PENGENALAN POLA GETARAN REL KERETA API DENGAN METODE MFCC DAN JARINGAN SARAF TIRUAN

BUDIMAN SIMBOLON, . (2017) PENGENALAN POLA GETARAN REL KERETA API DENGAN METODE MFCC DAN JARINGAN SARAF TIRUAN. Sarjana thesis, UNIVERSITAS NEGERI JAKARTA.

Text 3225122045 Budiman Simbolon.pdf Download (2MB)

Abstract

Permasalahan yang sering muncul pada perkeretaapian saat ini adalah tingginya tingkat kecelakaan pada perlintasan kereta api. Penyebab tingginya kecelakaan merupakan akumulasi dari beberapa faktor, diantaranya masalah regulasi, manajemen, kondisi prasarana dan sarana, sumber daya manusia dan lain-lain. Sebagian besar penyebab terjadinya kecelakaan dikarenakan tidak adanya palang pintu perlintasan, kegagalan menutup palang pintu pada saat yang dibutuhkan serta kegagalan operator dalam memerintahkan penutupan palang pintu (human error). Untuk meminimalisir human error tersebut dibutuhkan suatu sistem alternatif untuk mendeteksi kedatangan kereta api. Salah satu diantaranya adalah identifikasi kereta berdasarkan getaran. Sistem ini menggunakan metode MFCC sebagai ekstraksi ciri dan jaringan saraf tiruan sebagai klasifikasi. Penelitian ini menggunakan data sebanyak 160 data getaran kereta dan 160 getaran bukan kereta. Data dikelompokkan menjadi kelompok data latih dan kelompok data uji dengan perbandingan 60:40. Data latih kemudian diekstrak dengan MFFC untuk mendapatkan 13 koefisien MFCC. Pelatihan jaringan dilakukan dengan variasi jumlah neuron mulai dari 10, 20, 30, 40, 50, 60, 70, 80, 90 dan 100. Jaringan saraf tiruan yang digunakan adalah multi layer feed-forward backpropagation. Hasil dari simulasi data uji diperoleh akurasi jaringan saraf tiruan terbaik sebesar 95.83% dengan jumlah neuron 10. The problem that often arises in the railways today is the high level of accidents at railway crossings. The cause of the high accidents is the accumulation of several factors, including the problem of regulation, management, condition of infrastructure and facilities, human resources and others. Most of the causes of accidents are due to the lack of crossing gates, failure to close the door at the time required and the failure of the operator in ordering the closing of the door (human error). To minimize human error is needed an alternative system to detect the arrival of the train. One of them is train identification based on vibration. This system uses the MFCC method as feature extraction and neural networks as a classification. This research uses 160 data vibration of train and 160 vibration not train. Data are grouped into groups of training data and group of test data with 60:40 ratio. The training data is then extracted with MFFC to obtain 13 MFCC coefficients. Network training was performed by varying the number of neurons ranging from 10, 20, 30, 40, 50, 60, 70, 80, 90 and 100. The artificial neural network used was multi layer feedforward backpropagation. The result of simulation of test data obtained by the best artificial neural network accuracy 95.83% with the number of neuron 10.

Item Type:	Thesis (Sarjana)
Additional Information:	1) Dr.rer.nat. Bambang Heru Iswanto, M.Si 2) Dr. Widyaningrum Indrasari, M.Si
Subjects:	Sains > Fisika
Divisions:	FMIPA > S1 Fisika
Depositing User:	sawung yudo
Date Deposited:	24 Mar 2022 05:46
Last Modified:	24 Mar 2022 05:46
URI:	http://repository.unj.ac.id/id/eprint/25299

Actions (login required)

View Item