Zaeni, IlhamAriElbaith (2012) Implementasi Jaringan Syaraf Tiruan Backpropagation pada Mikrokontroler untuk Deteksi Dini Kebakaran. Magister thesis, Universitas Brawijaya.
Abstract
Deteksi dini kebakaran adalah hal yang penting untuk mencegah terjadinya kebakaran yang dapat menimbulkan korban jiwa dan kerugian materiil di dalam rumah tangga dan dunia usaha. Kesalahan deteksi akan mengakibatkan kepanikan penghuni sehingga mengakibatkan ketidaknyamanan bagi penghuni. Kesalahan pada detektor kebakaran dapat dikurangi dengan menggunakan beberapa sensor pada detektor menggunakan algoritma yang lebih baik, misalnya dengan jaringan syaraf tiruan. Perlu adanya upaya melakukan deteksi kebakaran dengan cara mengimplementasikan jaringan syaraf tiruan pada mikrokontroler. Permasalahan yang diteliti adalah menyusun model jaringan syaraf tiruan pada proses deteksi dini kebakaran, menerapkan algoritma jaringan syaraf tiruan pada mikrokontroler untuk proses deteksi dini kebakaran, dan mengkaji kinerja algoritma jaringan syaraf tiruan pada proses deteksi dini kebakaran. Tujuan penelitian ini adalah untuk mengimplementasikan algoritma jaringan syaraf tiruan pada proses deteksi dini kebakaran. Penelitian dilakukan dengan cara mengumpulkan data latih untuk deteksi dini kebakaran, yang terdiri atas suhu, perubahan suhu, konsentrasi asap, perubahan konsentrasi asap, intensitas cahaya, dan perubahan intensitas cahaya. Langkah selanjutnya adalah melakukan pelatihan jaringan syaraf tiruan (JST) pada komputer, yang dilanjutkan dengan pengujian JST pada komputer dan implementasi jaringan syaraf tiruan pada mikrokontroler. Model jaringan syaraf tiruan (JST) yang disusun ada dua model yaitu jaringan syaraf tiruan dengan 6 masukan dan jaringan syaraf tiruan dengan 3 masukan. Nilai mean square error (MSE) yang dihasilkan dari hasil simulasi JST dengan 6 masukan adalah 4,504x10 -13 . MSE yang dihasilkan dari hasil simulasi JST dengan 3 masukan adalah 1,158x10 -12 . Model JST yang diterapkan pada mikrokontroler adalah model JST dengan 6 masukan yaitu suhu, asap, intensitas cahaya, perubahan suhu, perubahan asap, dan perubahan intensitas cahaya dan model JST dengan 3 masukan yaitu perubahan suhu, perubahan asap, dan perubahan intensitas cahaya. Jaringan syaraf tiruan pada proses deteksi dini kebakaran dapat mendeteksi semua sumber kebakaran dan gangguan tunggal. Ketika sistem mendapat masukan dari gabungan beberapa gangguan, maka sistem menganggapnya sebagai indikasi kebakaran. Dari hasil pengujian diketahui bahwa rata-rata waktu deteksi bervariasi antara 15,2 sampai dengan 56,3 detik.
English Abstract
Early detection of fires is essential to prevent fires that could cause casualties and material losses in private households and businesses. Fault detection will lead to resident`s panic, resulting in discomfort for occupants. Errors on fire detector can be reduced by using multiple sensors on detector using a better algorithm, for example using artificial neural networks. An effort to implement fire detection by means of artificial neural network on a microcontroller should be done. Problem on this study is to develop artificial neural network model for early detection of fires, apply artificial neural network algorithms on a microcontroller for early detection of fires, and assess performance of neural network algorithm for early detection of fires. purpose of this study was to implement a neural network algorithm for early detection of fires. study was conducted by collecting training data for early detection of fire, which consists of temperature, rate of temperature changes, smoke concentration, rate of smoke concentration changes, light intensity, and changes in light intensity. next step was training artificial neural networks (ANN) on computer, testing ANN on computer and implementing artificial neural network on a microcontroller. Models of neural networks (ANN) consisted of two models namely neural network with 6 inputs and artificial neural networks with 3 inputs. mean square error (MSE) result from simulation of ANN with 6 inputs was 4.504x10 -13 . MSE result from simulation of ANN with 3 inputs was 1,158x10 -12 . ANN model which was implemented on a microcontroller was a model of ANN with six inputs, namely temperature, smoke, light intensity, temperature`s change, smoke`s change, and light intensity`s change and a model of ANN with three inputs, namely temperature`s change, smoke`s change, and light intensity`s change. Artificial neural networks in early detection of fires could detect all sources of a single fire or nuisance. When system gets input from a combination of several nuisances, n system considered it as an indication of fire. test results showed that detection time varied between 15.2 and 56.3 seconds.
Item Type: | Thesis (Magister) |
---|---|
Identification Number: | TES/628.922 5/ZAE/i/041202502 |
Subjects: | 600 Technology (Applied sciences) > 628 Sanitary engineering > 628.9 Other branches of sanitary and municipal engineering |
Divisions: | S2/S3 > Magister Teknik Elektro, Fakultas Teknik |
Depositing User: | Endro Setyobudi |
Date Deposited: | 31 Oct 2012 10:33 |
Last Modified: | 31 Oct 2012 10:33 |
URI: | http://repository.ub.ac.id/id/eprint/158882 |
Actions (login required)
View Item |