Implementasi Perceptron Untuk Mendiagnosa Kerusakan Mesin Fotocopy
DOI:
https://doi.org/10.53513/jursi.v1i4.5292Abstract
Pada zaman ini mesin fotocopy sangat berperan penting di dalam kehidupan manusia, hal ini disebabkan karena banyaknya dokumen-dokumen yang perlu untuk dibuat salinannya baik itu untuk keperluan administrasi pemerintahan maupun untuk keperluan pendidikan. Dalam proses memperbanyak dokumen, mesin fotocopy sering kali mengalami kerusakan dan perbaikannya tidak dapat dilakukan dengan segera karena keterbatasan teknisi mesin fotocopy, selain itu biaya yang diperlukan untuk perbaikan juga relatif mahal. Dalam penanganan masalah ini diperlukan sebuah sistem untuk mendiagnosa kerusakan mesin fotocopy sehingga ketika mesin fotocopy mengalami kerusakan perbaikannya dapat dilakukan dengan segera. Perceptron adalah salah satu metode dari jaringan syaraf tiruan dengan konsep perhitungan paling sederhana yang dikenal sebagai algoritma yang hanya digunakan untuk mengklasifikasikan apakah sebuah pola masuk ke dalam kelas tertentu atau tidak. Berdasarkan sifat tersebut Perceptron juga dapat digunakan untuk mengklasifikasikan pola-pola gejala kerusakan pada mesin fotocopy. Sistem yang akan dibangun akan berlandaskan metode Perceptron dengan data input yang akan digunakan adalah pola-pola gejala kerusakan, dimana pola-pola kerusakan ini nantinya akan dihitung menggunakan metode Perceptron agar didapatkan bobot-bobot masing-masing nilai input gejala untuk setiap kerusakan.. Hasil penelitian yang diharapkan adalah terciptanya sebuah aplikasi sistem cerdas yang dapat digunakan untuk mendiagnosa kerusakan mesin fotocopy. Kata Kunci: Jaringan Syaraf Tiruan, Perceptron, Mesin Fotocopy, Sistem Cerdas, DokumenReferences
B. Widodo and S. Derwin, Artificial Intelligence konsep dan penerapannya. Jakarta: Andi Yogyakarta, 2014.
Z. Azmi, M. K. M. Nasution, M. Zarlis, H. Mawengkang, and S. Efendi, “Perceptron Partition Model to Minimize Input
Matrix,†IOP Conf. Ser. Mater. Sci. Eng., vol. 536, no. 1, 2019, doi: 10.1088/1757-899X/536/1/012135.
Suyanto, Artificial Intelligence. Bandung: Informatika Bandung, 2014.
U. Usman and A. Abdullah, “Sistem Cerdas Diagnosa Penyakit Dalam Menggunakan Jaringan Syaraf Tiruan Dengan Metode
Perceptron,†J. Ipteks Terap., vol. 11, no. 4, p. 312, 2017, doi: 10.22216/jit.2017.v11i4.968.
D. Puspitaningrum, Pengantar Jaringan Saraf Tiruan. Yogyakarta: Andi Yogyakarta, 2006.
N. Florida, C. López, and V. Pocomucha, “Penggunaan Jaringan Syaraf Tiruan Backpropagation Untuk Seleksi Penerimaan
Mahasiswa Baru Pada Jurusan Teknik Komputer di Politeknik Negeri Sriwijaya,†vol. 2, no. 2, pp. 35–43, 2017.
M. Arifin, K. Asfani, and A. N. Handayani, “Aplikasi Jaringan Saraf Tiruan Metode Perceptron Pada Pengenalan Pola Notasi,â€
Simetris J. Tek. Mesin, Elektro dan Ilmu Komput., vol. 9, no. 1, pp. 77–86, 2018, doi: 10.24176/simet.v9i1.1737.
M. Majumder, “Artificial Neural Network,†pp. 49–54, 2017, doi: 10.1007/978-981-4560-73-3_3.
P. Soepomo, “Deteksi Penyakit Dan Serangan Hama Tanaman Buah Salak Menggunakan Jaringan Syaraf Tiruan (Jst) Dengan
Metode Perceptron,†J. Sarj. Tek. Inform., vol. 2, no. 2, pp. 431–443, 2017, doi: 10.12928/jstie.v2i2.2836.
K. Yudhistiro, “Pemanfaatan Neural Network Perceptron pada Pengenalan Pola Karakter,†Smatika J., vol. 7, no. 02, pp. 21–
, 2017, doi: 10.32664/smatika.v7i02.153.
I. Ramadhani, S. H. Pratiwi, and A. N. Handayani, “Analisis Jaringan Saraf Tiruan Pengenalan Pola Huruf Hiragana dengan
Model Jaringan Perceptron,†J. Ilm. Teknol. Inf. Asia, vol. 11, no. 1, p. 45, 2017, doi: 10.32815/jitika.v11i1.41
