Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Comunication between microcontrollers is one of the crucial point in embedded sytems. On the other hand, embedded system must be able to run many parallel task simultaneously. To handle this, we need a reliabe system that can do a multitasking without decreasing every task?s performance. The most widely used methods for multitasking in embedded systems are using Interrupt Service Routine (ISR) or using Real Time Operating System (RTOS). This research compared perfomance of USART communication on system with RTOS to a system that use interrupt. Experiments run on two identical development board XMega A3BU-Xplained which used intenal sensor (light and temperature) and used servo as external component. Perfomance comparison done by counting ping time (elapsing time to transmit data and get a reply as a mark that data has been received) and compare it. This experiments divided into two scenarios: (1) system loaded with many tasks, (2) system loaded with few tasks. Result of the experiments show that communication will be faster if system only loaded with few tasks. System with RTOS has won from interrupt in case (1), but lose to interrupt in case (2).

---

Komunikasi antar mikrokontroller adalah salah satu hal krusial dalam sebuah embedded system. Di sisi lain, embedded system juga harus dapat menangani beberapa task/pekerjaan dalam satu waktu. Untuk itu, diperlukan sebuah sistem yang dapat melaksanakan proses multitasking tanpa mengganggu per-forma dari masing-masing task yang ada. Ada dua metode multitasking yang populer digunakan pada embedded system, yaitu menggunakan Interrupt Service Routine (ISR) dan menggunakan Real Time Operating System (RTOS). Penelitian ini membandingkan performa komunikasi USART pada mikro-kontroller dengan RTOS dengan yang hanya menggunakan interrupt. Uji coba dilakukan pada dua development board XMega A3BU-Xplained dengan sensor internal (cahaya dan temperatur) dan men-jalankan sebuah servo. Uji performa dilakukan dengan menghitung waktu ping, yaitu waktu yang dibu-tuhkan untuk mengirim satu karakter data ke board tujuan dan menerima balasan satu karakter sebagai tanda bahwa data telah diterima oleh board tujuan. Skenario yang digunakan adalah (1) sistem memiliki banyak task, dan (2) saat sisem memiliki sedikit task. Berdasarkan eksperimen yang dilakukan, secara umum proses komunikasi akan berjalan lebih cepat jika sistem hanya mempunyai sedikit task. Sistem dengan RTOS akan memiliki waktu ping yang jauh lebih cepat dari yang menggunakan interrupt pada kasus (1), namun sistem dengan interrupt akan lebih cepat dari sistem dengan RTOS pada kasus (2).

Abstrak :
Neural network attracts plenty of researchers lately. Substantial number of renowned universities have developed neural network for various both academically and industrially applications. Neural network shows considerable performance on various purposes. Nevertheless, for complex applications, neural network?s accuracy significantly deteriorates. To tackle the aforementioned drawback, lot of research-es had been undertaken on the improvement of the standard neural network. One of the most pro-mising modifications on standard neural network for complex applications is deep learning method. In this paper, we proposed the utilization of Particle Swarm Optimization (PSO) in Convolutional Neural Networks (CNNs), which is one of the basic methods in deep learning. The use of PSO on the training process aims to optimize the results of the solution vectors on CNN in order to improve the recog-nition accuracy. The data used in this research is handwritten digit from MNIST. The experiments exhibited that the accuracy can be attained in 4 epoch is 95.08%. This result was better than the conventional CNN and DBN. The execution time was also almost similar to the conventional CNN. Therefore, the proposed method was a promising method.

---

Jaringan syaraf tiruan menarik banyak peneliti dewasa ini. Banyak universitas-universitas terkenal telah mengembangkan jaringan syaraf tiruan untuk berbagai aplikasi baik kademik maupun industri. Jaringan syaraf tiruan menunjukkan kinerja yang patut dipertimbangkan untuk berbagai tujuan. Meskipun begitu, kinerja dari jaringan syaraf tiruan merosot dengan signifikan untuk masalah-masa-lah yang kompleks. Untuk menyelesaikan masalah tersebut di atas, banyak penelitian yang dilakukan untuk meningkatkan kinerja dari jaringan syaraf tiruan standar. Salah satu pengembangan yang men-janjikan untuk jaringan syaraf tiruan pada kasus yang kompleks adalah metode deep learning. Pada penelitian ini, diusulkan penggunaan metode Particle Swarm Optimization (PSO) pada Convolutional Neural Networks (CNNs), yang merupakan salah satu metode dasar pada deep learning. Penggunaan PSO dalam proses pelatihan bertujuan untuk mengoptimalkan hasil vektor solusi pada CNN, sehingga dapat meningkatkan akurasi hasil pengenalan. Data yang digunakan dalam penelitian ini adalah data angka yang berasal dari MNIST. Dari percobaan yang dilakukan akurasi yang dicapai dengan 4 iterasi adalah 95,08%. Hasil ini lebih baik dari CNN konvensional dan DBN. Waktu eksekusinya juga men-dekati CNN konvensional. Oleh karena itu, metode yang usulkan adalah metode yang menjanjikan.