IDENTIFIKASI HALITOSIS BERDASARKANTINGKATAN ...

Journal of Information Technology and Computer Engineering (JITCE), Vol. 01, No. 1, Bulan Maret Tahun 2017, ISSN: 2599-1663

10

IDENTIFIKASI HALITOSIS BERDASARKAN TINGKATANBERBASIS SENSOR GAS MENGGUNAKAN METODE LEARNING

VECTOR QUANTIZATION

Anisa Irviana1, Andrizal2, Dodon Yendri3

1Sistem Komputer Fakultas Teknologi Informasi Universitas Andalas2Teknik Elektronika Politeknik Negeri Padang

3Sistem Komputer Fakultas Teknologi Informasi Universitas Andalas

[email protected] 1), [email protected]), [email protected])

ABSTRAK

Penyakit diabetes mellitus dan infeksi lambung dapat dideteksi melalui bau mulut tidak sedap penderita(halitosis). Halitosis merupakan suatu keadaan di mana terciumnya bau mulut pada saat seseorang mengeluarkannafas (biasanya tercium pada saat berbicara). Penelitian ini bertujuan untuk membuat suatu sistem identifikasidan klasifikasi kesehatan mulut (halitosis). Sensor gas TGS-2602 akan mendeteksi kadar gas pada mulutpenderita, dan mengirim data berupa sinyal analog ke mikrokontroler ATmega 328. Dengan melakukanpemrograman baca data pada Raspberry Pi, data dari mikrokontroler disimpan pada sebuah file dan kemudiandata tersebut diolah menggunakan metode Fast Fourier Transform (FFT) sehingga didapatkan pola data yangdiinginkan. Pola data hasil keluaran Fast Fourier Transform (FFT) ini akan digunakan sebagai data input padametode jaringan saraf tiruan Learning Vector Quantization (LVQ). Pengujian sistem dilakukan kepada orangdengan bau mulut penderita halitosis dan tidak halitosis. Hasil penelitian diperoleh persentase tingkatkeberhasilan respon sensor terhadap sampel halitosis ringan 25%, sampel halitosis sedang 50%, sampel Halitosisakut 50% dan sampel tidak halitosis 100%.

Kata Kunci: Sensor Gas TGS-2602, Halitosis, FFT, LVQ, Raspberry Pi

ABSTRACT

Diabetes mellitus and gastrointestinal infections can be detected through an unpleasant mouth odor patients(halitosis). Halitosis is a condition in which the strong smell of someone's mouth during exhale (usually smellduring the speech). This research aims to create a system of identification and classification of oral health(halitosis). TGS-2602 gas sensor will detect levels of gas at the mouth of the patient, and send data in the form ofan analog signal to a microcontroller ATmega 328. By doing programming read data on Raspberry Pi, datafrom the microcontroller is stored in a file and then the data is processed using Fast Fourier Transform (FFT) toobtain the desired data pattern. The pattern of the data output Fast Fourier Transform (FFT) will be used asinput data to the neural network method Learning Vector Quantization (LVQ). System testing is done to peoplewith bad breath halitosis and halitosis sufferers. The results were obtained percentage success rate sensorresponse on a sample of 25% mild halitosis, halitosis samples were 50%, 50% acute Halitosis samples andsamples of halitosis is not 100%.

Keywords : Gas sensor TGS-2602, Halitosis, FFT, LVQ, Raspberry Pi

1. PENDAHULUAN

Masalah kesehatan mulut merupakan faktor yangsangat mempengaruhi kepercayaan diri seseorangyang kita kenal sebagai halitosis. Halitosismerupakan suatu istilah yang digunakan untukmenerangkan adanya bau yang tidak sedap sewaktuterhembusnya udara yang disebabkan sisa makananyang tertinggal dalam rongga mulut.

Seseorang dapat dikategorikan mengalami halitosisbila memiliki kadar H2S > 1.5ng/10 ml, CH3SH >0.5ng/10 ml dan (CH3)2S > 0,2 ng/10 ml[1].Halitosis disebabkan oleh faktor intraoral danektraoral. Halitosis juga merupakan penyebab atauindikasi dari penyakit seperti diabetes mellitus daninfeksi lambung. Cara lain dalam mendeteksihalitosis ini yaitu dengan halimeter, yaitu alat yangdigunakan dalam praktek dokter gigi.

mailto:[email protected]


11

Berdasarkan uraian diatas, penulis telah membuatsebuah sistem otomatis untuk mengukur kadar daritaraf Volatile Sulfure Compounds (VSCs) denganmenggunakan sensor gas untuk menentukantingkatan dari halitosis. Penentuan tingkatanhalitosis ini memanfaatkan sensor gas yang dapatmerespon unsur yang dominan pada bau mulutyaitu hydrogen sulfida. Hasil deteksi sensor gasdiproses melalui metode Fast Fourier Transform(FFT) untuk merepresentasikan sinyal dalamdomain perioda/waktu dan dalam domain frekuensi.Perioda dibutuhkan untuk sebuah isyarat ataugelombang untuk mencapai gelombang penuh dandapat menentukan hasil periodesitasnya, sedangkanfrekuensi untuk menentukan jumlah gelombangyang terjadi dalam 1 detik.Selanjutnya hasil FFT diolah untuk mendapatkanpola data yang akan di jadikan sebagai input untukdiproses ke dalam jaringan saraf tiruan metodeLVQ.

2. TINJAUAN PUSTAKA

Pengertian HalitosisiHalitosis adalah bau tidak sedap yang keluar darirongga mulut. Halitosis juga disebut dengan istilahoral malador, fetor ex ore atau fetor oris. Halitosismerupakan masalah rongga mulut yang seringditemukan pada rongga mulut setelah insidensikaries dan kerusakan jaringan periodontal. Halitosisdisebabkan karena adanya pembentukan VSCsyang terdiri dari H2S, CH3SH dan (CH3)2S.

Penyebab HalitosisHalitosis atau bau mulut secara medis dibagi atas 2macam yakni halitosis yang berasal dari dalammulut (intraoral) dan halitosis yang berasal dariluar rongga mulut (ekstraoral). Halitosis intraoraldisebabkan oleh karena kurangnya perhatian untukmenjaga kebersihan gigi dan mulut secara teratur.Sedangkan halitosis eksraoral disebabkan olehpenyakit saluran pencernaan, diabetes mellitus,penyakit hati dan saluran pernafasan. Penyebabhalitosis intraoral mempunyai persentase lebihbanyak dibandingkan dengan ekstraoral, yaitusebesar 80-90%. Selain itu halitosis ekstraoral jugabisa disebabkan oleh penggunaan obat-obatan yangmempunyai efek samping membuat mulut keringseperti obat antidepresi, diabetes dan darah tinggi.

Diagnosis HalitosisDiagnosis halitosis sangat perlu dilakukan untukmengetahui etiologi dari timbulnya halitosistersebut. Dengan mengetahui etiologi secara pastimaka rencana perawatan terhadap pasien halitosisdapat dilakukan secara optimal. Pemeriksaan secarasistemik maupun intraoral sangat diperlukan untukmengetahui etiologi seseorang mengalami halitosis.

Metode untuk mendiagnosa halitosis terbagi duayaitu metode langsung dan metode tidak langsung.Metode langsung dilakukan dengan cara menghirupsecara langsung gas-gas yang berasal dari ronggamulut pasien yang mengandung sulfur penyebabtimbulnya halitosis. Metode tidak langsungbiasanya dilakukan di laboratorium untukmengetahui jenis mikroorganisme yang berperandalam menghasilkan Volatile Sulfure Compounds(VSCs) atau mengidentifikasi gas-gas yang menjadihasil metabolisme dari suatu bakteri yang dapatmenyebabkan halitosis.

Sensor GasSensor TGS-2602 memiliki tingkat sensitivitas danselektifitas yang baik pada kontaminasi udaraterhadap kadar gas di luar ruang seperti ammoniadan H2S, konsentrasi yang rendah dari alkohol.

Gambar 1. Sensor Gas TGS-2602.

Gambar 1. Menunjukkan karakteristik sensitivitassensor TGS-2602 untuk beberapa jenis gas. Padasumbu y merupakan perbandingan resistansi sensor,dimana Rs merupakan resistansi sensor yangditampilkan gas pada konsentrasi berbeda, dan Romerupakan resistansi sensor pada udara bersih.

Gambar 2. Rasio hambatan sensor TGS-2602dengan konsentrasi gas

`Fast Fourier Transform (FFT)FFT merupakan algoritma transformasi Fourieryang dikembangkan dari algoritma DiscreteTransform Fourier (DFT). Dengan metode FFT,laju komputasi dari perhitungan transformasiFourier dapat ditingkatkan. Transformasi Fourierberfungsi untuk merubah sebuah sinyal domainwaktu untuk ditampilkan menjadi sinyal domainfrekuensi. FFT banyak diterapkan dalam berbagaibidang, seperti pengolahan sinyal digital,memecahkan permasalahan differensial amplifierdan untuk mengalikan bilangan bulat besar.


12

Metode Learning Vector Quantization (LVQ)LVQ adalah suatu metode pembelajaran padalapisan kompetitif yang terawasi. Suatu lapisankompetitif digunakan untuk mengklasifikasikanvektor-vektor input. Kelas-kelas yang didapatkansebagai hasil dari lapisan kompetitif akantergantung pada jarak antara vektor-vektor inputdengan vektor bobot. Apabila dua vektor inputmendekati sama, maka lapisan kompetitif akanmeletakkan kedua vektor input tersebut ke dalamkelas yang sama.Hasil dari lapisan kompetitif ini berupa kelas, yangkemudian akan dihubungkan dengan lapisan output.Sebagai contoh ada delapan variabel dari vektorinput, yaitu X= (X1, X2, X3, X4, X5, X6, X7, X8, )dengan unit keluaran Y1, Y2, Y3, Y4 serta empatvektor bobot, maka arsitektur jaringan LVQ dapatdirumuskan seperti gambar 3 berikut.

Gambar 3. Arsitektur jaringan learning vektorquantization dengan 8 input dan 4 vektor bobot

Berdasarkan Gambar 3 terlihat bahwa dalam LVQterdapat dua vektor bobot yang menghubungkansetiap masukan dengan unit keluaran sehinggadapat dikatakan bahwa setiap keluaran pada LVQberhubungan dengan sebuah vektor bobot.Pengenalan dalam metode LVQ ini terdapat duaproses, yaitu proses pembelajaran dan prosespengujian.

Rasberry PiRaspberry Pi merupakan single board seukurankartu kredit. Dikarenakan ukurannya yang jauhlebih kecil dari komputer biasa, kemampuankomputer mini ini pun dibawah komputer biasa.Raspberry Pi kebanyakan digunakan untuk kegiatanpembelajaran yang tidak memerlukan alokasimemori yang besar seperti belajar pemrograman.

Gambar 4. Rasberry Pi

3. METODE

Metode penelitian yang digunakan dalam penelitianini adalah Experimental Research yang dilakukandalam beberapa tahapan yakni (1) studi literatur, (2)proses pembacaan sensor, (3) proses pengolahansinyal dan (4) proses pengklasifikasian tingkatanseperti terlihat pada pada Gambar 5 berikut.

Gambar 5. Tahapan penelitian

PerancanganPerancangan sistem diawali terlebih dahulu denganmembuat Blok Diagram Sistem seperti terlihat padaGambar 6 dibawah ini.

Gambar 6. Blok diagram

Gambar 6. Blok diagram sistem

Perancangan sistem terdiri dari perancanganperangkat keras dan perangkat lunak. Perangkat

Studi Literatur

Proses Pembacaan Sensor

Deteksi BauMulut

Pembacaanoleh Sensor

Proses Pengolahan Sinyal

Fast FourirTransform (FFT)

Pembuatan PolaData

Proses Klasifikasi Tingkatan

Jaringan SarafTiruan/LVQ Bobot Training

Hasil Keputusan


13

lunak meliputi program untuk pembacaan nilaitegangan hasil proses dari MikrokontrollerATMega328 dan program untuk pengolahan datapada komputer untuk mendapatkan pola data gasH2S untuk diolah kembali menggunakan metodeLVQ. Hasil pengolahan data menggunakan metodeLVQ akan dihasilkan keputusan apakah respondentidak menderita halitosis, halitosis ringan, halitosissedang dan halitosis akut.Rangkaian Arduino Uno berbasiskanMikrokontroller ATMega328 digunakan untukpembacaan data sensor TGS 2602 dan dilakukanproses konversi data dari analog ke digital olehmodul ADC. Hasil konversi data berupa data datadigital kemudian dikirimkan ke komputer melaluikomunikasi serial serta pembangkit sinyal pemanaspulsa.Pada Raspberry Pi dilakukan pemograman bacadata dari mikrokontroller dan menyimpannya padasuatu file dan kemudian mengolahnyamenggunakan metode Fast Fourier Transform(FFT) sehingga didapatkan pola data yangdiinginkan. Selanjutnya pola data hasil keluaranFast Fourier Transform (FFT) ini akan digunakansebagai data input pada metode jaringan saraf tiruanLearning Vector Quantization (LVQ) sehinggadidapatkan kelas keputusan yang akan ditampilkanpada LCD.

4. HASIL DAN PEMBAHASAN

Mekanik SistemMekanik sistem ini terdiri dari wadah tempat sensor,Arduino Uno, kabel USB Kipas, Raspberry Pi danLCD monitor seperti terlihat pada Gambar 7berikut.

Gambar 7. Mekanik sistem

PengujianPengujian Sensor TGS 2602Sensor TGS-2602 memiliki nilai resistansi yangberubah-ubah apabila terkena gas. Keluaran darisensor gas ini berupa tahanan, oleh karena itu dibutuhkan rangkaian pengkondisian sinyal untukmengubah keluaran tahanan dari sensor menjaditegangan, tegangan input yang diberikan haruskonstan dengan nilai tegangan masukan 5V DC.

Gambar 8. Rangkaian pengkondisian sinyal

Pengujian rangkaian dilakukan dengan memberikansampel nafas ke rangkaian sensor. SensorTGS-2602 memiliki resistansi Rs yang akanberubah bila terkena bau. Untuk mencari nilai Rs,digunakan rumus berikut ini:

lout

lc RVxRVRs ......(1)

Untuk mendapatkan tahanan dalam (Rs) dapat diujiberdasarkan hasil yang telah dibuat yaitu:Untuk nilai VRL = 0,525 Volt, Vc = 4,95 Volt, danRL = 10 kOhm

kOhmVkOhmx 10

525,01095,0

= 84,28 kOhm

Berikut merupakan beberapa hasil uji rangkaiansensor yang dilakukan sebanyak 6 kali:

Tabel 1. Data tahanan sensorVin VRL (V) RL (kOhm) Rs(kOhm)4,95 0,525 10 84,284,95 0,584 10 74,764,95 0,592 10 73,614,95 0,607 10 71,544,95 0,618 10 70,094,95 0,633 10 68,19

Jadi, untuk nilai Rs berbanding terbalik dengannilai VRL. Semakin besar nilai Rs maka semakinrendah nilai VRL.

Pengujian dan Analisa Rangkaian ADCPengujian ADC dilakukan dengan memberikantegangan input pada Arduino Uno kemudianditampilkan pada multimeter untuk endapatkan datayang telah dikonversi. ADC yang digunakan adalahADC 10 bit yang terdapat pada ATMega328,sehingga nilai 1LSB = 5 V/ 210 = 0,00488 V = 4,88mV.Untuk mendapatkan nilai Out ADC berdasarkanhasil pengukuran Vout sensor dapat digunakanpersamaan:

mVsensorVOutADC out88,4

...... (2)


14

Berikut adalah beberapa hasil uji rangkaian ADCyang dilakukan sebanyak 6 kali:

Tabel 2. Tabel pengukuran ADCVout

SensorOut ADC(serialmonitor)

Out ADC(perhitungan)

0,525 106 1100,584 109 1220,592 114 1240,607 119 1270,618 122 1290,633 123 132

Pengujian Respon Sensor TGS-2602Pengujian respon sistem dilakukan denganmenggunakan Raspberry Pi. Respon sensormemperlihatkan data uji sampel yang dilakukandengan cara meniupkan nafas kedalam ruang/wadahyang berisi sensor gas, dimana sensor akanmerespon langsung gas H2S yang keluar dari dalammulut. Setelah sensor merespon gas H2S, hasilnyadapat dilihat pada monitor yang mengulang(panjangnya 32 spektrum) dimana sebelumnyatelah di set pada Arduino sebanyak 32 kali. Monitordihubungkan dengan HDMI pada Raspberry Pi,kemudian data keluaran yang telah diproses diRaspberry Pi tersebut akan di training di Matlabdengan menggunakan laptop dan mendapatkan nilaibobot awal dan bobot akhir. Nilai bobot inidijadikan sebagai input identifikasi pada RaspberryPi yang akan menghasilkan keputusan apakahsampel yang diinputkan tidak halitosis, halitosisringan, halitosis sedang dan halitosis akut.

Respon Sensor Terhadap Data Tidak HalitosisPengambilan data respon sensor terhadap sampeltidak halitosis dilakukan sampai counter ke-32.Tetapi untuk input hanya digunakan 8 inputspektrum saja, karena 8 itu adalah pola unik yangtelah didapat dari hasil output FFT, yakni daricounter 13, 14, 15, 16, 17, 18, 19, 20. Berikut datadan grafiknya dapat dilihat pada tabel 3 dan gambar9 dengan 5 kali percobaan.

Tabel 3. Respon sensor terhadap data tidak halitosis

Gambar 9. Grafik respon sensor terhadap data tidakhalitosis

Berdasarkan tabel 3 dan gambar 9 diperoleh hasilyang bermacam-macam, seperti terlihat pada table,dari percobaan 1 sampai 5 didapatkan magnitudespektrum yang beragam dan unik. Data magnitudespektrum tersebut merupakan keluaran dari sensorgas yang telah di konversi menjadi data digital.Sensor TGS-2602 dapat memberikan responterhadap sampel tidak halitosis, namun responsensor tidak terlalu besar. Pada grafik denganmagnitude 0 sampai 0,5 dapat pula dilihat bahwapada percobaan yang ke-3 grafiknya lebih tinggidari yang lainnya, yaitu hampir mencapaimagnitude 0,5. Pada percobaan ke-1 dan ke-2 nyamencapai nilai magnitude dari 0,2-0,3 dan padapercobaan ke-4 dan ke-5 mencapai nilai magnitudedari 0,2-0,4.

Respon Sensor terhadap data Halitosis RinganPengambilan data respon sensor terhadap sampeldata halitosis ringan sama dengan pegambilan datatidak halitosis.Hasil pengujian respon sensorterhadap data halitosis ringan dapat dilihat padatabel 4 dan gambar 10 berikut.

Tabel 4. Respon sensor terhadap sampel halitosisringan

Gambar 10. Grafik respon sensor terhadap sampelhalitosis ringan

Berdasarkan tabel 4 dan gambar 10 di atas dari 5kali percobaan terhadap sampel halitosis ringan,dimana hasil dari magnitude spektrum data sampelhalitosis ringan di dapatkan hasil yang beragam.Sensor juga mampu merespon data dari sampelhalitosis ringan, dimana hasilnya lebih tinggi dari


15

sampel tidak halitosis. Hal ini dapat dilihat darinilai magnitude antara 0 sampai dengan 1,2. Padapercobaan ke-1 nilai magnitude-nya lebih tinggidari percobaan lainnya yaitu mencapai 1,2. Padapercobaan ke-2 dan ke-3 mencapai nilai magnitude0,4 dan percobaan ke-5 mencapai 0,6.

Respon Sensor terhadap data Halitosis SedangPengambilan data respon sensor terhadap sampeldata halitosis sedang, juga sama denganpengambilan data tidak halitosis dan halitosisringan. Pengujian respon sensor data halitosissedang ini juga dilakukan 5 kali percobaan, berikuttampilan hasil pengujian yang dapat dilihat padatabel 6 dan gambar 11 berikut.

Tabel 6. Respon sensor terhadap sampel halitosissedang

Gambar 11. Grafik respon sensor terhadap sampelhalitosis sedang

Dari tabel 6 dan gambar 11, terlihat bahwa daripengambilan data yang dilakukan selama 5 kalipercobaan, didapatkan hasil yang berbeda. Hal inidapat dilihat pada magnitude spektrum sampelhalitosis sedang berupa data digital yang telahdidapatkan dari hasil konversi sebelumnya. Grafiktertinggi terletak pada percobaan ke-5 pada counterke-16.

Respon Sensor terhadap data halitosisakut/beratPada pengujian ini, pengambilan data respon sensorterhadap sampel data halitosis akut juga samadengan pegambilan data sebelumnya. Adapun hasiluji respon data halitosis akut yang dilakukan 5 kalipercobaan dapat dilihat pada tabel 7 dan gambar 12.

Tabel 7. Respon sensor terhadap sampel halitosisakut

Gambar 12. Grafik respon sensor terhadap sampelhalitosis akut

Dari hasil uji yang disajikan pada tabel 7 dangambar 12, dari kelima percobaan diatas didapatkanhasil yang berbeda. Jarak magnitude yang didapatkan dari 0 sampai 1. Grafik respon sensortertinggi terdapat pada percobaan ke-2 yang diikutipercobaan ke-5 pada counter ke-18 dan ke-20 yangnilai magnitude spektrumnya melewati angka 0,8.

Pengujian Sistem KeseluruhanPengujian sistem secara keseluruhan denganmenggunakan metode LVQ. Input yang digunakansebanyak 8 yang berasal dari keluaran FFT dan 4output. Digunakan sebanyak 4 output karenakategori hasil yang diinginkan yaitu tidak halitosis,halitosis ringan, halitosis sedang dan halitosis akut.

Uji Training Learning Vector QuantizationProses training yang dilakukan pada metode LVQterhadap sampel tidak halitosis, halitosis ringan,halitosis sedang dan halitosis akut, dimana inputdata diambil dari nilai magnitude 32 counter darihasil output FFT.Delapan input untuk proses training, yaitu counterke 13, 14, 15, 16, 17, 18, 19, dan 20 yangmerupakan pola unik yang telah didapat dari outputFFT. Tabel 8 memperlihatkan data bobot awaltraining yang akan digunakan pada proses uji LVQ.

Tabel 8. Bobot awal training

Nilai bobot awal didapatkan dari hasil deviasiseluruh sampel dari 5 percobaan yang telahdilakukan sebelumnya. Pada proses training initerlebih dahulu ditentukan nilai alpha sebesar 0,05dengan penurunan tingkat pembelajaran sebesar0,1*alpha dan maksimum epoch-nya sebesar 100.Proses training LVQ dilakukan menggunakanpemograman Matlab untuk mendapatkan nilaibobot. Pada proses training, target kelas ditentukanuntuk dijadikan hasil identifikasi terhadap sampelyang akan diuji. Kelas ditentukan berdasarkan 4inputan sampel yang diambil. Bobot hasil setelahtraining menggunakan Matlab dapat dilihat padatable 9 berikut.


16

Tabel 9. Bobot akhir hasil training pada matlab

Bobot akhir training ini akan menjadi bobotidentifikasi yang selanjutnya akan digunakansebagai identifikasi hasil keputusan semua sampeluji pola data FFT yang telah didapatkan, apakahtidak halitosis, halitosis ringan, halitosis sedangdan halitosis akut. Berikut adalah hasil uji BobotAkhir Hasil Training LVQ dengan input hasil FFTyang dapat dilihat pada tabel 10.

Tabel 10. Bobot akhir hasil training LVQ

Uji IdentifikasiProses identifikasi yang dilakukan hampir samadengan proses training, proses ini dilakukan untukmencari selisih terkecil atau jarak minimum antaravektor input dengan bobot akhir hasil training.Kelas ditentukan berdasarkan data input sampelmana yang diambil. Karena terdapat 4 sampel makakelas yang digunakan juga 4, dimanamasing-masing kelas mewakili ouput dari hasilidentifikasi. Kelas 1 = tidak halitosis, kelas 2 =halitosis ringan, kelas 3 = halitosis sedang dankelas 4 = halitosis akut.

Tidak HalitosisUji identifikasi sampel tidak halitosis dilakukandengan 4 kali percobaan masing-masing 8 buahinput spektrum dan 4 buah output prosesidentifikasi yaitu Y1 (tidak halitosis), Y2 (halitosisringan), Y3 (halitosis sedang) dan Y4 (halitosisakut). Hasil uji sampel tidak halitosis ini dihasilkansuatu keputusan bahwa sampel teridentifikasi tidakhalitosis 100%. Karena dari ke-4 pengujiandidapatkan jarak terpendeknya terletak pada Y1yang mewakili kelas (tidak halitosis) terdapatsebanyak 4 kali atau semuanya terpenuhi, yaknipengujian ke-1 didapatkan Y1= 0.9973, pengujianke-2 Y1= 1.0116, pengujian ke-3 Y1= 0,9937 danpengujian ke-4 Y1= 0,9732. Berikut adalah hasilidentifikasi sampel tidak halitosis yang disajikanpada tabel 11 berikut.

Tabel 11. Identifikasi sampel tidak halitosis

Halitosis RinganUji identifikasi sampel halitosis dilakukan samacaranya dengan sampel tidak halitosis. Hasil ujimenunjukkan bahwa tingkat keberhasilanidentifikasi sampel halitosis ringan adalah sebesar25%. Hal ini dapat dilihat dari ouput hasilidentifikasi dimana Y2-nya muncul dengan nilaiterkecil satu kali Y2=1.0362 yang mewakili kelashalitosis ringan hanya teridentifikasi satu kali yaitupada pengujian yang ke-4.

Halitosis SedangHasil uji sampel halitosis sedang menunjukkanbahwa tingkat keberhasilan identifikasi sampelhalitosis sedang adalah sebesar 50%. Hal inidiperoleh karena terdapat dua kali nilai Y3-nyamuncul dengan nilai paling kecil, yakni Y3=1,0322pada pengujian ke-3 dan Y3=1,0347 padapengujian ke-4.

Halitosis AkutUji identifikasi sampel halitosis akut dilakukansama caranya dengan sampel halitosis ringan. Hasil


17

uji menunjukkan bahwa tingkat keberhasilanidentifikasi sampel halitosis akut adalah sebesar50%. Hal ini dapat dilihat dari ouput hasilidentifikasi dimana Y4-nya muncul dua kali dengannilai terkecil Y4=1,0406 pada pengujian ke-2 danY4=1,0329 pada pengujian ke-4 yang mewakilikelas halitosis akut.

5. HASIL DAN PEMBAHASAN

Mekanik SistemMekanik sistem ini terdiri dari wadah tempat sensor,Arduino Uno, kabel USB Kipas, Raspberry Pi danLCD monitor seperti terlihat pada Gambar 13berikut.

Gambar 13. Mekanik sistem

PengujianPengujian Sensor TGS 2602Sensor TGS-2602 memiliki nilai resistansi yangberubah-ubah apabila terkena gas. Keluaran darisensor gas ini berupa tahanan, oleh karena itu dibutuhkan rangkaian pengkondisian sinyal untukmengubah keluaran tahanan dari sensor menjaditegangan, tegangan input yang diberikan haruskonstan dengan nilai tegangan masukan 5V DC.

Gambar 14. Rangkaian pengkondisian sinyal

Pengujian rangkaian dilakukan dengan memberikansampel nafas ke rangkaian sensor. SensorTGS-2602 memiliki resistansi Rs yang akanberubah bila terkena bau. Untuk mencari nilai Rs,digunakan rumus berikut ini:

lout

lc RVxRVRs ......(4)

Untuk mendapatkan tahanan dalam (Rs) dapat diujiberdasarkan hasil yang telah dibuat yaitu:Untuk nilai VRL = 0,525 Volt, Vc = 4,95 Volt, danRL = 10 kOhm

kOhmVkOhmx 10

525,01095,0

= 84,28 kOhm

Berikut merupakan beberapa hasil uji rangkaiansensor yang dilakukan sebanyak 6 kali:

Tabel 12. Data tahanan sensorVin VRL (V) RL (kOhm) Rs(kOhm)4,95 0,525 10 84,284,95 0,584 10 74,764,95 0,592 10 73,614,95 0,607 10 71,544,95 0,618 10 70,094,95 0,633 10 68,19

Jadi, untuk nilai Rs berbanding terbalik dengannilai VRL. Semakin besar nilai Rs maka semakinrendah nilai VRL.

Pengujian dan Analisa Rangkaian ADCPengujian ADC dilakukan dengan memberikantegangan input pada Arduino Uno kemudianditampilkan pada multimeter untuk endapatkan datayang telah dikonversi. ADC yang digunakan adalahADC 10 bit yang terdapat pada ATMega328,sehingga nilai 1LSB = 5 V/ 210 = 0,00488 V = 4,88mV.Untuk mendapatkan nilai Out ADC berdasarkanhasil pengukuran Vout sensor dapat digunakanpersamaan:

mVsensorVOutADC out88,4

.......(3)

Berikut adalah beberapa hasil uji rangkaian ADCyang dilakukan sebanyak 6 kali:

Tabel 2. Tabel pengukuran ADCVoutSensor

Out ADC(serialmonitor)

Out ADC(perhitungan)

0,525 106 1100,584 109 1220,592 114 1240,607 119 1270,618 122 1290,633 123 132

Pengujian Respon Sensor TGS-2602Pengujian respon sistem dilakukan denganmenggunakan Raspberry Pi. Respon sensormemperlihatkan data uji sampel yang dilakukandengan cara meniupkan nafas kedalam ruang/wadahyang berisi sensor gas, dimana sensor akanmerespon langsung gas H2S yang keluar dari dalammulut. Setelah sensor merespon gas H2S, hasilnyadapat dilihat pada monitor yang mengulang


18

(panjangnya 32 spektrum) dimana sebelumnyatelah di set pada Arduino sebanyak 32 kali. Monitordihubungkan dengan HDMI pada Raspberry Pi,kemudian data keluaran yang telah diproses diRaspberry Pi tersebut akan di training di Matlabdengan menggunakan laptop dan mendapatkan nilaibobot awal dan bobot akhir. Nilai bobot inidijadikan sebagai input identifikasi pada RaspberryPi yang akan menghasilkan keputusan apakahsampel yang diinputkan tidak halitosis, halitosisringan, halitosis sedang dan halitosis akut.

Respon Sensor Terhadap Data Tidak HalitosisPengambilan data respon sensor terhadap sampeltidak halitosis dilakukan sampai counter ke-32.Tetapi untuk input hanya digunakan 8 inputspektrum saja, karena 8 itu adalah pola unik yangtelah didapat dari hasil output FFT, yakni daricounter 13, 14, 15, 16, 17, 18, 19, 20. Berikut datadan grafiknya dapat dilihat pada tabel 3 dan gambar9 dengan 5 kali percobaan.

Tabel 3. Respon sensor terhadap data tidak halitosis

Gambar 9. Grafik respon sensor terhadap data tidakhalitosis

Berdasarkan tabel 3 dan gambar 9 diperoleh hasilyang bermacam-macam, seperti terlihat pada table,dari percobaan 1 sampai 5 didapatkan magnitudespektrum yang beragam dan unik. Data magnitudespektrum tersebut merupakan keluaran dari sensorgas yang telah di konversi menjadi data digital.Sensor TGS-2602 dapat memberikan responterhadap sampel tidak halitosis, namun responsensor tidak terlalu besar. Pada grafik denganmagnitude 0 sampai 0,5 dapat pula dilihat bahwapada percobaan yang ke-3 grafiknya lebih tinggidari yang lainnya, yaitu hampir mencapaimagnitude 0,5. Pada percobaan ke-1 dan ke-2 nyamencapai nilai magnitude dari 0,2-0,3 dan padapercobaan ke-4 dan ke-5 mencapai nilai magnitudedari 0,2-0,4.

Respon Sensor terhadap data Halitosis RinganPengambilan data respon sensor terhadap sampeldata halitosis ringan sama dengan pegambilan datatidak halitosis.Hasil pengujian respon sensorterhadap data halitosis ringan dapat dilihat padatabel 4 dan gambar 10 berikut.

Tabel 4. Respon sensor terhadap sampel halitosisringan

Gambar 10. Grafik respon sensor terhadap sampelhalitosis ringan

Berdasarkan tabel 4 dan gambar 10 di atas dari 5kali percobaan terhadap sampel halitosis ringan,dimana hasil dari magnitude spektrum data sampelhalitosis ringan di dapatkan hasil yang beragam.Sensor juga mampu merespon data dari sampelhalitosis ringan, dimana hasilnya lebih tinggi darisampel tidak halitosis. Hal ini dapat dilihat darinilai magnitude antara 0 sampai dengan 1,2. Padapercobaan ke-1 nilai magnitude-nya lebih tinggidari percobaan lainnya yaitu mencapai 1,2. Padapercobaan ke-2 dan ke-3 mencapai nilai magnitude0,4 dan percobaan ke-5 mencapai 0,6.

Respon Sensor terhadap data Halitosis SedangPengambilan data respon sensor terhadap sampeldata halitosis sedang, juga sama denganpengambilan data tidak halitosis dan halitosisringan. Pengujian respon sensor data halitosissedang ini juga dilakukan 5 kali percobaan, berikuttampilan hasil pengujian yang dapat dilihat padatabel 6 dan gambar 11 berikut.

Tabel 6. Respon sensor terhadap sampel halitosissedang


19

Gambar 11. Grafik respon sensor terhadap sampelhalitosis sedang

Dari tabel 6 dan gambar 11, terlihat bahwa daripengambilan data yang dilakukan selama 5 kalipercobaan, didapatkan hasil yang berbeda. Hal inidapat dilihat pada magnitude spektrum sampelhalitosis sedang berupa data digital yang telahdidapatkan dari hasil konversi sebelumnya. Grafiktertinggi terletak pada percobaan ke-5 pada counterke-16.

Respon Sensor terhadap data halitosisakut/beratPada pengujian ini, pengambilan data respon sensorterhadap sampel data halitosis akut juga samadengan pegambilan data sebelumnya. Adapun hasiluji respon data halitosis akut yang dilakukan 5 kalipercobaan dapat dilihat pada tabel 7 dan gambar 12.

Tabel 7. Respon sensor terhadap sampel halitosisakut

Gambar 12. Grafik respon sensor terhadap sampelhalitosis akut

Dari hasil uji yang disajikan pada tabel 7 dangambar 12, dari kelima percobaan diatas didapatkanhasil yang berbeda. Jarak magnitude yang didapatkan dari 0 sampai 1. Grafik respon sensortertinggi terdapat pada percobaan ke-2 yang diikutipercobaan ke-5 pada counter ke-18 dan ke-20 yangnilai magnitude spektrumnya melewati angka 0,8.

Pengujian Sistem KeseluruhanPengujian sistem secara keseluruhan denganmenggunakan metode LVQ. Input yang digunakansebanyak 8 yang berasal dari keluaran FFT dan 4output. Digunakan sebanyak 4 output karenakategori hasil yang diinginkan yaitu tidak halitosis,halitosis ringan, halitosis sedang dan halitosis akut.

Uji Training Learning Vector QuantizationProses training yang dilakukan pada metode LVQterhadap sampel tidak halitosis, halitosis ringan,halitosis sedang dan halitosis akut, dimana inputdata diambil dari nilai magnitude 32 counter darihasil output FFT.Delapan input untuk proses training, yaitu counterke 13, 14, 15, 16, 17, 18, 19, dan 20 yangmerupakan pola unik yang telah didapat dari outputFFT. Tabel 8 memperlihatkan data bobot awaltraining yang akan digunakan pada proses uji LVQ.

Tabel 8. Bobot awal training

Nilai bobot awal didapatkan dari hasil deviasiseluruh sampel dari 5 percobaan yang telahdilakukan sebelumnya. Pada proses training initerlebih dahulu ditentukan nilai alpha sebesar 0,05dengan penurunan tingkat pembelajaran sebesar0,1*alpha dan maksimum epoch-nya sebesar 100.Proses training LVQ dilakukan menggunakanpemograman Matlab untuk mendapatkan nilaibobot. Pada proses training, target kelas ditentukanuntuk dijadikan hasil identifikasi terhadap sampelyang akan diuji. Kelas ditentukan berdasarkan 4inputan sampel yang diambil. Bobot hasil setelahtraining menggunakan Matlab dapat dilihat padatable 9 berikut.

Tabel 9. Bobot akhir hasil training pada matlab

Bobot akhir training ini akan menjadi bobotidentifikasi yang selanjutnya akan digunakansebagai identifikasi hasil keputusan semua sampeluji pola data FFT yang telah didapatkan, apakahtidak halitosis, halitosis ringan, halitosis sedangdan halitosis akut. Berikut adalah hasil uji BobotAkhir Hasil Training LVQ dengan input hasil FFTyang dapat dilihat pada tabel 10.

Tabel 10. Bobot akhir hasil training LVQ

Uji IdentifikasiProses identifikasi yang dilakukan hampir samadengan proses training, proses ini dilakukan untuk


20

mencari selisih terkecil atau jarak minimum antaravektor input dengan bobot akhir hasil training.Kelas ditentukan berdasarkan data input sampelmana yang diambil. Karena terdapat 4 sampel makakelas yang digunakan juga 4, dimanamasing-masing kelas mewakili ouput dari hasilidentifikasi. Kelas 1 = tidak halitosis, kelas 2 =halitosis ringan, kelas 3 = halitosis sedang dankelas 4 = halitosis akut.

Tidak HalitosisUji identifikasi sampel tidak halitosis dilakukandengan 4 kali percobaan masing-masing 8 buahinput spektrum dan 4 buah output prosesidentifikasi yaitu Y1 (tidak halitosis), Y2 (halitosisringan), Y3 (halitosis sedang) dan Y4 (halitosisakut). Hasil uji sampel tidak halitosis ini dihasilkansuatu keputusan bahwa sampel teridentifikasi tidakhalitosis 100%. Karena dari ke-4 pengujiandidapatkan jarak terpendeknya terletak pada Y1yang mewakili kelas (tidak halitosis) terdapatsebanyak 4 kali atau semuanya terpenuhi, yaknipengujian ke-1 didapatkan Y1= 0.9973, pengujianke-2 Y1= 1.0116, pengujian ke-3 Y1= 0,9937 danpengujian ke-4 Y1= 0,9732. Berikut adalah hasilidentifikasi sampel tidak halitosis yang disajikanpada tabel 11 berikut.

Tabel 11. Identifikasi sampel tidak halitosis

Halitosis RinganUji identifikasi sampel halitosis dilakukan samacaranya dengan sampel tidak halitosis. Hasil ujimenunjukkan bahwa tingkat keberhasilanidentifikasi sampel halitosis ringan adalah sebesar25%. Hal ini dapat dilihat dari ouput hasilidentifikasi dimana Y2-nya muncul dengan nilaiterkecil satu kali Y2=1.0362 yang mewakili kelashalitosis ringan hanya teridentifikasi satu kali yaitupada pengujian yang ke-4.

Halitosis SedangHasil uji sampel halitosis sedang menunjukkanbahwa tingkat keberhasilan identifikasi sampelhalitosis sedang adalah sebesar 50%. Hal inidiperoleh karena terdapat dua kali nilai Y3-nyamuncul dengan nilai paling kecil, yakni Y3=1,0322pada pengujian ke-3 dan Y3=1,0347 padapengujian ke-4.

Halitosis AkutUji identifikasi sampel halitosis akut dilakukansama caranya dengan sampel halitosis ringan. Hasiluji menunjukkan bahwa tingkat keberhasilanidentifikasi sampel halitosis akut adalah sebesar50%. Hal ini dapat dilihat dari ouput hasilidentifikasi dimana Y4-nya muncul dua kali dengannilai terkecil Y4=1,0406 pada pengujian ke-2 danY4=1,0329 pada pengujian ke-4 yang mewakilikelas halitosis akut.

6. KESIMPULAN

Kesimpulan1. Hydrogen Sulfida (H2S) merupakan

indikator yang dominan dari terjadinyahalitosis.

2. Sensor TGS-2602 memiliki sensitivitasdan selektifitas yang baik padakontaminasi udara terhadap kadar gasdiluar ruang seperti Hidrogen Sulfida(H2S).

3. Tingkat keberhasilan sensor terhadapidentifikasi sampel tidak halitosis 100%,sampel halitosis ringan 25%, sampelhalitosis sedang 50% dan sampel halitosisakut 50%.


21

Saran1. Sebelum pengambilan data dilakukan,

pastikan ruang sensor tertutup rapat agardata lebih akurat.

2. Untuk memberikan hasil yang optimal,sebaiknya menggunakan lebih dari satusensor.

7. DAFTAR PUSTAKA

Alee, Ranjam. 2013. Reading Data From a DigitalMultimeter Using Raspberry Pi. TurkuUniversity Of Applied Sciences.

Anonim. Tanpa tahun. Gas Sensor TGS 2602,http://www.figarosensor.com/. Diakses tanggal19 Februari 2015

Anonim. Tanpa tahun. Gas Sensor TGS 2602,http://www.figarosensor.com/. Diakses tanggal19 Februari 2015

Gunardi, Indrayadi, Yuniardini S Wimardhani.2009. Oral Probiotik: Pendekatan Baru

Nasir, M, Syahroni, M, Pengujian Kualitas SidikJari Kotor Menggunakan Learning VectorQuantization (LVQ) Jurusan Teknik ElektroPoliteknik Negri Lhokseumawe.

OhO, T., Yoshida, Y., Shimazaki, Y., Yamashita,Y., Koga, T. 2001. Characteristics of patientscomplaining of halitosis and the usefulness ofgas chromatography for diagnosing halitosis.Fukuoka Japan Kyushu University. Vol. 91 No.5 May 2001.

Putra, D.A. 2013. Identifikasi Penyakit Halitosisdengan Sensor Gas menggunakan JaringanSyaraf Tiruan Metode PembelajaranBackpropagation.Sistem Komputer FakultasTeknologi Informasi Universitas Andalas.

Widagdo, Yanuaris, Suntya, Krisna. VolatileSulfure Compounds sebagai penyebab halitosis.Fakultas Kedokteran Gigi UniversitasMahasaraswati Denpasar.

Tallamma, F, Efektifitas Ekstrak Daun Kemangi(Ocimim Basilicium L) Terhadap PenurunanKadar Volatile Sulfure Compounds (VSCS)Fakultas Kedokteran Gigi UniversitasHasanuddin Makassar.

IDENTIFIKASI HALITOSIS BERDASARKANTINGKATAN ...

Documents

Transcript of IDENTIFIKASI HALITOSIS BERDASARKANTINGKATAN ...