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

Published : 5 Documents
Articles

Found 5 Documents
Search

IMPLEMENTASI TEKNOLOGI FIELD PROGRAMMABLE GATE ARRAY (FPGA) PADA ALAT IDENTIFIKASI ODOR Sari, Dini Fakta; Rivai, Muhammad; Mujiono, Totok; Tasprian, Tasprian
Seminar Nasional Informatika (SEMNASIF) Vol 1, No 2 (2010): Instrumentational And Robotic
Publisher : Jurusan Teknik Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Alat identifikasi odor merupakan peralatan yang dirancang untuk mengganti fungsi serta mengatasi keterbatasan sistem penciuman manusia. Alat identifikasi odor dapat diaplikasikan untuk pengawasan mutu produk makanan, minuman, dan industri kosmetik. Pada penelitian ini digunakan sampel odor yaitu bensin, minyak tanah, alkohol dan melon. Alat ini menggunakan deret sensor resonator kuarsa yang dilapisi oleh polymer yang berbeda-beda yaitu cellulose, dicyanoallylsilicone (OV-275), dan polyethylene glycol ester (PEG- 1540). Setiap sensor resonator akan menghasilkan perubahan frekuensi yang berbeda sebagai akibat adanya molekul odor yang terserap dipermukaannya. Data yang diperoleh dari deret sensor resonator kuarsa diaplikasikan pada perangkat FPGA Spartan 3E dengan Very High Speed Integrated Circuit Hardware Description Language (VHDL) sebagai bahasa pemrogramannya pada perangkat lunak Xilinx ISE Webpack 8.2i. Perangkat FPGA ini menangani pengukuran frekuensi (counter) secara pararel, latch, encoder, dan komunikasi serial. Artificial neural network merupakan representasi buatan dari otak manusia yang dapat diimplementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran. Artificial neural network yang digunakan dalam penelitian ini dengan model Multi Layer Perceptron (MLP) dengan metode pelatihan Back Propagation (BP) yang merupakan bentuk topologi dari supervised artificial neural network yang dalam proses pelatihannya memerlukan pengawasan. Tingkat akurasi pembelajaran untuk mengklasifikasi melon pada 5000 epoch dengan 1 neuron pada lapisan tersembunyi sebesar 24,74%, dengan 5 neuron pada lapisan tersembunyi sebesar 98,36% dan dengan 10 neuron pada lapisan tersembunyi sebesar 99,48%. Tingkat akurasi pada saat pengujian sebesar 100%.
PENINGKATAN TARAF IDENTIFIKASI JENIS GAS DI UDARA TERBUKA MENGGUNAKAN TRANSFORMASI FOURIER DAN PRINCIPAL COMPONENT ANALYSIS Rivai, Muhammad; ., Tasripan; Mujiono, Totok
Kursor Vol 6, No 2 (2011)
Publisher : University of Trunojoyo Madura

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

PENINGKATAN TARAF IDENTIFIKASI JENIS GAS DI UDARA TERBUKA MENGGUNAKAN TRANSFORMASI FOURIER DAN PRINCIPAL COMPONENT ANALYSIS aMuhammad Rivai, bTasripan, cTotok Mujiono a,b,c Laboratorium Elektronika Industri, Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember Surabaya 60111 E-Mail: amuhammad_rivai@ee.its.ac.id Abstrak Klasifikasi jenis gas di udara terbuka diperlukan di berbagai bidang aplikasi seperti pendeteksian kebakaran, monitoring lingkungan dan lainnya. Hal ini memerlukan teknik pengklasifikasian yang handal dikarenakan adanya konsentrasi gas yang berubah secara dinamis. Sebuah deret sensor gas yang dikombinasikan dengan algoritma pengenal pola Neural Networks telah lama digunakan untuk mengatasi hal ini. Makalah ini melaporkan sebuah metode yang handal untuk klasifikasi jenis gas di udara terbuka. Pada penelitian ini, metode yang digunakan adalah metode Fast Fourier Transform (FFT) untuk analisa spektrum frekuensi dan metode Principal Component Analysis (PCA) untuk ekstraksi data sebagai metode preprocessing untuk Propagasi balik Neural Networks. Sebuah deret sensor terdiri dari tiga tipe sensor gas semikonduktor yang berbeda dan menghasilkan sebuah pola yang khas untuk setiap jenis gas pada domain waktu. Beberapa gas digunakan untuk mengevaluasi unjuk kerja dari klasifikasinya. Hasil percobaan menunjukkan bahwa taraf klasifikasi dari Neural Networks yang dihasilkan lebih tinggi daripada sistem klasifikasi tanpa menggunakan preprocessing walaupun konsentrasi gas berubah pada kondisi yang bervariasi. Kata kunci: Deret Sensor, Spektrum Frekuensi, Principal Component Analysis, Neural Networks. Abstract Classification of gases in open field is of great interest in many applications such as fire detection, environmental monitoring, etc. They all require reliable classification techniques due to dynamical change of gas concentration. A gas sensor array combined with Neural Networks pattern recognition algorithm has been traditionally used to address these issues. This paper reports a robust method for gas classification in the ambient air. In this research, we employ Fast Fourier Transform (FFT) method for frequency spectrum analysis and Principal Component Analysis (PCA) method for data extraction as preprocessing methods for a Back Propagation Neural Networks. A sensor array consists of three different types of semiconductor gas sensors producing a unique pattern for each gas in time domain. Several gases were introduced to evaluate the classification performance. The experiment result showed that classification rate of the Neural Networks with FFT and PCA methods as preprocessing was higher than that of the system without preprocessing even if the gas concentration changed into various conditions. Key words: Sensor Array, Frequency Spectrum, Principal Component Analysis, Neural Networks
OTOMATISASI PEMBERIAN PAKAN AYAM PETELOR BERBASIS FUZZY LOGIC Setyadjit, Kukuh; Mujiono, Totok; P., Mauridhi Hery
Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2007
Publisher : Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Logika Fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input ke dalam ruang output.Dalam makalah ini membahas pemberian pakan yang diatur dengan logika fuzzy. Suatu peternakan ayampetelor jenis strain logman bisa menghemat biaya pakan, dengan mengatur ransum pakannya dan jikapermintaan telor kebutuhan sedikit atau banyak maka produksi telor bisa dikendalikan.Logika fuzzy berfungsi untuk mengolah data-data penentuan komposisi makanan ayam petelor jenisstrain logman berdasarkan jumlah protein dalam satuan persen, jumlah energi gizi dalam satuan kilo kalori perkilogram serta lamanya perjalanan ayam bertelor dalam satuan jam. Dengan menggunakan sensor berat/loadcell diharapkan bisa menentukan untuk penimbangan yang lebih akurat dan dikendalikan oleh mikrokontrolerAT89C51.Hasil percobaan dan hasil analisa dengan memakai sensor berat/load Cell yang dilkonversikan keADC0808 dari berat dalam satuan gram ke tegangan dalam satuan millivolt, didapatkan pengukuran 100gram pakanmengandung protein 17 persen pada tegangan 256 millivolt. Untuk hasil pengendalian dengan logika fuzzydigambarkan dengan fungsi keanggotaan/membership function, untuk mendapatkan keputusan yang tepat.Kata kunci: Fuzzy, Otomatisasi, Mikrokontroller
IMPLEMENTASI PERFECT RECONSTRUCTION FILTER BANK UNTUK STRUKTUR MULTIRATE DENGAN FILTER FIR DIRECT FORM PADA FPGA Zaini, Ahmad; Wirawan, Wirawan; Mujiono, Totok
Seminar Nasional Aplikasi Teknologi Informasi (SNATI) 2009
Publisher : Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Islam Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Perfect reconstruction filter bank (PRFB) adalah bagian dari struktur multirate yang dapat mereduksisinyal aliasing dari filter decimator. PRFB dapat menyajikan hasil rekonstruksi sinyal digital lebih baik yaitumendekati 0%.. Perfect reconstruction filter bank struktur dyadic dua kanal adalah struktur sederhana dariPRFB untuk struktur multirate. Pada penelitian ini fokus penelitian yang dilakukan adalah simulasi PRFBuntuk struktur multirate dengan filter FIR direct form yang diimplementasikan pada FPGA (FieldPragrammable Gate Array). FPGA sebagai perangkat yang memiliki sumberdaya logic gate terprogram,memungkinkan untuk implementasi perancangan PRFB untuk struktur multirate, karena sekarang sumberdayayang disediakan FPGA semakin banyak seiring dengan perkembangam teknologi perancangan IC. Adapun datapengujian yang diujikan adalah data citra 2D grayscale. Hasil yang diperoleh adalah error rekonstruksi nilaipixel citra grayscale 2D yang berkisar antara 0,2% hingga 0,6%.Kata Kunci: Multirate, Perfect Reconstruction, Filter Bank, FIR, FPGA, Direct form
IMPLEMENTASI ARTIFICIAL NEURAL NETWORK PADA FIELD PROGRAMMABLE GATE ARRAY (FPGA) DALAM SISTEM IDENTIFIKASI ODOR Sari, Dini Fakta; Rivai, Muhammad; Mujiono, Totok
Jurnal Teknologi Informasi RESPATI Vol 10, No 28 (2015)
Publisher : Universitas Respati Yogyakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (599.625 KB) | DOI: 10.35842/jtir.v10i28.139

Abstract

ABSTRAKPenggunaan Field Programmable Gate Array (FPGA) untuk implementasi artificial neural network memberikan fleksibilitas dalam sistem pemrograman. Implementasi digital pada artificial neural network menggunakan FPGA dan menggunakan fungsi aktivasi nonlinier. VHDL digunakan untuk mengimplementasikan artificial neural network pada FPGA Xilinx XC3S500E-FG320 dengan perangkat lunak Xilinx ISE Webpack 8.2i. Kecepatan operasi FPGA Xilinx XC3S500E-FG320 dapat ditingkatkan dengan menggunakan metode lookup table (LUT). Jumlah LUT yang digunakan untuk perancangan artificial neural network dengan 3 neuron pada lapisan input, 4 neuron pada lapisan output dengan 1 neuron pada lapisan tersembunyi adalah sebesar 1407 LUT, untuk 5 neuron pada lapisan tersembunyi sebesar 4549 LUT, untuk 10 neuron pada lapisan tersembunyi sebesar 6378 LUT dan untuk 15 neuron pada lapisan tersembunyi sebesar 10084 LUT. Sistem dentifikasi odor, dilengkapi dengan sensor resonator kuarsa, pengkondisi sinyal, FPGA dan display. Model Multi Layer Perceptron (MLP) dengan metode pembelajaran Back Propagation (BP) yang digunakan untuk klasifikasi odor. Artificial neural network terdiri dari 3 neuron pada lapisan input, 10 neuron pada lapisan tersembunyi dan 4 neuron pada lapisan output yang diimplementasikan pada FPGA. Tingkat keberhasilan artificial neural network untuk identifikasi amoniak sebesar 93%, untuk pertamax sebesar 90%, untuk alkohol sebesar 92% dan untuk minyak tanah sebesar 85%.Kata kunci : Odor, sistem identifikasi odor, Artificial neural network, dan FPGA.