BAB 2 LANDASAN TEORI

Transkripsi

1 BAB 2 LANDASAN TEORI 2.1 Pemrosesan Sinyal Menurut Proais et al. (1997), umumnya suatu segmen suara dapat dinyataan dengan deraat etelitian yang tinggi sebagai umlah dari beberapa sinusoida dengan amplitudo dan freuensi yang berbeda. Secara fata, salah satu cara untu menginterpretasian isi informasi atau pesan yang disampaian dengan setiap segmen watu yang pende dari sinyal suara adalah dengan menguur amplitudo, freuensi, dan fase yang terdapat dalam segmen watu sinyal yang pende Downsampling Downsampling adalah proses meredusi umlah data yang besar aibat nilai sampling rate yang besar, sehingga menghasilan data dengan tingat freuensi yang lebih rendah. Dalam eadaan pasti, downsampling tida menimbulan pengaruh merugian pada performa pembelaaran dan lasifiasi dan secara simultan meredusi watu estrasi fitur. Pemroses downsampling meredusi sampling rate sinyal oleh fator M bertipe integer. Sinyal output y(m) disebut sinyal terdownsampling dan diperoleh dengan mengambil hanya setiap nilai e-m dari sinyal input. 7

2 Transformasi Wavelet Menurut Edwards ( 1991 ), Wavelet adalah fungsi orthogonal yang dapat di apliasian pada umpulan data yang terbatas. Tida seperti transformasi Fourier, yang membagi bagi sinyal menadi bebrapa omponen freuensi, transformasi wavelet menggunaan template untu memilih bentu wave yang mirip dengan sinyal aslinya. Setiap elemen dalam wavelet diontrusi dari bentu asli yang sama yang dinamaan mother wavelet ( wavelet indu ). Dalam gabungan wavelet ( sinyal natural ), elemen elemennya merupaan replica tersala watu ( terdilatasi atau terompresi ) dan tertranslasi watu ( tergeser pada sumbu X ) dari prototype atau fungsi indu wavelet Y(t). Wavelet terbentu menggunaan filter high-pass dan low-pass. Transformasi indu dihasilan dari dilatasi dan translasi prototype fungsi bandpass. Transformasi wavelet mengizinan deomposisi e dalam umlah sinyal resolusi rendah ( freuensi rendah ) ditambah elemen detail ( resolusi tinggi ). Menurut Edwards ( 1991 ) fungsi penyaring low-pass dan high-pass adalah sebagai beriut : Low pass a = = = 1 High pass b N N = 1 c 2i ( -1) + 1 f c + 2-2i f dimana : i = variable pencacah nilai output ( 1,, N/2 )

3 9 N = umlah blo input f = nilai input c = oefisien a dan b = nilai output = variabel pencacah blo input Gambar 2.1 Ilustrasi Pohon Penyaring Low-pass dan High-pass Transformasi fourier mempunyai fungsi yang berbeda dari transformasi wavelet. Perbedaan utamanya adalah transformasi fourier memisahan atau membagi sinyal edalam bentu sinus atau cosinus, sedangan wavelet membuat template untu digunaan dalam perbandingan dengan sinyal aslinya. Trasformasi wavelet dapat dirumusan sebagai beriut : = f(x)c (a, b) - F(a, b) ( x ) dx Dimana C adalah fungsi yang dapat berbeda - beda tergantung dari aturan yang digunaan. Contoh dari oefiesien C dan gambar wave yang dihasilan dapat dilihat dari gambar beriut ini.

4 10 Gambar 2.2 Koefisien dan Grafi dari fungsi Haar (a) dan Daubechies (b) Entropi Ide teoritis informasi dari entropi adalah perluasan dari ide fisia. Terdapat banya cara untu menelasan entropi. Entropi merupaan uuran eacaan dari variabel aca. Entropi merupaan uuran dari umlah informasi variabel aca atau isi proses stoasti. Entropi uga merupaan batas bawah pada umlah pesan yang dapat diompresi. Dan ahirnya entropi merupaan nilai rata-rata pertanyaan ya atau tida yang harus diawab mengenai entitas aca untu menentuan nilainya. (Saia) Menurut Thompson, entropi ide yang lahir dari termodinamia lasi merupaan entitas uantitatif, buan ualitatif. Hal itu berarti entropi buan sesuatu yang berdasar intuisi, melainan sesuatu yang didefinisian melalui sebuah persamaan. Entropi dan metria teoritis informasi terait digunaan secara luas dalam apliasi ecerdasan buatan yang melauan permodelan stoasti seperti pengenalan ucapan, pengenalan pola, diagnosis medis, dan pemodelan finansial. (Saia)

5 Pengertian Jaringan Syaraf Manusia Jaringan Syaraf Manusia adalah gabungan sel sel syaraf manusia yang membentu suatu aringan dan mampu untu mengolah berbagai sumber informasi. Pada aringan syaraf manusia terdapat sel syaraf yang terecil yang disebut neuron. Neuron dapat menerima berbagai masuan yang emudian aan memberian respon eluaran berupa rangsangan eletri yang diterusan pada neuron yang lain. Jaringan syaraf manusia mempunyai antara sampai dengan neuron, dan setiap neuronnya mampu berisi umlah informasi, hal ini berarti ota manusia merupaan suatu gudang memori yang sangat luas. Neuron terdiri atas badan sel yang berisi inti sel, nuleus dan seumlah benang halus. Benang halus ini terdiri dari dua bagian yaitu dendrit dan ason, dendrit berfungsi sebagai pembawa pesan untu badan sel, sedangan ason berfungsi sebagai penerima dan titi pertemuan antara dendrit dan ason disebut sinapsis. Dendrites Cell Body Axon Synapse Satrio Dewanto, 2004 Gambar 2.3 Sel Syaraf Ota Manusia

6 Jaringan Syaraf Tiruan Searah Jaringan Syaraf Tiruan Jaringan Syaraf Tiruan pertama ali diperenalan oleh Warren McCulloch dan Wolter Pitts pada tahun McCulloch adalah seorang fisiawan dan ahli bedah syaraf yang masih dalam tahap pembelaaran. Sedangan Pitts adalah seorang ahli matematia yang bergabung dengan McCulloch pada tahun Dalam penelitian, merea mendesripsian logia alulus dari aringan syaraf tiruan yang menggabungan pembelaaaran psiologi neuron dan logia matematia. Model yang dihasilan adalah huum all or - none. Hasil penelitian merea emudian digunaan di University of Chicago untu urang lebih 5 tahun dari tahun Setelah hasil penelitian merea beredar luas di masyaraat, aringan syaraf tiruan mendapat banya perhatian dari berbagai alangan ilmuwan, sehingga aringan syaraf tiruan ini berembang dengan pesat dan disertai dengan diterbitannya berapa buu, salah satunya adalah Cybernatics oleh Wiener s pada tahun 1948, yang berisi tentang onsep penting untu ontrol, omuniasi, dan statisti proses sinyal. Pada tahun 1954, Minsy membuat tesis bertema aringan syaraf tiruan dengan udul Theory of Neural Analog Reinforcement Systems and Its Application to the Brain Model Problem. Perembangan aringan syaraf tiruan sempat terhenti arena sulitnya melatih aringan berlapis dan belum adanya algoritma untu membantu penyelesain masalah tersebut. Pada tahun 1950, Taylor

7 13 memperenalan associative memory yang diiuti dengan cara pembelaaran dengan matris. Setelah itu banya bermunculan metode metode lain yang digunaan dalam aringan syaraf tiruan, misalnya pada tahun 1958, Rosenblatt mempubliasian pendeatan baru untu menyelesaian masalah dalam aringan syaraf tiruan yang diberi nama Perceptron, sebuah metode dari supervised learning, emudian muncul competitive learning, Aadaptive Resonance Theory ( ART ), dll Pengertian Jaringan Syaraf Tiruan Jaringan syaraf tiruan adalah aringan yang di desain menyerupai ota manusia yang digunaan untu suatu tugas atau fungsi yang diinginan. Sebuah neuron dalam aringan syaraf tiruan memilii : dendrit ( sebagai input ), tubuh sel, dan axon ( sebagai output ). Dalam ota manusia, sebuah neuron mengolesi sinyal sinyal dari neuron lainnya melalui strutur yang disebut dendrit. Neuron mengirim ativitas eletri melalui aringan tipis dan panang yang dietahui sebagai sebuah axon, yang terbagi dalam ribuan cabang. Pada ahir dari setiap cabang, sebuah strutur sinapsis mengonversi ativitas pada neuron yang teronesi. Pembelaaran tampa oleh perubahan efetifitas sinapsis sehingga teradi perubahan pengaruh antara neuron yang satu dengan lainnya. Jaringan syaraf tiruan biasanya diimplementasian dengan menggunaan omponen eletroni atau disimulasian dengan software dalam omputer.

8 Arsitetur aringan Cara bagaimana neuron - neuron dalam neural networs terstrutur, adalah terhubung erat dengan pembelaaran algoritma menggunaan pelatihan aringan. Secara umum terdapat tiga tipe elas berbeda yang mendasari arsitetur aringan : 1. Single Layer Feedforward Networs. Dalam sebuah aringan syaraf tiruan yang berlapis, neuron neuron - nya terorganisasi edalam bentu layer atau lapisan - lapisan. Bentu yang paling sederhana dari lapisan aringan adalah aringan yang hanya mempunyai satu masuan ( input layer ) dari titi ( node ) sumber yang diterusan e sebuah lapisan eluaran ( output layer ) dari neuron-neuron, tapi tida aan teradi sebalinya. Dengan ata lain aringan ini hanya bersifat feedforward atau tipe acyclic. Contoh dari single layer feedforward networs dapat dlihat dari gambar 2.4. Dalam gambar tersebut terdapat empat buah node bai pada input maupun output, tetapi hanya ada satu eluaran dari setiap node output hanya satu. Jaringan ini tida menghitung input layer dari sumber titi, arena tida ada perhitungan yang dilauan di lapisan input tersebut.

9 15 Gambar 2.4 Feedforward or acylic networ with a single layer of neurons 2. Multilayer FeedForward Networs. Kelas edua dari umpan mau neural networs adalah adanya perbedaan ehadiran satu atau lebih lapisan yang tersembunyi ( hidden layer ), yang mana pemrosesan node - node-nya disebut dengan neuron tersembunyi atau unit yang tersembunyi. Fungsi dari

10 16 neuron - neuron yang tersembunyi adalah untu melauan interferensi pada saat antara masuan esternal dengan eluaran aringan dalam beberapa cara yang berguna. Dengan menambah satu atau lebih lapisan tersembunyi, maa aringan aan mampu mengestra perintah statisti yang lebih tinggi, hal itu dapat teradi bila uuran dari lapisan masuan uga besar. Node - node sumber dari aringan lapisan masuan menyediaan masing - masing pola elemen pengatifan ( input vector ), yang mendasari sinyal-sinyal masuan terhubung e lapisan e dua ( hiddenlayer ). Sinyal - sinyal eluaran dari lapisan e dua aan digunaan sebagai masuan untu lapisan etiga. Secara umum neuron - neuron pada setiap lapisan pada aringan mempunyai inputnya masing-masing dari lapisan yang terdahulunya yang merupaan eluarannya. Sinyal - sinyal eluaran pada neuron-neuron lapisan terahir dari sebuah aringan, mendasari eseluruhan respon dari aringan untu mengativasi pola yang disediaan oleh nodenode input pada lapisan masuan yang pertama ali. Contoh aringan multilyaer feedforward netwoor ditunuan pada gambar 2.5. Gambar tersebut disebut sebagai fully connected, hal ini ditunuan dengan terhubungnya setiap node dari setiap lapisan aringan dengan node pada lapisan beriutnya. Tetapi ia ada satu atau beberapa hubungan omuniasi hilang dari aringan, aringan ini disebut partially connected.

11 17 Gambar 2.5 Fully connected feedforward or acylic networ with on hidden layer and one output layer 3. Recurrent Networs. Merupaan sebuah neural networs yang dibedaan dengan tipe elas umpan mau dimana, pada elas etiga ini mempunyai loop umpan bali Sebagi contoh sebuah aringan recurrent boleh hanya terdiri dari sebuah lapisan neuron - neuron saa, yang setiap neuron - nya memberian umpan bali sinyal eluarannya e sinyal masuan pada seluruh neuron yang lain. Hal ini ditunuan pada gambar 2.6.

12 18 Gambar 2.6 Recurrent networ with no self feedbac loops and no hidden neurons Pada gambar 2.6. tida terdapat umpan bali yang teradi dengan sendirinya (self feedbac loop), umpan bali seperti ini hanya aan teradi pada aringan yang memilii neuron dimana sinyal eluarannya hanya diumpan bali pada masuan neuron itu sendiri dan buan diberian pada sinyal masuan neuron-neuron lainnya termasu neuron itu sendiri.

13 Karateristi Jaringan Terdapat 4 aratesisti aringan yang harus dispesifiasi untu diimplementasian pada aringan syaraf tiruan, yaitu : 1. Number and type of input Pemilihan input untu aringan syaraf tiruan mirip dengan pemilihan lasifiasi sistem. Pemilihan ini harus menduung informasi yang dibutuhan untu membuat eputusan dalam aringan. 2. Connectivity of the networ Berhubungan dengan besar aringan. Yaitu umlah lapisan yang tersembunyi dan umlah node pada setiap lapisan antara input dan output. Dalam aringan syaraf tiruan tida ada batasan seberapa besar atau ecilnya lapisan yang harus digunaan. Jia lapisan terlalu besar maa aan sulit melauan pelatihan pada aringan, sedangan ia lapisan terlalu ecil, aringan mungin tida dapat menglasifiasian semua input yang diinginan dengan aurat. 3. choice of offset Pemilihan offset harus dilauan untu setiap elemen perhitungan sebagai bagian dari prosedur pelatihan, hal ini dilauan untu mencari hubungan antara bobot dan offset 4. choice of nonlinearity Pengalaman dibutuhan untu memilih etida linier -an yang tepat. Hal ini tida terlalu penting dalam aringan, tetapi etida linier-an ini harus bersifat ontinyu dan berubah ubah agar algoritma dalam pelatihan dapat digunaan

14 Metode Jaringan Syaraf Tiruan Propagasi Bali Metode propagasi bali merupaan generalisasi dari algoritma LMS yang dapat digunaan untu melatih aringan multilayer. Propagasi bali uga merupaan pendeatan dari algoritma steepest descent dimana indes inera berupa Mean Square Error. Perbedaan antara algoritma LMS dengan propagasi bali terleta pada cara untu menghitung turunan. Pada aringan linier dengan satu lapis ( single layer ), error merupaan fungsi linier dari bobot aringan dan turunan terhadap bobot dapat dengan mudah dihitung. Pada aringan multilayer dengan fungsi ativasi non linier hubungan antara bobot dan error menadi omples, sehingga untu mendapatan turunan harus menggunaan aturan rantai.

15 21 Gambar 2.7 Arsitetur Jaringan Bacpropagation Algoritma pelatihan aringan syaraf tiruan propagasi bali adalah sebagai beriut : Inisialisasi bobot ( ambil bobot awal dengan nilai random yang cuup ecil ). Tetapan masimum epoh, target error, dan learning rate ( α ) Keraan langah - langah beriut selama ( epoh<masimum epoh ) dan ( MSE > target error ) : 1. Epoh = Epoh Untu tiap tiap pasangan elemen yang aan dilauan pelatihan, eraan : 1) Feedforward : a. Masing - masing unit input ( Xi, i = 1,2,3,...,n) menerima sinyal xi dan menerusan sinyal tersebut e semua unit pada lapisan yang ada di atasnya ( lapisan tersembunyi ). b. Masing masing unit pada suatu lapisan tersembunyi ( Z, = 1,2,3,...,p) menumlahan sinyal sinyal input berbobot z_in n = b1 + x i vi i = 1 dan gunaan fungsi ativasi untu menghitung sinyal output z f(z_in ) = emudian iriman sinyal tersebut e semua unit di lapisan atas ( unit unit output ).

16 22 Langah ini dilauan sebanya umlah lapisan tersembunyi. c. Masing masing unit output ( Y, = 1,2,3,...,m ) menumlahan sinyal sinyal input berbobot y_in p = b2 + z i w i = 1 dan gunaan fungsi ativasi untu menghitung sinyal output y f(y_in ) = 2) Bacpropagation a. Masing masing unit output ( Y, = 1,2,3,...,m ) menerima pola target yang berhubungan dengan pola input pelatihan, menghitung informasi esalahan δ = 1 (t - y )f (y_in ) emudian menghitung oresi bobot ( digunaan untu memperbaii nilai w ) Δ w =α δ z, dan menghitung oresi bias ( digunaan untu memperbaii nilai b2 ) Δ b2 = α δ Langah ini dilauan sebanya umlah lapisan tersembunyi, yaitu menghitung informasi esalahan dari suatu lapisan tersembunyi e lapisan tersembunyi sebelumnya. b. Masing masing unit tersembunyi ( Z, = 1,2,3,...,p ) menumlahan input delta ( dari unit lapisan atas )

17 23 δ _in m = δ w = 1 emudian mengalian nilai tersebut dengan turunan dari fungsi ativasi untu menghitung informasi esalahan δ = δ_in f 1 (z_in ), menghitung oresi bobot ( untu memperbaii nilai v i ) Δ v = α δ i x i, menghitung oresi bias ( untu memperbaii nilai b1 ) Δ b1 = α δ. 3) Memperbaii bobot dan bias a. Masing masing unit output ( Y, = 1,2,3,...,m ) memperbaii bias dan bobot ( = 1,2,3,...,p ) : w (baru) = w (lama) + Δw b2 (baru) = b2 (lama) + Δb2 b. Masing masing unit tersembunyi ( Z, = 1,2,3,...p) memperbaii bias dan bobot ( i = 0,1,2,...,n) : v i (baru) = v i (lama) + Δv i b1 (baru) = b1 (lama) + Δb1 Hitung MSE Kelebihan Jaringan Syaraf Tiruan Kemampuan neural networs dalam memperoleh daya omputasi yang bai dalam pendefinisisan, penglasifisian, dan pengolahan adalah hal yang nyata. Hal ini dapat dilauan arena dua sebab, yaitu : 1. Strutur yang tersebar dan terhubung pararel secara aca / massive.

18 24 2. Kemampuan untu mempelaari dan menyederhanaan-nya. Penyederhana-an yang terdapat pada neural networs adalah menghasilan eluaran atau outputs yang waar atau sesuai untu input yang tida diulang atau diberi feedbac selama pembelaaran atau training. Dalam pelatihan, neural networs tida dapat menyediaan pemecahan atau solusi dengan hanya beera sendiri, melainan membutuhan suatu pendeatan sistem engineering ( rancang bangun ) yang terpadu secara onsisten. Dimana bila diberian suatu permasalahan sulit yang diehendai, maa secara spesifi aan disusun ulang menadi permasalahan - permasalahan yang relatif mudah, dan neural networs aan ditugasan, yang mana sebuah subset ( strutur ) tertentu aan mengeraan permasalahan sesuai dengan emampuannya. Kelebihan Jaringan Syaraf Tiruan : 1. Nonlinearity. Neurons tiruan dapat berbentu linear atau nonlinear. Dan neural networs merupaan nonlinearity saat melauan hubungan nonlinear antara neuron - neuron, terlebih merupaan bentu husus yang disebaran dalam aringan, nonlinearity merupaan bentu yang teramat penting dimana pada saat tertentu mendasari meanisme fisi yang bertanggung awab untu penyederhanaan sinyal input nonliniear yang tida dapat dipisahan. 2. Input-Output Mapping.

19 25 Merupaan sebuah paradigma pembelaaran yang disebut supervised learning, dimana melibatan modifiasi dari beban synaptic aringan syaraf tiruan dengan menerapan seperangat contoh pelatihan yang telah dinamai. Sinyal input yang diambil oleh neural networs dari perangat adalah aca, dimana beban synaptic ( parameter bebas ) dimodifiasi agar dapat menghasilan eadaan yang stabil dimana tida teradi lagi perubahan yang signifian. Perancangan input - output mapping merupaan salah satu pendeatan untu menangani permasalahan yang datang, seperti nonparamertic statistical inference, yang merupaan pendeatan yang membutuhan atau mensyaratan pendugaan secara seehendanya pada batasan-batasan etentuan pada ruang sinyal input, untu penglasifiasian pola contoh atau tugas yang menggunaan seperangat contoh tanpa menimbulan sebuah emunginan dari model yang tersebar atau terdistribusi. 3. Adaptivity. Merupaan emampuan neural networs untu mengubah beban synaptic terhadap perubahan yang teradi pada eadaan seitarnya. Neural Networs dapat beradaptasi untu penglasifiasian pola, pengolahan sinyal, dan pengaturan apliasiapliasi, dimana beban synaptic dapat diatur secara realtime bila beera pada nonstationary environment. Dimana dimunginan bahwa semain adaptive sebuah system, dengan meyainan setiap watu sistem aan beera stabil, maa aan semain sempurna e-

20 26 efetifan atau performansi suatu sistem bila beera pada nonstationary environment. Sebagai contoh eunggulan adaptive, adalah sebuah sistem harus merespon cuup auh mengabaian gangguan palsu dan merespon secara singat perubahan-perubahan yang berarti pada eadaan yang seitarnya. 4. Evidential Response. Pada penelasan penglasifiasian pola sebuah neural networs dapat dibentu untu menghasilan informasi yang tida hanya pada pola tertentu saa yang dipilih, tetapi uga mengenai bagaimana eputusan atau etentuan dibuat. Dimana informasi tersebut selanutnya digunaan untu menola pola yang tida waar, sehingga memperbaii performansi suatu sistem neural networs. 5. Contextual Information. Pengetahuan dihasilan oleh strutur dan eadaan atif dari sebuah neural networs. Setiap neuron dipengaruhi secara global oleh neuron - neuron lainnya pada aringan, onseuensinya contextual information selalu berhadapan secara alami dengan neural networs. 6. Fault Tolerance. Sebuah neural networs diterapan pada bentu hardware, dimana secara potensial aan memilii toleransi esalahan yang sulit dipisahan. Dimana mempunyai prinsip, melauan penurunan performansi secepatnya daripada menunggu atau beroperasi sampai teradinya esalahan yang sangat besar. 7. VLSI Implementability.

21 27 Pararel aca yang alami dari sebuah neural networs mempunyai emampuan potensial yang cepat untu mengeraan permasalahan - permasalahan tertentu, dan seuai untu penerapan pada tenologi VLSI ( Very Large Scale Integrated), untu penangapan sifat yang rumit pada pertunuan yang sangat hiraris. 8. Uniform of Analysis and Design. Neuron - neuron dalam satu bentu atau berbeda aan mewailan sifat sifat yang umum terdapat pada semua neural networs. Sifat yang umum tersebut memunginan untu saling berbagi teori dan algoritma pembelaaran dalam apliasi-apliasi neural networs yang berbeda. 9. Neurobiological Analogy. Pembuatan neural networs dimotivasi oleh cara era ota manusia. Neurobiologist melihat neural networs sebagai alat penelitian untu menggambaran fenomena neurobiologcal. Sedangan para engineers melihat neurobiology sebagai ide-ide baru untu menyelesaian masalah-masalah yang lebih rumit dibandingan dengan teni onvensional yang menggunaan abel Hal Yang Perlu Diperhatian Dalam Jaringan Syaraf Tiruan Dalam pelatihan aringan syaraf tiruan, terdapat beberapa hal yang pelu diperhatian, yaitu: 1. Jaringan syaraf tiruan memilii emunginan untu gagal dalam mendapatan solusi yang memuasan terhadap suatu masalah.

22 28 Mungin ini disebaban tida adanya fungsi yang dapat dipelaari atau umlah data yang tida mencuupi. 2. Jaringan syaraf tiruan tida dapat menelasan awaban yang dieluarannya. Dalam satu hal, awaban terhadap suatu masalah bergantung pada ribuan proses perhitungan yang melibatan pola input dan bobot-bobot sambungan. Melihat bagaimana bobot-bobot tersebut menadi penyebab suatu solusi aan lebih rumit daripada melihat bagaimana suatu program omputer beera. Di lain hal, nilai bobot - bobot itu sendiri merupaan hasil dari prosedur mesin-belaar ( machine-learning ) yang rumit dan susah untu dielasan. 3. Melatih aringan syaraf tiruan bisa lambat dan mahal. Hal ini menyangut biaya yang dieluaran untu eperluan mengumpulan, menganalisis, dan memanipulasi data serta biaya esperimen - esperimen terhadap parameter-parameter yang dilauan untu mendapatan nilai - nilai parameter yang dilauan untu mendapatan nilai - nilai parameter yang bai. Salah satu cara untu mempercepat proses latihan aringan syaraf tiruan adalah mengombinasiannya dengan perangat eras paralel yang dapat menalanan esperimen dengan cepat. 4. Kecepatan proses perhitungan aringan syaraf tiruan aan bertambah lambat bersamaan dengan bertambahnya umlah simpul-simpul dalam aringan syaraf tiruan. Hal ini teradi arena watu eseusi secara langsung bergantung pada umlah simpul-simpul dalam aringan syaraf tiruan.

23 Motor Stepper Stepper motor adalah salah satu tipe motor yang sangat popular digunaan sebagai penggera atau pemutar peralatan industri. Prinsip era stepper motor ini mirip dengan DC motor, yaitu sama-sama dicatu dengan tegangan DC untu memperoleh medan magnet. Bila DC motor memilii magnet tetap pada stator, stepper motor mempunyai magnet tetap pada rotor. Suatu stepper motor biasanya cuup dinyataan dengan spesifiasi : berapa phasa, berapa deraat perstep, berapa volt tegangan catu untu tiap lilitan dan berapa ampere atau miliampere arus yang dibutuhan untu tiap lilitan. Motor stepper bergera secara per step sesuai dengan spesifiasinya, dan bergera dari satu step e step beriutnya memerluan watu. Motor stepper uga memilii arateristi yang lain yaitu holding torque, yang tida dimilii oleh motor DC. Holding torque memunginan motor stepper dapat menahan posisinya etia tida berputar. Hal ini sangat berguna untu apliasi dimana suatu system memerluan eadaan start dan stop. Motor stepper mempunyai beberapa lilitan dimana lilitan - lilitan tersebut harus dicatu ( tegangan ) dahulu dengan suatu urutan tertentu agar dapat berotasi. Membali urutan pemberian tegangan tersebut aan menyebaban putaran motor stepper yang berbali arah. Jia sinyal ontrol tida teririm sesuai dengan perintah maa motor stepper tida aan berputar secara tepat, mungin hanya aan bergetar dan tida bergera. Untu mengontrol motor stepper biasanya ita

24 30 menggunaan suatu rangaian driver yang menangani ebutuhan arus dan tegangan. Menurut Alfian ( 2005 ), arateristi dari motor stepper adalah sebagai beriut: Voltage Tiap motor stepper mempunyai tegangan rata - rata yang biasanya tertulis pada tiap unitnya atau tercantum pada datasheet masing - masing motor stepper. Tegangan rata - rata ini harus diperhatian dengan sesama arena bila melebihi dari tegangan rata - rata ini aan menimbulan panas yang terlalu besar pada motor stepper yang menyebaban inera putarannya tida masimal atau bahan motor stepper aan rusa dengan sendirinya Resistance Resistance per winding adalah arateristi yang lain dari motor stepper. Resistance ini aan menentuan arus yang mengalir, selain itu uga aan mempengaruhi torsi dan ecepatan masimum dari motor stepper. Degrees per step Deraat per step adalah fator terpenting dalam pemilihan motor stepper sesuai dengan apliasinya. Tiap - tiap motor stepper mempunyai spesifiasi masing - masing, antara lain: per step, 1.80 per step, 3.60 per step, 7.50 per step, 150 per step, dan bahan ada yang 900 per step.