ISSN: 1693-6 930                                                     159     Penga ruh Pri n cipl e Com p o nent Analysi s  Terha dap Ti ngkat ……(M uham m ad Rivai)  PENGARUH  PRINCIPLE COM P ONENT ANALYSIS   TERHADAP TINGKAT IDENTIFIKASI  NEURAL  NETWORK  PADA SISTEM SENSOR GAS      Muhammad Riv a i  Jurusan Te kn ik Elektro, Institut Teknolog i Sepuluh No pembe r  Kampu s  ITS,  Keputih, Sukolilo, Surab a ya 6011 1   Telp. (03 1 ) 5 9473 02, Fax. (031 ) 59 312 3 7   e-mail:  muh a mmad_ rivai @ ee.its.a c .id        A b st r a ct  In rece ntly,  it has been develop e d  a gas  id entification system  con s i s ts of a  sem i con d u c tor se nsor a r ray an d Ne ural Network p a ttern re co gn ition. In this study, it has b een   im plem ented a m e thod of Principle Com ponent A nalysi s  (PCA ) as a p r ep roce ssing of  the   Neu r al  Net w ork alg o rithm .  The  se nsory a r ray is  co m posed  of ei ght com m e rci a l sem i cond u c tor  sen s o r s.  Th ree la ye r-Ne u r al  Ne twork  wa s trained   with the  ba ck propag ation  tech niqu e  wi thin   5000 e p o c h s . PCA coul d redu ce th e eight-dim e n sio n  into three - dim e n s i on witho u t any  inform ation lo sses.   T he i d entification  e r ror rate  wa s  lowe r  with  the   ratio  of  10 -4  and the traini ng   perio d wa s sho r ter  with   the ratio  o f   0.6. In  g enerally, it  can  be  con c lud ed th at  the  im plem entation of th e P C A m e thod int o  the  Ne ural Network can  enha nce  the  perfo rm ance s   of  the neural include the ide n tification rate  and tim e  con s um ed in the training p h a s e.    Key w ords : S e m i condu cto r  sen s or a r ray,  Principl e Co m ponent Ana l ysi s, Ne ural  Network      A b st r a k  Saat ini telah  dikem b a n g k an  suatu  si stim  i dentifikasi jenis ga s  yang te rdiri  d a ri d e ret   sen s o r  sem i kondu ktor  da n peng enal pol a  Ne ural  Netw ork. Pad a  p enelitian i n i te lah dila ku ka n  uji  im plem entasi m e toda Principle Com p o nent Anal ysi s  (PCA ) seb agai pem ro sesa n awal p ada  algoritm a  Ne ural Net w o r k.   De ret sen s o r   terdiri da ri delap an sen s or  g a s  sem i kondu ktor  yan g   terse d ia  secara  kom e rsi a l. Neu r al  net work tiga l a pis  dilatih  d enga n m eng guna ka n te knik   prop aga si b a l i k de nga n pe rulan gan ite r asi 5 000  epo ch. PCA d a p a t m e redu ksi  jum l ah va ria bel  m a suka n  yan g  sem u la  be rdim ensi d e la pan m enja d i  berdim e n s i ti ga tanp a m engurangi  ting kat  inform asin ya.  Ta raf  ke sala han i dentifika s i m enja d i le bih  ke cil  den gan  ra sio  10 -4  dan perio da  pelatiha n  ya ng  le bih pen dek  de nga n rasi o  0.6. Seca ra um um   dapat  di si m pulkan bah wa   im plem entasi PCA pada  Neural  Net w ork da pat m eningkatka n pe rform anya  ya ng m e liputi taraf   identifika s i da n wa ktu ya ng  diperlu ka n p ada fasa pela t ihan.    Kata kunci :  Deret sen s o r   sem i kon d u k tor, Prin ciple  Com pone nt Analysi s , Neu r al Network      1. PEN D AHULU AN  Senso r   kimia  sa at ini tel a h dig una ka n  se ca ra  lua s  pad a b ebe rapa  apli k a s i  sep e rti  kontrol kualit as ma ka nan  dan min u m an, monito rin g  tingkat pol usi, dia gno sa penya k it, dan   keam ana n. Pada um um nya se nsor  gas  dibuat  untuk m e mp unyai selekti v itas yang ti nggi   terhad ap je ni s ga s te rtent u. Kelemah a n  se nsor yan g  sp esifi k  ini  adala h  jika di guna ka n unt uk  mendete k si berb agai ma cam ga s a k an dipe rlu k a n  sen s o r  dal am jumlah yang be sa r. Para   peneliti men c ob a mela kuka n pen de katan alte rn atif dengan  meniru  pri n sip  ke rja sisti m   pen ciuma n  m a malia. Pad a  pend ekatan  ini, sistim  id e n tifikasi j eni s gas  meng gu nakan  seb u a h   deret  se nsor  yang terdiri  sejumlah  elem en  se n s o r  d e ngan  setiap  e l emen  se nsornya mem pun yai  tangga pan te rhad ap  seju m l ah ga s terte n tu. Tangg ap an sebu ah el emen  sen s o r  seb agia n  da pat   tumpang   tind ih  den gan   ta ngga pan ele m en sen s o r  yang  lain. Deret sen s o r   t e rsebut dap a t   membe n tuk  pola yang kh as untu k  seti ap jenis g a s.  Denga n de mikian  sistim  ini memerlu k an   algoritm a  pen genal an pola  untuk me nget ahui jeni s ga s yang terdete ksi.   Evaluation Warning : The document was created with Spire.PDF for Python.
                                   ISSN: 16 93-6 930     TELKOM NIKA   Vol. 5, No. 3,  Desem b e r  2007 :  159  - 167   160 Saat ini pa ra  peneliti me ng guna ka n jeni s sen s o r  ga s  semi kon d u k tor  karena  me mpunya i   keu n tung an  uku r an ya ng  ke cil, bobot  yang rin gan , sen s itivitas dan keha nd alan yang tin ggi,  serta  pen ggu naan d a lam j ang ka waktu  yang lama [1] .  Kelemahan  dari  sen s o r  in i adalah tin g kat   sele ktivitas y ang tida k te rlalu ting gi. Sedang ka n  Neu r al Netw ork  serin g  d i guna ka n unt uk  menge nal  pol a secara oto m atis  ka ren a   kemu dah an  a l goritma  dal a m  pe ng kla s ifika s ian  jeni s  g a s  [2]. Kelemah an d a ri  alg o ritma i n i a dalah  dipe rl uka nnya  wa ktu yan g  la ma dal am f a sa   pelatiha nnya.   Metoda  Prin ciple Com pon ent Analysis   (PCA)  se ring  diguna ka n u n tuk visu alisa s i ha sil  kla s ifika s i  pa da  sistim i d e n tifikasi. M e toda i n i me ru pakan  penu runan  da ri te knik  fac t or   an alysis   yang bertuj u an untuk me ngide ntifika s i struktu r   da ri  banyak vari able menj adi  data yang lebih  sed e rh ana.  Metoda ini ju ga dike nal sebag ai tr an sfomasi Ka rhu nen-Loève at au tran sform a si   Hotelling. PCA merupakan transf ormasi  linier ortogonal yang  m e ntransform asi  data ke dal a m   koo r din a t si st em yang  baru yang m ana  varia s i y ang paling banya k   dip e roleh d a ri  p r oye ksi   d a ta  pada  koo r di nat prio ritas utama ( p r in ciple com p o nent ) yang  pertam a , variasi kedu a yang  terbanya k   p ada  koo r di n a t prio ritas  utama yan g  ked ua  dan  sete ru snya.  PCA bia s a n ya   digun akan u n tuk men gurangi dime nsi  dari hi mpu nan data te tapi juga m e mpe r taha nkan  karakte r i s tik  dari  himp una n data  terse b u t den gan  m enjag a b ebe rapa  pri n cipl e com pone nt  y ang  tinggi prio rita snya da n me mbuan g beb e r apa  pr inc i p l e   com ponent  yang re nda h p r iorita snya [3] .     Ada be be rap a  metod a  yan g  umu m  di gu nakan  untu k   menda patkan   prin cipl e co m ponent   pada m e tod a  PCA, yaitu metoda  covari an ce,  metoda  korelasi d an  sing ular val ue  decom positio n . Prose d u r  PCA deng an  mengg una kan metod a  covarian ce [4]  adalah  se ba gai  beri k ut:  a)  Menghi mpun  data eksperi m en X(M,N) yang me miliki dimensi tert entu yang be rke s e s u a ia n   deng an varia bel atau juml ah se nsor ya ng digu na kan  (M) da n juml ah data (N).   b)  Mengu ra ng ka n setiap d a ta  X dengan ni lai  m ean   m X untuk ma sing -m asin g variabl e atau  s e ns or  ( m ) .          N 1 n n M, X N 1 m X      m X   X X           ( 1 )     c)  Menda patkan  matriks cova rian ce (C)        1) (N 2 X 2 X N 1 n 1 X 1 X ) 2 X , 1 cov(X        ) M X , M cov(X    ..... ..........     ) 2 X , M cov(X       ) 1 X , M cov(X ) M X , 2 cov(X    ...... ..........     ) 2 X , 2 cov(X        ) 1 X , 2 cov(X ) M X , 1 cov(X    ...... ..........     ) 2 X , 1 cov(X         ) 1 X , 1 cov(X C     ( 2 )     d) Menda patkan   eigen value  ( ) da n  eige nvector  (V)  da ri matrik cov a ri anc e          0 V λ C           ( 3 )       Tekni k  untu k  mendap atka n  eigen val u e   dan  eige nvector  ini  dap at diguna ka n  beberapa   metoda yaitu   powe r  m e thod, orth ogo nal iteratio n, QL m e thod , Lanczo s m e thod,  dan   Ja cobi’ s  m e th od.        Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOMNI KA   ISSN:  1693-6930  ■     Penga ruh Pri n cipl e Com p o nent Analysi s  Terha dap Ti ngkat ……(M uham m ad Rivai)  161 e) Menda patkan   princi ple co m ponent (PC)        T i X.V i PC           ( 4 )      deng an  PC 1  adala h  prin ci ple com pon e n t  pertama, V 1   eigenve c t o r  den gan nil a i  eigen valu e   terbes ar.      Pada  peneliti an ini  dila ku kan uji  impl em entasi   meto d a  PCA  sebag ai pe mro s e s a n  si nyal   awal ( pre p r o ce ssi ng ) p a d a  algoritma  Neu r al Network . Eksp eri m en meliputi  penentua n jumlah   prin ciple com pone nt  yang  optimal, pe ngaruh P C A  terha dap ta raf ke sala han  identifika s i  dan   lamanya fasa  pelatihan  Ne ural Netwo r k .       2. METODE PENELITIAN  Sistem pera ngkat keras  dalam pe neli t ian  ini ditunjukkan pa da  Gambar 1.  Tabung  peng ujian m e mpunyai  vol u me 0,6  L.  Gas nitro gen  (N 2 ) be rkem urnia n  9 9 ,99 9 % dialirka n  ke  tabung  peng ujian de nga n  ke cep a tan a liran 1  L min -1  untuk mel e paska n mole kul u ap atau  gas  pada  tabu ng  peng ujian  da n mate rial  se nso r .  Nilai ya ng  stabil  pad a saat i n jeksi  ga s  nitrog en  in i   digun akan se bagai nilai a c ua n  pe ngu kuran.  B ahan  samp el  yan g   digun akan sebag ai  sumb er   gas a dala h  cairan yan g  m udah me ngu ap se perti b e n ze na, butan a, alkoh o l da n aseto n . Tia p   samp el yan g  diinje ksika n  ke dalam  tabung  pen g u jian a dalah  seb e sar 1 00 µL. Se mua   peng ukura n   dilakukan p a da suhu  32   1  C. M a si n g -ma s in g sa mpel ga s dil a ku kan  pen gu kura n   seb anya k  lima kali pen gu kuran. Deret sensor yang d i guna ka n terdiri da ri dela pan sen s or g a s  semi kon d u k tor TGS81 3 , TGS2602, TG S2610, TGS2 611, TGS26 2 0 , TGS2442,  AF56 dan AF 30.  Tegan gan  se nso r  d an p e m ana s inte rn al dicatu de n gan teg ang a n  5 V. Ma sin g -ma s in g si n y a l   tegang an  se nso r  dib a ca  oleh 1 0 -bit   Analog to  Digital  Co verte r  ( ADC ) internal p ada  mikrokontroll er ATMEGA 16. Data m a sin g -m asi n g  sen s o r  diki rim ke komp uter Pentium  IV  melalui  komu nika si seri al RS232. Visu alisa s i ha sil  peng ukura n  dibuat de nga n meng gun a k an   prog ram  Vis u al Bas i c .       der e t sensor N 2   I n je ksi katup tabun g  pen g u j ia n flo w m e te r   A DC RS232 A TMEG A16 Buffe r   Gamba r  1. Desai n  perang kat ke ra s e k sperim ental.     Sistem p e ra ngkat lun a k dalam  pe n e litian ini  dit unju k kan  pa da G a mba r  2. PCA  mentra nsfo rmasi k an  dat a se nsor y ang b e rko r el asi  ke  dala m  bentu k  y ang b eba s  tidak  ber ko rela si.   Princi ple com pone nt  satu  deng an yang  lain tida k sal i ng be rkorela s i da n diu r ut kan  Evaluation Warning : The document was created with Spire.PDF for Python.
                                   ISSN: 16 93-6 930     TELKOM NIKA   Vol. 5, No. 3,  Desem b e r  2007 :  159  - 167   162 sed e miki an rupa  sehin g g a   prin cipl e com ponent  ya ng pe rtama  memuat p a li ng ba nyak v a ria s i  dari data se nso r . Ha sil ekst ra ksi PCA  terseb ut diumpan kan  ke   Neural Net w ork  tiga la pis.  Jumla h   nod e  masu kan b e rkesesuaia n  denga n jum l ah  prin cipl e com pone nt  yang dig una kan,  jumlah  neu ro n  tersemb uny i adala h   sep u l uh da n juml a h   neu ro n  kelu aran  be rkese s uai an d eng an   jumlah j eni s  gas yang  did e teksi.  Neura l  Net w ork  dila tih  den gan m engg una kan   tekni k  pro pag asi  balik:  bat ch  gradi ent de scent with m o m entum , dengan pa ram e ter kecepata n  dan mom e n t um    adala h  0,1 da n perul ang an  iterasi m a ksi m um adal ah  5000  ep oc h .         Se ns or  1   L api s   masu k a n Lapi s  t e rs e m buny i L api s   k e lua r a n   Se ns or  2   Se ns or  8   Benz ena   Aceton  Al k ohol   But a na  B u ffe r  Am p lif ie r   Neural Netw o r k   P C A   A D C   Princ i pl e  Com ponen t wh ji i i h j wo kj o k       Gamba r  2. Desai n  perang kat luna k e k sperim ental.       Perhitun gan  koreksi bo bot  antarkone ksi  Lapis  kelu aran ( wo) di nyataka n :     j .h k o 1 k o k o k t λ kj ∆ wo    n kj α∆ wo kj ε∆ wo 1 n kj ∆ wo       ( 5 )   deng an t ad alah ve ktor t a rget p e latih an,   adala h  para m eter  yang men ent uka n  kecepa tan   pelatiha n ,   adala h  para m eter mom e ntum yang d apat  men c e g ah osil asi  si stim dan d a p a t   memba n tu ke luar da ri mini mum lokal fungsi  ke sala ha n pada fa sa p e latihan [5].   Kemudia n  p r oses dilanj utkan  den g an mela ku kan pe rhitun gan  ko reksi  bobot   antarkon e ksi  pada L api s terse m bu nyi ( wh), dinyata k an:      i i k kj wo k o 1 k o k o k t λ j h 1 j λ h ji ∆ wh         n ji α∆ wh ji ε∆ wh 1 n ji ∆ wh       ( 6 )     Taraf kesala han identifika s i  Neu r al Ne twork  pad a fasa pel atiha n  dinyataka n  sebag ai  Mean Squ a re  Error  ( MSE ) yang  dinyata k an:   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOMNI KA   ISSN:  1693-6930  ■     Penga ruh Pri n cipl e Com p o nent Analysi s  Terha dap Ti ngkat ……(M uham m ad Rivai)  163  N 1 i 2 i o i t N 1 N 1 i 2 i e N 1 MSE       ( 7 )     3. H A S IL DAN  PEMB AHASA N   Eksp erim en   diawali d eng an p engi nje k sian  N 2  ke d a lam ta bung   peng ujian  sa mpai  nilai  tegang an kel uara n  se nsor stabil. Kemudian sa mp e l  gas diinje ksikan ke tab ung pen gujia n.  Tangg apa n waktu untu k  tia p  sen s o r  ditu njukka n pad a  Gamba r  3.         Gamba r  3. T angg apan  se nso r  terh ada p seb uah g a s.          Gamba r  4. Pola tangg apa n sen s o r  terh adap b ebe ra pa jeni s ga s.    Be n z e n a 0 0. 5 1 1. 5 2 2. 5 3 3. 5 123 456 Me n i t Vo l t Se n s o r   1 Se n s o r   2 Se n s o r   3 Se n s o r   4 Se n s o r   5 Se n s o r   6 Se n s o r   7 Se n s o r   8 B enz e n a 0 0. 02 0. 04 0. 06 0. 08 0. 1 0. 12 0. 14 0. 16 0. 18 12 3 4 56 78 S e ns or T e ga nga n t e r n o r m a l i s a s i A set o n 0 0. 05 0.1 0. 15 0.2 0. 25 12 34 56 78 S e ns or Te g a n g a n t e rn orm a l i s a s i A l k ohol 0 0. 02 0. 04 0. 06 0. 08 0.1 0. 12 0. 14 0. 16 0. 18 12 34 56 78 S e ns or T e g a n g an  ter n o r m a l i sasi Bu t a n a 0 0. 02 0. 04 0. 06 0. 08 0.1 0. 12 0. 14 0. 16 0. 18 12 34 56 78 S e ns or T e g a n g an  ter n o r m a l i sasi Evaluation Warning : The document was created with Spire.PDF for Python.
                                   ISSN: 16 93-6 930     TELKOM NIKA   Vol. 5, No. 3,  Desem b e r  2007 :  159  - 167   164 Untu k  samp e l  yang  sam a  terlihat  bah wa  masi ng-ma si ng  sen s o r  me mpunyai ta ng gapa n  yang be rbe da. Pola kesel u ru han  sen s o r  ini  dapat dinyat aka n  dala m  nilai tegan gan   ternormalis a si:        8 1, 2, . . . . ., i         8 1 j j V i V n i V        ( 8 )     deng an V a d a lah teg ang a n  kel u a r an  sensor. G a mb ar 4  merupa kan  pola  kel uara n  d a ri  d e ret  sensor untuk pemaparan  beberapa  sampel gas. Masing-m asi n g  gas dapat diwakili oleh pola  yang kh as ta npa terp eng a r uh be sa rnya  kon s e n tra s i [6].          Gamba r  5. Gr afik  eige nvalu e  pada PCA.           Gamba r  6. Pemetaan je ni s ga s meng g una kan PCA.     Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOMNI KA   ISSN:  1693-6930  ■     Penga ruh Pri n cipl e Com p o nent Analysi s  Terha dap Ti ngkat ……(M uham m ad Rivai)  165 Nilai pola te rnorm a lisasi d i guna ka n se b agai nilai ma su kan PCA.  Sc ree tes t  di guna ka n   untuk m e liha t  grafik  e i gen v a lu e  ha sil  PCA, ditunju k kan pa da G a mba r  5. Penuru nan  se cara  dra s tis terj adi  antara  pri n ci ple com pon e n t  kesatu sa mpai ketig a . Sedang ka n setelah  pri n ci p l e   com pone nt  keempat tida k ada p e ru ba han nil a i ya ng be ra rti. Sehing ga tiga  buah  prin ci ple  com pone nt  yang utama b i sa dia ngga p  dapat mewakili varia s i  dari keseluru han data. Untuk  mengeta hui  pemetaa n du a dimen s i tia p -tiap g a s ya ng diuji k an  maka  digu na kan  dua  prin cipl e   com pone nt  yang utam a, d i tunjukka n pa da Ga mba r  6 .   Terlihat b a h w a ma sin g -m asin g jeni s g a s  menem pati loka si yang  berb eda  se hingga d apat  di kata ka n ba hwa d e ret sensor ini d a pat  membe d a k an  jenis ga s yan g  didete ksi nya.       Tabel 1. Pen garu h  PCA p ada fasa pela t ihan  Ne ural Network .  Parameter   Jumlah  Principle Compo n ent     0 1  2  3  4  Nilai MSE  0,014  0,121   0,05   1,07  10 - 6  0.99  10 - 6   Wak t u tr aining (de t ik)  39,2  39,6   23,5   22,0   23,4   Catatan: Jumlah  iterasi adalah 5000 epoch.       Penga ruh  im plementa s i P C A pa da  pen genal  pol a  Neural  Netwo r k   dil a kukan p ada sa at  fasa pel atiha n  deng an ju mlah itera s i  5000  ep oc h ,  ditunjukka n  pada Ta bel  1. Jika ta n p a   mema kai PCA yang mana   Neu r al Network  l ang su ng  menda patkan  sinyal ternormalisa s i d a ri  ke   delap an  sen s or secara  l ang sun g , ma ka te rlihat  b ahwa taraf kesal aha n ide n tifikasi  se be sar  0,014  dan   memerl ukan  wa ktu iterasi  se be sar 39 ,2 detik.  Ji ka  Neural Ne twork  m end a pat  masu ka n d a ri PCA, maka  terlihat b a h w a  sem a ki n  besar j u mlah   prin cipl e co m ponent  yang   digun akan akan sem a ki n kecil  ta raf ke salaha n  id entifika s i d an  wa ktu pelatih an y ang  dipe rlu k a n   sema kin m e n u run. Pad a  e k speri m en ini  terlihat bah wa jumlah o p timal  prin cipl e com pone nt  yang   digun akan a dalah tig a   ko mpone n uta m a yang  me mperku at ha sil d a ri  sc r ee te s t  seb e lu mny a .   Hal ini  mem bukti kan  bah wa m e toda i n i dap at dig una kan  se ba gai pe red u ksi dimen s i d a ri  delap an  dime nsi  menja d i ti ga dim e n s i.  Selain itu  taraf ke sal aha n  identifika s i m enjadi  lebih   kecil  yaitu 1,07 1 0 -6  atau de nga n ratio   10 -4   dan  wa ktu ite r asi  yang  lebi h pen de k yait u 22,0  detik a t au   deng an ra sio   0.6. Jumla h   pri n ci ple co m ponent  diat as tig a  a k an   menunj ukka n  perfo rma  ya ng   tidak be rb eda  se cara si gnifikan d an a k a n  lebih me na mbah  ke kom p lekan si stim  identika s i ya ng   digun akan.          4. SIMPU L AN  Telah dila ku kan p enguji a n peng aru h  impleme n tasi  PCA seba g a i pemrosesan awal  pada   Neural  Net w ork   dal am pe ngid e n t ifikasia n je nis g a s yang   mengg una ka n de ret  sen s or  semi kon d u k tor. Ha sil ekp e rime n menu njukka n bah wa PCA da p a t mered u ksi  jumlah varia bel  masu ka n yan g  se mula  be rdimen si d e la pan m enja d i  berdi men s i ti ga tanp a me ngurangi  ting kat  informa s inya.  Ta raf  ke sala han i dentifika s i m enja d i le bih  ke cil  den gan  ra sio  10 -4  dan perio da  pelatiha n  ya ng le bih  pen dek de nga n  rasi o  0.6. Seca ra umu m   da pat  di si mpulkan bah wa   impleme n tasi  PCA pada  Neural Net w ork  da pat meni ngkatka n pe rformanya ya ng melip uti taraf   identifika s i da n wa ktu yang  diperlu ka n p ada fasa pela t ihan.       DAF TA R PU STAK A   [  1]  Fort A, Mach etti N, Rocchi  S, Serrano B ,   Tondi L, Uli v ieri N, Vigno li V, Sberveglieri G,  ”Ti n   Oxide Gas   S e nsing:  Comparison Am ong Differen t  Me asur e ment Tech niq u es for Gas   Mixture Clas sification ” . IEEE Ins t rumentation and Meas urement  Tec h nology Conferenc e ,   Budape st, 20 01   [  2]   Bermak  A, Belhouari SB, Shi M, Martinez   D,  ”Pa tte r n  Rec ognitio n  Techniqu e s  for O dor  Discriminati on in Gas S e nsor  Array ” , Encycl ope dia of Sen s ors Vol X,pp.1-17, Ameri c an   Scientific Pub lishe rs, 20 06.   [  3]  Mirmoh se ni  A, Rostami z adeh K,  “Q uartz  Cr y s tal Nano bala nce in Conj uction  w i th   Principle Co mponent  An aly s is for Identific a tion  of Volatile Organic Co mpounds ” ,  Senso r s, 6, pp.324-334, 2 006   Evaluation Warning : The document was created with Spire.PDF for Python.
                                   ISSN: 16 93-6 930     TELKOM NIKA   Vol. 5, No. 3,  Desem b e r  2007 :  159  - 167   166 [ 4]  Smith LI,  “A Tutorial on P r inciple Com ponen t  Anal y s is” , Corn el l University, 2005.   [ 5]  Sinha  RK,  ”Bac k propa gation  Artifi cial Neural  Net w o r k  to Detec t  Hy perthermic  Seiz ures in  Rat” , Onlin e Jou r nal of He alth, Allied Scs 4:1, 2002.   [ 6]   M  Rivai,  ”Pe ngenalan  Uap  Campur a n  Meng guna kan Se nsor   Kristal SiO 2 ” , Indu stri al  Elec tronics  Seminar, EEPI S- ITS, pp.D51-D55, 2007.    Evaluation Warning : The document was created with Spire.PDF for Python.