Vol .

X Nomor 28 Maret - Jurnal Teknologi Informasi ISSN : 1907-2430

IMPLEMENTASI ARTIFICIAL NEURAL NETWORK

PADA FIELD PROGRAMMABLE GATE ARRAY (FPGA)
DALAM SISTEM IDENTIFIKASI ODOR

Dini Fakta Sari1,2, Muhammad Rivai1, Totok Mujiono1

1
Program Pascasarjana,Jurusan Teknik Elektro, ITS, Surabaya
1
Alamat : Kampus ITS, Keputih, Surabaya 60111
2
Jurusan Teknik Informatika, STMIK AKAKOM, Yogjakarta
2
Alamat : Jl. Raya Janti 143, Karang Jambe, Yogyakarta 55198
e-mail : dini@akakom.ac.id

ABSTRAK
Penggunaan 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.

A. PENDAHULUAN al, 2004). Beberapa biochemical sensor yang

Odor atau malodor ditujukan kepada bau sering digunakan adalah sensor
yang menyengat. Odor tidak tergantung pada semikonduktor, sensor resonator kuarsa dan
penglihatan, pendengaran dan sentuhan polimer. Penggunaan sensor resonator kuarsa
(Peter Schulze Lammers, et al, 2004). Hidung dalam mendeteksi odor dengan cara
elektronik merupakan peralatan yang menghitung besar penurunan frekuensi
dirancang untuk mengganti fungsi biologi resonator kristal yang sebanding dengan
sistem penciuman, sehingga dapat mengatasi konsentrasi odor dan sistem sensor sehingga
kekurangan sistem penciuman manusia (Sari akan mengasilkan pola yang berbeda untuk
Dini Fakta, dkk, 2010). tiap jenis odor pelarut yang dideteksinya. Hal
Biochemical sensor adalah perangkat ini diakibatkan adanya koefisien partisi yang
yang mengkonversi molekul kimia menjadi berbeda antara tiap elemen sensor terhadap
sinyal elektronik (Peter Schulze Lammers, et uap yang dideteksinya (Rivai Muhammad,
dkk, 2006).

1
Vol . X Nomor 28 Maret - Jurnal Teknologi Informasi ISSN : 1907-2430

Artificial Neural Network adalah penambahan beban yang akan

paradigma pemrosesan informasi yang mengakibatkan terjadinya penurunan
terinspirasi dengan cara biologi pada sistem resonansi frekuensi dari frekuensi awal.
saraf, seperti otak. Ilmuwan mencoba untuk Penurunan frekuensi resonator ini akan
meniru otak dengan kemampuan artificial menghilang dan kembali pada frekuensi
neural network. Algoritma Back propagation semula bila molekul gas telah lepas dari
paling banyak digunakan untuk algoritma membran (deabsorbsi). Fenomena ini
pelatihan multi-layered feedforward neuron dinamakan efek pembebanan massa (mass-
networks Standar back propagation loading effect).
membutuhkan waktu untuk menyesuaikan
dengan bobot antara unit-unit dalam jaringan
untuk meminimalkan Mean Square Errors
(MSE) antara output yang diinginkan dan
output yang sebenarnya (Medhat Moussa. et
al, 2006).
Gambar 2.1. Bentuk-Bentuk Elektroda
Desain FPGA lebih cepat dan dapat Sensor Resonator Kuarsa
didesain ulang tanpa merubah rancangan
perangkat keras, dibandingkan dengan ASIC 2.2. Artificial Neural Network
yang butuh waktu lebih lama dalam Artificial Neural Network (ANN)
mendisain ulang. Keuntungan menggunakan digunakan di berbagai bidang pengenalan
FPGA adalah memungkinkan pola, pengolahan gambar dan diagnostic
mengimplementasikan jaringan logika yang medis. Artificial Neural Networks dapat
sangat kompleks pada chip tunggal tanpa diimplementasikan dengan menggunakan
harus mendesain dan proses fabrikasi yang sistem digital. Implementasi menggunakan
mahal dan menghabiskan waktu. sistem digital memiliki keuntungan yakni :
Implementasi FPGA begitu murah tingkat akurasi yang tinggi, sensitivitas
dibandingkan ASIC yang lain yang harus terhadap noise rendah, dan fleksibilitas yang
dalam jumlah banyak (Misbah, 2009). lebih tinggi.

Pelatihan ANN Multi Layer Perceptron

B. TINJAUAN PUSTAKA
meliputi 3 tahap. Tahap pertama adalah
2.1. Resonator Kuarsa
tahap maju, dimana pola masukan dihitung
Resonator kuarsa merupakan bahan
maju mulai dari lapis masukan hingga lapis
piezoelektrik. Resonator kuarsa yang dilapisi
keluaran menggunakan fungsi aktivasi yang
dengan membrane yang sensitive terhadap
ditentukan. Tahap kedua adalah tahap
gas dapat digunakan sebagai sensor kimiawi.
mundur, yaitu selisih antara keluaran jaring
Molekul gas yang terabsorbsi dalam
dengan target yang diinginkan merupakan
membran sensitif, akan memberikan
kesalahan yang terjadi. Kesalahan tersebut

2
Vol . X Nomor 28 Maret - Jurnal Teknologi Informasi ISSN : 1907-2430

dipropagasikan mundur, dimulai dari garis 6. Hitung semua keluaran jaring di semua
yang berhubungan langsung dengan unit-unit unit yk (k=1,2,..,m)
di lapis keluaran. Tahap ketiga adalah p
y _ net k  w0 k   z j .w jk ..........(2.3)
modifikasi bobot untuk menurunkan j 1

kesalahan yang terjadi. e y _ net  e  y _ net ……..(2.4)

y k  f 2 ( y _ net k ) 
e y _ net  e  y _ net

Tahap kedua : propagasi mundur

7. Hitung faktor δ unit keluaran
berdasarkan kesalahan di setiap unit
keluaran yk (k=1,2,...,m)
Gambar 2.2. Arsitektur ANN-MLP Dengan i  k  (tk  yk ) f ' ( y _ netk )  (tk  yk ). yk .(1  yk ) ..(2.5)
Buah Masukan yang Ditambah Sebuah Bias,
Sebuah Lapis Tersembunyi yang Terdiri δk merupakan unit kesalahan yang akan
Dari j Unit yang Ditambah Sebuah Bias dipakai dalam perubahan bobot lapis
Serta k Buah Unit Keluaran
dibawahnya (langkah 8)
Algoritma pelatihan untuk Hitung suku perubahan bobot wjk (yang
jaring dengan satu lapis tersembunyi akan dipakai nanti untuk merubah bobot
(Misbah, 2009) menggunakan fungsi aktivasi wjk ) dengan laju percepatan.
tansig adalah sebagai berikut : w jk   k z j ;
1. Inisialisasi semua bobot dengan
k=1,2,…,m;
bilangan acak kecil
j=0,1,…,p …............………...(2.6)
2. Jika kondisi penghentian belum
8. Hitung faktor δ unit tersembunyi
terpenuhi, lakukan langkah 3-9.
berdasarkan kesalahan di setiap unit
3. Untuk setiap pasang data
tersembunyi zj (j=1,2,…,p)
pelatihan, lakukan langkah 4-9. m
 _ net j    k .w jk …....……(2.7)
k 1
Tahap pertama : propagasi maju
Faktor δ unit tersembunyi :
4. Tiap unit masukan menerima sinyal dan
 j   _ net j f '( z _ net j )   _ net j z j (1  z j ) …..(2.8)
meneruskannya ke unit tersembunyi
diatasnya. Hitung suku perubahan bobot vji (yang

5. Hitung semua keluaran di unit akan dipakai nanti untuk merubah bobot

tersembunyi zj (j=1,2,..p) vji)

n vij   j xi ;
z _ net j  v0 j   xi vij …………. (2.1) j=1,2,…,p;
i 1
i=0,1,…,n …….(2.9)
e z _ net  e  z _ net
z j  f1 ( z _ net j )  ….. (2.2)
e z _ net  e  z _ net Tahap ketiga : perubahan bobot
9. Hitung semua perubahan bobot

3
Vol . X Nomor 28 Maret - Jurnal Teknologi Informasi ISSN : 1907-2430

Perubahan bobot garis yang menuju ke Spartan 3E merupakan salah satu

unit keluaran : keluarga FPGA yang diproduksi oleh Xilinx.
w jk (baru)  w jk (lama)  w jk Keluarga Spartan 3E memiliki gerbang
100000 sampai dengan 1600000 gerbang. IC
(k=1,2,…,m;
Xilinx ini dapat diprogram dan dihapus
j=0,1,…,p) .......................(2.10)
dengan waktu yang tidak terbatas, dengan
Perubahan bobot garis yang menuju ke
pemrogramannya menggunakan Xilinx
unit tersembunyi :
Development System. Berikut gambaran
vij (baru)  vij (lama)  vij
mengenai data-data yang termasuk dalam
(j=1,2,…,p ; i=0,1,…,n) ...... (2.11)
kategori keluarga Spartan 3E yang
Setelah pelatihan selesai dilakukan,
ditunjukan pada Tabel 2.2. Data keluarga
jaring dapat dipakai untuk pengenalan pola.
Spartan 3E.
Dalam hal ini, hanya propagasi maju
Spartan-3E starter kit board
(langkah 5 dan 6) saja yang dipakai untuk
memakai chip XC3S500E-FG320 dengan
menentukan keluaran ANN.
bentuk board dapat dilihat pada Gambar 2.3.
Modul tipe ini dilengkapi dengan LCD
2.3. Field Programmable Gates Array
(FPGA) display, 16 x 2 karakter, Platform Flash
FPGA secara tradisional digunakan untuk
configuration PROM, PS/2 mouse or
hardware prototyping desainer.
keyboard port, VGA, Ethernet PHY (requires
Implementasi Very-large-scale integration
Ethernet MAC in FPGA), RS-232, 50 MHz
(VLSI) untuk ANN memberikan kecepatan
clock oscillator, dan lainnya.
tinggi dalam aplikasi real-time. VLSI
memiliki kekurangan yakni tidak fleksibel
dalam merubah struktur dan mahal.
Dibandingkan dengan FPGA yang telah
mengalami peningkatan selama bertahun-
tahun, sehingga telah digunakan dalam Gambar 2.3. Spartan-3E Starter
Kit Board
proses komputasi untuk konfigurasi ulang.
Sumber : www.xilinx.com
FPGA terdiri dari tiga blok dasar yaitu
configurable logic blocks, in-out blocks dan C. METODOLOGI
connection blocks. Configurable logic blocks Alat identifikasi odor secara
melakukan fungsi logika. Connection blocks keseluruhan dapat dilihat pada Gambar 3.1
menghubungkan logika dengan in-out blocks. yang secara umum terdiri dari sensor
Proses routing secara efektif mengubungkan resonator kuarsa, signal conditioning, FPGA
beberapa blok logika yang terletak pada jarak dan display. Sensor resonator kuarsa yang
yang berbeda (Suhap Sahin, et.al, 2006). digunakan ada 3 buah, masing-masing sensor
dihubungkan ke rangkaian osilator dan

4
Vol . X Nomor 28 Maret - Jurnal Teknologi Informasi ISSN : 1907-2430

mixer. Frekuensi yang keluar dari rangkaian sensor ditampilkan pada komputer. Proses
mixer akan menjadi data masukan ke FPGA. pembelajaran dari artificial neural network
Pada FPGA terdapat beberapa proses yang dengan model Multi Layer Perceptron
terdiri dari frekuensi counter, pewaktu 1 dengan metode pelatihan Back Propagation
detik, latch, multiplexer, program untuk dilakukan di komputer sedangkan proses
serial interface, program pengujian artificial pengujian artificial neural network dilakukan
neural network dan program untuk LCD. di FPGA yang hasilnya akan ditampilkan
Pembacaan frekuensi untuk masing-masing pada LCD yang terdapat pada board FPGA.

Sensor dan Signal Conditioning FPGA Base Process Display

Resonator Kuarsa

oscillator mixer Frequency

Counter
Program
Serial
oscillator mixer
Frequency
Serial Komputer
ODOR Counter interface
Interface

oscillator mixer Frequency Mux

Counter
oscillator

Pewaktu 1 detik
Artificial neural LCD
Program LCD
network

20MHz

Gambar 3.1. Perancangan Sistem Alat Identifikasi Odor

Gambar 3.2. Sistem Alat

Identifikasi Odor Dengan Implementasi
ANN Pada FPGA

Sistem alat identifikasi odor

dengan implementasi ANN pada FPGA
realisasinya dapat dilihat pada Gambar 3.2,
terdiri dari sensor resonator kuarsa, rangkaian
osilator dan mixer, dan FPGA Spartan 3E.

5
Vol . X Nomor 28 Maret - Jurnal Teknologi Informasi ISSN : 1907-2430

Artificial Neural Network

Proses Pembelajaran
Artificial Neural Network
 Z1

 y1
 Z2
X1

Odor
 Z3  y2
Pre
ODOR sensing processing
Normalisasi X2 Bobot-Bobot
 Z4
 y3
Pembelajaran

X3

 y4

 Zn

Lapisan input Lapisan tersembunyi Lapisan output

Memperbaharui Bobot Pembelajaran

Artificial Neural Network
Proses Pengujian
Artificial Neural Network
 Z1

 y1
 Z2
X1

Odor
 Z3  y2
Pre
ODOR sensing processing
X2 Hasil
 Z4
 y3
Klasifikasi
Odor
X3

 y4

 Zn

Lapisan input Lapisan tersembunyi Lapisan output

Gambar 3.3. Perancangan Perangkat Lunak Implementasi Artificial Neural Network

Perancangan ANN model Multi pembelajaran. Bobot-bobot akan terus

Layer Perceptron dapat dilihat pada Gambar diperbaharui sampai epoch yang ditentukan.
3.3. Proses ANN model Multi Layer Bobot-bobot yang didapatkan pada proses
Perceptron dibagi menjadi dua proses yaitu pembelajaran akan dipergunakan pada
proses pembelajaran dan proses pengujian. komputasi proses pengujian artificial neural
Pada saat odor dideteksi oleh odor sensing network sehingga didapatkan hasil klasifikasi
maka frekuensi yang dihasilkan akan odor.
diproses terlebih dahulu pada langkah pre Pada perencanaan perangkat lunak,
processing yang terdiri dari osilator dan dilakukan pembuatan kode VHDL untuk
mixer dengan input dari frekuensi sensor dan masing-masing blok diagram yang kemudian
frekuensi dari kristal 20MHz, frekuensi yang dibuat suatu model skema rangkaian untuk
dihasilkan kemudian dinormalisasi untuk dihubungkan blok satu dengan yang lain
mengurangi variasi pola, akibat adanya sehingga membentuk rangkaian sistem
variasi konsentrasi odor. Data yang secara keseluruhan. Prosedur desain
dihasilkan dari proses normalisasi akan pembuatan kode VHDL seperti pada Gambar
dijadikan input pada proses pembelajaran 3.4.
ANN untuk mendapatkan bobot-bobot

6
Vol . X Nomor 28 Maret - Jurnal Teknologi Informasi ISSN : 1907-2430

DESAIN : SIMULATION :
Verifikasi : Programming :
-Grafik COMPILATION - timing diagram
-Program FPGA -Board FPGA
- HDL Model -timing analysis
Gambar 3. 4.
Prosedur Desain VHDL Dengan Xilinx
Pengujian pada alat identifikasi odor Data pembacaan frekuensi dari
yang dilakukan dalam penelitian ini dapat masing-masing sensor dinormalisasi,
dilihat pada Gambar 3.5. Sensor resonator kemudian data hasil normalisasi dijadikan
kuarsa dibersihkan dari partikel gas yang input pada artificial neural network. Proses
masih menempel dengan cara mengalirkan pembelajaran dari artificial neural network
gas nitrogen (N2). Bahan yang akan diujikan pada komputer dengan perangkat lunak
ditempatkan pada tempat uji sampel, MATLAB, untuk mendapatkan nilai bobot-
kemudian dipompa agar masuk kedalam sel bobot. Bobot-bobotyang diperoleh dari
detektor yang didalamnya terdapat sensor- proses pembelajaran akan digunakan pada
sensor gas resonator kuarsa yang telah proses pengujian artificial neural network di
dilapisi bahan-bahan polimer. Perubahan FPGA dengan perangkat lunak Xilinx ISE
frekuensi dari masing-masing sensor dicacah 8.2i
dan diproses dalam FPGA.
Resonator
kuarsa dan
oscillator
Gas N2

Odor yang diuji

Komunikasi serial

Gambar 3.5. Pengujian Alat Identifikasi Odor

D. HASIL DAN PEMBAHASAN

Pada pengujian artificial neural network

pada FPGA, dilakukan pengamatan pada
Configurable Logic Blocks yang terdapat
Tabel 4.2. Estimasi Penggunaan
pada Spartan 3E. CLB terdiri atas 4 buah
Slice Pada CLB yang Terdapat Pada FPGA.
slice, dimana setiap slice tersusun atas 2 buah
LUT (Look-up Table).
Tabel 4.1. Jumlah Memori yang
Digunakan Pada FPGA

7
Vol . X Nomor 28 Maret - Jurnal Teknologi Informasi ISSN : 1907-2430

dilihat pada Gambar 4.1. Grafik yang

Tabel 4.3. Estimasi Penggunaan berwarna merah merupakan jumlah slice
LUT Pada CLB yang Terdapat Pada FPGA. yang tersedia pada Sartan-3E. Grafik yang
berwarna biru menunjukkan jumlah slice
yang digunakan untuk perancangan artificial
neural network dengan 3 jumlah input
neuron, beberapa jumlah neuron pada lapisan
tersembunyi dan 4 jumlah neuron output.
Estimasi penggunaan LUT yang
Jumlah memori yang digunakan
terdapat pada FPGA Spartan-3E berdasarkan
pada pengujian artificial neural network
rancangan artificial neural network secara
dapat dilihat pada Tabel 4.1. Pada saat diuji
keseluruhan dapat dilihat pada Tabel 4.3.
coba dengan mengimplementasikan ANN-
Pada proses verifikasi program pada FPGA
MLP, untuk 3 neuron pada lapisan input dan
Spartan 3E, persentase jumlah LUT yang
4 neuron pada lapisan output dimana semakin
digunakan untuk 3 neuron pada lapisan input
banyak neuron pada lapisan tersembunyi total
dan 4 neuron pada lapisan output dengan 1
memori yang digunakan semakin besar.
neuron pada lapisan tersembunyi sebesar
Waktu yang dibutuhkan untuk komputasi
15%, untuk 5 neuron pada lapisan
artificial neural network pada FPGA adalah
tersembunyi sebesar 48%, untuk 10 neuron
0.8276 detik.
pada lapisan tersembunyi sebesar 68%, dan
Estimasi penggunaan slice yang
untuk 15 neuron pada lapisan tersembunyi
terdapat pada FPGA Spartan-3E berdasarkan
sebesar 108%.
rancangan artificial neural network secara
Jumlah penggunaan LUT yang
keseluruhan dapat dilihat pada Tabel 4.2.
terdapat pada FPGA dapat digambarkan
Pada proses verifikasi program pada FPGA
dalam bentuk grafik untuk masing-masing
Spartan 3E, persentase jumlah slice yang
perancangan artificial neural network, dapat
digunakan untuk 3 neuron pada lapisan input
dilihat pada Gambar 4.2. Grafik yang
dan 4 neuron pada lapisan output dengan 1
berwarna merah merupakan jumlah LUT
neuron pada lapisan tersembunyi sebesar
yang tersedia pada Sartan-3E. Grafik yang
20%, untuk 5 neuron pada lapisan
berwarna biru menunjukkan jumlah LUT
tersembunyi sebesar 56%, untuk 10 neuron
yang digunakan dalam perancangan.
pada lapisan tersembunyi sebesar 78%, dan
untuk 15 neuron pada lapisan tersembunyi
sebesar 112%.
Jumlah penggunaan slice yang
terdapat pada FPGA dapat digambarkan
dalam bentuk grafik untuk masing-masing
perancangan artificial neural network, dapat

8
Vol . X Nomor 28 Maret - Jurnal Teknologi Informasi ISSN : 1907-2430

Slice pada FPGA neuron pada lapisan tersembunyi dan 4

6000 neuron output pada FPGA dalam
5000
mengidentifikasi odor yang diujikan untuk
jumlah slice

4000
jumlah slice yang digunakan
3000
2000
jumlah slice yang tersedia amoniak 93%, alkohol 92%, pertamax 90%
1000
0
dan minyak tanah 85%.
1 5 10 15
jumlah neuron pada lapisan tersembunyi

E. KESIMPULAN
Gambar 4.1. Jumlah Slice Pada
FPGA Alat identifikasi odor dibuat
untuk dapat membedakan beberapa jenis odor
LUT pada FPGA yang diujikan. Metode yang digunakan
12000 adalah menggunakan deret sensor resonator
10000
kuarsa yang dilapisi dengan polimer yag
jumlah LUT

8000
jumlah LUT yang digunakan
6000
4000
jumlah LUT yang tersedia berbeda. Perangkat FPGA digunakan untuk
2000
pengukuran frekuensi (counter) secara
0
1 5 10 15
pararel, latch, multiplexer, dan serial
jumlah neuron lapisan tersembunyi

interface dan artificial neural network.

Gambar 4.2. Jumlah LUT Pada
FPGA
Tabel 4.4. Pengujian Bahan Odor
Hasil pengujian masing-masing bahan
odor pada pada alat identifikasi odor dengan
implementasi ANN-MLP pada FPGA dapat
dilihat pada Tabel 4.4 Artificial neural
network dengan model
perceptron, bertujuan untuk mendapatkan
keseimbangan antara kemampuan jaringan
untuk mengenali pola yang digunakan selama
pembelajaran, dengan kemampuan jaringan
dalam memberikan respon yang benar
terhadap pola masukan selama pengujian.
Tingkat akurasi benar dari alat identifikasi
odor dengan mengimplementasikan artificial
neural network dengan 3 neuron input, 10
Artificial neural network dengan model Multi
Layer Perceptron dengan metode pelatihan
Back Propagation digunakan untuk
mengetahui tingkat klasifikasi jenis odor.
Pada proses verifikasi program pada
FPGA Spartan 3E, persentase jumlah slice
yang digunakan pada artificial neural
network dengan 3 neuron pada lapisan input
dan 4 neuron pada lapisan output untuk 1
neuron pada lapisan tersembunyi sebesar
20%, untuk 5 neuron pada lapisan
tersembunyi sebesar 56%, untuk 10 neuron
multi layer
pada lapisan tersembunyi sebesar 78%, dan
untuk 15 neuron pada lapisan tersembunyi
sebesar 112%.
Pada proses verifikasi program
pada FPGA Spartan 3E, persentase jumlah
LUT yang digunakan pada artificial neural
network dengan 3 neuron pada lapisan input
dan 4 neuron pada lapisan output untuk 1
neuron pada lapisan tersembunyi sebesar

9
Vol . X Nomor 28 Maret - Jurnal Teknologi Informasi ISSN : 1907-2430

15%, untuk 5 neuron pada lapisan Suhap Sahin, Yasar Becerikli, and Suleyman
Yazici, (2006), ”Neural Network
tersembunyi sebesar 48%, untuk 10 neuron
Implementation in Hardware Using
pada lapisan tersembunyi sebesar 68%, dan FPGAs“, I. King et al. (Eds.): ICONIP
2006, Part III, LNCS 4234, pp. 1105 –
untuk 15 neuron pada lapisan tersembunyi
1112.
sebesar 108%. ---
,(2009),http://www.xilinx.com/bvdocs/publi
Tingkat keberhasilan artificial
cations/ds312.pdf
neural network yang terdiri dari 3 neuron
pada lapisan input, 10 neuron pada lapisan Biodata Penulis
tersembunyi dan 4 neuron pada lapisan Dini Fakta Sari, ST. Lahir di Pohgading
output yang diimplementasikan pada FPGA tanggal 7 oktober 1984, menyelesaikan
studi S1 di Jurusan Teknik Elekto di
dalam mengidentifikasi bahan odor untuk Universitas Islam
amoniak 93%, alkohol 92%, pertamax 90% Indonesia pada tahun
2006, dan
dan minyak tanah 85%. menyelesaikan studi S2
di Program
Pascasarjana Jurusan
F. DAFTAR PUSTAKA Teknik Elektro di
Institut Teknologi
Medhat Moussa,(2006),” On The Arithmetic
Sepuluh November
Precision For Implementing Back-
Surabaya pada tahun
Propagation Networks On FPGA : A
2010. Saat ini bekerja sebagai dosen di
Case Study”, A C.I.P. Catalogue record
STMIK AKAKOM Yogyakarta.
for this book is available from the
Library of Congress. Canada.
Misbah,(2009),” Implementasi FPGA
Sebagai Digital Interface Pada Sensor
Gas Resonator Kuarsa Untuk
Mendeteksi Amoniak”, Tesis S2, Teknik
Elektro, Fakultas Teknologi Industri,
ITS, Surabaya.
Peter Schulze Lammers and Yuwono. A , (
2004 ),” Odor Pollution in the
Environment and the Detection
Instrumentation”, Agricultural
Engineering International: the CIGR
Journal of Scientific Research
and Development. Invited Overview
Paper. Vol. VI.
Rivai Muhammad, Suwandi Ami JS,
Purnomo M.H., (2006), ”Deret Resonator
Kristal SiO2 terlapis Polimer sebagai
Pengenal Jenis Uap Pelarut”, Akta Kimia-
The Official Journal of The Indonesian
Chemical Society, Vol.1No.1 :49-54.
Sari Dini Fakta, Rivai Muhammad, Mujiono
Totok, Tasripan (2010),”Implementasi
Teknologi Field Programmable Gate
Array (FPGA) Pada Alat Identifikasi
Odor” Seminar Nasional Informatika
2010 ISSN: 1979-2328, UPN ”Veteran”
Yogyakarta.

10
Vol . X Nomor 28 Maret - Jurnal Teknologi Informasi ISSN : 1907-2430

11