LAPORAN KEMAJUAN PENELITIAN DISERTASI...

31
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

Transcript of LAPORAN KEMAJUAN PENELITIAN DISERTASI...

Page 1: LAPORAN KEMAJUAN PENELITIAN DISERTASI DOKTORuilis.unsyiah.ac.id/unsyiana/files/original/98261850a82bd917fa6c71...kimia sertaan (NaOH dan HCl) menggunakan metode jaringan syaraf tiruan

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

Page 2: LAPORAN KEMAJUAN PENELITIAN DISERTASI DOKTORuilis.unsyiah.ac.id/unsyiana/files/original/98261850a82bd917fa6c71...kimia sertaan (NaOH dan HCl) menggunakan metode jaringan syaraf tiruan

i

Page 3: LAPORAN KEMAJUAN PENELITIAN DISERTASI DOKTORuilis.unsyiah.ac.id/unsyiana/files/original/98261850a82bd917fa6c71...kimia sertaan (NaOH dan HCl) menggunakan metode jaringan syaraf tiruan

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

Page 4: LAPORAN KEMAJUAN PENELITIAN DISERTASI DOKTORuilis.unsyiah.ac.id/unsyiana/files/original/98261850a82bd917fa6c71...kimia sertaan (NaOH dan HCl) menggunakan metode jaringan syaraf tiruan

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

Page 5: LAPORAN KEMAJUAN PENELITIAN DISERTASI DOKTORuilis.unsyiah.ac.id/unsyiana/files/original/98261850a82bd917fa6c71...kimia sertaan (NaOH dan HCl) menggunakan metode jaringan syaraf tiruan

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

Page 6: LAPORAN KEMAJUAN PENELITIAN DISERTASI DOKTORuilis.unsyiah.ac.id/unsyiana/files/original/98261850a82bd917fa6c71...kimia sertaan (NaOH dan HCl) menggunakan metode jaringan syaraf tiruan

v

KESIMPULAN DAN SARAN ............................................................................................................. 17

7.1 Kesimpulan ................................................................................................................................. 17

7.2 Saran ........................................................................................................................................... 17

DAFTAR PUSTAKA ........................................................................................................................... 18

Page 7: LAPORAN KEMAJUAN PENELITIAN DISERTASI DOKTORuilis.unsyiah.ac.id/unsyiana/files/original/98261850a82bd917fa6c71...kimia sertaan (NaOH dan HCl) menggunakan metode jaringan syaraf tiruan

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.

Page 8: LAPORAN KEMAJUAN PENELITIAN DISERTASI DOKTORuilis.unsyiah.ac.id/unsyiana/files/original/98261850a82bd917fa6c71...kimia sertaan (NaOH dan HCl) menggunakan metode jaringan syaraf tiruan

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

Page 9: LAPORAN KEMAJUAN PENELITIAN DISERTASI DOKTORuilis.unsyiah.ac.id/unsyiana/files/original/98261850a82bd917fa6c71...kimia sertaan (NaOH dan HCl) menggunakan metode jaringan syaraf tiruan

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.

Page 10: LAPORAN KEMAJUAN PENELITIAN DISERTASI DOKTORuilis.unsyiah.ac.id/unsyiana/files/original/98261850a82bd917fa6c71...kimia sertaan (NaOH dan HCl) menggunakan metode jaringan syaraf tiruan

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.

Page 11: LAPORAN KEMAJUAN PENELITIAN DISERTASI DOKTORuilis.unsyiah.ac.id/unsyiana/files/original/98261850a82bd917fa6c71...kimia sertaan (NaOH dan HCl) menggunakan metode jaringan syaraf tiruan

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.

Page 12: LAPORAN KEMAJUAN PENELITIAN DISERTASI DOKTORuilis.unsyiah.ac.id/unsyiana/files/original/98261850a82bd917fa6c71...kimia sertaan (NaOH dan HCl) menggunakan metode jaringan syaraf tiruan

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

Page 13: LAPORAN KEMAJUAN PENELITIAN DISERTASI DOKTORuilis.unsyiah.ac.id/unsyiana/files/original/98261850a82bd917fa6c71...kimia sertaan (NaOH dan HCl) menggunakan metode jaringan syaraf tiruan

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.

Page 14: LAPORAN KEMAJUAN PENELITIAN DISERTASI DOKTORuilis.unsyiah.ac.id/unsyiana/files/original/98261850a82bd917fa6c71...kimia sertaan (NaOH dan HCl) menggunakan metode jaringan syaraf tiruan

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

Page 15: LAPORAN KEMAJUAN PENELITIAN DISERTASI DOKTORuilis.unsyiah.ac.id/unsyiana/files/original/98261850a82bd917fa6c71...kimia sertaan (NaOH dan HCl) menggunakan metode jaringan syaraf tiruan

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.

Page 16: LAPORAN KEMAJUAN PENELITIAN DISERTASI DOKTORuilis.unsyiah.ac.id/unsyiana/files/original/98261850a82bd917fa6c71...kimia sertaan (NaOH dan HCl) menggunakan metode jaringan syaraf tiruan

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:

Page 17: LAPORAN KEMAJUAN PENELITIAN DISERTASI DOKTORuilis.unsyiah.ac.id/unsyiana/files/original/98261850a82bd917fa6c71...kimia sertaan (NaOH dan HCl) menggunakan metode jaringan syaraf tiruan

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

Page 18: LAPORAN KEMAJUAN PENELITIAN DISERTASI DOKTORuilis.unsyiah.ac.id/unsyiana/files/original/98261850a82bd917fa6c71...kimia sertaan (NaOH dan HCl) menggunakan metode jaringan syaraf tiruan

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

Page 19: LAPORAN KEMAJUAN PENELITIAN DISERTASI DOKTORuilis.unsyiah.ac.id/unsyiana/files/original/98261850a82bd917fa6c71...kimia sertaan (NaOH dan HCl) menggunakan metode jaringan syaraf tiruan

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

Page 20: LAPORAN KEMAJUAN PENELITIAN DISERTASI DOKTORuilis.unsyiah.ac.id/unsyiana/files/original/98261850a82bd917fa6c71...kimia sertaan (NaOH dan HCl) menggunakan metode jaringan syaraf tiruan

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

Page 21: LAPORAN KEMAJUAN PENELITIAN DISERTASI DOKTORuilis.unsyiah.ac.id/unsyiana/files/original/98261850a82bd917fa6c71...kimia sertaan (NaOH dan HCl) menggunakan metode jaringan syaraf tiruan

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

Page 22: LAPORAN KEMAJUAN PENELITIAN DISERTASI DOKTORuilis.unsyiah.ac.id/unsyiana/files/original/98261850a82bd917fa6c71...kimia sertaan (NaOH dan HCl) menggunakan metode jaringan syaraf tiruan

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

Page 23: LAPORAN KEMAJUAN PENELITIAN DISERTASI DOKTORuilis.unsyiah.ac.id/unsyiana/files/original/98261850a82bd917fa6c71...kimia sertaan (NaOH dan HCl) menggunakan metode jaringan syaraf tiruan

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.

Page 24: LAPORAN KEMAJUAN PENELITIAN DISERTASI DOKTORuilis.unsyiah.ac.id/unsyiana/files/original/98261850a82bd917fa6c71...kimia sertaan (NaOH dan HCl) menggunakan metode jaringan syaraf tiruan

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.

Page 25: LAPORAN KEMAJUAN PENELITIAN DISERTASI DOKTORuilis.unsyiah.ac.id/unsyiana/files/original/98261850a82bd917fa6c71...kimia sertaan (NaOH dan HCl) menggunakan metode jaringan syaraf tiruan

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.

Page 26: LAPORAN KEMAJUAN PENELITIAN DISERTASI DOKTORuilis.unsyiah.ac.id/unsyiana/files/original/98261850a82bd917fa6c71...kimia sertaan (NaOH dan HCl) menggunakan metode jaringan syaraf tiruan

20

Lampiram

Publikasi Jurnal

Page 27: LAPORAN KEMAJUAN PENELITIAN DISERTASI DOKTORuilis.unsyiah.ac.id/unsyiana/files/original/98261850a82bd917fa6c71...kimia sertaan (NaOH dan HCl) menggunakan metode jaringan syaraf tiruan

21

Page 28: LAPORAN KEMAJUAN PENELITIAN DISERTASI DOKTORuilis.unsyiah.ac.id/unsyiana/files/original/98261850a82bd917fa6c71...kimia sertaan (NaOH dan HCl) menggunakan metode jaringan syaraf tiruan

22

Page 29: LAPORAN KEMAJUAN PENELITIAN DISERTASI DOKTORuilis.unsyiah.ac.id/unsyiana/files/original/98261850a82bd917fa6c71...kimia sertaan (NaOH dan HCl) menggunakan metode jaringan syaraf tiruan

23

Page 30: LAPORAN KEMAJUAN PENELITIAN DISERTASI DOKTORuilis.unsyiah.ac.id/unsyiana/files/original/98261850a82bd917fa6c71...kimia sertaan (NaOH dan HCl) menggunakan metode jaringan syaraf tiruan

24

Page 31: LAPORAN KEMAJUAN PENELITIAN DISERTASI DOKTORuilis.unsyiah.ac.id/unsyiana/files/original/98261850a82bd917fa6c71...kimia sertaan (NaOH dan HCl) menggunakan metode jaringan syaraf tiruan

25