Hasil Pencarian  ::  Simpan CSV :: Kembali

"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%."

"Makalah ini membahas pengembangan Sistem Penciuman Elektronik menggunakan 16 buah sensor kuarsa terlapis membran sensitif. Penulis telah mengembangkan Sistem Penciuman Elektronik dengan jumlah sensor sebanyak 4 buah, akan tetapi sistem ini hanya mampu membuat klasifikasi aroma campuran dengan tingkat pengenalan dibawah 40%. Pengembangan sistem dilakukan dengan meningkatkan jumlah sensor untuk memperbesar dimensi ruang pengamatan dan peningkatan frekuensi dasar sensor untuk mendapatkan akurasi yang lebih tinggi.Hasil penelitian menunjukkan bahwa sistem 16 sensor mempunyai kapabilitas yang tinggi untuk klasifikasi aroma campuran. Tingkat pengenalan sistem dengan 16 sensor untuk aroma campuran dengan 6 tingkat konsentrasi alkohol berkisar 89.9%, bila diproses secara terpisah, sedangkan apabila dilaksanakan secara ?batch? akan menghasilkan tingkat pengenalan sekitar 82.4%.

---

An artificial odor recognition system is developed for discriminating odors. This artificial system consisted of 16 quartz resonator crystals as the sensor array, a frequency modulator and a frequency counter for each sensor that are connected directly to a microcomputer. We have already shown that the artificial odor recognition system with 4 sensors is high enough to discriminate simple odor correctly, however, when it was used to discriminate compound odors, the recognition capability of this system is dropped significantly to be about 40%.Results of experiments show that the developed artificial system with 16 sensors could discriminate compound aroma based on 6 gradient of alcohol concentrations with high recognition rate of 89.9% for non batch processing system, and 82.4% for batch processing of the classes of odors."

"ABSTRAKSistem penciuman elektronik terdiri dari 3 bagian yaitu sistem sensor yang merubah besaran aroma menjadi besaran listrik, sistem elektronik yang mengukur besar perubahan frekuensi sensor dan sistem jaringan neural buatan yang melakukan pengenalan aroma. Peningkatan kemampuan pengenalan aroma yang cepat, tepat dan akurat pada sistem neural buatan sangat diperlukan oleh sistem penciuman elektronik ini, untuk itu perlu dikembangkan metode fuzzy learning vector quantization. Metode FLVQ merupakan metode jaringan neural buatan berbasis pada vector quantization yang mengintegrasikan teuri fuzzy dalam proses pembelajarannya dan mempunyai algoritma yang sederhana tetapi berkemampuan tinggi dalam pengenalan aroma. Pengembangan fuzzy learning vector quantization berfokus pada proses pembelajarannya terutama pada cara merubah fuzziness vektor pewakil. Berdasarkan cara perubahan fuzzinessnya ada tiga variasi FLVQ yang dinamakan FLVQ konstan, yaitu merubah lebar fuzziness vektor pewakil dengan besaran yang konstan; FLVQ variabel, yaitu merubah lebar fuzziness vektor pewakil berdasarkan nilai similaritas; dan FLVQ tunggal, yaitu merubah lebar fuzziness vektor pewakil hanya pada salah satu bagian sisinya. Hasil Penelitian dengan sampel aroma produk marta tilaar dan aroma etanol menunjukkan bahwa jaringan neural buatan FLVQ mempunyai kemampuan pengenalan yang lebih baik bila dibandingkan dengan propagasi balik."

"Dalam makalah ini, penulis membahas dan memperkenalkan sebuah metodologi pencaharian struktur arsitektur Jaringan Neural Buatan propagasi balik berbasis fuzzy (JNB-Fuzzy) yang optimal dengan menggunakan algoritma genetika. Optimasi struktur jaringan neural dapat dilakukan dengan memperkecil jumlah neuron dalam lapis tersembunyi atau jumlah bobot dalam jaringan neural. Dalam makalah ini penulis membuat optimasi struktur jaringan dengan memperkecil jumlah bobot dalam jaringan, karena jumlah bobot ini jauh lebih besar daripada jumlah neuron yang ada. Jaringan neural yang telah dioptimasi ini kemudian digunakan sebagai subsistem pengenal pola pada Sistem Penciuman Elektronik yang dikembangkan oleh penulis. Hasil eksperimen dengan menggunakan jaringan ini menunjukkan peningkatan derajat pengenalan sistem, dari 70,4% pada struktur jaringan tidak dioptimasi, menjadi 85,2% bila menggunakan struktur jaringan yang telah dioptimasi.

---

In this article we proposed a method for optimizing the structure of a fuzzy artifi cial neural networks (FANN) through genetic algorithms. This genetic algorithm (GA) is used to optimize the number of weight connections in a neural network structure, by evolutionary calculating the fi tness function of those structures as individuals in a population. This fuzzy neural is then applied as the pattern recognition in our developed odor recognition system. Experimental results show that the optimized neural system provides higher recognition capability compare with that of unoptimized neural system. Recognition rate of the unoptimized neural structure is 70.4% and could be increased up to 85.2% in the optimized neural system. It is also shown that the computational cost of the optimized structure of neural system is also lower than the unoptimized structure."

"Kehandalan dari sebuah sistem pengenalan aroma tidak hanya tergantung pada kemampuan perangkat sensor melainkan juga tergantung pada sistem pengenalan pola yang menggunakan jaringan syaraf tiruan. Struktur jaringan syaraf yang sederhana memiliki performa yang buruk untuk memisahkan berbagai campuran aroma. Kombinasi antara teori fuzzy dan jaringan syaraf tiruan digunakan karena teori fuzzy dapat menangani masalah data yang samar-samar sedangkan jaringan syaraf tiruan mempunyai kemampuan untuk pembelajaran yang bagus. Algoritma LVQ digunakan sebagai proses pembelajaran dalam sistem karena algoritma ini mempunyai kecepatan pembelajaran dan keakuratan yang cukup tinggi. Namun penggunaan LVQ dengan teori fuzzy masih menemui kendala utama yaitu pemilihan inisialisasi vektor referensi. Dalam paper ini kami mengusulkan metode baru dalam tahap inisialisasi vektor referensi, yaitu memilih vektor referensi awal yang terbaik dengan menggunakan fungsi fitness. Selanjutnya kami juga telah mengembangkan aplikasi berbasis GUI untuk menampilkan hasil dari klasifikasi aroma. Hasil eksperimen menunjukkan bahwa penggunaan fungsi fitness dalam pemilihan vektor referensi mampu meningkatkan tingkat pengenalan aroma dalam sistem."