapan sinyal utama yang telah
didapatkan dari sensor berdasarkan persamaan (4.1) dan bagian pra preprocessing
dilakukan. Selanjutnya, data hasil akuisisi data tersebut akan diolah dengan beberapa
pendekatan pada bagian software, seperti yang ditunjukkan pada pada tahapan umum pada
gambar 1. Untuk lebih jelasnya, ada dua metode pendekatan yang ditawarkan dalam
pengolahan sinyal, yaitu: (i). Fourier transform (FT) (gbr 4.3 .a) dan (ii) wavelet-fourier
transform (WFT) (gbr 4.3.b). Diagram alirnya dapat dilihat secara jelas pada gambar
dibawah ini. Jenis mother wavelet yang digunakan adalah coiflet1 level 1 dan level 2.
Parameter analisis data yang digunakan adalah nilai mean, standar deviasi, VMR.
10
Gambar 4.3 skema metode pemrosesan sinyal
Berikut merupakan prosedur pemrosesan sinyal yang diusulkan, yaitu:
Untuk lebih jelasnya, berikut merupakan proses pada tahapan pemrosesan sinyal:
Data yang didapatkan dari proses pra-preprosesing sebanyak 300 set data akan diolah
untuk masing-masing data dengan menggunakan pendekatan statistik yang dapat
dijabarkan sebagai berikut:
a. Sebelum memulai proses selanjutnya, hasil dari proses (c), yang menghasilkan nilai 24
folder atau µ dan nilai nya saja diubah ke bentuk transformasi wavelet dengan
menggunakan filter coiflet dan algoritmanya memodifikasi dari teori Mallat.
b. Data yang didapatkan terlebih dahulu di ubah dari bentuk time domain ke bentuk
frekuensi domain dengan transformasi FFT.
c. Misalkan, data ke-1 terdiri dari 6 Bundel, dimana 1 Bundel terdiri dari 60 paket
dikalikan dengan 12 kali pengambilan, maka dihasilkan 720 paket.
d. Kemudian 720 paket dibagi dengan 30 yang merupakan syarat populasi terkecil dalam
perhitungan statistik dan didapatkan 24 folder.
e. Nilai mean dan standar deviasi didapatkan berdasarkan persamaan:
11
Maka didapatkan persaman nilai rata-ratanya, yaitu:
N1
μ = nilai -nilaiB AN n=1
(4.2)
Maka nilai stadar deviasinya adalah sebagai berikut:
2N1 2
σ = nilai -nilai - μB AN n=1
(4.3)
Dimana nilai xi didapatkan berdasarkan persamaan sebelumnya.
f. Selanjutnya, untuk masing-masing folder tersebut akan didapatkan nilai 1 dan 1 yang
merupakan hasil dari pengolahan STA-01. Dan data tersebut akan disimpan dengan
hasil dari STA-01 dan Nilai HF dan MF tersebut akan didapatkan pada setiap folder.
Adapun persamaannya, yaitu:
MF = μ1
4.4
HF = μ *σ1 1
4.5
g. STA-02 merupakan tahapan selanjutnya setelah selesai dilakukan pengolahan pada
STA-01. Pada STA-02 data yang berasal dari per Bundel akan diproses, dimana
prosesnya tetap merupakan proses statistik, maka akan didapatkan 24 folder yang akan
menghasilkan nilai sebagai berikut:
σ2HF=μ
4.6
σ2 σ2HHF=μ *σ
4.7
μ2MF=μ
4.8
μ2 μ2HMF=μ *σ
4.9
HF : High Fluctuation
MF : Mean Fluctuation
HHF : High High Fluctuation
12
BAB 5
HASIL DAN LUARAN YANG DICAPAI
5.1 Hasil yang sudah dicapai
Berdasarkan hasil eksperimen yang telah didapatkan, maka data yang didapatkan dibagi
kedalam bentuk data set data (DS). Data set yang didapatkan berjumlah 175 data set.
Selanjutnya, Data set yang didapatkan diproses dengan beberapa tipe transformasi yang
diusulkan pada studi ini, yaitu: TF: (Fourier- Transformation), TFW-C11 (Fourier-Wavelet
Transformation) Coiflet1, TFW-C12 (Fourier-Wavelet Transformation) Coiflet2.
Selain pengolahan sinyal menggunakan transformasi Fourier dan Wavelet, digunakan juga
metode pengolahan data lanjutan dengan pendekatan statistic dengan menerapkan
beberapa persamaan seperti yang telah dijelaskan sebelumnya, seperti yang telah dilakukan
oleh studi […iccsce]. Beberapa parameter yang akan dianalisis adalah nilai mean, nilai
standar deviasi dan variance to mean rasio (VMR). Pendekatan statistic tersebut dilakukan
untuk melihat hasil fluktuasi konsistensi dengan nilai yang diharapkan untuk nilai
fluctuation consistency lebih kecil dari 1 (F-Cons<1) dan nilai fluctuation consistency
lebih besar dari 1 (F-Cons>1). Kedua hasil fluktuasi konsistensi ini dilakukan untuk per 5
data set dari jumlah total 175 data set.
Table 1. The result for data set 16 - 65
Category Type of
Transformation Parameters
Fluctuation
Consistency
F-
Cons<1
F-
Cons>1
Per 5
Data
Per 4
Data
(%) (%)
A TF
Mean 89.4670 90.5830
Std Dev 3.5360 2.2752
VMR 0.1397 0.0572
B TFW-C11
Mean 96.6870 87.2220
Std Dev 5.3653 3.8214
VMR 0.2977 0.1674
C TFW-C12
Mean 99.2130 90.1290
Std Dev 2.2894 2.7780
VMR 0.0008 0.0856
Untuk lebih jelasnya, hasil yang didapatkan dalam studi ini dibagi kedalam dua
pengelompokan data set. Tabel 1 merupakan hasil untuk kelompok data set 16-65
13
sedangkan tabel 2 menunjukkan hasil kelompok data set 66-175. Pengelompokan data set
untuk data 1 sampai dengan 15 tidak dimasukkan. Hal ini dikarenakan data pada range
tersebut belum stabil dan memiliki nilai fluktuasi yang tidak begitu bagus.
Untuk lebih jelasnya, Tabel 1 merupakan hasil untuk kelompok data 16-65 DS.
Berdasarkan kategori dan tipe transformasi yang digunakan maka nilai fluktuasi
konsistensi dibedakan menjdai dua jenis yaitu: F-Cons<1 dan F-Cons>1. Nilai mean
tertinggi berada pada kategori C untuk F-Cons<1 dengan nilai 99.2130, diikuti dengan
nilai mean pada kategori B dan A. Conversely, pda F-Cons>1, nilai mean tertinggi berada
pada kategori A, kemudian pada kategori C dan B dengan nilai 90.5836 , 90.1290 dan 87.
2220, respectively.
Menariknya, kategori C memiliki nilai VMR yang paling kecil dibandingkan
dengan kategori A dan B untuk kedua kondisi F-Cons<1 dan F-Cons>1, yaitu: 0.0008 dan
0.0856. Sedangkan nilai standar deviasi pada tabel 1 untuk semua kategori berada pada
range 2% sampai dengan 5 %.
Table 1. The result for data set 66-175
Category Type of
Transformation Parameters
Fluctuation
Consistency
F-
Cons<1
F-
Cons>1
Per 5
Data
Per 4
Data
(%) (%)
D TF
Mean 94.6886 90.7300
Std Dev 2.2221 2.8769
VMR 0.0521 0.0912
E TFW-C11
Mean 98.6527 85.5895
Std Dev 1.0358 4.3315
VMR 0.0109 0,2192
F TFW-C12
Mean 99.0136 88.1630
Std Dev 1.1320 4.1567
VMR 0.0129 0.1960
Hasil pada table 2 tidak jauh berbeda dengan tabel 1, dimana kategori F memiliki
posisi teratas untuk nilai parameter mean, yaitu: 99.0136 dan diikuti oleh kategori E dan D
pada F-Cons<1. Akan tetapi, untuk hasil pada F-Cons>1, posisi tersebut berubah secara
dramatis menjadi posisi terakhir yang memiliki nilai mean terkecil yaitu: 88.1650. Tempat
teratas berada pada kategori D sebear 90.7300. Nilai stndar deviasi pada tabel 2 untuk ke 3
kategori berada dalam range 1 sampai dengan 4 untuk kedua kondisi konsistensi fluktuasi.
Nilai ini lebih rendah sedikit dibandingkan nilai standar deviasi pada tabel 1. Akan tetapi
14
nilai VMR terkecil yang didapatkan berada pada kategori E untuk kondisi F-Cons<1
dengan nilai 0.0109.
Secara keseluruhan, berdasarkan tabel 1 dan 2 dapat dikatakan bahwa, nilai mean
pada fluktuasi konsitensi yang lebih kecil dari 1 berjumlah besar pada tipe transformasi
TFW-C11, sedangkan pada nilai mean terbesar untuk fluktuasi konsistensi lebih besar dari
1 berada pada tipe transforrmasi TF. Selain itu, untuk data yang memiliki kelompok data
set yang lebih besar seperti pada tabel 2, maka dia akan memiliki kestabilan persentase
untuk nilai mean pada semua kategori dengan nilai diatas 90 %. Akan tetapi untuk kondisi
fluktuasi konsistensi yang lebih kecil dari 1.
5.2 Publikasi artikel ilmiah
Hasil publikasi artikel ilmiah pada jurnal dan prosiding dapat dilihat pada tabel 5.2.
Tabel 5.2 Hasil publikasi yang telah didapatkan
No Judul Artikel Publikasi Keluaran Posisi
1 Implementation Of Segmentation
Scheme Based On Wavelet Transform
In Multi-Spectral Fluctuation Patterns
International Journal of
JTEC Vol.08 No.12
2016, Malaysia
Jurnal
internasional
Sudah terbit
2 The Influence of Wideband Amplifier
Supply on the Consistency Level of
Multi-Spectral Fluctuation Pattern
Advanced Science
Letter Volume 23, No.4
(April 2017) pp.2637-
3816
Jurnal
Internasional
Sudah terbit
3 Consistency Analysis of Mapping
System of Noise Spectral Fluctuations
in Multi-Frequency using Two-
Dimension Discrete Wavelet Transform
(2D-DWT)
Proceeding,
International
Conference ASEA-
UNINET
15-17 February 2016,
Bali.
Prosiding
internasional
Sudah terbit
4 Analysis of Consistence Level Using
New Method of Statistical
Transformation Approach in Multi-
Spectral Fluctuation Pattern
International
Conference ICCSCE,
2016, Penang, Malaysia
Prosiding
IEEE
Sudah terbit
5 Analysis Of Impedance Influence On
Multi-Frequency Capacitive Sensor
Jurnal Internasional
ARPN
Jurnal
Internassional
Submitted
6 Self Comparison Performance Analysis
of H2O on Multi-Spectral Fluctuation
Pattern
Seminar Internasional
ICELTICS IEEE 2017
Prosiding
internasional
Submitted
7 Consistency Parameters Analysis Using
Fourier and Wavelet Transform on
Multi-Spectral Fluctuation Signal
Seminar Internasional
ICELTICS IEEE 2017
Prosiding
internasional
Submitted
8 Grouped Data Analyisis of H2O and
H2O Mixed with NaOH on Multi-
Spectral High Fluctuation Pattern
Seminar Internasional
ICELTICS IEEE 2017
Prosiding
internasional
Submitted
9 Data Grouping Procedure of Multi-
Spectral Fluctuation Signal with
Jurnal
Internasional
Draf
15
Fourier Transform and Wavelet
Transform by Utilizing
Statistical Approach
10 A New Experiment Study Of Multi
Frequency Capasitive Sensor (Mfcs) In
Identification Of Signal Fluctuation:
Study Case In H2o
Jurnal
internasional
Draf
16
BAB 6
RENCANA TAHAPAN BERIKUTNYA
Adapun rencana tahapan selanjutnya yang akan dikerjakan dapat dilihat pada table 6.1
dibawah ini:
Tabel 6.1 Rencana Tahapan Berikutnya
No Uraian Kegiatan Bulan
1 2 3 4
1 Memperbaiki kajian konsistensi
2 Pengambilan data baru
3 Analisis secara kimia
4 Analisis konsistensi data
5 Analisa hasil secara keseluruhan
9 Pembuatan Jurnal internasional
10 Pembuatan laporan
17
BAB 7
KESIMPULAN DAN SARAN
7.1 Kesimpulan
Dari analisis yang didapatkan pada studi ini dengan menggunakan perbandingan
kategori dengan beberapa tipe transformasi, seperti: TF, TFW-C11 dan TFW-C12 maka
hasilnya memiliki perubahan nilai yang cukup signifikan. Tolak ukur untuk mendapatkan
kinerja berdasarkan pendekatan statistic telah berhasil diterapkan untuk kategori A, B, C,
D, E dn F, dimana nilai yang didapatkan memenuhi standar statistic. Perbandingan
beberapa tipe transformasi yang diterapkan dengan menggabungkankan tahapan
transformasi Fourier dan Wavelet dapat menjanjikan suatu hasil yang lebih maksimal
untuk melihat nilai konsistensi fluktuasi yang diharapkan. Untuk pekerjaan future work,
maka akan dilakukan analisis lanjutan untuk pengolahan data fluktuasi signal multi
spectral dengan memanfaatkan gabungan kedua transformasi tersebut.
7.2 Saran
Adapun saran dari yang ingin diberikan adalah masih perlunya dilakukan
pengambilan data yang lebih banyak lagi guna mendapatkan hasil yang lebih baik untuk
konsistensi data dari hasil percobaan. Dan akan dilakukan untuk lebih dari satu objek
bahan penelitian.
18
DAFTAR PUSTAKA
[1] E. Barsoukov and J. R. Macdonald, Impedance Spectroscopy. 2005.
[2] C. Breitkopf, ―Impedance Spectroscopy Old Technique – New Applications,‖ 2012.
[3] A. Lasia, Electrochemical Impedance Spectroscopy and its Applications, vol. 32.
1999.
[4] J. Melorose, R. Perroy, and S. Careas, Fourier Transform in Spectroscopy, vol. 1.
2015.
[5] J. Vazquez-arenas and M. D. Pritzker, ―Electrochimica Acta Transient and steady-
state model of cobalt deposition in borate-sulfate solutions,‖ Electrochim. Acta, vol.
55, no. 28, pp. 8376–8387, 2010.
[6] H. Imtiaz and S. A. Fattah, ―A Wavelet-domain Local Feature Selection Scheme for
Face Recognition,‖ IEEE, vol. 11, pp. 448–451, 2011.
[7] S. Kumari, ―Analysis of Orthogonal and Biorthogonal Wavelet Filters for Image
Compression,‖ Int. J. Comput. Appl., vol. 21, no. 5, pp. 17–19, 2011.
[8] A. Materka, ―DISCRETE WAVELET TRANSFORM – DERIVED FEATURES
FOR DIGITAL IMAGE TEXTURE ANALYSIS,‖ in Signal and Electronic
Systems, 2001, no. September, pp. 163–168.
[9] A. Y. Melinda, S.T.Agus, G. Dadang, S. Dodi, ―Consistency Analysis of Mapping
System of Noise Spectral Fluctuations in Multi-Frequency using Two-Dimension
Discrete Wavelet Transform (2D-DWT),‖ in ASEA-UNINET 2016, 2016, pp. 48–62.
[10] S. G. C. S, ―Image Compression and Denoising Effects using Wavelets,‖ IJNTEC,
vol. 2, pp. 1–4, 2014.
[11] Y. Tao, E. C. M. Lam, and Y. Y. Tang, ―Feature extraction using wavelet and
fractal,‖ Pattern Recognit. Lett., vol. 22, pp. 271–287, 2001.
[12] Y. Li and X. Feng, ―A multiscale image segmentation method,‖ Pattern Recognit.,
vol. 52, pp. 332–345, 2016.
[13] B. W. Ng, X. X. Yin, B. W. Ng, B. Ferguson, S. P. Mickan, and D. Abbott,
―Terahertz Computed Tomographic Reconstruction and its Wavelet-based
Segmentation by Fusion Terahertz Computed Tomographic Reconstruction and its
Wavelet-based Segmentation by Fusion,‖ 2007, no. January 2016.
[14] C. Wang, A. Shi, X. Wang, F. Wu, F. Huang, and L. Xu, ―Optik A novel multi-scale
segmentation algorithm for high resolution remote sensing images based on wavelet
transform and improved JSEG algorithm,‖ Opt. - Int. J. Light Electron Opt., vol.
125, no. 19, pp. 5588–5595, 2014.
[15] H. Azami, H. Hassanpour, J. Escudero, and S. Sanei, ―An intelligent approach for
variable size segmentation of non-stationary signals,‖ J. Adv. Res., vol. 6, no. 5, pp.
687–698, 2015.
[16] C. J. Venkateswaran, ―Prediction of Water Quality Attributes Variations Using
Back Propagation Neural Network ( BPNN ) Model,‖ pp. 128–138, 2015.
[17] M. Kesehatan and R. Indonesia, ―PERATURAN MENTERI KESEHATAN
Nomor : 416 / MEN . KES / PER / IX / 1990 Tentang Syarat-syarat Dan
Pengawasan Kualitas Air,‖ 1990.
[18] C. M. Lewandowski, N. Co-investigator, and C. M. Lewandowski, Techniques and
Mechanisms in Electrochemistry, vol. 1. 1994.
[19] H. Hasan and A. S. Tamsir, ―Analysis on Impedance Influence on Multifrequency
Capacitive Sensor,‖ 2016, pp. 2–6.
[20] A. Introduction, ―An Introduction to . Probability Theory and Its Applications,‖
1970.
19
[21] Z. Bai, K. Wang, and W. Wong, ―The mean – variance ratio test — A complement
to the coefficient of variation test and the Sharpe ratio test,‖ vol. 81, pp. 1078–1085,
2011.
[22] Z. Bai, K. Wang, and W. Wong, ―The mean – variance ratio test — A complement
to the coefficient of variation test and the Sharpe ratio test,‖ Stat. Probab. Lett., vol.
81, no. 8, pp. 1078–1085, 2011.
[23] P. Jiang and J. Zhang, ―Fast and reliable noise level estimation based on local
statistic ✩,‖ Pattern Recognit. Lett., vol. 78, pp. 8–13, 2016.
[24] P. Wei, Z. Lu, W. Ruan, and J. Song, ―Regional sensitivity analysis using revised
mean and variance ratio functions,‖ vol. 121, pp. 121–135, 2014.
[25] Y. Yinghui and L. Guangyue, ―Blind spectrum sensing based on the ratio of mean
square to variance,‖ J. China Univ. Posts Telecommun., vol. 23, no. 1, pp. 42–48,
2016.
[26] Shen, D., Chu, F. T., and Chen, S. 2000. Diagnosis and identification of vibration
accident for hydrogenerator unit. Journal of Hydrodynamics, 15(1), 129-133. (in
Chinese)
[27] Yuan, S. Q., Ni, Y. Y., Pan, Z. Y., and Yuan, J. P. 2009. Unsteady turbulent
simulation and pressure fluctuation analysis for centrifugal pumps. Chinese Journal
of Mechanical Engineering, 22(1), 64-70. [doi:10.3901/ CJME.2009.01.064]
[28] M. Jakubowski, R. Fonck, J. S. Kim, and G. McKee, Application of wavelet spectral
analysis to plasma fluctuation measurements using beam emission spectroscopy.
Review Of Scientific Instruments, Volume 70, Number 1, January 1999.
[29]Huawei Jiang, Hongwei Chen, Yang Wang, Zhenxin Wu, Jianqiang Gao and Xin
Yang. Wavelet Based Analysis of Pressure Fluctuation Signals Measured from A Wind
Cap in Bubbling Fluidized Bed. Proceedings of 2012 IEEE. International Conference
on Mechatronics and Automation, August 5 - 8, Chengdu, China
[30]Soung Hee Park, Yong Kang, Sang Done Kim., Kim Wavelet transform analysis of
pressure Fuctuation signals in a pressurized bubble column, Chemical Engineering
Science 56, 6259-6265, 2001.
[31]Melinda, S.T. Agus, Basari, G. Dadang. 2016. The Influence of Wideband Amplifier
Supply on the Consistency Level of Multi-Spectral Fluctuation Pattern. Advanced
Science Letters. Vol. 23, 3758–3762, 2017.
[32]Melinda, S.T. Agus, Basari, G. Dadang. 2016. Implementation of Segmentation
Scheme based on Wavelet Transform in Multi-Spectral Fluctuation Patterns. vol. 8, no.
12, pp. 47–52, 1843.
[33]Melinda, A S Tamsir, D Gunawan, D Sujana, ―Consistency Analysis of Mapping
System of Noise Spectral Fluctuations in Multi-Frequency using Two-Dimension
Discrete Wavelet Transform (2D-DWT),‖ in Asea-Uninet 2016, 2016, pp. 48–62.
[34]Melinda, et al. 2016. Analysis of Consistence Level Using New Method of Statistical
Transformation Approach in Multi-Spectral Fluctuation Pattern. 2016 6th IEEE
International Conference on Control System, Computing and Engineering, 25–27
November 2016, Penang, Malaysia, pp 251-255.
20
Lampiram
Publikasi Jurnal
21
22
23
24
25