Komponen Elektronika beserta fungsi dan Satuannya

Komponen Elektronika beserta fungsi dan Satuannya

1)      RESISTOR

Tahanan listrik pada sebuah penghantar dilambangkan dengan R dan diidentifikasikan dengan rumus :

R = V/I

dimana :

R = Tahanan dalam Ohm

V = Tegangan dalam Volt

I = Arus dalam Ampere

Tahanan merupakan komponen yang didesain untuk memiliki besar tahanan tertentu dan disebut pula sebagai resistor. Resistor dikategorikan menjadi 2, yaitu:

1. Resistor linear : resistor yang bekerja sesuai dengan hukum ohm
2. Resistor non linear : dimana perubahan nilai karena kepekaan tertentu

a.      Fotoresistor : peka terhadap cahaya

b.      Thermistor : peka terhadap panas

c.       Resistor yang tergantung pada tegangan listrik

2)      KAPASITOR

Kapasitor banyak digunakan dalam sirkit elektronik dan mengerjakan berbagai fungsi. Pada dasarnya kapasitor merupakan komponen penyimpan muatan listrik yang dibentuk dari dua permukaan yang berhubungan tapi dipisahkan oleh satu penyekat. Bila elektron berpisah dari satu plat ke plat lain akan terdapat muatan diantara kedua plat medium penyekat tadi. Muatan ini diseb abkan oleh muatan positif pada plat yang kehilangan elektron dan muatan negatif pada plat yang memperoleh elektron.Apabila diantara kedua plat diberikan tegangan 1 volt maka kapasitor dapat menyimpan muatan listrik sebesar 1 coulomb, maka kapasitas dari kapasitor tersebut adalah 1 farad. Maka besarnya kapasitansi dapat dihitung dengan rumus :

Kapasitansi C = ( Muatan Q / Tegangan V )

3)      INDUKTOR

Bentuk dasar sebuah induktor adalah kawat yang dililitkan menjadi sebuah koil.

jika terdapat arus yang mengalir pada induktor maka akan terbentuk medan magnet, jika arus tersebut berubah maka medan magnet tersebut akan berubah pula. Jika arus meningkat maka medan magnet juga akan meningkat. Perubahan medan magnet iniakan menginduksi suatu tegangan pada koil. Hal ini terjadi karena suatu sifat yang disebut dengan induksi diri atau sering disebut dengan induktansi.

induktasi adalah ukuran kemampuan sebuah induktor untuk membangkitkan suatu tegangan induksi sebagai akibat dari perubahan arus yang mengalir pada induktor. Induktor dapat menyimpan energi di dalam medan magnet yang dihasilkan oleh arus. Induktor dibuat dalam berbagai bentuk dan ukuran. Induktor dapat menyimpan energi di dalam medan magnet yang dihasilkan oleh arus. Besar energi dinyatakan dengan rumus :

W = ½.L.I2

dimana : W = energi dalam Joule

L = induktansi dalam Henry

I = arus dalam Ampere

4)      DIODA

Diode modern dibuat dari bahan semikonduktor. Pada mulanya diode dibuat dari bahan germanium karena bahan ini lebih mudah dipakai untuk memurnikan bahan dasar apabila dibandingkan dengan silikon, namun semua peralatan germanium mempunyai kelemahan yaitu akan rusak bila suhu naik. Setelah pemurnian silikon mencapai tingkat yangdibutuhk an, peralatan silikon mulai muncul. Sekarang pasaran semikonduktor benarbenar dikuasai oleh silikon.

Diode merupakan bahan dengan 2 terminal dan terbentuk dari dua jenis semikonduktor (silikon jenis n dan silikon jenis p) yang tersambung. Bahan ini mampu dialiri arus secara relatif mudah dalam satu arah. Diode dibuat dalam berbagai bentuk dan ukuran serta amat berguna. Pada simbol diode menyerupai anah panah yang menunjukkan arah aliran arus listrik.

5)      Transformator atau sering juga disebut trafo adalah komponen elektronika pasif yang berfungsi untuk mengubah (menaikkan/menurunkan) tegangangan listrik bolak-balik (AC). Bentuk dasar transformator adalah sepasang ujung pada bagian primer dan sepasang ujung pada bagian sekunder. Bagian primer dan skunder adalah merupakan lilitan kawat email yang tidak berhubungan secara elektris. Kedua lilitan kawat ini dililitkan pada sebuah inti yang dinamakan inti trafo. Untuk trafo yang digunakan pada tegangan AC frekuensi rendah biasanya inti trafo terbuat dari lempengan2 besi yang disusun menjadi satu membentuk teras besi. Sedangkan untuk trafo frekuensi tinggi (digunakan pada rangkaian2 Radio Frequency/RF) menggunakan inti ferit (serbuk besi yang dipadatkan).

Besarnya arus listrik yang bisa di supply oleh sebuah trafo biasanya juga dicantumkan misalnya 0.5 Amp, 1 Amp, 5 Amp dsb. Sesuaikan dengan kebutuhan jika membeli atau menggunakannya agar bisa berfungsi normal dan efisien.

6)      Relay merupakan suatu komponen (rangkaian) elektronika yang bersifat elektronis dan sederhana serta tersusun oleh saklar, lilitan, dan poros besi. Penggunaan relay ini dalam perangkat-perangkat elektronika sangatlah banyak. Terutama di perangkat yang bersifat elektronis atau otomatis. Contoh di Televisi, Radio, Lampu otomatis dan lain-lain.

Cara kerja komponen ini dimulai pada saat mengalirnya arus listrik melalui koil,lalu membuat medan magnet sekitarnya sehingga dapat merubah posisi saklar yang ada di dalam relay terserbut, sehingga menghasilkan arus listrik yang lebih besar. Disinilah keutamaan komponen sederhana ini yaitu dengan bentuknya yang minimal bisa menghasilkan arus yang lebih besar.

Pemakaian relay dalam perangkat-perangkat elektronika mempunyai Keuntungan yaitu ;

1. Dapat mengontrol sendiri arus serta tegangan listrik yang diinginkan.
2. Dapat memaksimalkan besarnya tegangan listrik hingga mencapai batas maksimalnya.
3. Dapat menggunakan baik saklar maupun koil lebih dari satu, disesuaikan dengan kebutuhan

7)      Transduser berasal dari kata “traducere” dalam bahasa Latin yang berarti mengubah. Sehingga transduser dapat didefinisikan sebagai suatu peranti yang dapat mengubah suatu energi ke bentuk energi yang lain. Bagian masukan dari transduser disebut “sensor ”, karena bagian ini dapat mengindera suatu kuantitas fisik tertentu dan mengubahnya menjadi bentuk energi yang lain.

Dari sisi pola aktivasinya, transduser dapat dibagi menjadi dua,yaitu:

a. Transduser pasif

yaitu transduser yang dapat bekerja bila mendapat energi tambahan dari luar. Contoh : thermistor. Untuk mengubah energi panas menjadi energi listrik yaitu tegangan listrik, maka thermistor harus dialiri arus listrik. Ketika hambatan thermistor berubah karena pengaruh panas, maka tegangan listrik dari thermistor juga berubah.

b. Transduser aktif

yaitu transduser yang bekerja tanpa tambahan energi dari luar, tetapi menggunakan energi yang akan diubah itu sendiri. Contoh : termokopel. Ketika menerima panas, termokopel langsung menghasilkan tegangan listrik tanpa membutuhkan energi dari luar.

8)      Komparator merupakan rangkaian elektronik yang akan membandingkan suatu input dengan referensi tertentu untuk menghasilkan output berupa dua nilai (high dan low). Suatu komparator mempunyai dua masukan yang terdiri dari tegangan acuan (V_reference) dan tegangan masukan (V_input) serta satu tegangan ouput (V_output).

Komparator biasanya menggunakan Op-Amp sebagai piranti utama dalam rangkaian.V_refdi hubungkan ke +V _supply, kemudian R₁ dan R₂ digunakan sebagai pembagi tegangan, sehingga nilai tegangan yang di referensikan pada masukan Op-amp adalah sebesar :

V = [R₁/(R₁+R₂) ]

9)      Satuan-satuan praktis yang sering digunakan dalam pengukuran -pengukuran besaran listrik adalah :

1. Arus Listrik ( I ) = Ampere ( A )
2. Tegangan ( V ) = Volt ( V )
3. Tahanan ( R ) = Ohm ( W )
4. Daya Semu ( S ) = Voltampere ( VA)
5. Daya Nyata ( P ) = Watt ( W )
6. Daya Reaktif ( Q ) = Voltampere reaktif ( VAR )
7. Induktansi ( L ) = Henry ( H )
8. Kapasitansi ( C ) = Farad ( F )
9. Muatan Listrik ( Q ) = Coulomb ( C )
10. sumberhttp://tugaskuliah-esti.blogspot.com/2012/08/komponen-elektronika-beserta-fungsi-dan.html

Read More

Pengertian Data Mining

Pengertian

• Data mining merupakan proses berulang-ulang, di manapenyelesaian didefinisikan olehpenemuan, baik secara otomatisatau metode manual.(Kantardzic, 2003)
• Data mining (DM) adalah ekstraksi dari suatu informasi yang manarik atau berguna dari database besar (DB). Dengan pencarian otomatispengetahuan implisit dalam DBs, menggunakan DM analisis statistik canggih dan teknik pemodelan untuk menemukan pola dan hubungantersembunyi dalam organisasi DBs (Wang, 2003)
• Data mining merujuk pada ekstraksi atau \ pertambangan "pengetahuan dari data dalam jumlah besar (Han, 2005)
• Non-trivial ekstraksi implisit, yang sebelumnya tidak dikenal dan berpotensimenjadi informasi yang berguna dari data (Tan, 2003)

Macam - Macam Model Data Mining

A. Metode Prediksi
Dengan menggunakan beberapa variabel untuk memprediksi nilai yang belum diketahui (unknown) atau nilai selanjutnya (future) atau variabel lain.

Contoh :

1. Classification

• Pada persoalan klasifikasi, kita memiliki sejumlah kasus (sampel data) dan ingin mempresiksi beberapa class yang ada pada sampel data tersebut.
• Tiap isntan data berisi banyak atribut, dimana masing-masing atribut memiliki satu dari beberapa kemungkinan nilai.
• Hanya satu atribut diantara banyak aribut tersebut yang disebut atribut target, sedangkan atribut yang lain disebut sebagai atribut prediktor.

2. Regression
3. Deviation Detection

B. Metode DeskripsiMenemukan pola pendeskripsian data yang dapat diinterpretasikan oleh manusia.

Contoh :

1. Clustering

• Teknik yang berguna untuk mengeksplorasi data
• digunakan pada saat banyak kasus dan tidak memiliki pengelompokan secara alami. (Dalam hal ini algoritma data mining dapat digunakan untuk mencari pengelompokan yang ada pada peta).
• Clustering model berbeda dari model prediktif dikarenakan pada clustering tidak perlu ada atribut target.
• Clustering juga dapat diorganisasi ke dalam sturktur hirarkikal akan mendefinisikan taksonomi dari data.

2. Association Rule Discovery

• Sering disebut "Market Basket Analysis" yang digunakan untk menemukan relasi atau korelasi diantara himpunan item-item.
• Fungsi ini paling banyak digunakan untuk menganalisa data dalam rangka keperluan strategi pemasaran, desain katalog, dan proses pembuatan keputusan bisnis.
• Bisa dinyatakan sebagai, misal : "70 % dari orang-orang yang memebeli mie, juice dan saus akan membeli juga roti tawar."

3. Sequential Pattern Discovery

Sumberhttp://funpreuner.blogspot.com/2011/02/pertemuan-1-pengertian-dan-macam-macam.html

Read More

Pengertian Clustering Wilayah

Clustering

Clustering adalah metode penganalisaan data, yang sering dimasukkan sebagai salah satu metode Data Mining, yang tujuannya adalah untuk mengelompokkan data dengan karakteristik yang sama ke suatu ‘wilayah’ yang sama dan data dengan karakteristik yang berbeda ke ‘wilayah’ yang lain.

Ada beberapa pendekatan yang digunakan dalam mengembangkan metode clustering. Dua pendekatan utama adalah clustering dengan pendekatan partisi dan clustering dengan pendekatan hirarki. Clustering dengan pendekatan partisi atau sering disebut dengan partition-based clustering mengelompokkan data dengan memilah-milah data yang dianalisa ke dalam cluster-cluster yang ada. Clustering dengan pendekatan hirarki atau sering disebut dengan hierarchical clustering mengelompokkan data dengan membuat suatu hirarki berupa dendogram dimana data yang mirip akan ditempatkan pada hirarki yang berdekatan dan yang tidak pada hirarki yang berjauhan. Di samping kedua pendekatan tersebut, ada juga clustering dengan pendekatan automatic mapping (Self-Organising Map/SOM)

Clustering Dengan Pendekatan Partisi

K-Means

Salah satu metode yang banyak digunakan dalam melakukan clustering dengan partisi ini adalah metode k-means. Secara umum metode k-means ini melakukan proses pengelompokan dengan prosedur sebagai berikut:

• Tentukan jumlah cluster
• Alokasikan data secara random ke cluster yang ada
• Hitung rata-rata setiap cluster dari data yang tergabung di dalamnya
• Alokasikan kembali semua data ke cluster terdekat
• Ulang proses nomor 3, sampai tidak ada perubahan atau perubahan yang terjadi masih sudah di bawah treshold

Prosedur dasar ini bisa berubah mengikuti pendekatan pengalokasian data yang diterapkan, apakah crisp atau fuzzy. Setelah meneliti clustering dari sudut yang lain, saya menemukan bahwa k-means clustering mempunyai beberapa kelemahan.
Hal-hal terkait dengan metode k-means saya rangkum dalam tulisan saya yang dapat di-download di sini (k-means – penerapan, permasalahan dan metode terkait).

Penjelasan lengkap tentang k-means dapat juga dilihat pada Yudi Agusta’s K-Means Page.

Mixture Modelling (Mixture Modeling)

Mixture modelling (mixture modeling) merupakan metode pengelompokan data yang mirip dengan k-means dengan kelebihan penggunaan distribusi statistik dalam mendefinisikan setiap cluster yang ditemukan. Dibandingkan dengan k-means yang hanya menggunakan cluster center, penggunaan distribusi statistik ini mengijinkan kita untuk:

• Memodel data yang kita miliki dengan setting karakteristik yang berbeda-beda
• Jumlah cluster yang sesuai dengan keadaan data bisa ditemukan seiring dengan proses pemodelan karakteristik dari masing-masing cluster
• Hasil pemodelan clustering yang dilaksanakan bisa diuji tingkat keakuratannya

Distribusi statistik yang digunakan bisa bermacam-macam mulai dari yang digunakan untuk data categorical sampai yang continuous, termasuk di antaranya distribusi binomial, multinomial, normal dan lain-lain. Beberapa distribusi yang bersifat tidak normal seperti distribusi Poisson, von-Mises, Gamma dan Student t, juga diterapkan untuk bisa mengakomodasi berbagai keadaan data yang ada di lapangan. Beberapa pendekatan multivariate juga banyak diterapkan untuk memperhitungkan tingkat keterkaitan antara variabel data yang satu dengan yang lainnya.

Klik Yudi Agusta’s Mixture Modelling Page untuk penjelasan lebih rinci.

Clustering dengan Pendekatan Hirarki

Clustering dengan pendekatan hirarki mengelompokkan data yang mirip dalam hirarki yang sama dan yang tidak mirip di hirarki yang agak jauh. Ada dua metode yang sering diterapkan yaitu agglomerative hieararchical clustering dan divisive hierarchical clustering. Agglomerative melakukan proses clustering dari N cluster menjadi satu kesatuan cluster, dimana N adalah jumlah data, sedangkan divisive melakukan proses clustering yang sebaliknya yaitu dari satu cluster menjadi N cluster.

Beberapa metode hierarchical clustering yang sering digunakan dibedakan menurut cara mereka untuk menghitung tingkat kemiripan. Ada yang menggunakan Single Linkage, Complete Linkage, Average Linkage, Average Group Linkage dan lain-lainnya. Seperti juga halnya dengan partition-based clustering, kita juga bisa memilih jenis jarak yang digunakan untuk menghitung tingkat kemiripan antar data.

Salah satu cara untuk mempermudah pengembangan dendogram untuk hierarchical clustering ini adalah dengan membuat similarity matrix yang memuat tingkat kemiripan antar data yang dikelompokkan. Tingkat kemiripan bisa dihitung dengan berbagai macam cara seperti dengan Euclidean Distance Space. Berangkat dari similarity matrix ini, kita bisa memilih lingkage jenis mana yang akan digunakan untuk mengelompokkan data yang dianalisa.

Clustering Dengan Pendekatan Automatic Mapping

Self-Organising Map (SOM)

Self-Organising Map (SOM) merupakan suatu tipe Artificial Neural Networks yang di-training secara unsupervised. SOM menghasilkan map yang terdiri dari output dalam dimensi yang rendah (2 atau 3 dimensi). Map ini berusaha mencari property dari input data. Komposisi input dan output dalam SOM mirip dengan komposisi dari proses feature scaling (multidimensional scaling).

Walaupun proses learning yang dilakukan mirip dengan Artificial Neural Networks, tetapi proses untuk meng-assign input data ke map, lebih mirip dengan K-Means dan kNN Algorithm. Adapun prosedur yang ditempuh dalam melakukan clustering dengan SOM adalah sebagai berikut:

• Tentukan weight dari input data secara random
• Pilih salah satu input data
• Hitung tingkat kesamaan (dengan Eucledian) antara input data dan weight dari input data tersebut dan pilih input data yang memiliki kesamaan dengan weight yang ada (data ini disebut dengan Best Matching Unit (BMU))
• Perbaharui weight dari input data dengan mendekatkan weight tersebut ke BMU dengan rumus:
  Wv(t+1) = Wv(t) + Theta(v, t) x Alpha(t) x (D(t) – Wv(t))
  Dimana:
  • Wv(t): Weight pada saat ke-t
  • Theta (v, t): Fungsi neighbourhood yang tergantung pada Lattice distance antara BMU dengan neuron v. Umumnya bernilai 1 untuk neuron yang cukup dekat dengan BMU, dan 0 untuk yang sebaliknya. Penggunaan fungsi Gaussian juga memungkinkan.
  • Alpha (t): Learning Coefficient yang berkurang secara monotonic
  • D(t): Input data
• Tambah nilai t, sampai t < Lambda, dimana Lambda adalah jumlah iterasi

Variasi Metode Clustering

• Quality Threshold Clustering Method
• Locality Sensitive Hashing
• Algoritma Rock
• Hierarchical Frequent Term-Base Clustering
• Suffix Tree Clustering
• Single Pass Clustering
• Neighborhood Clustering
• Sequence Clustering
• Spectral Clustering
• Clustering on Frequent Tree
• Latent Class Cluster Analysis a.k.a. Latent Profile Analysis a.k.a. Mixture Model for Continuous Variabel
• Latent Class Analysis a.k.a. Mixture Model for Categorical Variable

Hal-hal Terkait Dengan Clustering

• Analisa Faktor
• Singular Value Decomposition
• Eigen Value and Eigen Vector
• Similarity Measure
• Feature Discretisation
• Feature Selection
• Feature Scaling
• Indexing Method For Searching

Clustering Implementation

• Document Clustering Algorithm, Document Feature Extraction
• Image Clustering

Corat-coret Saya Mengenai Clustering

K-Means – Penerapan, Permasalahan dan Metode Terkait; Akurasi Hasil Pemodelan K-Means

Read More