TELKOM NIKA , Vol.16, No .4, August 20 18, pp. 1457 ~14 6 7   ISSN: 1693-6 930,  accredited First Grade by  Kemenristekdikt i , Decree No: 21/ E/KPT/2018   DOI :  10.12928/TELKOMNIKA.v16i4.7127    1457      Re cei v ed Au gust 26, 20 17 ; Revi sed Ma y 8, 2018; Accepte d  May 2 9 , 2018   Design of Electronic Nose System Using Gas  Chromatography Principle and Surface Acoustic   Wave S e nsor      Anifa t ul Fari cha* 1 , Su w i to 2 , M. Ri v a i 3 , M. A. Nanda 4 , Djoko Purw a n to 5 , Rizki  Anhar  R. P. 6   1,2, 3,5 Department of Electrical  Engi neer in g, Inst itut T e knolog i   Sepul uh  N ope mber (IT S ),    601 11, Sura ba ya, Ind o n e sia   4 Departme n t of Mechan ical a n d  Bio-s y stem E ngi neer in g, Bogor Agric u ltura l  Universit y ,   166 80, Bog o r, Indon esi a   6 Departme n t of Electrical En gi neer ing, PGRI Adi  Bua na U n i v ersit y , 6 024 5, Surab a y a, Indo nesi a   *Corres p o ndi n g  author, e-ma i l : anifatulfar ich a @gma il.com 1 , muhamma d_ri v ai@e e.its.ac.i d 3         Abstr a c t     Most gases are odorl e ss, col o rless an d als o  ha z a rd to be s ense d  by the h u man olf a ctory  system.  Henc e, an electronic nos e system  is re quir ed for the gas  classification  pr ocess. This study presents the  desi gn of elect r onic nos e system usi ng a c o mbi natio n of Gas Chro mato grap hy Col u mn and a Surfa c e   Acoustic W a ve  (SAW ). T he Gas Chro matogr aphy  Col u mn i s  a techn i qu e  base d  on th e c o mpo und  partit i o n   at a c e rtai n te mp eratur e. W h ereas,  th e SA W  sensor  w o rks bas ed  on  th e res o n ant fre que ncy c han g e . I n   this study, gas  samples  including  methanol, acetonitrile, and ben z ene   ar e used for system  perfor m ance  me asur e m ent.  Each  g a s s a mp le  ge ner ate s  a s pec ific  a c oustic s i gn al   data  in  the  for m   of a  freq ue ncy  chan ge r e cord ed by  the SA W  sensor. T h e n , the ac oustic   sign al  data  is  ana ly z e d  to o b tain t he  acou sti c   features, i.e. the p eak  ampl i t ude, the  neg a t ive slo pe, the  posit iv e slo p e ,  and the  le ng th. T he Sup p o r t  Vector Mach in e (SVM) meth od us ing  the  a c oustic featur e  as its in put p a ra meters  are  app lie d to cl as sify  the gas s a mpl e . Radi al B a si s F unction is  u s ed to b u il d th e opti m al hy pe rpla ne  mo del  w h ich dev ide d   into   tw o processes  i.e., the traini ng proc ess a n d  the exte rn al  valid atio n pro c ess. Accordin g to the resu l t   perfor m a n ce, the trai nin g  pro c ess has th e a ccuracy of  9 8 .7% a nd the  ex ternal v a li datio n proc ess has  th e   accuracy  of 93 .3%. Our elect r onic  nose sys tem h a s t he  a v erag e sens itiv ity of  51.43  H z /mL to s ense t h e   gas sa mp les .      Ke y w ords : ac oustic featur es , gas chro matogra phy (GC),   hyper pla ne, s upp ort vector  mac h i ne (SVM ),  surface acoustic wave (SAW)       Copy right  ©  2018 Un ive r sita s Ah mad  Dah l an . All rig h t s r ese rved .       1. Introduc tion  Gas i s  a  matter which ha s  an ind epen de nt sha pe b u t tends to  expa nd ind e finitely. Most   gases a r e co lorle ss a nd o dorle ss whi c h difficult to be se nsed b y  the naked  eye and hum an  olfactory  syst em. In additi on, the ga se s which re sult in toxic odo r are forbidd en to be  se n s e d   usin g the h u man no se  dire ctly [1].  Therefor e, a n  electroni c device is  required for  gas  recognitio n .  Over th e la st  de cad e s, th e ele c tr o n ic  nose d e vice   has exten s ively bee n u s e d  in  indu stry for t he q uality m onitorin g   syst em, ga s  i den tification, che m ical  analy s i s , et c. Elect r onic  nose techn o l ogy refers to the capa bility of t he human olfaction u s ing a sen s o r  config uratio n and  a pattern recognition alg o rithm [2,3].  In the ele c tro n ic  no se  syst em, a  sen s o r  ar ray is requ ired to  sen s e  the od or. T h e Metal- Oxide-Semi condu ctor (M OS)  sen s o r   such  a s  T agu chi  Ga s Se nsor  (TGS ) b e comes the  type of   sen s o r  wi del y used fo r ga s sen s ing  ap plicatio ns  du e to its sim p li city [4,5]. However, it ha s the  low  sen s itivity whi c h g ene rally re qui re s the hig h   sa mple of  co ncentration, i.e. , in the  ran g e  of  parts  pe r mill ion (p pm) l e vel [6]. Another commo n gas se nsor  i s   qu artz crystal  microbala n ce   (QCM),  which is able to  sense the odor at very  low  concentrations, i.e., single  parts  per milli on  (ppm ) or eve n  parts p e r bi llion (pp b ) [7,8]. To obtain a sen s itive gas sen s ing, a n  array of Q C M  sen s o r s is u s ed in  the  ele c tronic no se  [9 ,10]. Ho weve r, the m a in  problem s of th e s e  se nsors  can   lead to  com p l e xity and inte rfere n ce. The r efore, in  thi s   study, we  co nstru c ted  the  electroni c no se  system  whi c h ha s th e  simple  confi guratio n  wi th  high  se nsiti v ity and go od repe atabi lity.    A Surfac e Acous tic  Wave  (SAW)  s e ns or was  s e le cte d  as the det ector. Prin cip a lly, both SAW  Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 16 93-6 930   TELKOM NIKA   Vol. 16, No. 4, August 2018:  145 8-1467   1458 and Q C M  work  ba sed  o n  the re so na nt freque nc y  cha nge. In  the analytical approximati on,  Sauerbrey’ s   formula  p r esented i n  Eq uation  1 i s  widely used to  dete r mine   the cha nge   o f   resona nt freq uen cy affecte d  by the abso r bed m a ss on  the crystal’ s  surfa c e s  [11]:     2 0 2 F F m A    (1)     w h er e  ∆ F  i s   the chan ge  o f  re son ant fre quen cy  (Hz),   F 0  is the  re sonant f r eq ue ncy  (Hz),   ∆ m  is  the  ma ss ch a nge (g),  A  is  t he ac tive cr ys tal ar ea  (c m 2 ),  ρ  is the  c r ys tal dens i ty  (g/c m 3 ), and   μ  is   the she a r mo dulu s  of the crystal (g/ c m s 2 ).  In 2014, Hari  Agus Sujo n o   et al.,  appl ied QCM se nso r  array s  for vapo r ide n tification  system which  has the re so nant fr equ en cy of 20 MHz [9]. This typ e  of sensor a rray indu ce s the   compl e x configuration and the interference i s sues . T herefore, onl y  a singl e sensor of SAW  will  be u s ed  to  se nse  the o dor  whi c h h a s th e re so nant  freque ncy of  3 4  MHz. Th e  SAW sen s or  use d   in this expe ri ment op erate s  at  a hi ghe r re son ant fre quen cy. Hen c e it  affects  the in cre a se  in   sen s itivity becau se the chang e  of the reso nant fre quen cy ( ∆ F ) to sense th e mass ch a nge  absorb ed  by  cry s tal a r ea f o r b o th  sen s ors a r e d epe ndent  on thei r resonant f r eque ncy  ( F 0 ) as  explained by  Sauerbrey’ s  formul a.   To a c hieve   a go od  sel e ctivity in the  ele c troni c n o se  sy stem,  we  ap plied  a G a s  Chromato gra phy (G C) pri n ciple fo r the  compou nd a n a l ysis. Th e G C  is a te ch niqu e ba sed  on th e  comp oun d p a r tition at a  ce rtain tem pera t ure  whi c h  i n volves the  two ph ases, i.e. , the statio na r y   pha se a nd  the mobil e   gas pha se.  The  statio nary p h a s e  materi al is located in  the   chromato gra phy column  a s  the  pa rtitio n mate rial,  where a s the  m obile  ga s p h a s e  co nsi s ts o f  a  sampl e  carri ed by d r y ai r into the  pa rtition colum n  [12]. Each  sam p le ha s different el u t ion   strength because of the  polarity suitability with  the stationary phase mate rial in the partition  colum n  [13].  In 2016, th e ele c troni c  nose sy st em  by integrating G C  an d  TGS se nsor  wa s  con d u c ted by Radi et al. [1 2]. Howeve r, the TG S sen s or h a s a lo w sen s itivity w h ich requi re s the   high am ount  of co ncentration for th e  mea s ureme n t.  Therefo r e ,  in this  stud y, a combi n a t ion  betwe en G C  and SAW sen s or in the el e c troni c  sy ste m  is expecte d to overco m e  the issue s .  For the reco gnition pa rt in the elect r o n ic sy stem, we u s ed a l earni ng alg o rithm of  Suppo rt Vector Ma chine  (SVM) for the classifi catio n  pro c e ss. T he SVM is propo se d as  an  effective tech nique fo r dat a cla s sificatio n . It is derive d  from  statisti cal le arni ng t heory int r odu ced   by Vladimir  Vapnik  et al. [14]. Basica lly, another  comp etitive learni ng al gorithm is Artificial   Neu r al  Net w ork (A NN), b o th of them  are i n cl uded   in the  sup e rv ised l e a r ning  cla ssifie r  [1 5].  Ho wever, m any re sea r ch ers  re porte d  that SVM  classifier ofte n outpe rform s  than th e  ANN  cla ssifie r  [16] . The A N N cl assifier  achie v es a n   optim a l local  sol u tion, while the SVM cl assifi er  obtain s  an  o p timal glob al  solutio n . It is not su rp ri si n g  that the  sol u tion of   the ANN cla s sifier  is  different for  each traini ng  pro c e ss  whi c h result s in  a different  optimal soluti on, whe r e a s  the  solutio n  offered by SVM  cla ssifie r  i s   same fo r eve r y runni ng.  Hence, it ge ne rates the  sa me  optimal  solut i on [17 - 19].  The  co ntents of this p a p e r  are  o r ga n i zed  a s  follo ws:  se ction   2  discu s ses th e expe riment al de sign  of  the el ec tro n ic  no se  sy stem, featu r e extra c tion,  and   elabo rate the  SVM cla ssifi er te chniq ue.  Furthe rmo r e ,  sectio n 3 d e mon s trate s   the re sult s a n d   verification a nalysi s . Finall y , we pre s ent  our co ncl u si on in se ction  4.      2.    Researc h  Method   2.1. The Experimental De sign  In this study, the experime n tal desig n of the el ectro n ic no se syste m  includ es fo ur mai n   parts, i.e., a gas  sampl e , a GC colum n , a det ecto r, and data a nalysi s . Thre e types of gas  sampl e s  were used in this study, i.e., methanol , acetonitrile, and b enzene. The  chromato gra phy   colum n  co nsi s ted of The r mon-300 0 an d ShinCa rb o n  as the statio nary pha se m a terial. The S A W   device  whi c h  has the resonant freq ue ncy of 34 M H z  wa s used  as the dete c tor to re co rd the  freque ncy ch ange of the a c ou stic  sign al  generated by  each g a s  sa mple.    2.2. The Experimental Pr ocedur e   Figure 1  p r e s ents th e d e si gn of  ou r el e c troni c  no se  system.  T h e  experim ental setup   is  depi cted in  F i gure  1a,  wh erea s th e schematic layo ut is  sho w n i n  Figu re 1 b .  There a r e th ree   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Des i gn of Elec tronic  Nose Sy s t em Us ing  Gas  Chromatography ....  (Anifatul  Faric h a)  1459 main p a rt s of  our  de sign, i. e. the  carrie r  gas , th e  chro matography  column, a nd th e SAW  se nso r .  The d r y ai r i s  used to  carry the ga s  sa mples of A  (methanol ), B  (acetonitril e),  and  C  (be n ze ne).  The ch rom a togra phy col u mn is mad e  o f  the gla ss m a terial with th e diamete r  of 3.2 mm and the  length of  1.6  m. It has the   operat ing te mperature  va lue ab ove 7 0 o C. The  ch a m ber as the  oven   whe r ein the  chrom a tograp hy column lo cated i s  ma d e  of the aluminum with the  geomet rical size   of  40 cmx 7 . 5   cmx 8  cm.           (a)     (b)     Figure 1. The  desig n of ele c troni c no se  system: (a ) th e experim ent al setup,    (b) the  schem atic layout       Before sta r tin g  the mea s urement, the chrom a tograp hy colum n  is  need ed to be  clean ed   for 30  minute s  u s ing  the  carri er  ga s pu she d  by the   air p u mp. T h e amo unts o dor vol u me s  of 20  Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 16 93-6 930   TELKOM NIKA   Vol. 16, No. 4, August 2018:  145 8-1467   1460 mL ga s samp le are i n tro d u c ed i n to the i n jectio n po rt. Then the  ga s sampl e  is t r a n sp orted  by the  carrie r g a s i n to the chrom a togra phy  col u mn  whi c h i s  locate d in  a  cham be r op e r ated  und er t h e   controlled t e mperature  of  80 0 C. Intera ction s  bet we en statio na ry pha se m a te rial a nd the  gas  sampl e  comp ound gen erat e  a seri es  of fraction s wh i c h is  co nverte d by the SA W  sen s o r  a s   the  aco u sti c  freq uen cy ch ang e data. Fu rth e rmo r e, t he  aco u sti c  si gn al data a r e transmitted to  the   comp uter through  the F r e quen cy  Coun ter (FC) d e vice fo r the  da ta analy s is.  Acco rdi ng to   the   measurement , the SAW se nso r  records  the freq uen cy  value of a b o u t 34 M H z  at  initial co nditio n   before inj e cti ng the ga s sa mple. The fre quen cy ch an ge is de scrib ed as    () . re f f ft f   (2)     whe r e  ∆ f  is the freq uen cy chan ge,  f ref  is the initial freque ncy of 3 4  MHz, and  f ( t )  is  de te c t ed  freque ncy aft e r inje cting t he ga s  sam p le. Furth e rmore, to  coll ect the a c o u s tic  sign al d a ta   prod uced by  each ga s sa mple ne ed s 5 00 se co nd s.  Figure 2 sho w s the  se nso r  re spo n se to  th e   acetonitrile.           Figure 2. The  sen s or  re spo n se to the ga s sa mple of a c etonitril e       2.3. Featur e Extrac tion of Acous tic Signal Proces sing  In this study, the acousti c sign al dat a w ould b e  pro c e s sed to  obtain the aco u sti c   feature s . Fig u re 3  de scrib e s t he  param eters i n cl ude d to determin e  the a c ou stic features  usi n g   the thre sh old  of -100  Hz  value. The  four  acou stic  feature s  in clu d ing th e p e a k  a m plitude   A p ,   the neg ative slop e  S (-) , the positive  slop e  S (+) , and th e length   L   a r e  use d  in thi s   study determi n e d   in Equation 3, 4,5 and 6 re spectively:          Figure 3. Aco u stic featu r e  para m eters    Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Des i gn of Elec tronic  Nose Sy s t em Us ing  Gas  Chromatography ....  (Anifatul  Faric h a)  1461 pp A y   (3)     () p f p r yy S tt  (4)     () rp rp yy S tt  (5)     rf L tt    (6)     whe r e  t f  is  the fall time,  y f   is the fall amplitude,  t p  is the pea k time,  y p  is the peak amplitud e,  t r  is  the rise time,  and  y r  i s  the rise amplitu d e .     2.4. Support  Vector Ma ch ine (SVM) Cl assifier    In this study, we used the  SVM classifier  to identify the gas type  whi c h in clude d four  aco u sti c  feat ure s  a s  the i nput pa ram e ters. T he g a s types are di vided into three cl asse s.  To  unde rsta nd t he ba sic  prin ciple of SVM  classifie r ,  the simpl e  line a r sepa rabl e  ca se is  sh own in  Figure 4. In  the ori g inal  space, a lin ea r hype rpla ne   f ( x ) is u s ed  to se pa rate  the data  poi nts  according to  the sup port  vector po siti on. Hen c e, t he linea r hy perpl ane  f ( x ) grou ps the  data   points i n to two  cla s ses,  i.e., class  +1  and  cla s s -1 whi c h  are  con s trained  by  f ( x ) +1 and   f ( x ) +1, re sp ectively [20]. Ho wever, m a ny real  ca se s contai n noi se or  outlier d a ta point s wh ich  are  non -lin ea rly sepa rabl e  [21]. Thu s , t he mai n  o b je ctive of the  S V M cla s sifier  is to  obtain  the   optimal hype rplane mo del that can maxi mize the ma rgin ( M ) of the c l ass e s  [22].          Figure 4. The  Linear  sep a rable case usi ng SVM method       The SVM classifier in clu des the kernel s to opti m ize the hyperpl ane mo del for a   nonlin ear  se para b le  ca se . The kernel s allo w  tran sformi ng the  data poi nts into a hi gh er  dimen s ion a l spa c e calle d   feature spa c e  to  obt ai n  a linea r hyp e rpla ne alth o ugh o c casi on ally  result in a n online a r hyp e rpla ne in th e origin al sp ace. In this  study, we u s ed Ra dial B a si s   Functio n  (RBF) as the  ke rnel fun c tion.  The  RBF kernel i s  deriv ed in Equati on 7. Then the  hyperpl ane m odel  f ( x d ) is d e termin ed in  Equation 8 [2 3,24].    2 ( , ) e xp( ) id i d  Hx x x x  (7)   Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 16 93-6 930   TELKOM NIKA   Vol. 16, No. 4, August 2018:  145 8-1467   1462 1 () ( , ) n di i i d i f yb  xH x x  (8)     w h er e  x d  is  th e  da ta  po in t,  α   is lagrange multiplier,  y i   is memb ership  of   the ga s sam p le cla ss,  γ   is gamm a ,  x i  is su ppo rt vector,  b  is intercept, and  i =  1, 2, 3, . . . ,  n .  It is broadly  mentione d that the SVM  cla ssi fie r  usi ng RBF kern el requi re s the be st   combi nation  of two hype rpa r amete r s, i.e., gamma ( γ ) a nd  cost ( c ) to  build the optimal  hyperpl ane m odel. The ga mma explain s  how  signifi c ant the influence of ea ch  data point in the  training  set. For  example,  a hig h e r  val ue of g a mma  lead s the  ov er-fitting  pro b l em be ca use  it  tries to fit ex actly ea ch  d a t a point  in th e trai ning  set. Whe r e a s, t he  co st i s  u s ed to  control   the  trade -off betwee n  sm ooth  deci s ion b o u ndary a nd cl assifying the data point s in  the training  set   c o rrec tly [25,26].   In this study , the identification g a s  syste m usin g  SVM classifier co nsi s ted  of two   p r oc es se s ,  i.e .  th e  tra i n i ng  pr oc es s a n d  th e e x te r nal va lid a t io n pr o c e s s .  Th e tr a i n i ng  pr oc ess  wa s used to  build the hyp e rpla ne mo d e l whi c h in clu ded the a c o u s tic  signal  da ta from the to tal  numbe rs of 150 ga s sa m p les. Since the external  v a lidation p r o c ess wa s u s e d  to assess the   SVM perfo rm ance. It used  the acou stic sign al dat a  obtaine d fro m  the total n u mbe r s  of 30  gas  sampl e  mea s urem ents.   To de scri be t he p e rfo r man c e  analy s is o f  the  SVM  classifier, the   3x3 confu s io n matrix   table  wa s ap plied fo r thi s   study, sho w n  in Ta ble  1  [2 7]. In the  con f usion  matrix  table, the  act ual   result is the data base d  on  the obse r vation (re ality).  It is con s iste d of three cla sses i.e., class A,  B, and C, wherea s the pre d icted result is the ident ification re sult a s sesse d  by the SVM classifier  whi c h also consi s ted of three  cla s ses.  The ca ses a r e divided int o  nine value s :  TA ,  FA1 ,  FA 2 ,  FB1 ,  TB ,  FB 2 ,  FC1 ,  FC 2 , and   TC .  F i nally, the  a c cura cy  ( AC ) used  to a s se ss the  SVM  perfo rman ce  to classify ga s sa mple is d e termin ed in  Equation 9 [2 8].      Table 1. The  3x3 confu s io n matrix     Actual  Result     A  B  C  Predicted  Result  A  TA FA1   FA2   B  FB1  TB  FB2   C  FC1  FC2   TC       1 00% 12 1 2 1 2 T AC TF A F A F B F B F C F C     (9)     whe r e  TT A T B T C  , TA  is t he co rr ect l y  cla ssif i e d  cla ss A ,   TB  is th e co rrectly cl assified  cla ss  B,  TC  is t he  cor r e c t l y  cla s sif i ed cl as s  C ,   FA1  is t he cla ss B   clas s i f i ed int o  cla s s A ,   FA2  is the  cla s s  C   cla s s i f i ed int o  cl as s A ,   FB 1  i s  t he  cla s s A  cl assified i n to  cla s s B,  FB2   is  t he  cla s s  C   cla ssif i e d  int o  cla ss B ,   FC1   is t he  cla s s  A  clas sif i ed i n t o  cla s s C,   FC2  i s  t he  cl as s B  cla s sif i ed  int o  cla ss  C.       3. Results a nd Analy s is  In this  study,  we  de sig ned  the el ect r oni c n o s e   sy st e m  w h ich   con c er ns  int o  t w o t e rm s,   i.e., having hi gh  sen s itivity and  go od  re peatabilit y. Fi gure  5  sho w s the  me asurement  re sult  of  the sign al acousti c data re corded by the  electro n ic n o s e sy stem. Base d on the Equation 2, e a ch   gas  sa mple  h a s the  spe c ific fre que ncy  chang e ( ∆ f )  curve affe cted  by ea ch g a s sam p le' s  ma ss  absorb ed by cry s tal are a  of SAW sen s ors. In the  term of sen s itivity, according  to Figure 5 a  by  usin g 5  mL  o dor volume, t he a m plitude  pea k  dete r m i ned i n  e quati on 3  from  g a s   sam p le A,  B,  and C a r e -20 00 Hz, -100 0 Hz, an d -85  Hz, respectiv e ly.    Furthe rmo r e,  by a pplying   20 m L  o dor v o lu me s, the   gas sampl e   A, B, and  C reach the  amplitude  pe ak  of -2 800  Hz,  -17 50  Hz, and  -85 0  Hz, re sp ectivel y . It means t hat the el ect r onic  nose system  coul d sen s e t he odo r from methanol,  a c etonitrile, and  benze ne wit h  the sen s itivity  of  53.3 Hz/m L,  50 Hz/m L,  and 51 Hz/ m L,  re spe c ti vely. Hen c e th e average  se nsitivity is 51 .4 3   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Des i gn of Elec tronic  Nose Sy s t em Us ing  Gas  Chromatography ....  (Anifatul  Faric h a)  1463 Hz/mL.  Rivai  et al. [29,30] have desig ned the  ele c t r oni c no se u s ing g a s  ch romatog r ap hy and  QCM  sen s or.  According  t o  the  re sult  perfo rman ce ,  it ha s th e a pproxim ate  sensitivity of  6.5  Hz/mL  to  sen s e th e od or  o f  ethanol. An other  re sea r ch pap er sh o w s that the f r eque ncy  cha nge  curve resulte d  by specifi c  odor, frag ra nce,  and g a s in the range  of hundred s herzt [31]. Our  system  offers highe r o pera t ing re so nant  frequ en cy. H ence, it is a b l e  to ge nerate  the spe c ific  or   distin ctive  a c ousti c sign al comin g   from each  g a s  sa mple in  the  ra nge  of thou sa nds he rtz,  sh own   in Figure 5.        (a)                                                                                                     (b)    Figure 5. The  acou stic  sign al data affect ed by  the odo r volume of (a ) 5 mL, and (b) 20 mL       In the term of repeatability ,  each ga s samp le compo und produ ce s a spe c ific  aco u sti c   sign al data  becau se it has p a rticula r  intera ct ion s  with station a ry pha se  material in t h e   chromato gra phy colu mn.  The mai n  differen c e  of ea ch g a s  sam p le cu rve is p o inted out by  its  pea k amplitu de  A p . For  example, in Fi g u re  5a, the hi ghe st pea k a m plitude i s  a c hieve d  by g a s   sampl e  C. T he ga s  sam p le A ha s the  lowe st value  of amplitud e  pea k an d th ese t r en ds  a r e  repe ated i n   Figure 5 b   when  usi ng th e am ount s o dor volume s of 20  mL.  Furthe rmo r e,  the   aco u sti c   sign al data  gen erated by e a ch  ga s  samp l e   are  proce s se d to obtai n th e four a c ou st ic  feature s .   Figure 6  pre s ents th e di stribution of fo u r   a c ou stic fe ature s  i.e., th e pea k  ampli t ude  A p ,  the ne gative  slop e  S (-) , the pos i tive s l ope  S (+) , and th e len g th  L  which  refe r to   Equation  3, 4 ,  5,  and 6  re sp ect i vely. The dist ribution  re sult  given  by Fig u re  6 in clud e s  50  mea s u r e m ents  usi ng  20  mL odo r volu mes. The di st ribution  re sult s of the pea k amplitude  A p , the negative slope  S (-) , the   positive slo p e   S (+) , and the length  L   ca n be  seen  in   Figure 6 a , 6b , 6c,  and  6d   seq uentially.  As   sho w n in Fig u re 6a, 6b,  6c, and 6 d , we can co n c lude that the  distributio n of the acou stic  feature s  from  gas sample  A, B, and C a r e cla s sified i n to the non-li nearly sepa ra ble ca se.            (a)  (b)     Figure 6 .  The  acou stic feat ure s  of gas  sample: (a )  the pea k amplit ude, (b ) the n egative slo p e .   Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 16 93-6 930   TELKOM NIKA   Vol. 16, No. 4, August 2018:  145 8-1467   1464       (c )  (d)     Figure 6 .  The  acou stic feat ure s  of gas  sample:  (c) the  positive slo p e , (d) the len g th      The  re cognit i on alg o rith m of SVM  cla ssifie r   wa s u s e d  to  solve the n o n -line a rly  sep a ra ble  ca se. In thi s   study, the total  numb e rs of  150 g a s sam p les  we re  used for traini n g   pro c e ss to b u ild the optim al hyperplane  model  u s ing  RBF ke rnel.  The RBF  ke rnel re quires t h e   best  com b ina t ion of two hy perp a ramete rs of    gam ma  and  co st. In t he hyp e rp ara m eters tuni ng ,  we set the interval of gam ma starte d from 2 -15  to 2 2 , whe r ea s the  co st has th e lowe r limit of 2 -15   and the u ppe r limit of 0.25. Figur e  7 pre s ent s the det ail distri butio n  of the hyperp a ram e ter tuni ng   perfo rman ce.  The dark blue colo r (left )  and the  da rk green  colo r (rig h t) have  the lowest a nd  highe st accu racy, respe c tively. According to t he tra i ning p r o c e s s, the best combinatio ns  o f   gamma an d co st are 1 an d 0.2, resp ectively, wh ich have the accura cy of 98.7%. It means the   total numbe rs of 150 o b s ervatio n s  u s ed fo r the  training  pro c ess: 148 d a ta are  co rre ctly  cla ssifie d  and  the others ar e inco rr ect l y  cla ssif i e d .           Figure 7. The  hyperpa ram e ters tu ning p e rform a n c e       The extern al  validation  wa s used f o r the  t e st in g t o  as se ss  t he S V M  cla ssif i e r   perfo rman ce.  It included the acou stic signal data fro m  30 gas  sa mples  (10 d a t a for each g a s  sampl e ). Tabl e 2 sho w s th e confu s ion  matrix result  from extern al validation pro c e ss. The result  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  1693-6 930       Des i gn of Elec tronic  Nose Sy s t em Us ing  Gas  Chromatography ....  (Anifatul  Faric h a)  1465 of case  TA ,  FA1 ,  FA2 ,  FB1 ,  TB ,  FB2 ,  FC1 ,  FC2 , and  TC  are 9, 1, 0, 1, 9, 0, 0, 0, and 10,   respe c tively. The SVM cla ssifie r  ha s th e accu ra cy of 93.3% to identify the gas sample, wh ich   mean s from t he total n u m bers of  30 o b se rvation s  u s ed  for th e e x ternal valid a t ion process:  28  cor r e c t l y  cla s sif i ed an d 2 i n co rr ect l y  cla ssif i e d .  The s e re sult s in di cat e  t hat  t h e  S V M  clas sif i er  can  be  categ o rized a s  the  robu st alg o ri thm whi c h  ca n be integ r at ed with th e e l ectro n ic  no se  sy st em.        Table 2. The  3x3 confu s io n matrix re sul t      Actual  Result     A  B  C  Predicted  Result  A 9  1  0  B 1  9  0  C 0  0  10      4. Conclusio n   The de sig n  o f  the electro n i c  no se  syste m  with goo d repeata b ility and high  se nsi t ivity by   integratin g th e ga s chrom a togra phy p r i n cipl e  an d Surface Acou stic Wave  (SA W)  se nsor  was   su cc es sf ully   demon st r a t e d .  Three  ga s  sampl e s   we re used fo r th e mea s u r em ent process,  i.e.,  methanol,  acetonitrile, a n d  ben ze ne. I n  the p r ev iou s  research, t he ele c troni c nose u s in g  gas  chromato gra phy and QCM sen s o r  ha s only the ap pr oximate se nsitivity of 6.5 Hz/mL to sense  the odo r. An other  re sea r ch also sho w s that t he freq uen cy ch ang e cu rve resul t ed by sp ecif ic  odor, fra g ran c e, and  ga s only in the ra nge of hu ndr eds h e rzt. Based o n  the re sult analy s is,  our  electroni c no se sy stem h a s t he avera ge se nsitivity of 51.43  Hz/mL and al so offers hig her  operating  re sonant frequ e n cy. Hen c e, i t  is a b le to  ge nerate  mo re  spe c ific or  di stinctive  acou stic  sign al comi ng  from each ga s sa mple.   The re peata b ility performa n ce i s  shown by the  dist inctive acou stic sign al cu rve from  each ga s sa mple du e to the specifi c  in teractio ns   bet wee n  the od or an d the m a terial lo cate d in  the ch romato grap hy colu m n . In this stud y, Support Vector Ma chi ne  usin g Ra dial  Basis F u n c tio n   wa s a pplie d t o  recogni ze  the o d o r . The   four  acou stic  feature s   obtai ned f r om  a c o u stic si gnal  d a ta  were u s e d  fo r input  param eters in  the  cl assifier,  i.e., t he am plitude   pea k, the  neg ative slo pe, t h e   positive sl ope , and the leng th. The cla s si fication u s ing  Support Ve ct or Ma chin e was divide d int o   two p r o c e s ses, i.e., the  training  p r ocess a nd  th e  external  val i dation  pro c e ss.  The t r ain i ng   pro c e ss  and  the external  validation p r ocess  h a ve  the high a c curacy of 98 .7% and 93. 3%,  respe c tively. These results indi cate th at the cl a ssif i er can b e  a pplied to the  electroni c n o se   system. Final ly, to  achieve the comprehensive re sult performance,  the fu ture work  will concern  on a deep i n vestigatio n of sen s itivity and rep eat a b ility perform ances at the  electro n ic n o se   system by va rying the tem peratu r e of th e cham be r, the pre s su re  of the air pu mp, and diffe ren t   type kern el function s in the  Support Vect or Ma chin e al gorithm.       Ackn o w l e dg ment  This  re sea r ch  wa s carried  out with fina n c ial  ai d supp ort from th e  Ministry of  Rese arch,  Tech nolo g y and Hig her Educatio n  of   The   Repu b lic of  Indo nesi a  (Keme n riste k di kti RI).     The autho rs also  woul d like to ackno w le dge LPPM ITS for the intense di scu ssi o n .      Referen ces   [1]  NS Nat h , I Bh attachar ya, A G  T u ck, DI Schlip al ius, PR   Ebert. Mech an isms of P hosp h in e T o xic i t y .   Journ a l of T o xi colo gy . 201 1; 2011: 1-9.    [2]  K Prasa d , E  Basse y, P S a llis.  El ectron ic  nos e for  ga s sens ing  a p p licati ons . Co nferenc e on   Optoelectro n ic  and Micr oel ectronic Mater i als  & Devices. Per t h. 2014: 11 3-1 16.   [3]  W  Lu, W  Yu, C Gan, Q Liu, J Li.  Appl icati on  of Electron ic N o se T e ch nol og y in the D e tecti on of W h e a t  Quality . Interna t iona l Co nferen ce on Intel lig en t  T r ansportatio n , Big Data  an d Smart Cit y .   Halo ng B a y.   201 5: 133- 136.   [4]  Radi, M Riv ai,  MH Purnom o. Stud y   on El ect r onic-N o se-B a s ed Qua lit y  M o nitori ng S y ste m  for Coffee  U n de r R o a s ting .  Journa l of Ci rcuits, Systems ,  and Co mp ute r s . 2016; 25( 10 ): 16501 16.1- 1 650 11 6.19.   Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 16 93-6 930   TELKOM NIKA   Vol. 16, No. 4, August 2018:  145 8-1467   1466 [5]  AA Alkand ari, S Moein. Impl em entati on of  Monitori ng S y s t em for  Air Qualit y   usi ng Ra spberr y  PI:   Exp e rim ental  Stud y .   Indo ne sian J our nal  o f  Electrical  En gin eeri ng  an d  Co mp uter Sc ienc e . 20 18 ;   10(1): 43- 49.   [6 ]  T   Itoh , T  Akama t su ,  A Tsuru t a ,  W   Shin.  Se lecti v e  Detectio n of  T a rge t  Vo latile Organic  Compound s in  Contamina t ed  Humid Air U s i ng a Sens or Array   w i th Principal Compone nt Analy s is.  Senso r s . 2017 ; 17(7 ) : 1-14 .  [7]  K Z hang, G F an, R Hu, G Li.  Enha nce d  Dib ut y l  Ph t hal ate Sensi ng Perfor mance of a Qu artz Cr y s ta l   Microba la nce  Coate d   w i th A u -Dec orated Z n O Porous Mi crosph eres.  Sensors.  20 15;  15: 211 53- 211 68.   [8]  M Procek, A   Stolarcz yk, T  Pusteln y , E   Maciak. A  Stud y  of a QC M Sens or Ba sed  on T i O2   Nan o structures  for the D e tection  of  NO2 a n d  E x pl osives  V apo urs in  Air.  Sensors.  2 0 1 5 ;  15: 95 63- 958 1.  [9]  HA Su jon o , M  Rivai. V a p o r Id entificati on  S y s t em  Usin g Qu a r tz Reso nator  Sensor  Arra y  a nd S u p port   Vector Machine.  ARPN Journ a l of Engi ne eri ng an d App lie d  Sciences . 20 1 4 ; 9(12): 24 26- 243 0.  [10]  M Rivai, T a sripan. F u e l  Qu a lificati on  Usin g Quartz Sen s ors.  ARPN J ourn a l of En gi neer ing  an d   Appl ied Sci enc es . 2015; 1 0 (1 6): 6737- 67 43.   [11]  KMM Kabir, SJ Ippolit o, YM Sabri, CJ Harris on, G Matthe w s, SK Bhargav a.  A comp ariso n  of Surfac e   Acoustic W a ve  (SAW ) and Quart z   Crystal  Microba la nce ( Q CM) based s ensors for p o rtabl e, onl i n e   m e rc ury vapour sensing . CHE MECA. Perth, West ern Australia. 2 0 1 4 .  [12]  Radi, S Cipto had ijo yo, W S  Litan a n da, M Rivai , MH Pur nomo. Electro n ic nos e base d  on partiti o n   colum n  i n tegr a t ed  w i t h  g a s s e nsor for  fruit i d entificati on  an d  classific a tio n .  Co mp uters a n d  El ectronics  in Agric u lture .  201 6; 121: 42 9 - 435.   [13]  G Greco,  T  Letzel. Main Inte ractions a nd I n fl ue nces of th e Chrom a togr aph ic Param e ters in HILIC   Separ atio ns.  J Chro mat ogr Sc i . 2013; 5 1  (7): 684- 693.    [14] V  Vapnik.  T he  Nature of Stati s tical Le arni ng  T heory.  Ne w  Y o rk: Spring er-V erla g. 199 5.  [15]  T  Saha y ,  A   Aggar w a l, A   Bansa l , M C h andr a.  SVM a nd A NN: A c o mpar ative  ev alu a tion . 1st  Internatio na l  C onfere n ce on Ne xt  G ener ati on C o mputi n g  T e chnolo g ies  (NGCT ) .  Dehradu n. 20 15 ;   960- 964.   [16]  K Pasup a , W  Sunh em.  A co mp ariso n  b e tw een s hal low  a nd d e e p  arch itecture cl assifie r s on s m a l l   dataset . Information T e chn o lo g y   and El ectrical En g i n eeri ng (ICIT E E) 2016 8th  Internation a l   Confer ence. Y o g y ak arta, Ind ones ia. 20 16: 1-6.  [17]  HF  Kuo, A  F a richa. Artific i al  Ne ural   N e t w o r k for D i ffraction B a se d Ove r la y M easur em ent.  In IEEE  Access . 2016;  4: 7479- 74 86.   [18]  HR Kh oei, M Z o lfag hari. N e w   Mode l Refer e n c e Ada p tive S ystem Spee d O b server for F i el d-Oriente d   Contro l Inducti on Motor  Driv es Usin g N e u r al Net w o r ks.  Bull etin of E l ectrical E n g i n eeri ng a n d   Informatics (BEEI) . 2016; 5(1 ) : 25-36.   [19]  SS Salve, SP  Narote.  Iris re cogn ition  usi n g SVM an d A NN.  Internati o nal  Confer enc e on W i r e les s   Commun i cati o n s, Signa l Proc essin g  an d Net w o r kin g  (W iSPNET ). Chenn ai . 2016: 47 4-47 8.  [20]  SHSA Ub aid ill ah, R Sa ll ehu ddi n, NA Ali.   Canc er Detect ion  Usin g Ariti f ical N eura l  N e t w o r k a n d   Supp ort Vector Machin e:  A Compar ative Stud y.  Jurna l  T e knol ogi (Sci en ces & Engin e e r ing) .   2013;   65(1): 73- 81.   [21]  W F  F uentes,  DH Bal b u ena,  JCR Quiñ on ez , DO Ugald e , F F G  Navarro, O Sergi y enk o,  MR Lóp ez,  FNM Rico, V M  Kartashov.  Outlier  mini n g  of  a vis i on  sens ing  d a ta base  for SV M regress i o n   improve m ent .  IECON 2015 -  41st A nnual  C onfer ence of  the IEEE Industrial E l ectronics S o ciet y .   Yokoh a ma. 20 15: 000 20 8-00 021 3.  [22]  MKA Ghan i,  DH Suta nto.  Im provin g C l a ssificatio n  Acc u rac y  for  No n-Commu nic a b l e D i se ase   Predicti on Mo del B a sed  on  Supp ort Vecto r  Machin e.  Jur nal T e k nol ogi  (Scienc es & E ngi neer in g) .  201 5; 77(1 8 ): 29-36.   [23]  X Z h an g, Z  Yan. Ap plic ation  of su p port vector  machi ne to r e lia bi lit y a nal ysis of e ngi n e   s y stems. T E LK OMNIKA Indon esia n Journ a l o f  Electrical Eng i ne erin g . 201 3; 11(7): 355 2-3 560.   [24]  MA Nand a, KB Seminar, D  Nan d ika, A M add u.  A Comp ariso n  Stud y o f  Kernel F unct i ons i n  th e   Supp ort Vector  Machin e an d Its Applicati on for T e rmite Detection.  Inform ation . 201 8;  9 (1) :  1-14.  [25]  W ang  R, H u  Z ,   Che n  L, Xi on g  J.  A n  Ap pro a ch  on  F eatur e Se lecti on  of  Casca ded  Su p port Vect or   Machi nes w i th Particle S w arm Optimi zation Al gorith m . Advanc es  in Electronic  Engin eeri ng,   Commun i cati o n  and M ana ge ment Vol2: Pro c eed ings  of  20 11 Intern ation a l  Confer enc e o n  Electron ic   Engi neer in g, Communic a tio n  and Ma na gem ent (EEC M 20 11). Beij ing, C h in a. 201 1: 2: 689- 700.   [26]  H Dua n , X L i u.  Low er C li mits in s upp o r t vector mac h in es w i th rad i al b a sis funct i on ker nels .  Internatio na l  S y mp osi u m o n  Informatio n  T e chnolo g ies  in Me dici ne  and  Educ ati o n .  Hok o d a te,   Hokkai do. 2 0 1 2 : 768-7 71.   [27]  NF  Shamsu di n, H Bas i ron,  Z  Saa y a, A F NA Rahm an , MH Zakaria ,  N Hassim.  Sentime n t   Classific a tio n   of Unstructur e d  D a ta Us ing   Le xic a l B a se d  T e chniques.  J u rnal Teknologi (Sciences  &   Engi neer in g ). 2015; 77( 18): 11 3-12 0.  [28]  KM  T i ng. Conf usio n Matri x . Enc y c l o ped ia of   Machi ne Le arn i ng. Boston: Sp ring er US. 201 0.  Evaluation Warning : The document was created with Spire.PDF for Python.