Analisis Vibrasi untuk Klasifikasi Kerusakan Motor di PT Petrokimia Gresik Menggunakan Fast Fourier Transform dan Neural Network
|
|
- Sudirman Irawan
- 7 tahun lalu
- Tontonan:
Transkripsi
1 JURNAL TEKNIK POMITS Vol. 1, No. 1, (14) Analisis Vibrasi untuk Klasifikasi Kerusakan Motor di PT Petrokimia Gresik Menggunakan Fast Fourier Transform dan Neural Network Nirma Priatama, Dimas Anton Asfani, I Made Yulistya Negara Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya 6111 Indonesia nirma.priatama1@mhs.ee.its.ac.id, dimas@ee.its.ac.id, yulistya@ee.its.ac.id Abstrak Pada studi ini data vibrasi motor dari PT Petrokimia Gresik dianalisis untuk diklasifikasikan jenis kerusakan motor yang terjadi menggunakan Fast Fourier Transform (FFT) dan neural network. Data sinyal vibrasi motor diubah ke dalam domain frekuensi menggunakan FFT, sehingga didapat data amplitudo spektrum vibrasi tiap jenis kerusakan yang dijadikan sebagai input neural network. Neural network digunakan untuk mengklasifikasikan jenis kerusakan motor ke dalam lima kondisi, yaitu normal, unbalance, misalignment, looseness, dan kerusakan anti-friction bearing. Neural network yang dirancang diuji dengan 1 data vibrasi motor dengan jenis kerusakan yang berbeda. Tingkat ketepatan neural network dalam mengklasifikasikan jenis kerusakan mencapai 1%. Kata Kunci analisis vibrasi, fast fourier transform, klasifikasi kerusakan motor, neural network. I. PENDAHULUAN otor listrik merupakan salah satu komponen penting M dalam proses industri, tak terkecuali di PT Petrokimia Gresik. Jika motor mengalami kerusakan maka proses produksi dapat terganggu dan dapat menyebabkan kerugian ekonomis [1]. Oleh karena itu, PT Petrokimia Gresik menerapkan sistem pemeliharaan prediktif pada motor dengan pemantauan vibrasi. Data pengukuran vibrasi dapat digunakan untuk mengenali kerusakan yang terjadi pada motor []. Identifikasi kerusakan motor dilakukan dengan menganalisis spektrum vibrasi yang memiliki karakteristik berbeda pada tiap jenis kerusakan [3]. Analisis vibrasi dapat dilakukan dalam domain waktu maupun dalam domain frekuensi. Analisis domain waktu memberikan gambaran fisik vibrasi yang asli namun secara praktis sulit dianalisis jika sinyal vibrasi kompleks. Sebaliknya dengan analisis domain frekuensi, amplitudo dan frekuensi spektrum vibrasi dapat diidentifikasi, sehingga diperoleh informasi yang lebih rinci untuk mengenali kerusakan motor [4]. Salah satu metode untuk mengubah sinyal vibrasi dari domain waktu ke domain frekuensi adalah dengan Fast Fourier Transform (FFT) [5]. Jenis kerusakan yang terjadi pada motor dapat dikenali secara langsung oleh operator dengan melihat spektrum vibrasi hasil pengukuran. Namun jika jumlah data vibrasi motor yang akan diperiksa banyak maka proses pengenalan jenis kerusakan akan memakan waktu yang lama [6]. Untuk mengenali jenis kerusakan pada beberapa data vibrasi motor secara cepat digunakan neural network [7]. Neural network adalah salah satu kecerdasan buatan yang memiliki kemampuan untuk mengidentifikasi suatu data melalui proses penalaran yang sistematis sehingga dapat dimanfaatkan untuk klasifikasi kerusakan motor [6]. Pada studi ini data vibrasi motor dari PT Petrokimia Gresik dianalisis untuk diklasifikasikan jenis kerusakan motor yang terjadi menggunakan Fast Fourier Transform (FFT) dan neural network. Data sinyal vibrasi motor diubah ke domain frekuensi menggunakan FFT, sehingga didapat data spektrum vibrasi tiap jenis kerusakan motor. Data spektrum vibrasi hasil FFT terdiri dari data frekuensi dan data amplitudo. Data amplitudo spektrum vibrasi dijadikan sebagai input neural network. Neural network digunakan untuk mengklasifikasikan jenis kerusakan motor ke dalam lima kondisi, yaitu normal, unbalance, misalignment, looseness, dan kerusakan antifriction bearing. II. METODE KLASIFIKASI KERUSAKAN MOTOR Data sinyal vibrasi motor yang didapat dari PT Petrokimia Gresik dianalisis untuk menentukan spesifikasi FFT yang digunakan, antara lain jumlah sampel data, waktu sampling, dan frekuensi sampling. Data spektrum vibrasi hasil transformasi FFT kemudian dianalisis kembali untuk menentukan arsitektur neural network. Arsitektur neural network yang dirancang meliputi jumlah neuron pada input layer, jumlah neuron pada output layer, serta jumlah neuron pada hidden layer. A. Spesifikasi FFT [5] Spesifikasi sinyal vibrasi dari PT Petrokimia Gresik yang dijadikan sebagai masukan FFT dihitung sebagai berikut : Jumlah sampel data (N) = 14 Waktu sampling (T) = 6 ms =.6 s Frekuensi sampling (Fs) = N T = 14.6 = 17 Hz (1) Sedangkan spesifikasi spektrum keluaran FFT dihitung sebagai berikut : Frekuensi maksimum (F max ) = Fs = 17 = 85 Hz () Jumlah spectral lines = N = 14 = 51 (3)
2 JURNAL TEKNIK POMITS Vol. 1, No. 1, (14) 1-6 Resolusi frekuensi (df) = Fs N = 17 = 16.6 (4) 14 Data spektrum vibrasi keluaran FFT yang diperoleh terdiri dari 513 spectral lines, termasuk 1 spectral line komponen DC (frekuensi yang bernilai nol). B. Pengelompokan Data Vibrasi Untuk membedakan antara spektrum vibrasi motor normal dan motor yang mengalami kerusakan, digunakan acuan batas RMS velocity vibrasi dari standar ISO [3] pada Gambar 1. Sedangkan karakteristik spektrum vibrasi pada tiap kondisi motor ditunjukkan pada Tabel 1 [4]. Gambar 1. Standar Vibrasi Motor ISO Kondisi Normal Tabel 1. Karakteristik Vibrasi Motor Karakteristik Vibrasi Nilai Amplitudo yang Tinggi Semua nilai amplitudo tidak tinggi, di bawah 4.5 mm/s C. Pembagian Data Training dan Data Testing Untuk melakukan klasifikasi dengan neural network, diperlukan dua macam data input, yaitu data training (data pelatihan) dan data testing (data pengujian) [8]. Data vibrasi motor yang didapat dari PT Petrokimia Gresik total ada 3 buah. Pembagian data training dan data testing dilakukan dengan persentase 8% dan %. Untuk meningkatkan akurasi neural network data training ditambah buah menggunakan metode fungsi distribusi normal. Data training baru ini dihitung dari rata-rata deviasi data lama. Jumlah data training dan data testing untuk tiap kondisi motor ditunjukkan pada Tabel. D. Spesifikasi Neural Network Data spektrum vibrasi yang dijadikan input neural network adalah data amplitudo. Tiap data amplitudo terdiri dari 513 elemen nilai, sehingga jumlah neuron pada input layer adalah 513 unit. Target klasifikasi neural network adalah lima macam kondisi motor, yaitu normal, unbalance, misalignment, looseness dan kerusakan anti-friction bearing. Kelima macam kondisi motor ini diwakili oleh matriks target yang tiap elemennya bernilai atau 1 [9]. Rincian data target neural network dapat dilihat pada Tabel 3. Jumlah hidden layer yang digunakan ada dua buah. Pemilihan jumlah neuron pada hidden layer dilakukan dengan melatih neural network menggunakan beberapa variasi jumlah neuron. Kombinasi jumlah neuron untuk tiap hidden layer dipilih antara 8 hingga unit. Dari hasil pelatihan dicari nilai MSE (Mean Squared Error) yang paling kecil. Kombinasi jumlah neuron yang menghasilkan MSE paling kecil kemudian diterapkan pada neural network untuk sistem klasifikasi. Hasil MSE pelatihan neural network dengan variasi jumlah neuron pada hidden layer diperlihatkan dalam Tabel 4 dan Gambar. Unbalance Misalignment Pada 1x frekuensi Pada 1x dan x frekuensi Tabel. Jumlah Data Training dan Data Testing Kondisi Data Training Data Testing Normal 8 Unbalance 8 Misalignment 8 Looseness 8 Kerusakan bearing 8 Data 4 1 Looseness Antara 1x hingga 6x frekuensi Kondisi Tabel 3. Data Target Neural Network Matriks Target Kelas T 1 T T 3 T 4 T 5 Kerusakan Anti-friction Bearing Pada frekuensi tinggi. Bukan merupakan fungsi dari Normal 1 1 Unbalance 1 Misalignment 3 1 Looseness 4 1 Kerusakan bearing 5 1
3 JURNAL TEKNIK POMITS Vol. 1, No. 1, (14) Jumlah neuron pada hidden layer pertama Tabel 4. Hasil MSE Pelatihan Neural Network dengan Variasi Jumlah Neuron Jumlah neuron pada hidden layer kedua Tabel 5. Spesifikasi Neural Network Jumlah data input data training = 4 buah data testing = 1 buah Input layer 513 neuron Hidden layer hidden layer pertama = 9 neuron hidden layer kedua = 1 neuron Output layer 5 neuron Fungsi aktivasi sigmoid bipolar (tansig) Fungsi pembelajaran scaled conjugate gradient backpropagation (trainscg) Iterasi maksimal 1 Normalisasi input mapminmax Pembagian data pelatihan training = 85% ; validation = 15% Gambar. Grafik Hasil MSE Pelatihan Neural Network dengan Variasi Jumlah Neuron Dari Tabel 4 diperoleh dua kombinasi jumlah neuron yang menghasilkan nilai MSE terkecil yaitu 9-1 dan Ketiganya sama-sama menghasilkan MSE sebesar.6. Karena model neural network yang baik adalah model yang parsimony (sederhana) [1], maka kombinasi jumlah neuron yang dipilih adalah 9-1 atau 9 neuron pada hidden layer pertama dan 1 neuron pada hidden layer kedua. Neural network yang akan digunakan adalah jenis feedforward dengan fungsi pembelajaran scaled conjugate gradient backpropagation (trainscg). Fungsi pembelajaran ini dipilih agar proses pelatihan untuk jumlah data input yang besar seperti pada sistem klasifikasi yang dirancang ini tidak memakan waktu yang lama [11]. Fungsi aktivasi yang digunakan adalah fungsi sigmoid bipolar (tansig). Spesifikasi dan arsitektur neural network untuk sistem klasifikasi kerusakan motor menggunakan data vibrasi diperlihatkan pada Tabel 5 dan Gambar 3. Gambar 3. Arsitektur Neural Network III. HASIL PENGUJIAN DAN ANALISIS Pengujian sistem klasifikasi kerusakan motor dilakukan dengan memasukkan 1 data sinyal vibrasi testing. Epoh pelatihan maksimum untuk pengujian ini sebanyak 1 iterasi. Untuk menganalisis ketepatan hasil klasifikasi dapat dilihat kembali karakteristik spektrum vibrasi motor pada Tabel 1 yang dijadikan sebagai referensi.
4 JURNAL TEKNIK POMITS Vol. 1, No. 1, (14) A. Kondisi Normal Putaran motor = 3 RPM = 5 Hz Gambar 4. Hasil uji klasifikasi data vibrasi motor P951B B. Kondisi Unbalance Putaran motor = 15 RPM = 5 Hz Gambar 5. Hasil uji klasifikasi data vibrasi motor C1A C. Kondisi Misalignment Putaran motor = 3 RPM = 5 Hz Gambar 6. Hasil uji klasifikasi data vibrasi motor P141B D. Kondisi Looseness HASIL KLASIFIKASI = NORMAL HASIL KLASIFIKASI = UNBALANCE HASIL KLASIFIKASI = MISALIGNMENT Putaran motor = 3 RPM = 5 Hz HASIL KLASIFIKASI = LOOSENESS Gambar 7. Hasil uji klasifikasi data vibrasi motor P17C E. Kerusakan Anti-Friction Bearing Putaran motor = 3 RPM = 5 Hz Gambar 8. Hasil uji klasifikasi data vibrasi motor P5B Data sinyal vibrasi motor P951B pada Gambar 4 diklasifikasikan secara tepat ke dalam kondisi normal. Dibuktikan dengan seluruh nilai amplitudo pada spektrum vibrasi Gambar 4 besarnya di bawah 4.5 mm/s. Data sinyal vibrasi motor pada C1A pada Gambar 5 diklasifikasikan secara tepat ke dalam kondisi unbalance. Terlihat pada spektrum Gambar 5 nilai amplitudo vibrasi tinggi terjadi pada frekuensi 1x (5 Hz). Data sinyal vibrasi motor P141B pada Gambar 6 diklasifikasikan secara tepat ke dalam kondisi misalignment. Terlihat pada spektrum Gambar 6 nilai amplitudo vibrasi tinggi terjadi pada frekuensi x (1 Hz). Data sinyal vibrasi motor P17C pada Gambar 7 diklasifikasikan secara tepat ke dalam kondisi looseness. Terlihat pada spektrum Gambar 7 nilai amplitudo vibrasi tinggi terjadi pada frekuensi 1x, 3x, 4x, 5x, dan 6x putaran motor yaitu pada 5 Hz, 15 Hz, Hz, 5 Hz, dan 3 Hz. Data sinyal vibrasi motor P5B pada Gambar 8 diklasifikasikan secara tepat ke dalam kerusakan anti-friction bearing. Terlihat pada spektrum Gambar 8 terjadi vibrasi pada frekuensi tinggi yaitu pada frekuensi antara 1 Hz hingga 16 Hz yang bukan merupakan fungsi dari. F. Perhitungan MSE MSE (Mean Squared Error) adalah nilai error kuadrat yang dirata-rata dari suatu nilai yang diharapkan dengan suatu nilai yang aktual terjadi [1]. Dalam perhitungan MSE untuk klasifikasi, nilai yang diharapkan adalah nilai target, sedangkan nilai yang aktual terjadi adalah nilai output. Nilai MSE dari data target T i dan output Y i untuk untuk sejumlah n data dihitung dengan persamaan berikut : n MSE (%) = 1 n (T i Y i ) 1% (5) i= HASIL KLASIFIKASI = KERUSAKAN ANTI-FRICTION BEARING Dari hasil perhitungan nilai MSE untuk klasifikasi data testing pada Tabel 6 terlihat bahwa tingkat error rata-rata antara target yang diharapkan dengan output neural network cukup kecil yaitu sebesar 5.86%. Hasil ini menunjukkan bahwa sistem klasifikasi kerusakan motor yang dirancang memiliki tingkat akurasi yang cukup baik.
5 JURNAL TEKNIK POMITS Vol. 1, No. 1, (14) Data Ke- 1 Normal Normal 3 Unbalance 4 Unbalance 5 Misalignment 6 Misalignment 7 Looseness 8 Looseness 9 1 Tabel 6. Nilai MSE Untuk Tiap Data Testing Kondisi Target Output Error MSE (%) Kerusakan Anti- Friction Bearing Kerusakan Anti Friction Bearing MSE Rata-Rata G. Analisis Confusion Matrix Confusion matrix adalah suatu matriks yang menampilkan hasil klasifikasi ke dalam kelas target dan kelas output disertai dengan persentase hasil klasifikasi yang benar dan yang salah. Kolom confusion matrix menunjukkan kelas target, sedangkan baris confusion matrix menunjukkan kelas output. Hasil analisis confusion matrix untuk klasifikasi data training diperlihatkan pada Tabel 7, sedangkan untuk klasifikasi data testing diperlihatkan pada Tabel 8. Kelas Output Kelas Output Normal Unbalance Misalignment Looseness Bearing Normal Unbalance Misalignment Looseness Bearing Tabel 7. Confusion Matrix Data Training Kelas Target Normal Unbalance Misalignment Looseness Bearing 8 1% % % % % % % 8 1% % % % % % % 8 1% % % % % % % 8 1% % % % % % % 8 1% % % % % % % 1% 1% 1% 1% 1% 1% % % % % % % Tabel 8. Confusion Matrix Data Testing Kelas Target Normal Unbalance Misalignment Looseness Bearing 1% % % % % % % 1% % % % % % % 1% % % % % % % 1% % % % % % % 1% % % % % % % 1% 1% 1% 1% 1% 1% % % % % % % Dari Tabel 7 dan Tabel 8 terlihat bahwa seluruh data training dan data testing diklasifikasikan secara tepat ke dalam kelasnya masing-masing, sehingga total persentase klasifikasi data training dan data testing yang benar adalah 1%. IV. KESIMPULAN Beberapa kesimpulan yang bisa diambil dari studi tentang analisis vibrasi untuk klasifikasi kerusakan motor yaitu spesifikasi sinyal masukan FFT menentukan spesifikasi spektrum yang diperoleh. Selain itu semakin banyak jumlah data pelatihan neural network maka hasil klasifikasi yang diperoleh akan semakin akurat. Secara keseluruhan sistem klasifikasi kerusakan motor dengan analisis data vibrasi yang telah dirancang mempunyai tingkat ketepatan hingga 1%.
6 JURNAL TEKNIK POMITS Vol. 1, No. 1, (14) DAFTAR PUSTAKA [1] Hua Su and Kil To Chong, Induction Machine Condition Monitoring Using Neural Network Modeling, IEEE Transactions on Industrial Electronics, Vol. 54, No. 1, February, 7. [] IEEE Standard , IEEE Guide for Induction Machinery Maintenance Testing and Failure Analysis, 7. [3] ilearn Interactive, Vibration Training Quick Reference, Mobius Institute, 5. [4] G. Betta, C. Liguori, A. Paolillo, and A. Pietrosanto, A DSP-Based FFT-Analyzer for the Fault Diagnosis of Rotating Machine Based on Vibration Analysis, IEEE Transactions on Instrumentation and Measurements, Vol. 51, No. 6, December,. [5] Michael Cerna and Audrey F. Harvey, The Fundamentals of FFT- Based Signal Analysis and Measurement, National Instruments Application Note 41,. [6] M. K. Rad, M. Torabizadeh, and A. Noshadi, Artificial Neural Network-based Fault Diagnostics of an Electric Motor using Vibration Monitoring, International Conference on Transportation, Mechanical, and Electrical Engineering (TMEE), Changchun, December, 11. [7] MKM Rahman, Tanver Azam, Sanjoy Kumar Saha, Motor Fault Detection Using Vibration Patterns, 6th International Conference on Electrical and Computer Engineering (ICECE), Dhaka, December, 1. [8] Mauridhi Hery Purnomo dan Agus Kurniawan, Supervised Neural Networks dan aplikasinya, Graha Ilmu, Yogyakarta, Bab. 5, 6. [9] Moh. Ishak, Moch. Rivai, dan Tri Arief Sardjono, Analisis Proteksi Vibrasi pada Pompa Sentrifugal dengan Menggunakan Fast Fourier Transfrom dan Neural Network, ITS, Surabaya, 1. [1] Wahyu Wibowo dan Mohamad Atok, Pengaruh Rasio Keuangan Terhadap Rating Issuer Di PT Bursa Efek Surabaya, LPPM-ITS, Surabaya, Desember, 7. [11] Sri Kusumadewi, Membangun Jaringan Syaraf Tiruan Menggunakan MATLAB dan Excel Link, Graha Ilmu, Yogyakarta, Bab. 4, 4. [1] Wikipedia, Mean squared error <URL: wiki/mean_squared_error>, May, 14. RIWAYAT HIDUP PENULIS Nirma Priatama lahir di kota kecil Trenggalek Jawa Timur pada tanggal 1 Juli 199. Penulis adalah anak kedua dari pasangan Riyadi dan Ririn Argianti. Memulai pendidikan di SDN 1 Ngetal pada tahun , kemudian melanjutkan sekolah menengah ke SMPN 1 Pogalan pada tahun 4-7 dan ke SMAN 1 Trenggalek pada tahun 7-1. Penulis melanjutkan pendidikan ke jenjang perguruan tinggi di Institut Teknologi Sepuluh Nopember (ITS) Surabaya, jurusan Teknik Elektro dan mengambil bidang studi Teknik Sistem Tenaga. Penulis adalah salah satu asisten di Laboratorium Tegangan Tinggi Teknik Elektro ITS tahun 13/14.
ANALISIS VIBRASI UNTUK KLASIFIKASI KERUSAKAN MOTOR DI PT PETROKIMIA GRESIK MENGGUNAKAN FAST FOURIER TRANSFORM DAN NEURAL NETWORK
ANALISIS VIBRASI UNTUK KLASIFIKASI KERUSAKAN MOTOR DI PT PETROKIMIA GRESIK MENGGUNAKAN FAST FOURIER TRANSFORM DAN NEURAL NETWORK Nirma Priatama NRP. 2210100159 Dosen Pembimbing : Dimas Anton Asfani, ST.,
Lebih terperinciTESIS ANALISIS DAN OPTIMALISASI PROTEKSI VIBRASI PADA POMPA INJEKSI SENTRIFUGAL EMPAT STAGE PADA WATERFLOOD LAPANGAN MINYAK RINGAN
TESIS ANALISIS DAN OPTIMALISASI PROTEKSI VIBRASI PADA POMPA INJEKSI SENTRIFUGAL EMPAT STAGE PADA WATERFLOOD LAPANGAN MINYAK RINGAN Oleh: Moh. Ishak NRP : 2209204806 PROGRAM MAGISTER BIDANG KEAHLIAN ELEKTRONIKA
Lebih terperinciT 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX
T 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX Oleh: Intan Widya Kusuma Program Studi Matematika, FMIPA Universitas Negeri yogyakarta
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1. Pengujian Perangkat Lunak Dalam mengetahui perangkat lunak yang dibuat bisa sesuai dengan metode yang dipakai maka dilakukan pengujian terhadap masin-masing komponen perangkat.
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI NILAI KURS JUAL SGD-IDR
Seminar Nasional Teknologi Informasi dan Multimedia 205 STMIK AMIKOM Yogyakarta, 6-8 Februari 205 IMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI
Lebih terperinciPERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN
Feng PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK... 211 PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN Tan
Lebih terperinciPerbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation
65 Perbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation Risty Jayanti Yuniar, Didik Rahadi S. dan Onny Setyawati Abstrak - Kecepatan angin dan curah
Lebih terperinciPREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
PREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, Erlinda Ningsih 2 1 Dosen Teknik Informatika, STMIK Potensi Utama 2 Mahasiswa Sistem Informasi, STMIK
Lebih terperinciAPLIKASI JARINGAN SARAF TIRUAN UNTUK INVENTARISASI LUAS SUMBER DAYA ALAM STUDI KASUS PULAU PARI
APLIKASI JARINGAN SARAF TIRUAN UNTUK INVENTARISASI LUAS SUMBER DAYA ALAM STUDI KASUS PULAU PARI Putri Khatami Rizki 1), Muchlisin Arief 2), Priadhana Edi Kresnha 3) 1), 2), 3) Teknik Informatika Fakultas
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. perangkat. Alat dan bahan yang digunakan sebelum pengujian:
BAB IV HASIL DAN PEMBAHASAN 4.1 Pengujian Perangkat Lunak Dalam mengetahui perangkat lunak yang dibuat bisa sesuai dengan metode yang dipakai maka dilakukan pengujian terhadap masing-masing komponen perangkat.
Lebih terperinciJURNAL SAINS DAN SENI ITS Vol. 4, No.2, (2015) ( X Print) A-31
JURNAL SAINS DAN SENI ITS Vol 4, No2, (2015) 2337-3520 (2301-928X Print) A-31 Perbandingan Performansi Metode Peramalan Fuzzy Time Series yang Dimodifikasi dan Jaringan Syaraf Tiruan Backpropagation (Studi
Lebih terperinciANALISIS PROTEKSI VIBRASI PADA POMPA SENTRIFUGAL DENGAN MENGGUNAKAN FAST FOURIER TRANSFORM DAN NEURAL NETWORK.
AALISIS PROTEKSI VIBRASI PADA POMPA SETRIFUGAL DEGA MEGGUAKA FAST FOURIER TRASFORM DA EURAL ETWORK Moh. Ishak 1), Dr. Moch. Rivai ST, MT 2), Dr Tri Arief Sardjono, ST, MT 3) 1) Politeknik Caltex Riau Email
Lebih terperinciANALISIS PENGARUH MISALIGNMENT TERHADAP VIBRASI DAN KINERJA MOTOR INDUKSI
POLITEKNOLOGI VOL. 10 NO. 3, SEPTEMBER 2011 ANALISIS PENGARUH MISALIGNMENT TERHADAP VIBRASI DAN KINERJA MOTOR INDUKSI ABSTRACT Andi Ulfiana Jurusan Teknik Mesin Politeknik Negeri Jakarta Kampus Baru -
Lebih terperinciAnalisa Kerusakan Centrifugal Pump P951E di PT. Petrokimia Gresik
JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) 2337-3520 (2301-928X Print) 1 Analisa Kerusakan Centrifugal Pump P951E di PT. Petrokimia Gresik Farandy Afrizal dan Muhammad Nur Yuniarto Jurusan Teknik
Lebih terperinciImplementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series
Implementasi Jaringan Syaraf Tiruan Backpropagation dan Steepest Descent untuk Prediksi Data Time Series Oleh: ABD. ROHIM (1206 100 058) Dosen Pembimbing: Prof. Dr. M. Isa Irawan, MT Jurusan Matematika
Lebih terperinciAnalisis Getaran Struktur Mekanik pada Mesin Berputar untuk Memprediksi Kerusakan Akibat Kondisi Unbalance Sistem Poros Rotor
Seminar Nasional Maritim, Sains, dan Teknologi Terapan 2016 Vol. 01 Politeknik Perkapalan Negeri Surabaya, 21 November 2016 ISSN: 2548-1509 Analisis Getaran Struktur Mekanik pada Mesin Berputar untuk Memprediksi
Lebih terperinciEVALUASI SUBYEKTIF EMISI AKUSTIK MESIN BERPUTAR OLEH OPERATOR MESIN KRI PULAU RUPAT-712 DI KOMANDO ARMADA RI KAWASAN TIMUR SURABAYA
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6 1 EVALUASI SUBYEKTIF EMISI AKUSTIK MESIN BERPUTAR OLEH OPERATOR MESIN KRI PULAU RUPAT-712 DI KOMANDO ARMADA RI KAWASAN TIMUR SURABAYA Dhenok Ayu Setianingsih,
Lebih terperinciAnalisis Data Sekuensial Pada Condition Monitoring Untuk Meningkatkan Ketersediaan Sistem
SENATIK 2017 Seminar Nasional Teknologi Informasi & Komputer Analisis Data Sekuensial Pada Condition Monitoring Untuk Meningkatkan Ketersediaan Sistem Dr.Ing. SUDARNO, DEA Pamulang, 9 November 2017 STMIK
Lebih terperinciPERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS)
PERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) L K Widyapratiwi 1, I P A Mertasana 2, I G D Arjana 2 1 Mahasiswa Teknik Elektro, Fakultas
Lebih terperinciDETEKSI KERUSAKAN BEARING PADA CONDENSATE PUMP DENGAN ANALISIS SINYAL VIBRASI
DETEKSI KERUSAKAN BEARING PADA CONDENSATE PUMP DENGAN ANALISIS SINYAL VIBRASI Ganong Zainal Abidin, I Wayan Sujana Program Studi Teknik Mesin, Institut Teknologi Nasional Malang Email : ganongzainal@outlook.com
Lebih terperinciPREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Dwi Marisa Midyanti Sistem Komputer Universitas Tanjungpura Pontianak Jl Prof.Dr.Hadari Nawawi, Pontianak
Lebih terperinciDETEKSI HUBUNG SINGKAT PADA BELITAN STATOR MOTOR INDUKSI TIGA FASA TANPA BEBAN MENGGUNAKAN JARING SYARAF TIRUAN
DETEKSI HUBUNG SINGKAT PADA BELITAN STATOR MOTOR INDUKSI TIGA FASA TANPA BEBAN MENGGUNAKAN JARING SYARAF TIRUAN Pre s e n ter : N a n a n g Ha r d i a n to (2205.100.196) Pemb i m b i n g : Pro f. Dr.
Lebih terperinciMETODOLOGI PENELITIAN
digilib.uns.ac.id BAB III METODOLOGI PENELITIAN 3.1 Studi Literatur Studi ini dilakukan dengan cara mencari dan membaca berbagai literatur serta karya-karya penelitian mengenai topik penelitian yang sudah
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan
Lebih terperinciPERBANDINGAN AKURASI ALGORITME PELATIHAN DALAM JARINGAN SYARAF TIRUAN UNTUK PERAMALAN JUMLAH PENGGUNA KERETA API DI PULAU JAWA
PERBANDINGAN AKURASI ALGORITME PELATIHAN DALAM JARINGAN SYARAF TIRUAN UNTUK PERAMALAN JUMLAH PENGGUNA KERETA API DI PULAU JAWA Budho Setyonugroho 1), Adhistya Erna Permanasari 2), Sri Suning Kusumawardani
Lebih terperinciBAB III. METODOLOGI. kegiatan manusia membuat penelitian dengan domain teknik informatika
BAB III. METODOLOGI 3.1. Kerangka Pikir Teknik informatika yang memiliki andil yang cukup besar dalam berbagai kegiatan manusia membuat penelitian dengan domain teknik informatika merupakan hal yang menarik
Lebih terperinciVOL. 01 NO. 02 [JURNAL ILMIAH BINARY] ISSN :
PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PRODUKSI AIR MINUM MENGGUNAKAN ALGORITMA BACKPROPAGATION (STUDI KASUS : PDAM TIRTA BUKIT SULAP KOTA LUBUKLINGGAU) Robi Yanto STMIK Bina Nusantara
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM
IMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM Ayu Trimulya 1, Syaifurrahman 2, Fatma Agus Setyaningsih 3 1,3 Jurusan Sistem Komputer, Fakultas MIPA Universitas
Lebih terperinciKlasifikasi Pola Huruf Vokal dengan Menggunakan Jaringan Saraf Tiruan
JURNAL TEKNIK POMITS 1-7 1 Klasifikasi Pola Huruf Vokal dengan Menggunakan Jaringan Saraf Tiruan Dhita Azzahra Pancorowati, M. Arief Bustomi Jurusan Fisika, Fakultas Matematika dan Ilmu Pengetahuan Alam,
Lebih terperinciPENGENALAN SUARA BURUNG MENGGUNAKAN MEL FREQUENCY CEPSTRUM COEFFICIENT DAN JARINGAN SYARAF TIRUAN PADA SISTEM PENGUSIR HAMA BURUNG
PENGENALAN SUARA BURUNG MENGGUNAKAN MEL FREQUENCY CEPSTRUM COEFFICIENT DAN JARINGAN SYARAF TIRUAN PADA SISTEM PENGUSIR HAMA BURUNG TUGAS AKHIR MUHAMMAD AGUNG NURSYEHA 2211100164 Pembimbing: Dr. Muhammad
Lebih terperinciDesain Sistem Pendeteksian dan Monitoring Harmonisa Arus Menggunakan Jaring Saraf Tiruan Berbasis LabVIEW.
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2014) 1-6 1 Desain Sistem Pendeteksian dan Monitoring Harmonisa Arus Menggunakan Jaring Saraf Tiruan Berbasis LabVIEW. Andika Wahyu Saputra, Ardyono Priyadi, Mauridhi
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Dalam dunia industri, mesin rotari merupakan bagian yang sangat penting dalam proses produksi dan bantalan (bearing) mempunyai peran penting dalam menjaga performa
Lebih terperinciPREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN METODE NEURAL NETWORK DAN PARTICLE SWARM OPTIMIZATION
PREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN METODE NEURAL NETWORK DAN PARTICLE SWARM OPTIMIZATION Dewi Kusumawati 1), Wing Wahyu Winarno 2), M. Rudyanto Arief 3) 1), 2), 3) Magister Teknik Informatika STMIK
Lebih terperinciBAB III METODOLOGI DAN HASIL PENELITIAN
BAB III METODOLOGI DAN HASIL PENELITIAN 3.1. Metode Pengambilan Data Pengambilan data dilakukan pada mesin bubut type EMCO MAXIMAT V13 dengan menggunakan alat vibrometer (untuk mengukur getaran) Kohtect
Lebih terperinciBACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA
BACKPROPAGATION NEURAL NETWORK AS A METHOD OF FORECASTING ON CALCULATION INFLATION RATE IN JAKARTA AND SURABAYA Anggi Purnama Undergraduate Program, Computer Science, 2007 Gunadarma Universiy http://www.gunadarma.ac.id
Lebih terperinciPENGENALAN SUARA MANUSIA DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN MODEL PROPAGASI BALIK
ABSTRAK PENGENALAN SUARA MANUSIA DENGAN MENGGUNAKAN Dosen Jurusan Teknik Elektronika Fakultas Teknik Universitas Negeri Makassar Pada penelitian ini dibuat sebuah sistem pengenalan suara manusia dengan
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA
Aplikasi Jaringan Syaraf Tiruan Multilayer Perceptron (Joni Riadi dan Nurmahaludin) APLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA Joni Riadi (1) dan Nurmahaludin
Lebih terperinciBAB III METODE PENELITIAN. Pemotong an Suara. Convert. .mp3 to.wav Audacity. Audacity. Gambar 3.1 Blok Diagram Penelitian
BAB III METODE PENELITIAN 3.1 Model Penelitian Penelitian yang dilakukan dapat dijelaskan melalui blok diagram seperti yang terlihat pada Gambar 3.1. Suara Burung Burung Kacer Burung Kenari Pengambil an
Lebih terperinciKAJIAN VIBRASI UNTUK MENDETEKSI KEGAGALAN AWAL PADA MESIN ROTASI DENGAN KASUS MESIN POMPA Arvin Ekoputranto *, Otong Nurhilal, Ahmad Taufik.
Proseding Seminar Nasional Fisika dan Aplikasinya Sabtu, 21 November 2015 Bale Sawala Kampus Universitas Padjadjaran, Jatinangor KAJIAN VIBRASI UNTUK MENDETEKSI KEGAGALAN AWAL PADA MESIN ROTASI DENGAN
Lebih terperinciANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA
ANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA Nurmahaludin (1) (1) Staf Pengajar Jurusan Teknik Elektro Politeknik Negeri Banjarmasin Ringkasan Kebutuhan
Lebih terperinciKLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION. Dhita Azzahra Pancorowati
KLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION Dhita Azzahra Pancorowati 1110100053 Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi
Lebih terperinciPEMILIHAN WARNA LIPSTIK BERDASARKAN INFORMASI USIA DAN WARNA KULIT DENGAN MENGGUNAKAN METODA ARTIFICIAL NEURAL NETWORK
PEMILIHAN WARNA LIPSTIK BERDASARKAN INFORMASI USIA DAN WARNA KULIT DENGAN MENGGUNAKAN METODA ARTIFICIAL NEURAL NETWORK Bilqis Amaliah 1, Amethis Oktaorora 2 1,2 Teknik Informatika, FTIf - ITS,Surabaya
Lebih terperinciJARING SARAF TIRUAN. oleh : Dicky Nova Wardana Pembimbing : Prof. Dr. Ir Mauridhi Hery P., M.Eng.
DETEKSI HUBUNG SINGKAT PADA BELITAN STATOR MOTOR INDUKSI SATU FASA MENGGUNAKAN JARING SARAF TIRUAN oleh : Dicky Nova Wardana 2205 100 157 Pembimbing : Prof. Dr. Ir Mauridhi Hery P., M.Eng. Teknik Sistem
Lebih terperinciHasil dan Analisis. f brb. Analisis dengan frekuensi resolusi tinggi mengunakan FFT
Analisis dengan frekuensi resolusi tinggi mengunakan FFT Frekuensi resolusi tinggi dari fast fourier transform (FFT) berhubungan dengan total panjang rentang waktu untuk memperhatikan banyaknya sample
Lebih terperinciIDENTIFIKASI KERUSAKAN MESIN BERPUTAR BERDASARKAN SINYAL SUARA DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM
IDENTIFIKASI KERUSAKAN MESIN BERPUTAR BERDASARKAN SINYAL SUARA DENGAN METODE ADAPTIVE NEURO FUZZY INFERENCE SYSTEM Seminar Tugas Akhir O L E H : M I F T A H U D D I N P E M B I M B I N G : I R. Y E R R
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Data Yang Digunakan Dalam melakukan penelitian ini, penulis membutuhkan data input dalam proses jaringan saraf tiruan backpropagation. Data tersebut akan digunakan sebagai
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MENGENALI TULISAN TANGAN HURUF A, B, C, DAN D PADA JAWABAN SOAL PILIHAN GANDA
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MENGENALI TULISAN TANGAN HURUF A, B, C, DAN D PADA JAWABAN SOAL PILIHAN GANDA (Studi Eksplorasi Pengembangan Pengolahan Lembar Jawaban Ujian Soal Pilihan Ganda di
Lebih terperinciPERANCANGAN SOFTSENSOR KADAR GAS BUANG PADA STACK HASIL KELUARAN HRSG (HEAT RECOVERY STEAM GENERATOR) DENGAN METODE JARINGAN SYARAF TIRUAN
PERANCANGAN SOFTSENSOR KADAR GAS BUANG PADA STACK HASIL KELUARAN HRSG (HEAT RECOVERY STEAM GENERATOR) DENGAN METODE JARINGAN SYARAF TIRUAN Oleh : Hera Firdhausa Katili 2409100073 Dosen Pembimbing : Dr.
Lebih terperinciPEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK
PEMANFAATAAN BIOMETRIKA WAJAH PADA SISTEM PRESENSI MENGGUNAKAN BACKPROPAGATION NEURAL NETWORK Program Studi Matematika FMIPA Universitas Negeri Semarang Abstrak. Saat ini, banyak sekali alternatif dalam
Lebih terperinciPenerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6
Penerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6 Sari Indah Anatta Setiawan SofTech, Tangerang, Indonesia cu.softech@gmail.com Diterima 30 November 2011 Disetujui 14 Desember 2011
Lebih terperinciPENGENALAN SIDIK JARI MENGGUNAKAN JARINGAN SYARAF TIRUAN BERBASIS SCALED CONJUGATE GRADIENT
Mikrotiga, Vol, No. Mei 0 ISSN : 0 PENGENALAN SIDIK JARI MENGGUNAKAN JARINGAN SYARAF TIRUAN BERBASIS SCALED CONJUGATE GRADIENT Suci Dwijayanti *, Puspa Kurniasari Jurusan Teknik Elektro Universitas Sriwijaya,
Lebih terperinciANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
ANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, M. Rhifky Wayahdi 2 1 Dosen Teknik Informatika,
Lebih terperinciAchmad Fauqy Ashari Supervisor: Wiwik Anggraeni S.Si, M.Kom Ahmad Mukhlason S.Kom, M.Sc
Achmad Fauqy Ashari 5208100150 Supervisor: Wiwik Anggraeni S.Si, M.Kom Ahmad Mukhlason S.Kom, M.Sc Sistem Informasi - FTIf - 2012 Tujuan dari tugas akhir ini adalah pengembangan prototipe sistem cerdas
Lebih terperinciAnalisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation
Analisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation Anjar Wanto STIKOM Tunas Bangsa Pematangsiantar Pematangsiantar, Indonesia anjarwanto@amiktunasbangsa.ac.id
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Jaringan Syaraf Biologi Jaringan Syaraf Tiruan merupakan suatu representasi buatan dari otak manusia yang dibuat agar dapat mensimulasikan apa yang dipejalari melalui proses pembelajaran
Lebih terperinciAnalisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation
Analisis Prediksi Indeks Harga Konsumen Berdasarkan Kelompok Kesehatan Dengan Menggunakan Metode Backpropagation Anjar Wanto STIKOM Tunas Bangsa Pematangsiantar Pematangsiantar, Indonesia anjarwanto@amiktunasbangsa.ac.id
Lebih terperinciBAB I PENDAHULUAN. Suatu Steam Power Plant dituntut punya availability tinggi dengan biaya
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Suatu Steam Power Plant dituntut punya availability tinggi dengan biaya yang optimum, konsekuensinya suatu power plant harus memiliki Program peningkatan kehandalan
Lebih terperinciBAB III METODOLOGI PENELITIAN
19 BAB III METODOLOGI PENELITIAN 3.1. Kerangka Pemikiran Kerangka pemikiran untuk penelitian ini seperti pada Gambar 9. Penelitian dibagi dalam empat tahapan yaitu persiapan penelitian, proses pengolahan
Lebih terperinciBAB III METODOLOGI PENELITIAN. Pelaksanaan penelitian ini, memerlukan banyak hal yang harus
BAB III METODOLOGI PENELITIAN III.1 Diagram Alur (Flowchart) Pelaksanaan penelitian ini, memerlukan banyak hal yang harus diperhatikan sebagai persiapan dalam melakukan penelitian. Tujuannya agar memperkecil
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
39 BAB IV HASIL DAN PEMBAHASAN 4.1 Hasil Pengolahan Data dan Pembahasan Data yang dimiliki dalam penelitian ini dibagi menjadi dua, yaitu: 1. Suara gamelan Bonang 2. Bukan suara Gamelan Bonang (Gamelan
Lebih terperinciPOSITRON, Vol. IV, No. 2 (2014), Hal ISSN :
Modifikasi Estimasi Curah Hujan Satelit TRMM Dengan Metode Jaringan Syaraf Tiruan Propagasi Balik Studi Kasus Stasiun Klimatologi Siantan Fanni Aditya 1)2)*, Joko Sampurno 2), Andi Ihwan 2) 1)BMKG Stasiun
Lebih terperinciMETODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN A. Kerangka Pemikiran Perusahaan dalam era globalisasi pada saat ini, banyak tumbuh dan berkembang, baik dalam bidang perdagangan, jasa maupun industri manufaktur. Perusahaan
Lebih terperinciPENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA RESILIENT BACKPROPAGATION
PENGENALAN POLA GARIS DASAR KALIMAT PADA TULISAN TANGAN UNTUK MENGETAHUI KARAKTER SESEORANG DENGAN MENGGUNAKAN ALGORITMA RESILIENT BACKPROPAGATION ABSTRAK Juventus Suharta (0722026) Jurusan Teknik Elektro
Lebih terperinciBAB 2 LANDASAN TEORI. fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
8 BAB 2 LANDASAN TEORI 2.1 Teori Neuro Fuzzy Neuro-fuzzy sebenarnya merupakan penggabungan dari dua studi utama yaitu fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
Lebih terperinciAplikasi Jaringan Saraf Tiruan Sebagai Penterjemah Karakter Braille Ke Bentuk Abjad
The 13 th Industrial Electronics Seminar 2011 (IES 2011) Electronic Engineering Polytechnic Institute of Surabaya (EEPIS), Indonesia, October 26, 2011 Aplikasi Jaringan Saraf Tiruan Sebagai Penterjemah
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Diagram Alir Penelitian Metode penelitian di rancang untuk dapat memformulasikan daignosa kegagalan pada pompa sentrifugal dengan sinyal getaran. Untuk mencapai tujuan ini,
Lebih terperinciJl. Raya Dukuhwaluh Purwokerto )
Tingkat Ketelitian Pengenalan Pola Data pada Algoritma Pelatihan Perbaikan Metode Batch Mode dalam Jaringan Syaraf Tiruan (The Level of Data Pattern Recognition Accuracy on Training Algorithm of Batch
Lebih terperinciPENGENALAN TULISAN TANGAN AKSARA BATAK TOBA MENGGUNAKAN JARINGAN SARAF TIRUAN BERBASIS MULTILAYER PERCEPTRON
PENGENALAN TULISAN TANGAN AKSARA BATAK TOBA MENGGUNAKAN JARINGAN SARAF TIRUAN BERBASIS MULTILAYER PERCEPTRON Disusun oleh : Nama : J. Rio Sihombing NRP : 0322129 Jurusan Teknik Elektro, Fakultas Teknik,
Lebih terperinciPengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation
Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko Pengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko
Lebih terperinciBAB II. Penelitian dengan jaringan syaraf tiruan propagasi balik. dalam bidang kesehatan sebelumnya pernah dilakukan oleh
BAB II TINJAUAN PUSTAKA DAN DASAR TEORI 2.1. Tinjauan Pustaka Penelitian dengan jaringan syaraf tiruan propagasi balik dalam bidang kesehatan sebelumnya pernah dilakukan oleh Sudharmadi Bayu Jati Wibowo
Lebih terperinciBAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)
BAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Kompetensi : 1. Mahasiswa memahami konsep Jaringan Syaraf Tiruan Sub Kompetensi : 1. Dapat mengetahui sejarah JST 2. Dapat mengetahui macam-macam
Lebih terperinciPERKIRAAN PENJUALAN BEBAN LISTRIK MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILENT BACKPROPAGATION (RPROP)
PERKIRAAN PENJUALAN BEBAN LISTRIK MENGGUNAKAN JARINGAN SYARAF TIRUAN RESILENT BACKPROPAGATION (RPROP) Apriliyah, Wayan Firdaus Mahmudy, Agus Wahyu Widodo Program Studi Ilmu Komputer Fakultas MIPA Universitas
Lebih terperinciKarakteristik Spesifikasi
Sinyal yang masuk difilter ke dalam sinyal frekuensi rendah (low-pass filter) dan sinyal frekuensi tinggi (high-pass filter) Lakukan downsampling pada kedua sinyal tersebut Low-pass frekuensi hasil downsampling
Lebih terperinci3. METODE PENELITIAN
19 3. METODE PENELITIAN 3.1 Diagram Alir Penelitian Kerangka pemikiran pada penelitian ini dapat digambarkan dalam suatu bagan alir seperti pada Gambar 8. Gambar 8 Diagram Alir Penelitian Pengumpulan Data
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK [1] Meishytah Eka Aprilianti, [2] Dedi Triyanto, [3] Ilhamsyah [1] [2] [3] Jurusan Sistem Komputer, Fakultas
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN DALAM PENGHITUNGAN PERSENTASE KEBENARAN KLASIFIKASI PADA KLASIFIKASI JURUSAN SISWA DI SMA N 8 SURAKARTA
APLIKASI JARINGAN SYARAF TIRUAN DALAM PENGHITUNGAN PERSENTASE KEBENARAN KLASIFIKASI PADA KLASIFIKASI JURUSAN SISWA DI SMA N 8 SURAKARTA Pembimbing: Desi Fitria Utami M0103025 Drs. Y. S. Palgunadi, M. Sc
Lebih terperinciABSTRAK. Pemodelan Kecerdasan Buatan Untuk Pengenalan Citra Elektrokardiografi (EKG) Oleh: Imam Tazi, M.Si
1 ABSTRAK Pemodelan Kecerdasan Buatan Untuk Pengenalan Citra Elektrokardiografi (EKG) Oleh: Imam Tazi, M.Si Penelitian kecerdasan buatan untuk mengenali pola semakin banyak dilakukan dan dibutuhkan. Pada
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Suara Manusia Menurut Inung Wijayanto (2013), produksi suara manusia memerlukan tiga elemen, yaitu sumber daya, sumber suara dan pemodifikasi suara. Ini adalah dasar dari teori
Lebih terperinciSeminar Nasional Ilmu Komputer (SNIK 2016) - Semarang, 10 Oktober 2016 ISBN:
Perintah Suara Berbahasa Indonesia untuk Membuka dan Menutup Aplikasi dalam Sistem Operasi Windows Menggunakan Metode Mel Frequency Cepstrum Coefficient dan Metode Backpropagation Zakaria Ramadhan 1, Sukmawati
Lebih terperinciVibration Monitoring. Diganosa Kerusakan. Produktifitas menurun
LOGO PREDIKSI SISA UMUR PADA ROTATING MACHINERY DENGAN METODE ANFIS (ADAPTIVE NEURO-FUZZY INFERENCE SYSTEMS) Mohammad Taufan 2106100147 Dosen Pembimbing : Dr. M. Nur Yuniarto 1 Vibration Monitoring Diganosa
Lebih terperinciDETEKSI KERUSAKAN MOTOR INDUKSI DENGAN MENGGUNAKAN SINYAL SUARA
DETEKSI KERUSAKAN MOTOR INDUKSI DENGAN MENGGUNAKAN SINYAL SUARA Akbar Anggriawan 1, Feblil Huda 2 Laboratorium Konstruksi Mesin, Jurusan Teknik Mesin, Fakultas Teknik, Universitas Riau Kampus Bina Widya
Lebih terperinciPENERAPAN MODEL NEURAL NETWORK BACKPROPAGATION UNTUK PREDIKSI HARGA AYAM
PENERAPAN MODEL NEURAL NETWORK BACKPROPAGATION UNTUK PREDIKSI HARGA AYAM Nanik Susanti 1* 1 Program Studi Sistem Informasi, Fakultas Teknik, Universitas Muria Kudus Gondangmanis, PO Box 53, Bae, Kudus
Lebih terperinciANALISA KERUSAKAN CENTRIFUGAL PUMP P951E DI PT. PETROKIMIA GRESIK
Sidang Tugas Akhir - TM091486 ANALISA KERUSAKAN CENTRIFUGAL PUMP P951E DI PT. PETROKIMIA GRESIK Oleh : Farandy Afrizal Pembimbing : Dr. Muhammad Nur Yuniarto Jurusan Teknik Mesin Fakultas Teknologi Industri
Lebih terperinciDIAGNOSA KERUSAKAN MOTOR INDUKSI DENGAN SINYAL GETARAN
DIAGNOSA KERUSAKAN MOTOR INDUKSI DENGAN SINYAL GETARAN *Rizka Rosyadi 1, Achmad Widodo 2, Ismoyo Haryanto 2 1 Mahasiswa Jurusan Teknik Mesin, Fakultas Teknik, Universitas Diponegoro 2 Dosen Jurusan Teknik
Lebih terperinciSIMULASI JARINGAN SYARAF TIRUAN BERBASIS METODE BACKPROPAGATION SEBAGAI PENGENDALI KECEPATAN MOTOR DC
SIMULASI JARINGAN SYARAF TIRUAN BERBASIS METODE BACKPROPAGATION SEBAGAI PENGENDALI KECEPATAN MOTOR DC Romi Wiryadinata 1), Dwi Ana Ratnawati 2) Lab. Pemrograman Informatika Teori 1), Lab. Software MATLAB
Lebih terperinciANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
Seminar Nasional Informatika 0 ANALISIS PENAMBAHAN MOMENTUM PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian, Purwa Hasan Putra Dosen Teknik Informatika,
Lebih terperinciPENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 203-209 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD
Lebih terperinciSISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON
Jurnal Informatika Mulawarman Vol. 7 No. 3 Edisi September 2012 105 SISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON Anindita Septiarini Program Studi Ilmu Komputer FMIPA,
Lebih terperinciPENGEMBANGAN SISTEM PENGENALAN EKSPRESI WAJAH MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (STUDI KASUS PADA DATABASE MUG)
PENGEMBANGAN SISTEM PENGENALAN EKSPRESI WAJAH MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION (STUDI KASUS PADA DATABASE MUG) Zaenal Abidin Jurusan Matematika Universitas Negeri Semarang Kampus Sekaran
Lebih terperinciJARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN)
JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN) Marihot TP. Manalu Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma
Lebih terperinciDETEKSI KERUSAKAN ROTOR BAR MOTOR INDUKSI MENGGUNAKAN ANALISIS ARUS OUTPUT INVERTER BERBASIS WAVELET
SEMINAR TUGAS AKHIR JUNI 2013 DETEKSI KERUSAKAN ROTOR BAR MOTOR INDUKSI MENGGUNAKAN ANALISIS ARUS OUTPUT INVERTER BERBASIS WAVELET Oleh: Rifaldy Swasetyasakti 2209100080 Dosen Pembimbing Prof. Ir. Mochamad
Lebih terperinciPENERAPAN ALGORITMA JARINGAN SYARAF TIRUAN UNTUK PREDIKSI STATUS PERMOHONAN HUTANG DAN HARGA JAMINAN HUTANG MOTOR
PENERAPAN ALGORITMA JARINGAN SYARAF TIRUAN UNTUK PREDIKSI STATUS PERMOHONAN HUTANG DAN HARGA JAMINAN HUTANG MOTOR Angga Wahyu Wibowo Fakultas Ilmu Komputer Universitas Dian Nuswantoro Semarang, Indonesia
Lebih terperinciUniversitas Bina Nusantara
Universitas Bina Nusantara Jurusan Sistem Komputer Fakultas Ilmu Komputer Skripsi Sarjana Komputer Semester Genap tahun 2003/2004 SISTEM SORTIR MUR DAN BAUT MENGGUNAKAN JARINGAN SYARAF TIRUAN Tjhang Suwandi
Lebih terperinciSistem Pendeteksi Kepatahan Mata Bor Pada Mesin Cetak PCB Berdasarkan Analisa Getaran Spindle Menggunakan Teensy Board
A98 Sistem Pendeteksi Kepatahan Mata Bor Pada Mesin Cetak PCB Berdasarkan Analisa Getaran Spindle Menggunakan Teensy Board Putra Trimardian Asri, Muhammad Rivai, Tasripan Departemen Teknik Elektro, Fakultas
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Diagram Alir Penelitian Dalam pembahasan metode penelitian ini disuse untuk mengidentifikasikan kegagalan yang terjadi pada pompa sentrifugal terhadap sinyal vibrasi yang
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Variabel Penelitian Penelitian ini menggunakan satu definisi variabel operasional yaitu ratarata temperatur bumi periode tahun 1880 sampai dengan tahun 2012. 3.2 Jenis dan
Lebih terperinciOleh : Agus Sumarno Dosen Pembimbing : Drs. Daryono Budi Utomo, M.Si
APLIKASI WAVELET RECURRENT NEURAL NETWORK UNTUK PREDIKSI DATA TIME SERIES APPLICATION Of WAVELET RECURRENT NEURAL NETWORK FOR TIME SERIES DATA PREDICTION Oleh : Agus Sumarno 1206 100 706 Dosen Pembimbing
Lebih terperinciAplikasi yang dibuat adalah aplikasi untuk menghitung. prediksi jumlah dalam hal ini diambil studi kasus data balita
BAB III ANALISA DAN PERANCANGAN SISTEM 3.1. Analisa dan Kebutuhan Sistem Analisa sistem merupakan penjabaran deskripsi dari sistem yang akan dibangun kali ini. Sistem berfungsi untuk membantu menganalisis
Lebih terperinciPENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMENT INVARIANT DAN JARINGAN SYARAF RADIAL BASIS FUNCTION (RBF)
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Yogyakarta, 14 Mei 2011 PENGENALAN POLA TANDA TANGAN MENGGUNAKAN METODE MOMENT INVARIANT DAN JARINGAN SYARAF
Lebih terperinciNEURAL NETWORK BAB II
BAB II II. Teori Dasar II.1 Konsep Jaringan Saraf Tiruan (Artificial Neural Network) Secara biologis jaringan saraf terdiri dari neuron-neuron yang saling berhubungan. Neuron merupakan unit struktural
Lebih terperinci