Nama : Puguh Ramadhan
Npm : 50407665
Kelas : 4 IA 03
Rangkuman
Penjadwalan job shop untuk industri pakaian adalah suatu penjadwalan yang menggunakan banyak mesin yang fleksibel disertai banyak operasi yang menyertainya Dengan menerapkan metode Genetic Algorithm (GA), solusi masalah penjadwalan job shop yang berbaur dan multi produk menjadi lebih efektif yaitu dengan meminimalkan total pinalti E/T (Earliness/Tardiness) pada job shop dengan menentukan masing–masing pesanan sesuai waktu awal produksi dan tugas operasi pada job shop. Algoritma genetika dapat digunakan untuk mencari solusi dari segala macam Pada umumnya suatu penerapan algoritma genetika secara generasional sederhana terdiri dari 3 bagian, yaitu: 1) Memilih populasi awal (inisial populasi), 2) Evaluasi nilai fitness dari setiap individu didalam populasi 3) Ulangi sampai proses berhenti (nilai fitness terbaik terpenuhi).
Pada jurnal ini, model matematika penjadwalan job shop yang diusulkan akan menggunakan A. asumsi-asumsi sebagai berikut: 1) Ketika sekali suatu operasi mulai dijalankan, maka tidak dapat disela. 2) Tidak ada kasus kekurangan material, gangguan mesin dan ketidakhadiran operator mesin job shop dalam kerjanya. 3) Job shop digunakan untuk memodelkan adalah dalam keadaan inisialisasi awal job shop kosong, dengan kata lain tidak ada kerja yang menumpuk sebelumnya (Work in Process / WIP) pada setiap stasiun-kerja. B. Batasan-batasan dalam Pemodelan, C. Fungsi Obyektif, D. Inisialisasi Populasi, E. Fitness dan Seleksi, F. Pindah Silang (Crossover) dan G. Mutasi (Mutation). Pada tahap uji coba dilakukan pada perangkat keras komputer dengan spesifikasi prosesor: AMD Turion(tm) 64 X2, memori 1 GB dan perangkat lunak: program penjadwalan job shop berbasis pemrograman Matlab dengan sistem operasi Windows XP SP2. Permasalahan penjadwalan job shop terbagi menjadi 2 bagian eksperimen. Pembagian data ini bertujuan untuk melihat kinerja program algoritma genetika dalam menyelesaikan berbagai jenis permasalahan penjadwalan job shop. Hasil yang didapatkan dalam program algoritma genetika yang dijalankan berupa lini produksi operasi dari setiap order. Pada uji coba eksperimen yang dilakukan, waktu transportasi (ET) dan waktu pengaturan mesin (STP) dianggap masuk dalam waktu proses (T). Parameter yang digunakan tetap, yaitu jumlah populasi = 200, probabilitas pindah silang = 0.6, probabilitas mutasi = 0.01, dan jumlah generasi = 60.
Dari hasil uji coba dan analisis pada setiap eksperimen memiliki masalah penjadwalan sendiri dan pada setiap bagian eksperimen terdapat metode yang berbeda yaitu mode 1 dan mode 2. Pada mode 1 pengolahan order 1 dijalankan dahulu kemudian selama waktu tertentu ditunda untuk menjalankan pengolahan order hingga selesai. Setelah itu pengolahan order 1 dijalankan kembali hingga selesai. Sifat produk yang dihasilkan multi produk. Sedangkan pada mode 2 pengolahan order 1 dijalankan dahulu kemudian saat waktu tertentu pengolahan order 1 dan order 2 dijalankan secara simultan sampai order 2 terpenuhi. Setelah itu pengolahan order 1 dijalankan kembali hingga selesai. Sifat produk yang dihasilkan berbaur dan multi produk. Pada tabel Penugasan Mesin merupakan hasil pada eksperimen 1 berupa lini operasi produksi dari mesin 1-14 dan terbagi dalam setiap pengolahan order yang dijalankan. Pada tabel Penugasan Mesin merupakan hasil pada eksperimen 2 berupa lini operasi produksi dari mesin 1-11 dan setiap mesin mampu menampung maksimal 2 operasi serta terbagi dalam setiap pengolahan order yang dijalankan.
Hasil menunjukkan bahwa program algoritma genetika yang diujikan dapat menyelesaikan permasalahan penjadwalan job shop yang produknya bersifat berbaur dan multi produk secara efektif. Diantaranya adalah ketidakpastian permintaan konsumen, gangguan mesin, kekurangan bahan baku, ketidakhadiran operator mesin, dan lainnya. Hal-hal tersebut sangat berpengaruh dan menyebabkan perubahan yang cukup signifikan terhadap proses penjadwalan job shop. Begitu juga dengan pembatalan order yang telah terjadwal akan berakibat pada perubahan susunan operasi yang dikerjakan pada mesin produksi. Pada tabel Hasil Penjadwalan Optimasi Genetika terlihat bahwa program algoritma genetika untuk masalah penjadwalan job shop mampu meminimalkan total pinalti E/T (Earliness/Tardiness).
Kamis, 21 April 2011
Metode Jaringan Saraf Tiruan Backpropagation untuk Pengenalan Huruf Cetak pada Citra Digital
Nama : Puguh Ramadhan
Npm : 50407665
Kelas : 4 IA 03
RANGKUMAN
Penggunaan algoritma Back Propagation yang merupakan salah satu cabang dari jaringan saraf tiruan untuk melakukan Pengenalan Huruf Cetak pada Citra Digital sudah cukup tepat karena Metode ini menggunakan prinsip kerja otak manusia yang terdiri dari neuron sebagai pemrosesan input untuk menghasilkan output berdasarkan bobot yang ada.
Algoritma Backpropagation adalah salah satu pengembangan dari arsitektur Single Layer Neural Network. Arsitektur ini terdiri dari input layer, hidden layer dan output layer, dan setiap layer terdiri dari satu atau lebih aritificial neuron. Melakukan pengenalan huruf cetak dengan menggunakan metode jaringan saraf tiruan tidak lepas dari pengolahan citra itu sendiri, disini terdapat beberapa teknik-teknik manipulasi gambar seperti Greyscale, Thresholding, Filter Noise Eliminator dan Segmentasi.
Rangkaian proses untuk Pengenalan Huruf Cetak pada Citra Digital yang dilakukan oleh sistem ini dapat digambarkan dengan blok diagram dan memiliki dua buah menu utama yaitu menu recognition dan menu training. Proses ini akan dijalankan apabila user memilih menu recognition ¬– open, pada proses ini gambar yang berupa huruf cetak akan dibaca dan kemudian setiap karakter pada gambar tersebut akan dicari posisi dan ukurannya (proses segmentasi). Dalam proses segmentasi ini adalah posisi, lebar dan tinggi untuk masing-masing huruf.
Modul yang akan membuat sebuah obyek neural network yang terdiri dari 5 buah object layer (empat hidden layer dan satu output layer) dan sebuah input layer yang hanya berupa array dinamis dengan ukuran 576 sebagai masukan bagi object layer yang pertama. Evaluasi dari sistem ini berdasarkan bobot yang dihasilkan melalui pelatihan lima jenis huruf cetak yang berbeda. Ada 2 macam kesalahan disini, yaitu: huruf yang saling berpotongan akan dianggap sebagai satu huruf dan huruf yang tersambung dengan sangat tipis akan dianggap sebagai dua huruf.
Oleh sebab itu perhitungan persentase pengenalan huruf akan dibagi menjadi dua bagian, yaitu, pengenalan berdasarkan hasil segmentasi yang valid saja dan berdasarkan semua karakater yang digunakan termasuk hasil segementasi yang tidak valid.
Dari pengujian dapat disimpulkan proses pemotongan karakter yang salah pada saat pengolahan citra, menyebabkan total persentase pengenalan menjadi turun yaitu 67,53% untuk jenis huruf sama dengan yang dilatihkan, dan 46,65% untuk jenis huruf yang berbeda dengan yang dilatihkan, pengenalan untuk setiap jenis huruf cetak yang dilatihkan adalah sama (±80%) dan yang tidak dilatihkan bergantung pada jenis karakter tersebut, apabila model karakter tersebut mirip dengan salah satu model karakter yang dilatihkan maka rata-rata hasil pengenalan karakter tersebut akan tinggi. Dalam melakukan proses pengenalan huruf cetak tidak hanya dapat dilakukan dengan menggunakan jaringan saraf tiruan namun dapat pula dengan beberapa metode lain yang mungkin dapat melakukan nya dengan lebih baik.
Npm : 50407665
Kelas : 4 IA 03
RANGKUMAN
Penggunaan algoritma Back Propagation yang merupakan salah satu cabang dari jaringan saraf tiruan untuk melakukan Pengenalan Huruf Cetak pada Citra Digital sudah cukup tepat karena Metode ini menggunakan prinsip kerja otak manusia yang terdiri dari neuron sebagai pemrosesan input untuk menghasilkan output berdasarkan bobot yang ada.
Algoritma Backpropagation adalah salah satu pengembangan dari arsitektur Single Layer Neural Network. Arsitektur ini terdiri dari input layer, hidden layer dan output layer, dan setiap layer terdiri dari satu atau lebih aritificial neuron. Melakukan pengenalan huruf cetak dengan menggunakan metode jaringan saraf tiruan tidak lepas dari pengolahan citra itu sendiri, disini terdapat beberapa teknik-teknik manipulasi gambar seperti Greyscale, Thresholding, Filter Noise Eliminator dan Segmentasi.
Rangkaian proses untuk Pengenalan Huruf Cetak pada Citra Digital yang dilakukan oleh sistem ini dapat digambarkan dengan blok diagram dan memiliki dua buah menu utama yaitu menu recognition dan menu training. Proses ini akan dijalankan apabila user memilih menu recognition ¬– open, pada proses ini gambar yang berupa huruf cetak akan dibaca dan kemudian setiap karakter pada gambar tersebut akan dicari posisi dan ukurannya (proses segmentasi). Dalam proses segmentasi ini adalah posisi, lebar dan tinggi untuk masing-masing huruf.
Modul yang akan membuat sebuah obyek neural network yang terdiri dari 5 buah object layer (empat hidden layer dan satu output layer) dan sebuah input layer yang hanya berupa array dinamis dengan ukuran 576 sebagai masukan bagi object layer yang pertama. Evaluasi dari sistem ini berdasarkan bobot yang dihasilkan melalui pelatihan lima jenis huruf cetak yang berbeda. Ada 2 macam kesalahan disini, yaitu: huruf yang saling berpotongan akan dianggap sebagai satu huruf dan huruf yang tersambung dengan sangat tipis akan dianggap sebagai dua huruf.
Oleh sebab itu perhitungan persentase pengenalan huruf akan dibagi menjadi dua bagian, yaitu, pengenalan berdasarkan hasil segmentasi yang valid saja dan berdasarkan semua karakater yang digunakan termasuk hasil segementasi yang tidak valid.
Dari pengujian dapat disimpulkan proses pemotongan karakter yang salah pada saat pengolahan citra, menyebabkan total persentase pengenalan menjadi turun yaitu 67,53% untuk jenis huruf sama dengan yang dilatihkan, dan 46,65% untuk jenis huruf yang berbeda dengan yang dilatihkan, pengenalan untuk setiap jenis huruf cetak yang dilatihkan adalah sama (±80%) dan yang tidak dilatihkan bergantung pada jenis karakter tersebut, apabila model karakter tersebut mirip dengan salah satu model karakter yang dilatihkan maka rata-rata hasil pengenalan karakter tersebut akan tinggi. Dalam melakukan proses pengenalan huruf cetak tidak hanya dapat dilakukan dengan menggunakan jaringan saraf tiruan namun dapat pula dengan beberapa metode lain yang mungkin dapat melakukan nya dengan lebih baik.
Langganan:
Komentar (Atom)