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.
1
Vol . X Nomor 28 Maret - Jurnal Teknologi Informasi ISSN : 1907-2430
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
5. Hitung semua keluaran di unit akan dipakai nanti untuk merubah bobot
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
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.
Resonator Kuarsa
Pewaktu 1 detik
Artificial neural LCD
Program LCD
network
20MHz
5
Vol . X Nomor 28 Maret - Jurnal Teknologi Informasi ISSN : 1907-2430
y1
Z2
X1
Odor
Z3 y2
Pre
ODOR sensing processing
Normalisasi X2 Bobot-Bobot
Z4
y3
Pembelajaran
X3
y4
Zn
y1
Z2
X1
Odor
Z3 y2
Pre
ODOR sensing processing
X2 Hasil
Z4
y3
Klasifikasi
Odor
X3
y4
Zn
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
Komunikasi serial
7
Vol . X Nomor 28 Maret - Jurnal Teknologi Informasi ISSN : 1907-2430
8
Vol . X Nomor 28 Maret - Jurnal Teknologi Informasi ISSN : 1907-2430
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
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