PENGENALAN BENTUK DENGAN METODE N-TUPLE DAN FUZZY LOGIC

Shape Recognition atau Pengenalan Bentuk merupakan sesuatu yang penting dalam era digitalisasi informasi. Hal ini memungkinkan sistem komputer untuk mengenali beberapa bentuk. Bentuknya dapat berupa gambar atau surat tulisan tangan. Ada banyak metode dapat diterapkan untuk melakukannya diantaranya Metode tuple-N dan Metode Fuzzy Logic.

Metode tuple-N adalah salah satu pendekatan yang sederhana yang digunakan untuk system pengenalan pola yang khusus dipakai untuk mengenali bentuk. Mekanisme utama metoda Tupple-N adalah menyimpan informasi Boolean dari suatu citra pembanding. Citra masukan yang akan dikenali dibuat fungsi Booleannya dan kemudian dibandingkan dengan citra pembanding yang ada. Citra masukan akan dikenali apabila ada kesamaan fungsi Boolean dari citra masukan dengan fungsi Boolean citra pembanding. Citra masukan maupun citra pembanding berupa citra biner yang berukuran m x n pixels.

Sedangkan Metode Fuzzy Logic Terdapat beberapa jenis sistem yang dikenal yaitu Mamdani, Sugeno dan Tsukamoto. Sistem inferensi fuzzy bekerja berdasarkan kaidah-kaidah linguistik dan memiliki algoritma fuzzy yang menyediakan sebuah aproksimasi untuk analisa matematik, dalam hal ini yang dipakai adalah Inferensi Fuzzy Tsukamoto.

Proses pengujian sistem dilakukan dengan menguji masing-masing bentuk, baik huruf maupun bangun datar masing-masing sebanyak 20 citra pengujian. Tujuan dari pengujian ini adalah untuk mengetahui apakah sistem dapat mengenali bangun input sesuai dengan bangun yang diharapkan, selain itu juga untuk membandingkan total skor kemiripan antara bangun karakter huruf dan bangun datar.

Bentuk dapat dikenali oleh sistem terbatas pada huruf besar dari A ke E, dan geometri beberapa pesawat seperti persegi, lingkaran, segitiga, segi enam, dan belah ketupat. Gambar input adalah gambar biner dan diproses melalui metode tuple-N. Metode Tsukamoto digunakan untuk penelusuran fuzzy. Masukan dalam sistem fuzzy diambil dari output metode tuple-N.

Selama percobaan, sistem itu telah dilatih oleh 10 sampel data untuk setiap bentuk, dan kemudian diuji oleh 20 data untuk setiap bentuk. Dari hasil pengujian, 'E' huruf kapital dapat diakui kebenarannya hingga 100% . Di sisi lain, kebenaran untuk bentuk segi enam hanya diakui sebesar 60%.

Kesimpulan

Kesimpulan yang dapat diambil berdasarkan keseluruhan proses yang telah dikerjakan dalam perancangan sistem beserta proses pengujian dan analisisnya adalah:

1) Sistem pengenal bentuk menggunakan metode tuple-N dan fuzzy logic ini dapat digunakan untuk mengenali karakter huruf maupun untukmengenali bangun datar.

2) Bangun karakter E dapat dikenali dengan baik (100%) sedangkan pengenalan yang terburuk adalah bangun datar segienam (60%).

3) Kelemahan dari metode tuple-N adalah hilangnya peran posisi piksel dalam tuple padahal dalam kenyataannya beberapa posisi piksel sangat menentukan dalam proses klasifikasi / identifikasi sebagai contoh pnegklasifikasian atas identifikasi antara huruf E dan B karena tiap pixel sangat berpengaruh, oleh karena itu salah satu perbaikan proses identifikasi yang mungkin dilakukan adalah dengan menghitung faktor penting suatu piksel,

PENGEMBANGAN METODA SELF TUNING PARAMETER PID CONTROLLER DENGAN MENGGUNAKAN GENETIC ALGORITHM PADA PENGATURAN MOTOR INDUKSI SEBAGAI PENGGERAK MOBIL

Pada saat ini PID kontroller masih banyak digunakan di berbagai sektor industri, karena ketangguhannya untuk menghandel permasalahan yang ada di industri, tetapi terdapat satu kekurangan yaitu metode tuning. Prosedur tuning lebih banyak dilakukan secara manual dengan metode trial and error yang belum tentu benar, untuk mengatasi permasalahan tersebut dibutuhkan suatu pendekatan alternatif yang dapat mencapai suatu tingkat automasi dari proses tuning. Dalam kasus ini metode alternatif yang digunakan adalah Genetic Algorithm (GA). GA diimplementasi untuk mendapatkan kombinasi parameter P,I, dan D dari kontroler PID dalam simulasi pengaturan kecepatan motor induksi tiga fasa sehingga kecepatan motor dapat dipertahankan agar sama dengan kecepatan referensi dalam steady-state. Proses kerja GA diawali dengan inisialisasi satu rangkaian nilai random yang disebut populasi. Setiap individu di dalam populasi disebut kromosom. Sebuah kromosom dapat direpresentasikan dalam bentuk simbol-simbol string biner, floating point, integer.

Untuk menginisialisasi GA pada Tuning Controller PID, populasi awal dibentuk dari 20 individu yang diambil secara acak dengan memperhatikan batas atas dan batas bawah kromosom dimana tiap individu terdiri atas 3 kromosom bernilai real yang merepresentasikan nilai parameter kontroler PID.

Langkah awal dalam proses GA adalah mengevaluasi tiap kromosom dan memberi nilai fitness. Tiap individu dievaluasi untuk mendapatkan variabel untuk parameter-parameter kontroler PID. Setelah variabel parameter PID didapatkan, variable variable tersebut kemudian dimasukkan dalam model Simulink yang mencerminkan model sebenarnya dari sistem yang digunakan. Setelah simulasi selesai, variabel tersebut dikembalikan lagi kedalam GA agar respons simulasi dievaluasi dan individu tersebut diberi nilai fitness. Individu yang terpilih untuk generasi berikutnya ditentukan secara robabilistik berdasarkan nilai fitness individu tersebut. Dari individu yang terpilih diatas, generasi berikutnya diperoleh dari proses mutasi dan single-pointcrossover, dengan parameter Probabilitas crossover 0,8 dan Probabilitas mutasi 0,01.

Hasil dari simulasi pengaturan kecepatan motor induksi untuk berbagai macam kondisi pada torsi beban dan parameter yang berbeda menunjukkan bahwa respons kecepatan yang dihasilkan menggunakan Genetic algorithm sangatlah bagus.

Kesimpulan

Berdasarkan simulasi yang dilakukan dan hasil yang diperoleh dari penelitian ini maka dapat disimpulkan bahwa menggunakan Genetik Algoritma dalam pengembangan metoda self tuning parameter pid controller pada pengaturan motor induksi sebagai penggerak mobil listrik telah menghasilkan parameter PID secara cepat dengan hasil yang Optimal, hal ini ditandai semakin kecil nilai parameter yang dihasilkan maka akan mendapatkan respon kecepatan yang semakin baik, hal ini sudah dibuktikan dari hasil simulasi dengan Torsi beban dan parameter yang berbeda-beda.

Evaluasi Kinerja Jaringan Saraf Tiruan dalam Memprediksi Emisi NOx di Mesin Diesel

Mesin Diesel akan menjadi semakin populer karena efisiensi yang tinggi dan daya tahannya. Dengan mempertimbangkan akan efek rumah kaca serta karbondioksida (CO2) yang dihasilkan, mesin diesel lebih unggul daripada mesin biasa (bensin). Sayangnya, mesin diesel memancarkan nitrogen oksida (NOx) tingkat tinggi . Kontrol penutup pembakaran di mesin merupakan bagian sangat penting untuk mencapai peningkatan efisiensi, sementara standart emisi semakin ketat.

Pemodelan ANN menggunakan data NOx yang diperoleh dari rig-test yang dirancang dan dirakit untuk memungkinkan pengujian mesin didalam lingkungan laboratorium. Mesin yang diuji adalah mesin diesel empat silinder direct-injection. Mesin dijalankan dengan cara disedot untuk mendapatkan tekanan masuk berulang-ulang segera setelah dimulai. Kecepatan dan beban dari penelitian mesin dikontrol secara mandiri oleh dinamometer dan sistem kontrol bahan bakar. Laju aliran udara diukur dengan menggunakan aliran elemen laminar dan debit bahan bakar diukur menggunakan meteran perpindahan positif. Digital tachometer digunakan dalam pengukuran kecepatan mesin. masing-masing suhu dan tekanan Manifold diukur dengan menggunakan thermocouples dan strainbased pressure transducers. emisi gas buangan diukur dengan bantuan kantong gas (gas^TM-portabel analyzer).

Uji Emisi Mesin dilakukan pada langkah-langkah dalam 1000-5000 rpm dari 500 rpm dengan kondisi berbagai pembebanan 25%, 50%, 75% dan 100% dari beban, di mana beban 504N sesuai dengan 100%. Di antara berbagai macam pendekatan ANN yang ada, pembelajaran algoritma BP (Backpropagation) telah menjadi yang paling populer dalam aplikasi teknik, yang digunakan dalam penelitian ini. Namun, ada kesalahan yang cukup besar di tingkat NOx diperkirakan pada kondisi beban lebih rendah, yang sedikit berkurang dari waktu ke waktu. Hal ini disebabkan oleh efek termal yang tidak dipertimbangkan dalam model seperti pemanasan ruang bakar pada kondisi beban lebih rendah. Input Jaringan yang tersedia hanya berupa udara masuk dan suhu pendingin, yang keduanya lemah hanya pada saat terkait dengan suhu ruang pembakaran.

Kesimpulan

Dari hasil rangkuman diatas dapat disimpulkan model neural network mesin mampu membuat asosiasi yang sangat kompleks, nonlinier dan multidimensi antara parameter input yang dipilih dan output untuk memungkinkan tingkat akurasi yang dapat diterima dalam memprediksi torsi mesin, konsumsi bahan bakar dan NOx di kisaran penuh dari operasi mesin .

Walaupun terdapat sederet keunggulan namun, terdapat kesalahan yang cukup besar di tingkat NOx diperkirakan pada kondisi beban lebih rendah, yang sedikit berkurang dari waktu ke waktu sebagai tingkat pengukuran yang perlahan meningkat. Hal ini karena efek termal yang tidak dipertimbangkan dalam model, seperti pemanasan ruang bakaran pada kondisi beban lebih rendah.

Input Jaringan yang tersedia hanya berupa udara masuk dan suhu pendingin, yang keduanya lemah hanya pada saat terkait dengan suhu ruang pembakaran. dan terakhir permodelan ANN dengan menggunakan algoritma backpropagation (BP) sangat disarankan dalam memprediki emisi NOx di mesin diesel karena sudah terbukti menjadi alat yang sangat baik dalam uji coba tersebut.