ROBOT PENGKLASIFIKASI GAS DENGAN METODE SUPPORT VECTOR MACHINE
| Main Author: | FACHRI, KGS. MOCH |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2017
|
| Subjects: | |
| Online Access: |
http://eprints.polsri.ac.id/4588/1/FILE%20I.pdf http://eprints.polsri.ac.id/4588/2/FILE%20II.pdf http://eprints.polsri.ac.id/4588/3/FILE%20III.pdf http://eprints.polsri.ac.id/4588/4/FILE%20IV.pdf http://eprints.polsri.ac.id/4588/5/FILE%20V.pdf http://eprints.polsri.ac.id/4588/6/FILE%20VI.pdf http://eprints.polsri.ac.id/4588/7/FILE%20VII.pdf http://eprints.polsri.ac.id/4588/8/FILE%20VIII.pdf http://eprints.polsri.ac.id/4588/ |
Daftar Isi:
- Kebakaran sering terjadi di lingkungan pabrik kimia industri yang disebabkan oleh gas berbahaya. Rangkaian listrik dan gas berbahaya yang terdapat di lingkungan pabrik memiliki resiko akan terjadinya kebakaran dan kerusakaan lainnya. Untuk meminimalisir kejadian yang dapat dipicu oleh gas tersebut dibutuhkan alat yang mampu mengidentifikasi dan mengklasifikasi gas yang berada di lingkungan industri. Mengenai kebakaran yang dipicu oleh gas berbahaya tersebut, penulis menawarkan solusi dalam merancang dan membangun sebuah mobile robot yang dapat mengklasifikasi gas yang berbahaya dengan menggunakan metode pattern recognition. Walaupun usia SVM terbilang masih relatif muda, namun kelebihan SVM dibandingkan metode yang lain terletak pada kemampuannya untuk menemukan hyperplane terbaik yang memisahkan dua buah class. SVM berusaha menemukan hyperplane yang terbaik. Pada dasarnya proses SVM dibagi menjadi dua tahap yaitu proses pelatihan dan proses pengujian. Pada proses pelatihan, variabel hyperplane yang didapat akan disimpan. Kemudian data tersebut akan digunakan sebagai data latih pada proses pengujian. Dengan kata lain, proses pelatihan adalah untuk mencari support vector dari data input. Berdasarkan hasil pengujian SVM berhasil mengelompokkan data sesuai dengan kelasnya. Dari 18 sampel pengujian, robot mengalami 2 kali gagal dalam mengklasifikasi gas. Tingkat akurasi yang dicapai SVM dalam mengklasifikasi mencapai 86,66%.