PERANCANGAN SISTEM PAKAR UNTUK IDENTIFIKASI …

Mediatek, Vol.1 No.1 Juni 2012 Amir Hamzah, Analisa Linier Bangunan 3D yang menggunakan Base Isolator

Diterbitkan Fakultas Teknik UNA 29

PERANCANGAN SISTEM PAKAR UNTUK IDENTIFIKASIKECEPATAN PUTARAN MOTOR INDUKSI

Khairul Saleh,Staf Pengajar Institut teknologi Medan

Dicky ApdilahStaff Pengajar Amik INTEL Com GLOBAL INDO, [email protected]

ABSTRACT

Induction motors are used in many industrial types. To make application system usinginduction motor, we use speed sensor as one of important apparatus to count rotor speed. NeuralNetwork observer needs input data of current and voltage, designed to estimate rotor speed ofinduction motor. We expect Neural network observer replace the function of speed sensor. Neuralnetwork observer uses constructive backpropagation algorithm to learn input data.

Simulation result indicate that estimation of fluksi and speed obtained yield small error,equally neural network observer is able to identify fluksi and rotor speed of induction motor.

Keywords : Induction Motor, Neural network observer, and constructive algorithm

1. PendahuluanMotor induksi adalah mesin yang

kokoh, andal, dan murah dibandingkan denganmotor DC. Dalam aplikasi motor induksi padaindustri diperlukan pengoperasian kecepatanvariable, untuk mendapatkan kecepatanvariable dapat dilakukan dengan sistem looptertutup oleh karena itu diperlukan sensorkecepatan. Namun sensor kecepatanmempunyai kelemahan-kelemahan, misalnyakurang akuratnya hasil pengukuran yangdiakibatkan penempatan system sensor terlalujauh dari system pengendalian sehingga tidakefektif untuk system pengendalian denganplant yang besar. Karena kelemahan-kelemahan penggunaan sensor tersebut makapada penelitian ini akan dirancang suatuobserver yang dapat menggantikan sensorkecepatan.

Metode kontrol vektor tanpa sensorkecepatan (speed sensorless vector controlmethods) untuk motor industri dikembangkanbegitu pesat [1 – 6]. Dalam aplikasi sistempenggerak, kontrol loop tertutup mempunyaibeberapa variabel yang penting yaitu torsi,kecepatan, dan posisi. Untuk memperoleh responarus yang cepat, sebuah loop torsi akandigunakan untuk sistem pengaturan kecepatandan posisi. Sedangkan untuk memperoleh respontorsi yang cepat diperlukan sebuah kontrolerfluksi yang terpisah. Pemisahan kontroler fluksidan torsi dinamakan kontrol vektor (fieldoriented control) [7]. Dengan metode field

oriented control motor induksi mempunyaikarakteristik yang sama dengan motor DC.

Neural network observer denganpembelajaran backpropagasi merupakan salahsatu pengembangan observer yang dapatmenunjukkan unjuk kerja yang sangat baiksehingga dalam hasil simulasinya akandiperoleh error fluksi sebenarnya dan fluksiyang diramalkan dapat dijaga dengan intervalyang kecil [4].

Namun pembelajaran backpropagasimempunyai kelemahan yaitu arsitekturjaringan harus ditentukan secara tepat.Arsitektur jaringan yang terlalu kecil tidakakan menghasilkan estimasi dengan baik,tetapi jika ukuran arsitektur jaringan terlalubesar akan menyebabkan over-fitting sehinggageneralisasi menjadi buruk. Oleh sebab itudalam penelitian ini dirancang suatu observeryang dapat mengestimasi fluksi sekaliguskecepatan yang diperlukan pada pengontrolanmotor induksi dengan menggunakan algoritmapembelajaran backpropagasi terkonstruksi(constructive backpropagation).

Algoritma backpropagasi terkonstruksimerupakan pengembangan dari algoritmabackpropagasi yaitu mempunyai kemampuanuntuk melakukan penyesuaian arsitekturjaringan dengan kompleksitas permasalahanyang dihadapi selama proses pembelajaran [7].Dengan aturan pembelajaran tersebut akanmemperkecil error besaran sebenarnya denganestimasi yang akan diperoleh.



Hasil estimasi fluksi dan kecepatanrotor yang dihasilkan neural network observerdapat dipergunakan dalam systempengendalian kecepatan motor induksi denganmetode field oriented control. Hasil simulasimenunjukkan bahwa estimasi kecepatan danfluksi yang diperoleh mempunyai error yangkecil dengan kata lain neural network observermampu melakukan estimasi fluksi danidentifikasi kecepatan motor induksi.

2. Prinsip Kerja Motor InduksiMotor induksi merupakan motor arus

bolak balik (ac) yang paling banyak digunakanpada industri-industri. Prinsip kerja motor iniberdasarkan proses induksi yang terjadi padabagian rotor. Secara singkat prinsip kerjamotor induksi tiga fasa sebagai berikut :• Apabila sumber tegangan tiga fasa disuplai

pada kumparan stator maka akan timbulmedan putar dengan kecepatan angular (ω

s).

• Medan putar stator akan memotongkonduktor pada rotor sehingga akanterbangkit gaya gerak listrik (ggl) induksi.

• Karena rangkaian rotor merupakan rangkaiantertutup, maka akan timbul arus rotor yangdiakibatkan oleh ggl tersebut.

• Interaksi antara arus dan medan putarmenimbulkan torsi yang menyebabkan rotorberputar.

• Agar tegangan terinduksi, maka diperlukanadanya perbedaan antara kecepatan angulardari medan putar stator (ω

s) dan kecepatan

putar rotor (ωr)

2.2 Sistem Koordinat a-b-cRangkaian ekivalen motor induksi tiga

fasa simetris bila ditinjau dalam rangkaianrotor yang berputar (rotating frame) akanditunjukkan pada Gambar 2.1.

Rangkaian stator digambarkansepanjang sumbu-sumbu as, bs, dan cs,sedangkan rangkaian rotor digambarkansepanjang sumbu-sumbu ar, br, dan cr.

Gambar 2.1. Stator dan rotor motor induksidalam sistem koordinat a, b, c

Berdasarkan gambar tersebut dapatdijabarkan persamaan tegangan stator dan rotorsebagai berikut :

Matrik Lsdan L

rdinyatakan sebagai

dan

Sistem Koordinat d-qRangkaian ekivalen motor induksi dalamkoordinat d-q dapat dilihat pada Gambar 2.2.

Gambar 2.2. Rangkaian ekivalen motor induksidalam koordinat d-q

Untuk mentransformasi persamaan dari sistemkoordinat a-b-c ke sistem koordinat d-q,menggunakan persamaan (2.7), denganvariable f sebagai tegangan, arus, atau fluksi.

PWM InverterVektor rotasi terhadap arus

magnetisasi dan arus torsi menghasilkan arusfase referensi yang digunakan untuk sinyalkontrol PWM inverter. Prosedur pensaklaran(switching) diperlihatkan pada Gambar 2.6,dengan Es_ph adalah tegangan yang akandigunakan oleh stator.



Gambar 2.3 PWM inverter

NEURAL NETWORKJaringan syaraf tiruan didasari dari

cara kerja jaringan syaraf manusia dalammenerima rangsangan dan meresponrangsangan yang diterima, sehingga arsitekturjaringan syaraf tiruan dibuat menyerupaiarsitektur jaringan syaraf manusia [11]. Otakmanusia dapat dikatakan sebagai suatucomputer yang sangat modern yang terdiri darisekitar 10 milyar neuron, aktivitas manusiaakan diatur oleh neuron tersebut. Masing-masing neuron akan selalu berhubungandengan neuron yang lain dan membentuk suatujaringan yang disebut sebagai neural network(jaringan syaraf). Sebuah sel syaraf terdiri darisebuah badan sel (soma) dengan inti sel(nucleus) di dalamnya. Pada badan sel terdapatserat halus yang disebut dendrit.

Gambar 3.1. Sel Syaraf

Dendrit berfungsi mengantarkan sinyalmasuk ke dalam badan sel. Pada badan selterdapat serat panjang yang disebut akson,bermula dari sebuah titik yang dinamakanakson hillock. Akson berfungsi menyalurkansinyal dari badan sel. Ujung akson mempunyaicabang-cabang kecil yang bersentuhan dengandendrit, soma, atau akson dari sel syaraf lain.Sambungan ini disebut sinapsis.

Pemodelan sistem jaringan syarafmanusia kedalam model matematik dalambentuk neural network didasarkan atasbeberapa asumsi, yaitu:

A. Pemprosesan informasi terjadi padaelemen-elemen prosesor sederhana yangdinamakan neuron.

B. Sinyal yang dilewatkan di antara neuron-neuron melalui suatu penghubung.

C. Setiap penghubung memiliki pembobotw

kj, dengan sinyal yang dikirim x

jakan

dikalikan dengan pembobot tersebut.

D. Setiap neuron memiliki fungsi aktivasi ϕ(.)biasanya non-linier terhadap masukan-masukannya untuk menghasilkan sinyalkeluaran.

Neuron adalah unit pemprosesinformasi yang fundamental untuk operasijaringan syaraf sehingga neuron seringdiistilahkan sebagai elemen pemproses(processing element). Secara sederhana bentukmatekatik dari neural network dijelaskan padaGambar 3.2.

Gambar 3.2. Pemodelan jaringan syaraf kemodel matematik

Sebuah neuron k dapat dituliskandalam dua persamaan di bawah ini.

denganp = jumlah sinyal masukan

x1, x

2,…,x

p= sinyal masukan

wk1

, wk2

,…,wkj

= bobot sinapsis neuron k

uk

= keluaran hasil penjumlahan

θk

= nilai ambang

ϕ(.) = fungsi aktivasiy

k= sinyal keluaran neuron.



Dapat disimpulkan karakteristik neuralnetwork ditentukan oleh :• Fungsi aktivasi• Pola koneksi antar neuron (arsitektur)• Metode penentuan pembobot (algoritma

pelatihan atau pembelajaran)

3.1 Fungsi AktifasiOperasi dasar dari neural network

merupakan penjumlahan dari perkalianmasing-masing sinyal input denganpembobotnya kemudian masuk ke dalam suatufungsi transfer (fungsi aktivasi) untukmenghasilkan output. Fungsi aktivasidisimbolkan dengan ϕ(.) bentuknya bermacam-macam dan memiliki keunggulan masing-masing. Pertimbangan yang dapat digunakanuntuk menentukan fungsi aktivasi yang sesuaiadalah kemudahan perhitungan danpengaruhnya pada konvergensi. Fungsiaktivasi dapat dibedakan menjadi tiga tipedasar, yaitu :

1. Fungsi ambangPersamaan fungsi aktivasi ini adalah

Gambar 3.3. Fungsi ambang

Fungsi identitasFungsi ini dinyatakan dengan persamaanΦ(v )= v untuk seluruh v

Gambar 3.4. Fungsi identitas

3. Fungsi sigmoidFungsi sigmoid adalah fungsi aktivasiyang paling sering digunakan untukmembentuk jaringan syaraf tiruan. Fungsisigmoid didefinisikan seperti Persamaan(3.7).

dengan a adalah parameter kemiringan darifungsi sigmoid, yang grafiknya dapat dilihatpada gambar 3.5. Jika harga a mendekati takterhingga, maka fungsi sigmoid di atas akanmenjadi sebuah fungsi ambang.

Gambar 3.5. Fungsi sigmoid dengan beberapaparameter a

Neuron-neuron dalam jaringan syarafsaling berhubungan dengan struktur tertentu.Arsitektur jaringan syaraf dapat dibedakansebagai berikut :1. Jaringan umpan maju satu lapisan (single-

layer feedforward network)

Ilustrasi dari struktur ini dapat dilihatpada Gambar 3.6. Pada Gambar 3.6 lingkaranmewakili sebuah neuron. Simpul-simpul padainput tidak disebut sebagai lapisan karenafungsinya hanya mendistribusikan masukandan tidak melakukan perhitungan.

Gambar 3.6. Jaringan umpan maju satu lapisan

Jaringan umpan maju banyak lapisan (multi-layer feedforward network)

Pada struktur ini terdapat satu atau beberapahidden layer. Disebut hidden karena unit-unitpada lapisan ini tidak berhubungan dengan



dunia luar. Contoh struktur ini ditunjukkanpada Gambar 3.7.

Gambar 3.7. Jaringan umpan maju dengan satuhidden layer

BackpropagasiBackpropagasi sering digunakan sebagaisupervised learning untuk neural network.

Gambar 3.8. Feedforward neural network,hubungan dari unit i ke unit j

Multilayer feedforward networkditunjukkan pada Gambar 3.8 diatas.Didefinisikan i, j, dan k sebagai unit, o sebagaioutput unit, p sebagai pola pembelajaran(dimana masing-masing pola pembelajaranberisi input dan output target), xj

p sebagai inputuntuk unit j ke pola p, Yj

p sebagai outputaktivasi dari unit j pada pola p , Wij sebagaibobot dari unit i ke unit j, Tj

p sebagai targetaktivasi untuk unit j dalam pola p untuk (j Єo), Ep sebagai global output error untuk polapembelajaran p dan E sebagai global erroruntuk set pembelajaran. Diasumsikan jenisnetwork adalah :

Backpropagasi Terkonstruksi

Algoritma arsitektur jaringan yangtepat sangatlah diperlukan. Terlalu keciljaringan tidak dapat mempelajari masalahdengan baik, tetapi terlalu besarmengakibatkan over-fitting dan kinerja yanglemah.

Gambar 3.10. Inisialisasi state padabackpropagasi terkonstruksi

Gambar 3.11. Inisialisasi state setelahpenambahan dua hidden unit

Algoritma dasar dari backpropagasiterkonstruksi adalah:1. Inisialisasi:

Jaringan tidak mempunyai hidden unit.Bias pembobot dan hubungan langsung(hubungan short cut) dari input ke output unitsetelah pembelajaran pembobot darikonfigurasi inisialisasi adalah tetap.



Gambar 3.13. Diagram alir backpropagasiterkonstruksi2. Pembelajaran hidden unit baru :

Menghubungkan input ke unit baru(unit baru adalah unit ke-i, i > 0) danmenghubungkan outputnya ke output unit.Mengatur semua pembobot yang dihubungkanke unit baru.

3. Pembekuan (freeze) hidden unit baru.Menetapkan pembobot yang

dihubungkan ke unit baru.4. Pengetesan konvergensi

Jika jumlah hidden unit sekarangmenghasilkan solusi yang bisa diterima(konvergen) maka pembelajaran berhenti jikatidak maka kembali ke langkah 2.Algoritma diatas dapat digambarkan dalambentuk diagram alir pada Gambar 3.13.

Perancangan Neural Network ObserverMengembangkan dari beberapa

penelitian yang telah dilakukan oleh H.Kubota, dkk [1], Jehudi Maes, dkk [2], V.Petridis [4] dan Seong-Hwan Kim[6], makablok diagram sistem yang dikembangkan padapenelitian ini adalah seperti ditunjukkan padaGambar 4.1.

Gambar 4.1 Diagram blok sistemBlok diagram Gambar 4.1

dikembangkan kedalam simulasi permodelansistem dengan menggunakan fasilitas m-filedari Matlab 6.0. Rating motor tiga fasa yangdipakai untuk simulasi adalah :115 Volt , 2 pasang kutub, 60 HzR

s= 176 resistansi stator (ohm)

Rr= 190 resistansi rotor (ohm)

Ls= 3.79 induktansi diri stator (H)

Lr= 3.31 induktansi diri rotor (H)

M = 3.21 induktansi gandeng (H)

J = 1.05e-5 momen inersia (kg.m2

)

Kd= 1.49e-5 konstanta gesek (kg.m

2

/s)

Neural network observer berfungsisebagai estimator fluksi sehingga fluksi rotoryang merupakan variabel keadaan dari modelmotor induksi dapat diketahui dandimanfaatkan dalam sistem pengendalian.Persamaan (2.20) digunakan neural networkobserver untuk menirukan dinamikapersamaan variabel motor induksi sehinggadengan pembelajaran data-data yang diperoleh,neural network observer dapat mengestimasifluksi dan kecepatan rotor.

Pengambilan DataData pembelajaran diambil dari

simulasi sistem saat dijalankan tanpa neuralnetwork observer. Motor induksi dikemudikandengan PWM inverter dan time sampling yangdiambil sebesar 0,00005 detik. Data inidigunakan untuk pembelajaran neural networkdengan metode backpropagasi terkonstruksi.

PembelajaranMetode pembelajaran untuk estimasi

fluksi dan identifikasi kecepatan motor induksitiga fasa menggunakan pembelajaranbackpropagasi terkonstruksi (learningconstructive backpropagation). Jaringan initerdiri dari tiga layer, yaitu input layer, hiddenlayer, dan output layer.

Proses pembelajaran menggunakan 10neuron pada masing-masing hidden layer danpembelajaran dilakukan sebayak 500 epoch.Apabila hasil pembelajaran belum konvergenatau tidak sesuai target maka akan terjadipenambahan hidden layer baru dengan jumlahneuron dan epoch yang sama yaitu 10 neurondan 500 epoch, penambahan hidden layer akanberhenti bila hasil pembelajaran konvergen.



Pembelajaran dilakukan denganmenggunakan parameter laju pembelajaran(learning rate) 0,5 dan error yang ingin dicapaiadalah 0,001. Harga awal pembobot ditentukanrandom berkisar antara –0,5 dan 0,5 untukmencari parameter optimal yang menghasilkankinerja yang terbaik dari neural network yaitudengan melakukan penilaian menurut suatubesaran mean square error sesuai denganpersamaan (3.10).

Konfigurasi saat pembelajaran off-lineyaitu pembelajaran dari neural networkobserver untuk estimasi fluksi rotormenggunakan model motor induksitanpa adanya parameter dari motor induksipada saat beroperasi, konfigurasi tersebutdapat dilihat pada Gambar 4.2. Pada Gambar4.3 diperlihatkan konfigurasi pembelajaran offline neural network observer untuk identifikasikecepatan putaran rotor.

Gambar 4.2. Skema pembelajaran off lineneural network observer untuk estimasi fluk

Gambar 4.3 Skema pembelajaran off lineneural network observer untuk identifikasikecepatan

Berikut ini beberapa hasil simulasiyang diperoleh untuk estimasi fluksi rotor,performansi yang ditunjukkan menampilkanhasil simulasi pada kecepatan yang berbeda.

Gambar 4.5 Estimasi fluksi direct (Fdr) padakecepatan 1000 rpm

Gambar 4.6 Estimasi fluksi quadratur (Fqr)pada kecepatan 1000 rpm

Gambar 4.7 Estimasi fluksi direct (Fdr) padakecepatan 1200 rpm

Gambar 4.8 Estimasi fluksi quadratur (Fqr)pada kecepatan 1200 rpmSedangkan untuk identifikasi kecepatandiperoleh hasil sebagai berikut :



Gambar 4.9 Identifikasi kecepatan rotor 1000rpm

Gambar 4.10 Identifikasi kecepatan rotor 1200rpm

Pengujian dilakukan denganpengambilan kecepatan yang berbeda, gambaruntuk masing-masing pengujian dapat dilihatsecara lengkap pada lampiran C untuk simulasifluksi direct, lampiran D untuk simulasi fluksiquadratur, dan lampiran E untuk simulasikecepatan rotor motor induksi.

4.5 AnalisisDari gambar simulasi fluksi yang

dilakukan memperlihatkan bahwa neuralnetwork observer dapat mengestimasi fluksidirect dan fluksi quadratur dengan nilaikesalahan yang relatif kecil yang ditunjukkandengan berhimpitnya fluksi aktual denganfluksi hasil estimasi.Tabel 4.1 Pengujian neural network observerpada kecepatan yang berbeda

Dari Tabel 4.1 dapat ditunjukkanbahwa nilai Standart Error Estimasi kecepatanyang terjadi relatif kecil berkisar antara16,3298 (kecepatan 1200 rpm) sampai 19,5077(kecepatan 500 rpm). Hal ini menunjukkanbahwa neural network observer yang dirancangmampu mengestimasi kecepatan rotor denganbaik.

Pada pengujian kecepatan 100 rpmdidapat Standart Error Estimasi untuk fluksidirect dan quadratur adalah 0,082678 Wb dan0,09706 Wb. Sedangkan untuk Standart ErrorEstimasi kecepatan rotor adalah 22,3478 rpm(22,34%). Dari data pengujian tersebutdiketahui bahwa SEE kecepatan relative cukupbesar dan terjadi riak (ripple) pada hasilestimasi namun neural network observer yangdirancang masih mampu mengikuti pola fluksidan kecepatan rotor, hal ini disebabkan karenapembelajaran yang dilakukan cenderungspesifik terhadap data kecepatan tinggisehingga neural network observer tidak dapatmengestimasi dengan tepat pada kecepatandibawah 100 rpm.

KesimpulanBerdasarkan hasil simulasi dan analisis yangtelah dilakukan terhadap neural networkobserver maka didapat kesimpulan sebagaiberikut :• Simulasi estimasi fluksi neural network

observer dengan kecepatan yang berbedadiperoleh nilai Standar Error Estimasi(SEE) fluksi direct rotor berkisar antara0,0188 Wb sampai 0,0380 Wb. Sedangkanuntuk nilai Standar Error Estimasi (SEE)fluksi qudratur berkisar antara 0,0206 Wbsampai 0,0361 Wb.

• Simulasi identifikasi kecepatan rotor neuralnetwork observer dengan kecepatan yangberbeda diperoleh nilai Standar ErrorEstimasi (SEE) berkisar antara 16,3298 rpmsampai 19,5077rpm.

Neural network observer yangdirancang mampu mengestimasi fluksi dankecepatan rotor dengan baik yaitu ditunjukkandengan error yang kecil, sekitar 3,9%



(kecepatan 500rpm) sampai 1,36% (kecepatan1200). Namun untuk estimasi kecepatan 100rpm error yang didapat cukup besar yaitu22,34%. Dari data pengujian tersebut diketahuibahwa SEE kecepatan relative cukup besar danterjadi riak (ripple) pada hasil estimasi namunneural network observer masih mampumengikuti pola fluksi dan kecepatan rotor.

REFERENSI1. H. Kubota, K. Matsuse, and T. Nakano,

DSP-Based speed adaptive flux observerof induction motor, IEEE Trans. Ind.Applicant., vol 29, pp 344-348, Mar/Apr.1993

2. Jehudi Maes and Jan A. Melkebeek, SpeedSensorless Direct Torque Control ofInduction Motors Using an AdaptiveObserver, IEEE Trans. On IndustryApplication, Vol. 36,No.3, May/June,2000

3. Eng Kian Kenneth Sng, Ah-choy Liew,and Thomas A. Lipo, New Observer BasedDFO Scheme for Speed Sensorless FieldOriented Drive for Low-Zero-SpeedOperating, IEEE Trans. On IndustryApplication, Vol.13, No.5, Sep 1998

4. J. Thecharis and V. Petridis, NeuralNetwork Observer for Induction MotorControl, IEEE Control System, April 1994

5. Kouki Matsuse, Shotaro Taniguchi,Tatsuya Yoshizumi, and KazushigeNamiki, A Speed Sensorless VectorControl of Induction Motor Operating atHigh Effienciency Taking Cre Loss IntoAccount, IEEE Trans. On Industryapplication, Vol.37, No.2, March/April,2001

6. Seong-Hwan Kim, Tae-Sik Park, Ji-YoonToo, and Gwi-Tae Park, Speed-SensorlessVector Control of an Induction MotorUsing Neural Network Speed Estimation,IEEE Trans. On Industry application,Vol.48, No.3, June 2001

7. Boldea, I., Vector control of AC drive,CRC Press, Inc., 1992

8. Lehtokangas, M., Modelling withConstructive Bacpropagation, NeuralNetwork, No.12, p.707-716, 1999

9. Derong Liu, Tsu-Shuan Chang, and YiZhang, A Constructive Algorithm forFeedforward Neural Network WithIncremental Training, IEEE Trans. OnIndustry application, Vol.49, No.12,December 2002

10. Iradiratu, Mauridhi Hery Purnomo, EraPurwanto, Perancangan Model Observeruntuk Identifikasi Kecepatan MotorInduksi, Proceedings SMED, Sep 2002

11. Fauset, L., Fundamental of NeuralNetwork, Prentice-Hall International 1994

12. Neural Network Toolbox User’s Guide,For Use With MATLAB, in MathworksHandBook, Math Works, January 1998

13. Krause Paul C., Analysis of ElectricMachinery, McGraw-Hill Book Company,Singapore, 1987.

14. Khishman, Electric Motor Drive, PrenticeHall, New Jersey 2001.

15. Era Purwanto, Application of AdaptiveNeuro Fuzzy Inference System on theDevelopment of the Observer for SpeedSensorless Induction Motor, IEEECatalogue No. 01CH37239-7803-7101-1,2000

16. Nasuha A, Mauridhi Herry.P, DeteksiKanker Paru Melalui Citra Dahak PasienDengan Menggunakan ConstructiveBackpropagation, Proceeding SITIA, Aplil2000.

17. Rajesh P, jihoon Yang, and Vasant H,Contructive Neural Network LearningAlgorithms for Pattern Classification,IEEE Trans. On Neural Network, Vol.11,No.2, March 2000

Documents

PERANCANGAN SISTEM PAKAR UNTUK IDENTIFIKASI …