Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
PENDAHULUAN
Sistim deteksi gas sangat diperlukan untuk bidang industri, seperti industri makanan, minuman dan industri kosmetika. Juga sistim deteksi gas sangat penting untuk memonitor masalah yang berkaitan dengan lingkungan hidup maupun bidang klinis (kedokteran). Seperti diketahui, faktor kualitas yang dominan pada minuman beralkohol adalah aromanya, dan kontrol kualitas dalam pembuatan minuman beralkohol diperlukan untuk dapat menjaga mutu produk yang dihasilkan. Hingga kini kontrol kualitas pembuatan minuman beralkohol dilakukan oleh manusia yang mempunyai keahlian sangat khusus. Akan tetapi manusia-pakar ini mempunyai keterbatasan yang berkaitan dengan masalah kesehatan dan perasaan sesaat (mood), sehingga dapat mempengaruhi kinerja proses kontrol kualitas tersebut. Untuk dapat menanggulangi kelemahan ini, maka sistim deteksi gas yang dapat secara otomatik melakukan kontrol kualitas hasil produk dengan kinerja yang konsisten menjadi kebutuhan yang sangat penting. Metoda pengenalan polo untuk dapat membuat klasifikasi odor, pertama kali dilakukan dengan menggunakan sensor semikonduktor. Akan tetapi karena sensor ini sangat sulit untuk dapat mendeteksi gas dengan konsentrasi yang sangat rendah, maka beberapa peneliti mencoba menggunakan resonator kwarsa sebagai sensornya, atau menggunakan piranti SAW (surface accoustic wave), dan piranti sel elektrokimia. Metoda yang lain, berkaitan dengan penggunaan Gas Chromatography (GC) atau Liquid Chromatography (LC), yaitu sistim analitik yang dapat melakukan pemisahan komponen aroma dengan sangat teliti. Akan tetapi, kedua metodologi analitik yang membutuhkan biaya operasi yang sangat mahal, juga memerlukan waktu pengoperasian yang sangat lama. Penelitian pendahuluan mengenai Pengembangan sistim penciuman elektronik ini telah dilakukan oleh Peneliti Utama di Laboratorium Kecerdasan Komputasional Fakultas Ilmu Komputer Universitas Indonesia. Penelitian pendahuluan ini mendapat pendanaan dari Dewan Riset Nasional melaiui Program RUT IV pada tahun 1996-1998. Di dalam penelitian pendahuluan ini suatu sistim deteksi gas dibuat dengan menggunakan resonator kwarsa yang dipadukan dengan teknik pemetaan (identifikasi) odor dengan metoda pengenalan pola Jaringan Syaraf Tiruan (JST). Jaringan ini akan berkelakuan seperti otak manusia dimana beberapa neuron secara rapi berhubungan satu sama lain, untuk dapat menghasilkan pengenalan pola yang efektif. Sistim penciuman elektronik ini dikembangkan dengan menggunakan 4 buah jenis sensor dan dalam aplikasinya, sistim penciuman elektronik ini telah digunakan untuk membuat klasifikasi beberapa jenis aroma dari produk wewangian Martha Tilaar Cosmetics dan beberapa jenis wewangian dari Splash Cologne Products. Hasil percobaan memperlihatkan bahwa penggunaan 4 buah sensor ini telah mampu membuat klasifikasi aroma Martha Tilaar dengan prosentase pengenalan hingga 100%. Akan tetapi untuk jenis wewangian Splash Cologne, hasilnya hanya berkisar antara 30-40% saja. Hal ini disebabkan karena aroma Splash cologne ternyata merupakan gabungan dari beberapa aroma dasar sehingga mempunyai tingkat kesulitan yang lebih tinggi. Untuk dapat meningkatkan kemampuan Sistim Penciuman Elektronik dalam menyelesaikan persoalan diatas, maka Peneliti Utama mengajukan dua pendekatan. Perdekatan pertama berkaitan dengan peningkatan jumlah sensor hingga mencapai 16 buah sensor secara paralel. Peningkatan jumlah sensor ini akan menyebabkan peningkatan kemampuan JST dalam mengenali pola-pola masukan yang akan diolah. Pendekatamn kedua berkaitan dengan peningkatan frequensi dasar sensor kuarsa yang dipergunakan. Dalam sistim yang lama, frequensi dasar sensor yang digunakan adalah 10 MHz, yang akan ditingkatkan menjadi 20 MHz dalam sistim yang akan dikembangkan. Peningkatan frequensi dasar ini pada akhirnya akan meningkatkan akurasi pengukuran untuk setiap sensor, sehingga diharapkan dapat meningkatkan kemampuan sistim. Perumusan Masalah
Permasalahan dalam proposal riset ini, dapat dibagi dalam tiga bagian besar yaitu pertama, berkaitan dengan pembuatan gas sensor yang mempunyai sensitifitas tinggi. Sistim sensor gas yang diperlukan dalam penelitian ini adalah sistim sensor yang dapat mengkonversikan besaran aroma dari suatu sampel odor menjadi suatu besaran fisika yang dapat diukur. Seperti telah dikemukakan diatas, maka dalam pengembangan sistim yang baru, kita akan menggunakan sensor kuarsa dengan frekuensi dasar 20 MHz, dibandingkan dengan sistim terdahulu yang menggunakan frekuensai dasar 10 MHz. Permasalahan yang kedua, berkaitan dengan perencanaan dan pembuatan rangkaian elektronik beserta rangkaian antar-muka nya agar dapat mengakuisisi besaran fisika yang terukur tersebut secara paralel dari 16 buah sensor (multi sensor) untuk kemudian disimpan dalam memori komputer. Permasalahan pertama dan kedua ini dapat dirangkum menjadi suatu perangkat keras. Peningkatan jumlah sensor yang akan dipergunakan dalam sistim baru, secara dramatis akan merubah sistim antarmuka antara sistim sensor dan sistim komputer. Dalam tahapan berikutnya dikembangkan suatu algoritma dan perangkat lunak yang berkaitan dengan JNB (Jaringan Neural Buatan) untuk dapat mengidentifikasikan dan memetakan gas tersebut, dalam waktu yang singkat dan mempunyai ketelitian yang tinggi. Beberapa jenis algoritma JNB dikembangkan dan diimplementasikan dalam sistim perangkat keras, untuk dapat mempelajari kelebihan dan kekurangan setiap karakteristik arsitektur jaringan, dan perencanaan penggunaannya dalam permasalahan yang berkaitan dengan karakteristik utama dari jaringan tersebut?.

Abstrak :
Sistem penciuman elektronik telah dikembangkan dengan menggunakan kuarsa terlapis membran sebagai sensornya dan jaringan neural buatan Propagasi Balik (JNB-BP) sebagai sub-sistem pengenal polanya. Beberapa kelemahan penggunaan JNB-BP pada sistem penciuman elektronik adalah lamanya waktu pembelajaran dan adanya keterbatasan dalam mengenal pola aroma campuran. Untuk mengatasi masalah tersebut maka digunakan implementasi algoritma jaringan neural buatan berbasis Probabilistic Neural Network (JNB-PNN). JNB-PNN mempunyai 2 proses utama dalam tahap pembelajarannya yaitu menggunakan data pelatihan untuk membangun topologi JNB-PNN dan mencari parameter pemulus/smoothing parameter. Pengujian yang dilakukan dengan mengklasifikasikan aroma campuran secara bertahan yaitu 6, 8, 12 dan 18 aroma. Tujuan daritahapan pengklasifikasian tersebut adalah untuk melihat kemampuan dari sistem dalam mengenai pola dari aroma campuran dengan membandingkan penggunaan JNB-BP dan JNB-PNN. Hasil kedua eksperimen menunjukkan bahwa semakin banyak pola aroma uamg diklasifikasin, tingkat pengenalan sistem semakin menurun. Kemampuan dari sistem penciuman elektronik yang menggunakan JNB-BP dalam mengenal 18 pola aroma menghasilkan tingkat pengenalan di bawah 70%. Sedangkan untuk JNB-PNN, walaupun terjadi penurunan terhadap pengenalan 18 pola yang diujikan, hasil pengenalannya masih di atas 90%.

Abstrak :
Sistem penciuman elektronik dikembangkan untuk mengatasi ketergantungan terhadap penciuman manusia. Sistem penciuman elektronik ini dibangun dengan memanfaatkan algoritma fuzzy learning vector quantization (FLVQ) untuk proses klasifikasinya. Penelitian ini akan mencoba dua metode baru yang dikembangkan yaitu pemilihan bobot awal jaringan dari vektor rata-rata setiap kelas aroma dan melakukan pengenalan di ruang eigen. Berdasarkan percobaan yang dilakukan, ternyata bahwa kedua metode baru tersebut mampu meningkatkan deraja pengenalan aroma. Pada pengenalan terhadap aroma yang terdiri dari campuran 2 zat (aroma 2 campuran) dengan sistem 8 maupun 16 sensor akurasinya mencapai lebih dari 98%. Sedangkan apda pengenalan aroma yang terdiri dari campuran 3 zat (aroma 3 campuran) akurasi sistem 8 sensor sekitar 80% dan sistem 16 sensor mencapai lebih dari 94%.

Abstrak :
Hal yang harus diperhatikan dalam penggunaan Probabilistic Neural Network (PNN) adalah penentuan ukuran jaringan dan nilai parameter smoothing. Ukuran jaringan PNN akan semakin besar seiring dengan bertambahnya jumlah data pelatihan yang mengakibatkan biaya komputasi juga semakin tinggi. Sementara nilai parameter smoothing akan mempengaruhi tingkat klasifikasi dimana nilai yang optimal tergantung pada karakteristik data. Algoritma PNN-Terotimasi (PNN-T) adalah algoritma yang dikembangkan untuk menentukan struktur PNN yang optimal. Dalam PNN-T, nilai parameter smoothing yang optimal dipilih dengan menggunakan Algoritma Genetika, sedangkan ukuran jaringan ditekan dengan milikih neuron yang representatif menggunakan Algoritma Orthogonal. Dilakukan perbandingan anata PNN dengan PNN-T dalam masalah pengenalan aroma 2 campuran.Dan hasilnya PNN-T mempunyai kinerja yang lebih baik yaitu tingkat pengenalan lebih tinggi dan penggunaan neuron dengan jumlah lebih rendah dibandingkan PNN

Abstrak :
Tesis ini meneliti metode pengklasifikasian menggunakan metode jaringan syaraf tiruan untuk mengklasifikasikan data aroma. Data aroma adalah data keluaran dari sistem penciuman elektronik. Penelitian ini merupakan lanjutan penelitian sebelumnya yaitu metode pengklasifikasian fuzzy-neuro learning vector quantization (fnlvq). Sebelumnya telah dikembangkan pula metode matrix similarity analysis (msa) guna menentukan kriteria pemberhentian algoritma fnlvq. Dalam penelitian ini akan dikembangkan dua metode fnlvq yang akan dioptimasikan dengan metode swarm intelligence yaitu fnlvq-particle swarm optimization (pso) dan metode swarm-fnlvq. Dengan menggunakan validasi silang, hasil dari penelitian ini menunjukkan bahwa rata-rata tingkat pengklasifikasian untuk aroma tiga campuran menggunakan fnlvq-pso sebesar 91% dan swarm-fnlvq sebesar 90% dimana kedua metode ini lebih baik daripada fnlvq yang sebesar 79% dan fnlvq-msa sebesar 77%. ......This thesis examines a classification method based on artificial neural networks to classifying various mixture of fragrance which is the output of the electronic nose system. This research is a continuation research of earlier fuzzy-neuro learning vector quantization (fnlvq) classification method. Previously a matrix similarity analysis method is developed to determine a stopping criterion of fnlvq algorithms. This research objective is to develops two modification fnlvq method based on swarm intelligence method namely fnlvq-particle swarm optimization (pso) and swarm-fnlvq methods. By using cross validation, this research showed that the average classification rate of fnlvq-pso is 91% whether swarm-fnlvq is 90%, this two methods is better than conventional fnlvq with 79% and fnlvq-msa at 77%.