Pengenalan Sensor
Dalam rangkaian elektronika untuk keperluan pengukuran atau deteksi, diperlukan
suatu bagian yang disebut sensor. Sensor berfungsi untuk mengubah besaran yang
bersifat fisis seperti suhu, tekanan, berat, atau intensitas cahaya menjadi
besaran listrik (tegangan atau arus listrik).
Sensor
memiliki suatu ukuran yang disebt sensitivitas. Sensitivitas menunjukkan
seberapa besar pengarh perubahan nilai besaran fisis yang diukur oleh sensor
terhadap keluaran dari sensor tersebut. Misalnya sebuah sensor suhu yang
tegangan keluarannya berubah 0,1V jika terjadi perubahan suhu sebesar 1°C. Maka
sensor suhu tersebut dapat dikatakan memiliki sensitivitas sebesar 0,1V/1°C.
Sensor
yang baik memiliki ciri-ciri berikut ini:
1. Peka terhadap besaran yang akan
diukur.
2. Tidak peka terhadap besaran lain
yang tidak akan diukur.
3. Keberadaan sensor tidak
mempengaruhi besaran yang akan diukur.
Ada banyak jenis –jenis sensor yang
dapat kita temukan sesuai keperluan pengukuran atau deteksi yang akan kita
lakukan. Jenis-jenis sensor yang banyak dipakai akan dijelaskan di postingan
selanjutnya.
Jenis-jenis
sensor
1.Sensor Suhu
Komponen Elektronika untuk keperluan
pengukuran suhu yang paling mudah ditemukan adalah NTC (Negative Temperature
Coefficient) dan PTC (Positive Temperature Coefficient). Keduanya adalah
resistor yang hambatannya dapat berubah sesuai dengan suhu di sekitarnya.
Hambatan NTC akan turun apabila suhu di sekitarnya naik, sedangkan hambatan PTC
akan naik apabila suhu di sekitarnya naik.
2.Sensor Mekanis![](data:image/png;base64,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)
Sensor mekanis digunakan untuk
mendeteksi posisi, pergerakan, kecepatan, atau tekanan pada suatu benda.
Contohnya adalah strain gauge dan bourdon tube (untur mengukur tekanan)
potensiometer (untuk mengukur sudut putaran), dan load cell (untuk mengukur
gaya). Pada strain gauge, tekanan yang dikenakan pada sensor akan mengubah
nilai hambatannya. Dengan demikian, bila hambatannya berubah, tegangan yang
terbaca oleh sensor ini akan berubah sesuai besarnya tekanan yang diberikan.
3. Sensor Cahaya atau Optik.
Sensor cahaya yang paling mudah
ditemukan dan digunakan adalah LDR (Light Dependent Resistor), yakni resistor
khusus yang nilai hambatannya dapat berubah sesuai dengan intensitas cahaya.
Jika cahaya makin terang (intensitas cahaya naik), nilai hambatan LDR mengecil.
Sebaliknya, bila intensitas cahayanya berkurang, nilai hambatan LDR akan
membesar.
Selain LDR juga terdapat sensor yang
lain yang dapat digunakan, yakni fotodioda, Fotodioda terbuat dari bahan
semikonduktor PN seperti halnya diode atau LED (Light Emitting Diode) yang
hanya dapat dilewati ars pada satu arah saja (forward bias), yaitu dari anoda
ke katoda. Namun, jika terkena cahaya, fotodioda dapat dilalui arus pada arah yang
berlawanan dengan araharus forward bias pada diode. Bahkan, fotodioda mampu
menghasilkan arus listrik yang bernilai kecil ketika dikenai cahaya. Fotodioda
juga memiliki kelebihan lain, yakni respon yang lebih cepat terhadap perubahan
intensitas cahaya, bterutama jika cahaya yang digunakan adalah sinar infra
merah (infra red). Oleh karena itulah, pada pembuatan robot line follower,
fotodioda banyak digunakan sebagai sensor untuk membedakan garis hitam dan
garis putih.
Sumber
: Jurus Kilat Jago Membuat Robot, Pustena ITB.
0 komentar:
Posting Komentar