Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penelitian tugas akhir ini bertujuan untuk membangun jaringan komunikasi multihop jenis nirkabel yang diharapkan dapat bersifat adaptif, yaitu dapat melakukan penyesuaian terhadap perubahan yang terjadi pada konfigurasinya. Dalam rangka memberikan sifat adaptif yang dimaksud, jaringan komunikasi ini kemudian dapat melakukan proses konfigurasi terhadap dirinya. Untuk mendukung proses konfigurasi sendiri ini, akan digunakan suatu bentuk sistem cerdas dalam proses pembangunan jaringan. Hal ini dilakukan dengan menggunakan koloni robot bergerak yang dilengkapi dengan perangkat komunikasi yang memadai. Robot-robot ini kemudian saling bekerja sama untuk membangun konfigurasi jaringan robot-nirkabel yang diharapkan.Pada penelitian ini, dikembangkan beberapa algoritma yang diharapkan dapat menyelesaikan permasalahan pada kasus dua atau banyak perangkat atau sumber yang saling berkomunikasi dalam jaringan. Algoritma ini antara lain Chained Shortest Distance, Prior to the Nearest, serta Position By Line yang menerapkan penggunaan robot otonom untuk menemukan solusi permasalahan yang dicari. Selain itu, penelitian tugas akhir ini dibagi atas dua tahap dimana pertama kali dibahas mengenai perancangan jaringan komunikasi multihop terkonfigurasi sendiri dengan kasus dua sumber yang berkomunikasi. Pada tahap selanjutnya, dibahas mengenai perancangan jaringan komunikasi multihop terkonfigurasi sendiri dengan kasus banyak sumber yang berkomunikasi.Pada tahap penelitian selanjutnya, penulis mengembangkan suatu implementasi simulasi untuk melakukan evaluasi secara objektif terhadap algoritma yang dirancang. Melalui simulasi ini akan dilihat kinerja algoritma yang dikembangkan dari segi tingkat keberhasilan serta waktu yang dibutuhkan untuk mendapatkan solusi. Salah satu hasil yang disimpulkan pada penelitian ini adalah bahwa algoritma Prior to the Nearest dan Position By Line cukup baik diterapkan untuk menyelesaikan masalah penanganan jaringan komunikasi multihop terkonfigurasi sendiri ini.

---

This final year research project aims to build a multihop communication network wireless type that are expected to be adaptive, which can make adjustment to the changes that occur in the configuration. In order to provide the adaptive nature, this communication network will be able to do configuration process by itself. To support this self-configuration process, we will use a kind of intelligent system form in the process of network building. This will be done by using of mobile robot colony that is equipped with adequate communication devices. Robots will work together to build the expected configuration of wireless-robot network.In this research, several algorithms are being developed and expected to complete the problems in the case of two or many communication devices or sources within the network. These algorithms are Chained Shortest Distance, Prior to the Nearest, and Position by Line, which implement the usage of the autonomous robots to find solutions to the given problems. In addition to that, this final year research project will be divided into two stages where in the first time, we discussed the design of self-configured multihop communication network in the case with two sources of communication. At the next stage, we discussed the design of self-configured multihop communication network in the case with many sources of communication.In the next phase of research, the author developed a simulation in order to objectively evaluate the algorithm that are designed. Through this simulation, we will see the performance of algorithms developed in terms of success rate and the running time which are obtained. One of the results concluded in this research is that the algorithm Prior to the Nearest and Position by Line are adequately applied to solve the handling of self-configured multihop communication network problems."

"Skripsi ini dibuat untuk merancang dan mengimplementasikan perangkat lunak yang dapat mengenali karakter (berupa angka dan huruf) pada plat nomor mobil pribadi di Indonesia dari citra hasil pemotretan kamera digital dengan menggunakan jaringan syaraf tiruan tipe Kohonen dan kompetitif.sebagai metode pengenalan.Terdapat 3 tahapan proses yang digunakan dalam pembuatan perangkat lunak yaitu tahap pre-processing, tahap pelatihan jaringan syaraf tiruan tipe kohonen dan kompetitif dan tahap pengenalan. Pada tahap pre-processing bertujuan untuk mendeteksi lokasi dan ekstraksi plat nomor lalu mengekstaksi karakter huruf dan angka dari plat nomor. Untuk mendeteksi plat nomor digunakan assymetric filter (rank filter) terhadap citra yang telah dilakukan proses vertical edge detection. Untuk mengekstraksi karakter angka dan huruf dilakukan proses background equalization terlebih dahulu. Pada tahap pelatihan jaringan bertujuan untuk pembentukan suatu database angka dan database huruf yang akan dibutuhkan pada tahap pengenalan. Perbedaan pola dari masing-masing angka dan huruf merupakan suatu ciri yang akan digunakan untuk data masukan jaringan syaraf tiruan. Tahap pengenalan merupakan suatu pattern recognition untuk mengenali angka dan huruf pada plat nomor. Jaringan syaraf tiruan tipe Kohonen digunakan untuk pengenalan huruf dan tipe kompetitif untuk pengenalan angka. Analisis yang dilakukan bertujuan untuk menentukan pengaruh jumlah sampel pada tahap pelatihan jaringan, pengaruh tipe jaringan syaraf tiruan, dan penyebab kesalahan pada tahap pre-processing dan tahap pengenalan.Berdasarkan hasil simulasi, perangkat lunak pengenalan plat nomor yang dibuat telah berhasil mengenali pola huruf dengan tingkat akurasi 88,89% dan pola angka dengan tingkat akurasi 98.3% dan pengenalan plat dengan tingkat akurasi 60%.

---

This final project is created to design and to implement software which can recognize Indonesian license plate number from digital camera image using competitive and Kononen Neural Network as recognition method.There are 3 process which are used in making software which are: pre-processing phase, training phase of kohonen and competitive neural network and recognition phase. The purposes of pre-processing phase are to be able to localize and to extract license plate then to extract number and letter from the license plate. The license plate is detected by applying asymmetric rank filter to the image that has been vertical edge detected. Background equalization process is needed first for the License Plate Character Segmentation. The purposes of training phase are able to make number database and letter database that wil be needed in recognition phase. Pattern difference from each number and letter is a characteristic that will be used for input data of neural network. Recognition phase is a pattern recognition to recognize letter and number from license plate. Kohonen neural network is used to recognize letter and competitive neural network is used to recognize number. The final project analyzed the influence from a number of sample, the influence of neural network type, and cause of error in pre-processing phase and recognition phase.From the simulation output, the software can achieve 88,89% accuracy in recognize theletter, 98.3% accuracy in recognize the number, and 60% accuracy in recognize plate."

"Skripsi ini dibuat untuk merancang perangkat lunak yang dapat mengidentifikasi plat nomor mobil melalui proses image processing dengan ekstraksi fitur skeletonisasi menggunakan metode pengenalan Neural Network.Selama ini pencatatan plat nomor setiap mobil yang memasuki area parkir secara umum masih dilakukan secara manual oleh manusia, namun saat ini mulai muncul suatu sistem baru sehingga identifikasi plat nomor dapat dilakukan secara otomatis. Skripsi ini bertujuan untuk menganalisa pengenalan plat nomor mobil dalam bentuk Image dengan mengekstrak fitur/karakter pada plat dengan proses skeletonisasi menggunakan metode pembelajaran Neural Network (jaringan syaraf tiruan) yang selanjutnya akan dihasilkan output dalam bentuk tulisan karakter yang terdapat dalam plat nomor tersebut. Proses pengenalan ini dilakukan dengan memasukkan citra/image ke dalam pemrogaman MatLabTM dan proses ini dilakukan dalam 2 tahap, yaitu: pembentukan basis data untuk training serta proses recognition/identifikasi.Pada proses pembuatan basis data, gambar akan dibagi-bagi per karakter terlebih dahulu agar lebih memudahkan proses. Setiap karakter tersebut kemudian diekstrak dengan proses skeletonisasi sehingga dihasilkan skeleton/kerangka dari setiap karakter tersebut. Selanjutnya dilakukan proses training terhadap jaringan syaraf tiruan dengan memasukkan nilai-nilai piksel skeleton yang dihasilkan dari proses skeletonisasi untuk mendapatkan nilai bobot yang tepat. Nilai bobot ini kemudian akan disimpan untuk dapat digunakan pada proses selanjutnya yaitu proses recognition plat nomor. Proses recognition plat nomor yang dilakukan menggunakan metode pembelajaran ini mencapai tingkat akurasi sebesar 80%.

---

This final assignment is made to design a program that could be used to identify cars’ licensed plates through image processing with skeletonization feature extraction using Neural Network recognition method.Up to these days, licensed plate identification to every car entering the parking area is still commonly run by humanbeing, but nowadays there comes a new system that enables the identification to be run automatically. The aim of this final assignment is to analyse this automatic process in the image format by extracting features/characters using skeletonization and also applying Neural Network learning method to produce output consisting of the characters as mentioned on the plate. This identification is run by inserting an image into the MatLabTM program which is run in 2 stages comprises the making of training database and the recognition/identification itself.In making the database, the image is divided into characters to make the next process easier. Each of these characters is then extracted with skeletonization to produce the skeleton and then continued by training the Neural Network by inserting the values of the skeletons in order to produce the right weights. The weights themselves are furthermore saved to be used in the identification/recognition. The recognition using Neural Network run in this final assignment yields the percentage of accuracy up to 80%."

"Suatu sistem tenaga listrik. Pada saat generator terkena gangguan yang besar dan tiba-tiba maka generator akan mengalami ayunan dan masuk ke kondisi peralihan. Apabila generator dapat kembali ke kondisi setimbangnya maka generator dapat dikatakan stabil. Untuk menjaga agar generator tetap stabil maka diperlukan suatu metode untuk memperbaiki kestabilan generator. Salah satu metode dapat digunakan adalah menggunakan dynamic braking resistorreactor. Skripsi ini membahas mengenai penerapan pengendali jaringan syaraf tiruan untuk koordinasi pensaklaran braking resistor-reactor pada stabilitas peralihan sistem tenaga listrik. Ketika terjadi gangguan, simpangan kecepatan rotor akan diukur besarnya kemudian sudut penyalaan tiristornya akan ditentukan oleh hasil keluaran dari pengendali jaringan syaraf tiruan. Pengendali ini mengenali input dan outputnya dengan berdasarkan proses pembelajaran jaringan syaraf tiruan. Proses pembelajaran yang dilakukan adalah dengan menggunakan algoritma backpropagation jenis levenberg-marquardt. Pengendalian sudut penyalaan tiristor pada braking resistor-reactor ini berfungsi untuk mengatur dan mengendalikan percepatan dan perlambatan putaran rotor sehingga kestabilan sistem dapat lebih ditingkatkan. Simulasi pengambilan data dilakukan dengan memberikan tiga jenis gangguan ke dalam sistem dengan dua durasi waktu yang berbeda. Ketiga jenis gangguan tersebut adalah gangguan tiga fasa ke tanah, dua fasa ke tanah, dan satu fasa ke tanah. Hasil simulasi memperlihatkan bahwa penerapan pengendali jaringan syaraf tiruan untuk koordinasi pensaklaran braking resistor-reactor dapat mempercepat dan meningkatkan kestabilan sistem.

---

Stability is one of the most important factor that affects performance of the electric power system. When large and sudden faults occurred, generator will be swung and get in to the transient condition. If generator can goes back to the balance condition, generator will be stable.That’s why, for improving the generator stability’s, we need a method to do that. One of the method which can be used to improve the generator stability’s is dynamic braking resistor-reactor.

This paper describes about the implementation of artificial neural network controller for switching coordination of braking resistor-reactor in the electric power system transient stability. When faults occurred, rotor speed deviation will be measured and then, the thyristor firing-angle’s will be determined by the output of the artificial neural network controller. This controller identify its inputs and outputs based on the training process of artificial neural network. The training process was been doing by using levenberg-marquardt backpropagation algoritm's. By controlling the thyristor firing-angle's of the braking resistor-reactor, rotor speed acceleration’s and deceleration’s can be controlled so that the system stability can be improved.

Simulation process was been doing by occurring three kinds of faults in the system with two different kinds of time durations. Those three faults are threephase-ground fault, two-phase-ground fault, and single-phase-ground fault.The simulations results show that implementation of artificial neural network controller for switching coordination of braking resistor-reactor can improve the system stability."

"Skripsi ini dibuat untuk merancang perangkat lunak yang mampu mengenali nilai nominal uang kertas rupiah beserta keasliannya melalui proses pengolahan citra berbasiskan metode jaringan syaraf tiruan dengan algoritma backpropagation. Sistem pengenalan citra (image recognition) ini memperoleh kemampuan deteksi dengan cara belajar dari contoh (learning by examples).Pola dari tiap uang kertas rupiah memiliki ciri yang unik yang membedakannya satu dengan yang lainnya, baik bentuk angka, jumlah angka nol, serta gambar latar belakangnya. Pola khas dari tiap jenis uang kertas inilah yang dikenali oleh perangkat lunak ini, sehingga mampu membedakan tidak hanya uang kertas rupiah (valid data) tapi juga uang kertas pecahan lain (unknown data).Pencitraan uang kertas berasal dari dua sumber yakni citra tampak (visible image), yang berasal dari scanner 300 dpi, dan tak tampak (invisible image), yang menggunakan sinar ultraviolet (UV). Beberapa area tertentu diambil dari citra sebagai masukan identifikasi yang akan diolah melalui proses dijitalisasi sehingga dihasilkan reduksi citra hitam-putih (gray-scale) sebesar 8x7 pixel. Hal ini bertujuan selain mengurangi besar data pelatihan jaringan syaraf tiruan (JST) juga meningkatkan kemampuan identifikasi.Metode backpropagation dipilih didasarkan atas masukan data relatif kecil dengan harapan waktu pendeteksian dapat dipersingkat. Hasil identifikasi mungkin tidak akan mendekati klasifikasi, tetapi akan didekati dengan persentase kesalahan sekecil mungkin. Jumlah total data sebanyak 76 set, dimana 25 diantaranya digunakan untuk melatih JST, dan sisanya sebanyak 51 set digunakan untuk menguji JST. Hasil simulasi menunjukkan sistem mampu mengenali dengan tingkat akurasi hingga sebesar 92% bervariasi tergantung dari jumlah set data pelatihan yang dilakukan. Metode yang diterapkan dapat digunakan untuk mengenali uang kertas pecahan rupiah.

---

This paper is written to design a software that capable to recognize the nominal value of rupiah banknote with its authenticity by means of image-processing technic based on artificial neural network with backpropagation algorithm. This image-processing technic has its recognition ability from learning-by-examples process.

Each rupiah banknote has its unique characteristic which distinguish the banknote with one another, such as numeral shape, amount of zeroes, and its background image. The software then uses this banknote’s unique pattern to recognize not only for valid currency, but also for unknown currency.

The banknote imaging process itself came from two sources, visible image—taken from a 300dpis scanner, and unvisible image—taken from a UV. Some certain areas are taken from the image as identification source that will be processed by some digitalization until these areas become an 8x7 pixels gray-scale image. This is intented to reduce the data size for the artificial neural network training process, thus increase the identification ability.

Backpropagation method is chosen based on its input data which is relatively small, hoping that the detection time can be decreased. The identification result might not get closer with the classification result, but will get approached with as small error as possible. The total amount of data are 76 sets, where 25 of them are used to train the artificial neural network, and the rest of them are used to test the neural network. Simulation result shows that the sistem is capable to identify up to 92% of accuracy, depends on amount of train-sets data. This method can be used to identify the rupiahs banknote authenticity."