Makalah Seminar Kerja Praktek - Universitas · PDF filePertanian, Hidrologi, Kehutanan, Geologi, Lingkungan, Pola Awan, ... kontrol dalam mesin aplikasi membuat benang. Pada Mesin

Makalah Seminar Kerja Praktek

PENGENALAN POLA KUALITAS BENANGMENGGUNAKAN METODE JARINGAN SARAF TIRUAN

Rangga Etyawan Giantara (L2F607045)Jurusan Teknik Elektro Fakultas Teknik

Universitas Diponegoro Semarang

AbstrakPengenalan pola merupakan suatu pengenalan terhadap setiap hubungan data (analog atau digital),

kejadian dan konsep yang dapat dibedakan. Bentuk wajah, sebuah meja, urutan nada sebait musik, temasebuah sajak atau simponi, jejak yang dibuat partikel pada pelat fotografik, kesemuanya merupakan tipe yangberlainan dari pola-pola. Jadi, pengenalan sebuah wajah, sebait musik, lukisan, kata-kata dari tulisan tangan,diagnosis penyakit dari gejalanya, serta pengenalan kualitas benang kesemuanya adalah masalah pengenalanpola. Pengenalan pola menggunakan metode jaringan saraf tiruan diangkat sebagai topik utama dalam kerjapraktek ini.

Jaringan saraf tiruan merupakan salah satu sistem pemrosesan informasi yang didesain denganmenirukan cara kerja otak manusia dalam menyelesaikan suatu masalah dengan melakukan proses belajarmelalui perubahan bobot sinapsisnya. Jaringan saraf tiruan mampu mengenali kegiatan dengan berbasis padadata masa lalu. Data masa lalu akan dipelajari oleh jaringan saraf tiruan sehingga mempunyai kemampuanuntuk memberi keputusan terhadap data yang belum pernah dipelajari. Metode ini dipakai untuk melakukanpengenalan pola kualitas benang. Program yang digunakan untuk melakukan pengenalan pola kualitasbenang dengan jaringan saraf tiruan adalah Matlab versi R2008a.

Kata kunci : Pengenalan Pola , Jaringan Saraf Tiruan, Matlab

1 PENDAHULUAN1.1 Latar Belakang

Kita menjalankan tugas pengenalan di setiapsaat kehidupan kita, misalnya ketika mengenalisuara seorang teman lewat telepon, rasa es krim,membaca koran dan masih banyak hal lain yangberkaitan dengan pengenalan pola. Sehingga,pengenalan pola langsung mencakup pengenalanvisual dan aural spasial (karakter, gambar, sidikjari) dan temporal (muka gelombang, ucapan,ECG), dimana seseorang membutuhkan bantuanalat penginderaan (sensor). Pengenalan akan halyang abstrak seperti konsep dan gagasan disatupihak dapat dilakukan tanpa bantuan sensor.

Di dalam dunia dunia tekstil, pengenalanpola kualitas benang sangat penting untukmemperoleh output / hasil produksi yang sesuaidengan harapan. Sehingga akan mendatangkankeuntungan secara finansial terhadap hasilproduksi.

Teknik-teknik pengenalan pola yang dapatdipakai meliputi teknik-teknik yang berdasarkanstatistik, pendekatan sistem pakar dan algoritmaJaringan Syaraf Tiruan (Neural Networks).Jaringan Syaraf Tiruan selanjutnya disebutsebagai JST saja. Teknik deret waktu (time-series) dan regresi adalah dua kelas utama darialgoritma statistik konvensional dan telah suksesdigunakan pada bidang ini selama bertahun-

tahun. Algoritma yang berdasarkan sistempakar untuk pengenalan pola menggunakanpendekatan komputasi simbolik untukmengautomatisasi kecerdasan (intelegence).

Untuk mendapatkan pengenalan polakualitas benang, maka digunakan metodepengenalan pola kualitas benang selama 4minggu menggunakan data informator padaMesin Autoconer dari hari-hari yang similar.Nilai pengoreksian dihasilkan dari JST. Untukitu, jaringan syaraf diharapkan dapatmenghasilkan pengenalan pola denganpembelajaran yang lebih sederhana dan waktupembelajaran yang lebih singkat.

1.2 Tujuan Pelaksanaan Kerja PraktekTujuan penulis melaksanakan kerja praktek

ini dan menyusun laporannya adalah dapatmenggunakan Jaringan Saraf tiruan (JST)sebagai alat bantu untuk melakukan pengenalanpola kualitas benang serta dapat menyusunsuatu program dengan program bantuMATLAB untuk menghasilkan pengenalan polakualitas benang.

1.3 Batasan MasalahDalam laporan kerja praktek ini,penulis

membatasi pembahasannya pada hal-hal berikut:1. Tidak membahas mengenai proses

produksi.2. Tidak membahas mengenai source code.3. Parameter yang digunakan untuk

pengenalan pola kualitas benang adalahbahan baku, jumlah bobin, Ne, efisiensiMesin, red lights, berat, diameter danpanjang benang sebelum dilakukanproses penggulungan benang (windingprocess).

4. Target yang digunakan untuk pengenalanpola kualitas benang adalah jumlah danefisiensi benang yang tidak sesuai, sesuaidengan kelasnya (neps, short faults, longfaults).

5. Waktu similiar yang diambil untukpengambilan data yaitu hari kamis danjum’at dengan 2 waktu (09.15 dan 10.15)selama 4 minggu.

6. Pengambilan data dilakukan padainformator mesin autoconer 5.

7. Untuk pembelajaran JST, menggunakanalgoritma back propagation.

8. Program yang digunakan untuk simulasiini adalah Matlab R2008a.

2 PENGENALAN POLA2.1 Teori Pengenalan Pola

Sebuah kamus Inggris mendefinisikansebuah ‘pola’ (pattern) sebagai suatu contoh ataumodel sesuatu yang dapat disalin. Sebuah pola,adalah juga tiruan sebuah model. Tetapidisaatmenjelaskan berbagai tipe objek dalamdunia fisik dan abstrak, definisi yang munculdalam ingatan, sebuah pola adalah setiapantarhubungan data (analog atau digital),kejadian atau konsep yang dapat dibedakan.Bentuk wajah, sebuah meja, urutan nada sebaitmusik, tema sebuah sanjak atau simponi, jejakyang dibuat partikel pada pelat fotografik,kesemuanya merupakan tipe yang berlainan daripola-pola. Jadi pengenalan sebuah wajah, sebaitmusik, lukisan, perkataan dicetak, kata-kata daritulisan tangan, sasaran militer, diagnosa penyakitdari gejalanya, serta pengenalan pola kualitasbenang kesemuanya adalah masalah pengenalanpola.

Pengenalan pola langsung mencakuppengenalan visual dan aural spasial (karakter,gambar, sidik jari) dan temporal (mukagelombang, ucapan, ECG), di mana seseorangmembutuhkan bantuan alat penginderaan

(sensor). Pengenalan akan hal yang abstrakseperti konsep dan gagasan disatu pihak dapatdilakukan tanpa bantuan sensor. Pengenalanakan hal yang abstrak seperti konsep dangagasan disatu pihak dapat dilakukan tanpabantuan sensor.

Adapun permasalahan pengenalan poladapatdibagi menjadi dua bagian. Bagianpertama berhubungan dengan studi mekanismepengenalan pola-pola oleh manusia atau jasathidup lainnya. Bagian ini dihubungkan dengandisiplin ilmu fisiologi, psikologi, biologi, dansebagainya. Bagian kedua mengenaipengembangan teori dan teknik untukmendesain sebuah alat yang dapat melakukantugas pengenalan secara otomatik. Bidang iniberhubungan dengan teknik, komputer, sertailmu informatika.

2.1.1 Pendekatan Teoritik KeputusanDidalam pendekatan teoritik keputusan,

pengenalan pola dapat dipandang sebagai tugasganda yang berisikan ajar (learning) perilaku-perilaku invarian dan lazim dari sekumpulansampel yang mencirikan sebuah kelas, danmemutuskan sebuah sampel baru sebagaianggota kelas yang mungkin dengan catatanbahwa perilakunya lazim terhadap kumpulansampel tersebut. Langkah pengoperasian yangperlu dalam mengembangkan sertamelaksanakan aturan keputusan dalam sistempengenalan pola praktis.

2.1.2 Aplikasi Pengenalan Pola

Lingkup Aplikasi Pengenalan Pola dapatdikelompokkan sebagai berikut :

1. Komunikasi Manusia dan Mesin :Pengenalan Ucapan Otomatik, IdentifikasiPembicara, Sistem OCR, Pengenalan NaskahKursif, Pemahaman Ucapan, Pemahaman Citra.

2. Aplikasi Biomedik : Analisis ECG,EEG, EMG, Sitologi, Histologi, dan AplikasiSteorologi, Analisis Sinar-X, Diagnostik.

3. Aplikasi dalam Fisika : Fisika EnergiTinggi, Kamar Gelembung dan Bentuk AnalisisJejak lainnya.

4. Kejahatan dan Deteksi Kriminal : SidikJari, Tulisan Tangan, Suara Ucapan danFotografi.

5. Studi dan Estimasi Sumber Alam :Pertanian, Hidrologi, Kehutanan, Geologi,Lingkungan, Pola Awan, Kualitas Urban.

6. Aplikasi Stereologi : PengolahanLogam, Pengolahan Mineral, dan Biologi.

7. Aplikasi Kemiliteran : Deteksi LedakanNuklir, Penuntun dan Deteksi Peluru Kendali,Deteksi Sinyal Radar dan Sonar, IdentifikasiSasaran, Deteksi Kapal Selam AplikasiPengintaian.

8. Aplikasi Industri : Simulasi GrafikKomputer terhadap Uji dan Rakit Produksi,Pemeriksaan Otomatik dan Pengawasan Kualitasdalam Pabrik, Sistem Informasi Kendala.

9. Robotik dan Kecerdasan Buatan :Teknologi Sensor Pintar, Pengolahan BahasaNatural.

2.3 Mesin Autoconer (AC)Mesin Autoconer merupakan sistem

kontrol dalam mesin aplikasi membuat benang.Pada Mesin Autoconer terjadi prosespenggulungan (winding process) sebagai prosesterakhir untuk mendapatkan benang yangmemiliki kualitas sesuai dengan parameter-parameter yang telah ditentukan oleh laborat.Sehingga, pada Mesin Autoconer terjadipengenalan pola kualitas benang.

Ada bermacam- macam jenis MesinAutoconer, yang satu dengan yang lain padadasarnya memiliki prinsip kerja yang sama. Didalam 1 Mesin Autoconer terdapat 60 spindel,yang masing-masing spindel memiliki 1 sensorbenang yang sering disebut sensor loepfe. Hanyayang membedakan adalah mengenai konstruksimekanik dan elektrik. Sebagai contoh, konstruksipada Mesin Autoconer 338 (AC 338) berbedadengan konstruksi pada Mesin Autoconer 5 (AC5). Dimana, kerusakan pada Mesin Autoconer338 (AC 338) hanya dapat dilihat di informatorsaja. Sedangkan, kerusakan pada MesinAutoconer 5 (AC 5) selain dapat dilihat diinformator, juga dapat dilihat pada tiapspindelnya.

Jenis- Jenis Mesin Autoconer : Mesin Autoconer 138 (AC 138)

Menggunakan sensor loepfe jenis TK-

XXX.

Gambar 2.1 Bentuk Fisik Mesin Autoconer 138

Mesin Autoconer 238 (AC 238)Menggunakan sensor loepfe jenis TK-

XXX.

Gambar 2.2 Bentuk Fisik Mesin Autoconer238

Mesin Autoconer 338 (AC 338)Menggunakan sensor loepfe jenis TK-

XXX ( TK 830 N atau TK 840 N ).

Gambar 2.3 Bentuk Fisik Mesin Autoconer338 Mesin Autoconer 5 (AC 5)

Menggunakan sensor loepfe jeniszenith.

Gambar 2.4 Bentuk Fisik Mesin Autoconer 5

Pada jenis- jenis Mesin Autoconerdiatas kesemuanya bermerek Schlafhorst. Danpada laporan ini pembahasan Mesin Autoconerdibatasi pada Mesin Autoconer 5 ( AC 5).

2.4 Sensor LoepfeSensor Loepfe merupakan sensor

pendeteksi kualitas benang. Dimana, apabilaada benang yang tidak memiliki kualitasyang sesuai dengan parameter-parameteryang ditentukan oleh laborat maka benangtersebut secara otomatis akan dipotong.Yang selanjutnya benang yang tidakterpotong akan digulung hinggamenghasilkan cones.

Jenis- Jenis Sensor Loepfe : Loepfe TK 750

Digunakan untuk jenis benang yangmemiliki diameter yang besar.

Loepfe TK 940Digunakan untuk jenis benang yangmemiliki diameter yang kecil.

Loepfe TK 830 NDigunakan pada Mesin Autoconer 338(AC 338).

Loepfe TK 840 NDigunakan pada Mesin Autoconer 338(AC 338).

Loepfe ZenithDigunakan pada Mesin Autoconer 5( AC 5).

Gambar 2.5 Sensor Loepfe Zenith denganIndikator 2 (Short)

Pada pembahasan ini sensor loepfedibatasi pada sensor loepfe zenith yangdigunakan pada Mesin Autoconer 5 ( AC 5).

2.5 Klasifikasi Yarn Faults ( Klasifikasi KelasKualitas Benang )

Klasifikasi Yarn Faults ( KlasifikasiKelas Kualitas Benang ) secara lengkap ada 7jenis yaitu : Neps, Short Faults, Long Faults,Thin Places, Splices, Yarn Count, dan ShortCount. Namun, di dalam laporan ini hanyadibatasi pada 3 jenis yaitu : Neps, Short Faults,dan Long Faults.

NepsNeps merupakan klasifikasi kelas kualitas benangdengan diameter limit (N) adalah 1,5 - 9 cm.

Gambar 2.6 Bentuk Fisik Neps

Gambar 2.7 Simulasi Grafik Yarn Master Spectra

Untuk Neps (N =1,5 cm)

Short FaultsShort Faults merupakan klasifikasi

kelas kualitas benang dengan diameter limit(DS) 1,1 - 4 cm dan panjang limit (LS) 1 - 10cm.

Gambar 2.8 Bentuk Fisik Short Faults

Gambar 2.9 Simulasi Grafik Yarn Master

Spectra Untuk Short Faults (DS = 2,5 cm dan

LS = 1,5 cm)

Long FaultsLong Faults merupakan klasifikasi kelas

kualitas benang dengan diameter limit (DL) 1,04- 2 cm dan panjang limit (LL) 6 - 200 cm.

Gambar 2.10 Bentuk Fisik Long Faults

Gambar 2.11 Simulasi Grafik Yarn Master

Spectra Untuk Long Faults (DL = 1,5 cm dan

LL = 50 cm)

2.6 Parameter- Parameter YangMempengaruhi Kualitas Benang

Di dalam memperoleh kualitas benangyang baik pada proses penggulunganbenang (winding process) untuk diproduksikhususnya pada Mesin Autoconer 5dengan menggunakan sensor LoepfeZenith, maka beberapa parameter berikutperlu diperhatikan :

1. Jumlah Bobin (Biji)Jumlah Bobin (Biji) merupakan jumlah

benang yang telah mengalami prosespengepresan pilinan kapas pada prosesring frame. Sehingga, bobin ini masihperlu digulung pada proses penggulunganbenang karena masih adanya unsur Neps,Short Faults dan Long Faults.

2. NeNe menentukan jenis bahan baku yang

digunakan. Untuk Ne 6 berartimenggunakan bahan baku Cotton Slab, Ne8 menggunakan bahan baku Slub, dan Ne20 menggunakan bahan baku Cotton.3. Efisiensi Mesin (%)

Efisiensi Mesin turut berpengaruhkarena menunjukkan kinerja MesinAutoconer secara kesuluruhan selamaproses produksi.4. Red Lights (%)

Red Lights menunjukkan kinerja dariSensor Loepfe tiap 480 menit (8 Jam) saatproses produksi.5. Berat (kg)

Berat bobin disini turut berpengaruhkarena berat sebelum proses penggulunganbenang dan sesudah penggulungan benangberbeda. Hal ini disebabkan adanyabeberapa bagian benang yang dipotong.6. Diameter (mm)

Hampir sama dengan berat bobin,Diameter bobin disini turut berpengaruhkarena diameter sebelum prosespenggulungan benang dan sesudahpenggulungan benang berbeda. Hal inidisebabkan adanya beberapa bagian benangyang dipotong.

3 PENGUJIAN3.1 Perangkat Perancangan

Perancangan sistem merupakan tahapanpenting dalam pembuatan simulasi peramalantrafik, dengan tujuan agar pembuatan danperancangannya dapat sistematis dan terstrukturdengan rapi sehingga program dapat bekerjadengan baik dan sesuai dengan yang

diinginkan. Aspek-aspek perancangan yangdiperhatikan meliputi kemungkinanpengembangan atau modifikasi, efisiensi,kemampuan pengenalan dan kemudahan untukdimengerti.

Simulasi ini coba dirancang dengan tidakmenutup kemungkinan untuk dikembangkanlebih lanjut pada waktu mendatang. Untukpengembangan sistem, pemodelan atau untukperluasan fungsi dan aplikasinya. Agar progammudah untuk dimengerti dan dipakai (userfriendly) maka simulasi dirancang dengansoftware yang bertampilan grafis (Graphic UserInterface). Tampilan grafis memudahkanpemakai untuk mengetahui cara kerja dan caramenggunakan program. Dalam hal ini programbantu MATLAB memenuhi persyaratan tersebut

Perangkat keras yang digunakan adalahsatu set Notebook dengan spesifikasi sebagaiberikut :- Sistem Komputer : Intel (R) Core (TM) 2 DuoCPU T6600 @2,20 GHz- Sistem Operasi :Microsoft Windows 7 HomePremium- Tipe Sistem : 32-bit Operating System- Memory (RAM) : 2,00 GB

Sedangkan, Perangkat lunak yangdigunakan adalah MATLAB versi R2008a untuk,menyiapkan data pelatihan, membangun JST,proses pelatihan dan pengujian program simulasi.

3.2 Tampilan SimulasiProgram simulasi ini dibuat dalam

tampilan grafis sehingga mudah dalampenggunaannya. Sedangkan pengujian terhadapsistem ini dilakukan dengan tujuan agar dapatdiketahui apakah sistem yang dibuat dalamprogram ini sudah bekerja sesuai dengan yangdiinginkan.

Selanjutnya akan muncul tampilanwindow utama program simulasi pengenalan polakualitas benang, yang ditunjukkan pada gambarberikut :

Gambar 3.1 Tampilan Window Utama ProgramSimulasi Pengenalan Pola Kualitas Benang

Pada window utama gambar 3.1disediakan beberapa frame, yaitu :

1. Pelatihan2. Pengujian3. Tampilan Grafik4. Akhir program

Frame Pelatihan, berisi 'ParameterInput', 'Proses Pembelajaran' dan 'Bias danBobot'. 'Parameter input' meliputi: masukannilai-nilai 'Epoch Maksimum', 'Tampilanepoch', 'Galat Maksimum', 'Jumlah sel LayerTengah', 'Konstanta Belajar', 'KenaikanKonstanta Belajar' dan 'Penurunan KonstantaBelajar'. 'Proses pembelajaran' berisi tombol-tombol 'Load Pola', 'Load Target' dan'Pembelajaran'.. 'Pembelajaran' mengeksekusinilai-nilai masukan dan default denganmenggunakan metode jaringan saraf tiruan(JST) Backpropagation.

Popupmenu 'Bias dan bobot' di sinibertujuan untuk memudahkan penyimpananbias dan bobot pada layer input dan tengahmenjadi file file berekstensi *.m (m-file editor).Parameter ini berisi popupmenu (bias danbobot) serta tombol 'simpan’. Tombol 'simpan’untuk menyimpan informasi bobot dan biasjaringan setelah dilakukan pelatihan terhadapmasukan data pelatihan. Popupmenu (bias danbobot) untuk membuka file-file bias atau bobotyang telah disimpan sebelumnya untukdigunakan dalam simulasi peramalan trafikmaupun pengujian terhadap data baru.

Frame Pengujian, berisi 'Data Input'dan 'Data Ramalan. 'Data input' meliputi:tombol-tombol 'Load Data Uji' dan 'Ujikan'.'Data pelatihan' berisi tombol-tombol 'SimpanData Ramalan' dan 'Load Data Ramalan &Tampilkan'. Proses pengujian melibatkan biasdan bobot yang sudah diinisialisasikan di framePelatihan. Tombol 'Load Data Ramalan &Tampilkan' melukiskan hasil pengujian secaragrafis.

Frame Tampilan Grafik, berisi axes(papan grafik), masukan nilai-nilai 'JudulGrafik', 'Label Absis', 'Label Ordinat', tombol-tombol (pushbutton) 'Load Nilai Label Absis','Load Data Riil & Tampilkan", 'Tampilkan DataRamalan & Riil'. Frame ini berfungsi untukmemperlihatkan grafik data riil dan dataramalan serta grafik perbandingan data riil danramalan.

3.3 Analisa Hasil SimulasiUntuk melakukan pelatihan, diperlukan

data pelatihan yang terdiri dari masing-masing

pola masukan dan pola keluaran. Sebagaimanatelah diterangkan pada bab sebelumnya, polamasukan terdiri dari sembilan contoh dansembilan neuron, serta pola keluaran terdiri darisembilan contoh dan tiga neuron. Pola keluaranmenyesuaikan nilai masukannnya. Nilai yangdipakai untuk pola masukan daan keluaran adalah0 hingga 0,8 agar data tetap konvergen.

Tiap layer dari jaringan syaraf salingberhubungan secara penuh (fully connected),sedangkan nilai parameter galat maksimumdefault = 0,01, laju pembelajaran (learning rate)default = 0,7 dengan kenaikan default = 1,04 danpenurunan default = 0,5. Jika kita menginginkannilai lain, kita tinggal memasukkan nilainya ditempat yang tersedia.

Setelah parameter-parameter jaringanditentukan, maka selanjutnya adalah tahappelatihan. Selama proses pelatihan, bobot danbias jaringan diatur sehingga output yangdihasilkan mendekati nilai target yang telahditentukan sebelumnya. Bobot dan bias iniselanjutnya disimpan untuk digunakan dalamtahap simulasi terhadap pola masukan yangdigunakan pada saat pelatihan dan jugadigunakan dalam pengujian terhadap polamasukan baru.

Berikut ini bobot dan bias jaringanoptimum untuk pola dan target pertama untukpengenalan pola dengan 10 sel layer :- Bias layer input:0.7247683768520.2818012278520.3667105124810.2337204813390.7504378631010.3966621279110.7136873248870.2036229358880.7131291530320.726717660129- Bias layer tengah :0.7247683768520.2818012278520.3667105124810.2337204813390.7504378631010.3966621279110.7136873248870.2036229358880.7131291530320.726717660129- Bobot layer input:0.7247683768520.2036229358880.598485772849

0.6528128289780.1869005596300.2753316805400.0773599742220.9032734093860.7315889406971.128285178524- Bobot layer tengah:0.2818012278520.7131291530320.5874942427790.1368096255490.1126120199350.7188611495350.7545007659060.5141893504071.0106267412380.457583827441

Selanjutnya, bias dan bobot hasilpelatihan digunakan untuk mengujikanjaringan. Berikut ini adalah tampilan dari prosespelatihan yang dilakukan :

Gambar 3.2 Tampilan Performance ProsesPelatihan Program Simulasi Pengenalan Pola

Setelah tahap pelatihan dilakukan,maka untuk menguji kemampuan jaringandalam pengenalan pola, maka jaringan diujidengan data baru yang belum pernah dikenaliatau dilatihkan pada jaringan.

Untuk pengujian pengenalan pola hariKamis, 4 Februari 2010 (10.15) menggunakanbobot dan bias hasil pelatihan pengenalan polahari Kamis, 4 Februari 2010 (09.15)..Sedangkan untuk pengujian pengenalan polahari Jum’at, 5 Februari 2010 (10.15)menggunakan bobot dan bias hasil pelatihanpengenalan pola hari Jamis, 5 Februari 2010(09.15) . Hal yang sama dilakukan untukpengujian hari-hari yang lain

4 PENUTUP4.1 Kesimpulan

1. Analisis Jaringan Saraf Tiruan (JST)dapat dipakai dalam proses pengenalanpola kualitas benang. Adapun Parameteryang digunakan untuk pengenalan polakualitas benang adalah bahan baku,jumlah bobin, Ne, efisiensi Mesin, redlights, berat, diameter dan panjangbenang sebelum dilakukan prosespenggulungan benang (winding process).Sedangkan, Target yang digunakan untukpengenalan pola kualitas benang adalahjumlah dan efisiensi benang yang tidaksesuai, sesuai dengan kelasnya (neps,short faults, long faults).

2. Hasil penelitian menunjukkan bahwapengenalan pola kualitas benang tidakselalu tepat hasilnya. Hal ini disebabkanoleh terbatasnya faktor-faktor yangdimasukkan dalam analisis,

3. Proses pelatihan JST dengan data yangberjumlah banyak dan bervariasi akanmeningkatkan tingkat akurasi.Konsekuensinya, proses akan menjadilebih lambat akibat banyak data yangharus diproses.

4. Program Matlab sangat cocok digunakanuntuk melakukan proses pelatihandengan metode JST. Hasil komputasi danvisualisasi yang maksimal sangatmendukung pekerjaan ini. Agar programmudah dimengerti dan dipakai (userfriendly) maka simulasi dirancangdengan software yang bertampilan grafis(Graphical User Interface). Tampilangrafis memudahkan pemakai untukmengetahui cara kerja dan caramenggunakan program.

4.2 Saran1. Pada proses pengenalan pola dianjurkan

untuk menggunakan banyak datamasukan (pola dan target) yangmendukungnya. Laporan kerja praktekini hanya menggunakan beberapaparameter saja. Oleh karena itu, agarhasil yang diperoleh semakin akurat,perlu menggunakan banyak parameterdata masukan.

2. Program ini dibuat hingga mencapainilai-nilai desimal saja sehingga perludilakukan pengembangan sistempengenalan pola untuk mencapaikesempurnaan.

DAFTAR PUSTAKA

Hermawan, Arief. Jaringan Saraf Tiruan:Teori dan Aplikasi. Penerbit Andi.Yogyakarta. 2006.

K. Pal, Sankar. Fuzzy PendekatanMatematik Untuk Pengenalan Pola.Penerbit Universitas Indonesia, Jakarta,1985.

Brothers Ltd, Loepfe. Yarn Master ZenithInstruction Manual Schlafhorst AC 5 / AC338.Loepfe Brothers Ltd., Swiss, 2009

www.loepfe.com www.google.com

Rangga E.G, lahir diKab. Semarang, tanggal9 Mei 1989. Menempuhpendidikan dari TKsampai SMA di Ungaran.Saat ini sedangmenyelesaikan StudiStrata-1 (S-1) di TeknikElektro Undipkonsentrasi ElektronikaTelekomunikasi.

Semarang, Maret 2010Mengetahui,

Dosen Pembimbing

Achmad Hidayatno, ST, MTNIP. 196912211995121001