Totok Mujiono, Totok
Program Pascasarjana,Jurusan Teknik Elektro, ITS, Surabaya

Published : 2 Documents
Articles

Found 2 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%.
PENINGKATAN TARAF IDENTIFIKASI JENIS GAS DI UDARA TERBUKA MENGGUNAKAN TRANSFORMASI FOURIER DAN PRINCIPAL COMPONENT ANALYSIS Rivai, Muhammad; ., Tasripan; Mujiono, Totok
Kursor Vol 6, No 2 (2011)
Publisher : University of Trunojoyo Madura

Show Abstract | Original Source | Check in Google Scholar

Abstract

PENINGKATAN TARAF IDENTIFIKASI JENIS GAS DI UDARA TERBUKA MENGGUNAKAN TRANSFORMASI FOURIER DAN PRINCIPAL COMPONENT ANALYSIS aMuhammad Rivai, bTasripan, cTotok Mujiono a,b,c Laboratorium Elektronika Industri, Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember Surabaya 60111 E-Mail: amuhammad_rivai@ee.its.ac.id Abstrak Klasifikasi jenis gas di udara terbuka diperlukan di berbagai bidang aplikasi seperti pendeteksian kebakaran, monitoring lingkungan dan lainnya. Hal ini memerlukan teknik pengklasifikasian yang handal dikarenakan adanya konsentrasi gas yang berubah secara dinamis. Sebuah deret sensor gas yang dikombinasikan dengan algoritma pengenal pola Neural Networks telah lama digunakan untuk mengatasi hal ini. Makalah ini melaporkan sebuah metode yang handal untuk klasifikasi jenis gas di udara terbuka. Pada penelitian ini, metode yang digunakan adalah metode Fast Fourier Transform (FFT) untuk analisa spektrum frekuensi dan metode Principal Component Analysis (PCA) untuk ekstraksi data sebagai metode preprocessing untuk Propagasi balik Neural Networks. Sebuah deret sensor terdiri dari tiga tipe sensor gas semikonduktor yang berbeda dan menghasilkan sebuah pola yang khas untuk setiap jenis gas pada domain waktu. Beberapa gas digunakan untuk mengevaluasi unjuk kerja dari klasifikasinya. Hasil percobaan menunjukkan bahwa taraf klasifikasi dari Neural Networks yang dihasilkan lebih tinggi daripada sistem klasifikasi tanpa menggunakan preprocessing walaupun konsentrasi gas berubah pada kondisi yang bervariasi. Kata kunci: Deret Sensor, Spektrum Frekuensi, Principal Component Analysis, Neural Networks. Abstract Classification of gases in open field is of great interest in many applications such as fire detection, environmental monitoring, etc. They all require reliable classification techniques due to dynamical change of gas concentration. A gas sensor array combined with Neural Networks pattern recognition algorithm has been traditionally used to address these issues. This paper reports a robust method for gas classification in the ambient air. In this research, we employ Fast Fourier Transform (FFT) method for frequency spectrum analysis and Principal Component Analysis (PCA) method for data extraction as preprocessing methods for a Back Propagation Neural Networks. A sensor array consists of three different types of semiconductor gas sensors producing a unique pattern for each gas in time domain. Several gases were introduced to evaluate the classification performance. The experiment result showed that classification rate of the Neural Networks with FFT and PCA methods as preprocessing was higher than that of the system without preprocessing even if the gas concentration changed into various conditions. Key words: Sensor Array, Frequency Spectrum, Principal Component Analysis, Neural Networks