6. PEMODELAN DAN RANCANG BANGUN SISTEM
6.2 Rancang Bangun Sistem
6.2.3 Prediksi Kualitas dengan Jaringan Syaraf Tiruan
Arsitektur jaringan yang dipergunakan adalah multilayer. Arsitektur jaringan ini memiliki keunggulan dalam hal prediksi atau peramalan nilai.
Proses pembelajaran adalah backpropagation bersifat pembelajaran terawasi “supervised learning” karena pembelajaran jaringan menggunakan data
input dan data output yang sudah diketahui kemudian jaringan akan mengatur sendiri nilai bobot masing-masing layer dari jaringan tersebut dengan nilai error
minimum.
Standar pengaturan (setting default) yang digunakan pada pengembangan SINKUAL-BIODIESEL ini adalah:
Arsitektur jaringan adalah [5 5 1], yakni : 5 neuron pada layer input, 5 neuron pada layer hidden dan 1 neuron pada layer output.
Fungsi aktivasi yang digunakan adalah fungsi sigmoid bipolar (tansig), fungsi
sigmoid biner (logsig) dan fungsi linear (purelin).
Kriteria error yang digunakan adalah MSE (mean square error).
Laju pembelajaran (α)= 0,005; error goal atau minimum error = 0,0001; dan maksimum epoch (satu siklus yang melibatkan seluruh pola data pembelajaran atau training) = 1000 epoch.
1. Penentuan Arsitektur Jaringan (hiddenlayer).
Menentukan arsitektur jaringan yang optimal dengan nilai error yang sangat kecil mendekati nol dilakukan dengan prinsip “trial and error” pada berbagai jumlah neuron pada lapisan tersembunyi (hidden layer). Karakteristik jaringan yang digunakan adalah :
Lapisan input = 5 layer
Lapisan output = 1 layer
Laju pembelajaran = 0,005
Momentum = 0,9
Maksimum epoh = 1000 epoh
Fungsi transfer = Tansig
102
Untuk menentukkan jumlah lapisan tersembunyi (hidden layer) yang terbaik untuk jaringan ini juga dilakukan dengan metode trial and error. Hasil pengujian yang dilakukan ditunjukkan pada Tabel 31 berikut ini.
Tabel 31. Pemilihan Jumlah Lapisan Tersembunyi (hidden layer)
Jumlah Neuron Lapisan Tersembunyi Kriteria error
3 5 7
error 9,4054e-005 9,28419e-005 9,61229e-005
epoch 337 336 355
korelasi 0,9999 0,9999 0,9999
MSE
regresi 1,0289 x+ (-1,781) 1,0285 x + (-1,762) 1,0292 x + (-1,799)
Berdasarkan pada hasil yang diperoleh dari hasil pengujian “trial and error” yang dapat dilihat pada Tabel 31 diatas menunjukkan bahwa jumlah lapisan tersembunyi (hidden layer) yang memberikan performasi jaringan yang paling baik dengan error minimum dan epoh terkecil adalah 5 unit lapisan tersebunyi dengan minimum error 0.0000928419 atau 9,28419e-005 dalam 336 epoh.
Jumlah lapisan (layer) yang optimal pada lapisan tersembunyi tidak dapat dinyatakan dengan metode yang pasti melainkan dengan trial and error serta tergantung pada pengalaman perancang dalam membangun arsitektur jaringan syarat tiruan. Jadi arsitektur jaringan yang digunakan pada sistem penilaian kualitas biodiesel ini adalah sebagai berikut:
Arsitektur jaringan = 5 (input), 5 (hidden), dan 1 (output)
Laju pembelajaran = 0,005
Momentum = 0,9
Maksimum epoh = 1000 epoh
Fungsi transfer = Tansig
Minimum error = 0,0001
Untuk menentukkan fungsi aktivasi yang terbaik untuk jaringan ini juga dilakukan dengan metode trial and error. Hasil pengujian yang dilakukan ditunjukkan pada Tabel 32 berikut ini.
Tabel 32. Pemilihan Fungsi Aktivasi Berdasarkan Nilai Error
Kriteria error Tansig Logsig Linear
error 9,28419e-005 9,97879e-005 0,140222
epoch 336 853 1000
korelasi 0,9999 0,9994 0,7473
MSE
regresi 1,0285 x + (-1,762) 1,0197 x + (-1,151) 0,7068 x + 18,840
Berdasarkan pada hasil yang diperoleh dari hasil pengujian “trial and error” yang dapat dilihat pada Tabel 28 diatas menujukkan bahwa dengan jaringan dengan 5 unit lapisan tersembunyi memperoleh nilai error terkecil pada fungsi aktivasi tansig (fungsi sigmoid bipolar).
2. Penentuan laju pembelajaran (learning rate) dan momentum.
Untuk mempercepat kinerja operasi jaringan syaraf tiruan terutama jaringan dengan algoritma backpropagasi (propagasi balik) yang cenderung memiliki kinerja yang cukup lambat, maka ditambahkan beberapa parameter tambahan, yakni dengan memberikan variasi nilai laju pembelajaran (learning rate) dan nilai momentum.
Laju pembelajaran yang sangat kecil membuat proses pembelajaran jaringan sangat lambat, namum jika terlalu besar proses pembelajaran akan berisolasi atau menyebar sehingga perlu dilakukan pengujian sebab laju pembelajaran menakar besarnya penyesuaian pada bobot ketika dilakukan proses pembelajaran.
Penggunaan momentum akan membuat jaringan melakukan penyesuaian bobot yang lebih besar selama koreksinya memiliki arah yang sama dengan pola yang ada.
104
Nilai laju pembelajaran dan momentum jaringan yang baik ditentukan dengan cara trial and error terhadap beberapa nilai laju pembelajaran dan momentum yang menggunakan fungsi aktivasi tansig. Hasil pengujian yang dilakukan ditunjukkan pada Tabel 29 dengan asitektur jaringan adalah
Arsitektur jaringan = 5 (input), 5 (hidden), dan 1 (output)
Maksimum epoh = 1000 epoh
Fungsi transfer = Tansig
Minimum error = 0,0001
Kriteria error = MSE (mean square error)
Tabel 33. Hasil pengujian terhadap nilai laju pembelajaran dan momentum dengan fungsi aktivasi sigmoid bipolar (tansig)
MSE
Learning Rate Momentum
Error Epoch 0,005 0,9 9,2842e-05 336 0,05 0,7 9,9695e-05 512 0,001 0,7 0,12423000 1000 0,01 0,9 0,00013165 1000 0,1 0,7 0,00087059 1000
Berdasarkan pada hasil pengujian pada Tabel 33 diatas menujukkan fungsi aktivasi tansig (fungsi sigmoid bipolar) nilai error terkecil 9,2842e-05 dengan epoh 336 pada nilai laju pembelajaran 0,005 dan mementum 0,9.
Tabel 34. Hasil pengujian terhadap nilai laju pembelajaran dan momentum dengan fungsi aktivasi sigmoid biner (logsig)
MSE
Learning Rate Momentum
Error Epoh 0,005 0,9 9.990e-05 968 0,05 0,7 0,0002565 1000 0,001 0,7 0,0546733 1000 0,01 0,9 9,989e-05 500 0,1 0,7 0,0002063 1000
Berdasarkan pada hasil pengujian pada Tabel 34 diatas menujukkan fungsi aktivasi logsig (fungsi sigmoid biner) memberikan performansi terbaik dengan nilai error terkecil9,989e-05 dengan epoh 500 pada nilai laju pembelajaran 0,01 dan momentum 0,9.
Tabel 35. Hasil pengujian terhadap nilai laju pembelajaran dan momentum dengan fungsi aktivasi linear
MSE
Learning Rate Momentum
Error Epoh 0,005 0,9 0,1402360 1000 0,05 0,7 0,1405950 1000 0,001 0,7 0,1402070 1000 0,01 0,9 0,1405790 1000 0,1 0,7 0,1408580 1000
Berdasarkan pada hasil pengujian pada Tabel 35 diatas menujukkan fungsi aktivasi linear (fungsi linear) memberikan performansi terbaik dengan nilai error terkecil0,1402070 dengan epoh 1000 pada nilai laju pembelajaran 0,001 dan momentum 0,7.
Struktur jaringan syaraf tiruan yang paling optimal dari beberapa variasi jumlah node pada layer input, layer hidden, layer ouput, laju pembelajaran, momentum dan fungsi aktivasi yang digunakan pada perancangan sistem prediksi penilaian kualitas biodiesel (SINKUAL-BIODIESEL) dan kriteria pembelajaran JST yang digunakan pada penelitian ini disajikan pada Tabel 36.
Tabel 36. Struktur JST Sistem Penilaian Kualitas Biodiesel
Karakteristik Spesifikasi
Jumlah unit lapisan input 5 unit Jumlah unit lapisan tersembunyi 5 unit Jumlah unit lapisan output 1 unit
Fungsi aktivasi Sigmoid bipolar (tansig) Laju pembelajaran 0,005
Jumlah epoh 336
Momentum 0,9 Minimum error 0,0001 (1E-004)
106
6.2.4 Proses Penilaian SINKUAL-BIODIESEL
Tahapan representasi pengetahuan dilakukan dalam bentuk kaidah-kaidah. Kaidah ini digunakan untuk mengolah fakta yang ada untuk dapat menarik kesimpulan. Basis pengetahuan secara sistematis dapat disajikan dalam bentuk kaidah-kaidah aturan yang dinyatakan dalam bentuk “if-then” dengan if adalah “premis” atau fakta dan “then” adalah “konklusi” atau kesimpulan. Jika terdapat beberapa kaidah maka dapat dihubungkan dengan bentuk “AND”. Contohnya: 1. if fakta is X then Y
2. if F1 is K and F2 is L and F3 is M ... then Z is...N.
Input data yang terdiri atas nilai-nilai atribut karateristik bahan baku serta proses, terkelompok dalam sub-sub proses penilaian atau pemeriksaan. Kemudian input data yang diberikan dilewatkan pada kaidah (rule) yang telah dibuat hingga diperoleh suatu kesimpulan pada masing-masing sub-proses. Setelah itu sistem akan menggabungkan dan menghubungkan kesimpulan yang diperoleh sehingga akan diperoleh kesimpulan akhir yang merupakan hasil akhir dari sistem penilaian kualitas yang dilakukan. Berikut ini kaidah-kaidah yang dibangun pada masing-masing sum proses yang dapat dilihat pada Tabel 37 dibawah ini.
Tabel 37. Kaidah (rule) Pada Masing-masing Sub-proses Sistem Penilaian Kualitas Biodiesel (SINKUAL-BIODIESEL)
No Sub-Proses Jumlah
Rule
1. Sub-proses pemeriksaan jenis minyak nabati berdasarkan kandungan asam lemak bahan baku
(...CpraolahJenisBiodiesel\hitung.m)
8 rule
2. Sub-proses pemeriksaan kadar asam lemak bebas (ALB) dalam bahan baku untuk menentukan tahapan proses. (...CpraolahAsamLemakBebas\hitung.m)
9 rule
3. Sub-proses pemeriksaan kandungan senyawa pengotor (KSP) bahan baku, yang terdiri dari kadar asam lemak bebas, kandungan air dan sedimen dan warna bahan baku. (...RuleBahanbakuKandunganSenyawaPengotor.m)
27 rule
4. Sub-proses pemeriksaan sifat fisika kimia bahan baku yang terdiri atas atribut massa jenis, viskositas, kadar asam, kadar iodium, kadar penyabunan.
(...RuleBahanbakuFisikoKimia.m)
Lanjutan Tabel 37
No Sub-Proses Jumlah
Rule
5. Rule penilian bahan baku yang terdiri dari :
(...RuleBahanbakuKandunganSenyawaPengotor.m) dan (...RuleBahanbakuFisikoKimia.m)
9 Rule
6. Sub-proses pemeriksaan karateristik mutu biodiesel berdasarkan persayaratan terdiri atas atribut kadar fosfor, viskositas dan angka setana.
(...RuleProsesKarakteristikMutuBiodieselPersyaratan.m)
27 Rule
7. Sub-proses pemeriksaan karateristik mutu biodiesel berdasarkan Rendemen terdiri atas kadar metil ester, kadar gliserol total dan kadar gliserol bebas.
(...RuleProsesKarakteristikMutuBiodieselRendemen.m)
27 Rule
8. Rule Penilaian karateristik mutu biodiesel (KMB) yaitu :
(...RuleProsesKarakteristikMutuBiodieselPersyaratan.m)
dan(..RuleProsesKarakteristikMutuBiodieselRendemen.m)
9. Sub-Proses pemeriksaan titik kritis transesterifikasi (TKT) yang terdiri atas atribut suhu dan lama waktu proses transesterifikasi dilakukan.
(...RuleProsesTitikKritisTransesterifikasi.m)
9 rule atau JST 10. Sub-Proses pemeriksaan titik kritis separasi (TKS) terdiri
atas atribut suhu dan lama waktu proses separasi dilakukan (...RuleProsesTitikKritisSeparasi.m)
9 rule atau JST 11. Sub-Proses pemeriksaan titik kritis pencucian (TKP) yang
terdiri atas atribut suhu dan jumlah air yang dipergunakan selama proses ini dilakukan.
(...RuleProsesTitikKritisPencucian.m)
9 rule atau JST 12. Rule Penilian Kualitas Proses yang terdiri dari :
(...RuleProsesKarakteristikMutuBiodiesel.m), (...RuleProsesTitikKritisTransesterifikasi.m), (...RuleProsesTitikKritisSeparasi.m) dan (...RuleProsesTitikKritisPencucian.m)
81 Rule
13. Sub-proses pemeriksaan kualitas pengemasan yang terdiri atas atribut tingkat keamanan kontener, kebersihan wadah, kekuatan wadah, kedap udara, tidak tembus cahaya, bahan. (...RuleSimpananPengemasan.m)
729 rule
14. Sub-proses pemeriksaan kualitas penyimpanan yang terdiri atas atribut suhu penyimpanan, dan waktu atau lama penyimpanan.
(...RuleSimpananPenyimpanan.m)
9 rule
15. Rule Penilian Pengemasan dan Penyimpanan terdiri dari : (...RuleSimpananPengemasan.m) dan
(...RuleSimpananPenyimpanan.m)
108
Kaidah if then rule faktor fundamental ini dapat dilihat pada lampiran 20. Strategi penalaran dan pelacakan kaidah penilaian kualitas biodiesel dapat dilihat pada lampiran 21 dan 22.
Kualifikasi penilaian masing-masing proses yang dilakukan diperoleh dari hasil perhitungan dan akuisisi pakar. Nilai-nilai proses meliputi proses penilaian kualitas bahan baku, penilaian kualitas proses dan penilaian kualitas penyimpanan dan pengemasan. Batasan-batasan kualifikasi masing-masing proses tersebut dapat dilihat pada tabel-tabel dibawah ini.
Tabel 38. Kualifikasi penilaian kualitas bahan baku
Kualifikasi Batasan nilai
Diterima dengan Grade A > 14 Diterima dengan Grade B 12 - 14
Ditolak < 12
Tabel 39. Kualifikasi penilaian kualitas proses
Kualifikasi Batasan nilai
Diterima dengan Grade A > 30 Diterima dengan Grade B 24 - 30
Ditolak < 24
Tabel 40. Kualifikasi penilaian kualitas pengemasan dan penyimpanan
Kualifikasi Batasan nilai
Diterima dengan Grade A > 14 Diterima dengan Grade B 12 - 14
6.2.5 Implementasi SINKUAL-BIODIESEL
Pada pengembangan SINKUAL-BIODIESEL ini menggunakan perangkat-keras dan perangkat lunak dengan spesifikasi sebagia berikut:
1. Perangkat-keras (hardware), terdiri dari: Processor Intel Pentium IV 2.0 GH,
VGA 64 MB, Memory DDR 256 MB, Harddisk 40 GB, CD-ROM 52Xmax,
printer Canon PIXMA iP 2100, dan lain-lain.
2. Perangkat-lunak (software), terdiri dari: OS. Windows XP SP.1, MatLab 7.0.1, Microsoft Office 2003, Microsoft Notepad, Microsoft Visio 2003, dll.
Intergrasi dan pengujian sistem yang terdiri atas sistem pakar dan jaringan syaraf tiruan dilakukan untuk mengetahui apakah sistem beroperasi dengan baik. Pengujian performa sistem menggunakan data aktual dari lapangan terutama data keragaman proses suhu, waktu dan jumlah air yang digunakan.