Dini Fakta Sari, Dini Fakta
Unknown Affiliation

Published : 1 Documents
Articles

Found 1 Documents
Search

IMPLEMENTASI TEKNOLOGI FIELD PROGRAMMABLE GATE ARRAY (FPGA) PADA ALAT IDENTIFIKASI ODOR Sari, Dini Fakta; Rivai, Muhammad; Mujiono, Totok; Tasprian, Tasprian
Seminar Nasional Informatika (SEMNASIF) Vol 1, No 2 (2010): Instrumentational And Robotic
Publisher : Jurusan Teknik Informatika

Show Abstract | Original Source | Check in Google Scholar | Full PDF (1267.635 KB)

Abstract

Alat identifikasi odor merupakan peralatan yang dirancang untuk mengganti fungsi serta mengatasi keterbatasan sistem penciuman manusia. Alat identifikasi odor dapat diaplikasikan untuk pengawasan mutu produk makanan, minuman, dan industri kosmetik. Pada penelitian ini digunakan sampel odor yaitu bensin, minyak tanah, alkohol dan melon. Alat ini menggunakan deret sensor resonator kuarsa yang dilapisi oleh polymer yang berbeda-beda yaitu cellulose, dicyanoallylsilicone (OV-275), dan polyethylene glycol ester (PEG- 1540). Setiap sensor resonator akan menghasilkan perubahan frekuensi yang berbeda sebagai akibat adanya molekul odor yang terserap dipermukaannya. Data yang diperoleh dari deret sensor resonator kuarsa diaplikasikan pada perangkat FPGA Spartan 3E dengan Very High Speed Integrated Circuit Hardware Description Language (VHDL) sebagai bahasa pemrogramannya pada perangkat lunak Xilinx ISE Webpack 8.2i. Perangkat FPGA ini menangani pengukuran frekuensi (counter) secara pararel, latch, encoder, dan komunikasi serial. Artificial neural network merupakan representasi buatan dari otak manusia yang dapat diimplementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran. Artificial neural network yang digunakan dalam penelitian ini dengan model Multi Layer Perceptron (MLP) dengan metode pelatihan Back Propagation (BP) yang merupakan bentuk topologi dari supervised artificial neural network yang dalam proses pelatihannya memerlukan pengawasan. Tingkat akurasi pembelajaran untuk mengklasifikasi melon pada 5000 epoch dengan 1 neuron pada lapisan tersembunyi sebesar 24,74%, dengan 5 neuron pada lapisan tersembunyi sebesar 98,36% dan dengan 10 neuron pada lapisan tersembunyi sebesar 99,48%. Tingkat akurasi pada saat pengujian sebesar 100%.