Variabel yang Diamati

BAB   3 METODE PENELITIAN

3.2.   Variabel yang Diamati

Variabel yang diamati selama penelitian ini meliputi:

a. Jumlah node input layer terhadap error prediksi.

Melakukan pengamatan bagaimana pengaruh jumlah input node (time delay 2, 3, 4, 5) hari terhadap MSE hasil pelatihan. Dari hasil pengamatan tersebut diputuskan time delay mana yang paling cepat dikenali jaringan saraf tiruan yaitu memiliki MSE terkecil.

b. Jumlah hidden layer terhadap error prediksi.

Melakukan pengamatan bagaimana pengaruh jumlah hidden layer terhadap nilai MSE hasil pelatihan.

c. Jumlah node hidden layer terhadap error prediksi.

Dilakukan pengamatan nilai MSE hasil pelatihan pada setiap penambahan

node pada hidden layer.

BAB 4

HASIL DAN PEMBAHASAN

Pada bab ini membahas pengujian-pengujian yang dilakukan untuk mencari struktur jaringan yang optimal seperti mencari jumlah time delay, hidden layer, node hidden layer, nilai learning rate dan momentum. Setelah diperoleh struktur jaringan saraf tiruan yang optimal langkah selanjutnya menguji jaringan saraf tiruan dengan 2 jenis pola yaitu pola pelatihan dan testing. Di mana acuan optimal di sini adalah memiliki akurasi prediksi > 85% dan proses pelatihannya kurang dari 10 detik.

Pemilihan akurasi 85% merujuk pada Persamaan 3.2, jika ada 100 pola yang akan diuji setelah dilakukan pengujian ternyata 85 pola benar sedangkan 15 pola tidak benar sehingga berdasarkan statistik tingkat keberhasilan tersebut sudah cukup besar sehingga layak untuk digunakan. Sedangkan penetapan kriteria proses pelatihan kurang dari 10 detik karena jika struktur jaringan saraf tiruan yang optimal tidak dicari maka proses pelatihan dapat membutuhkan waktu beberapa menit tergantung dari performance yang diinginkan dan jenis pola data.

4.1. Pengujian Mencari Time Delay

Adapun langkah-langkah metode trial and error yang digunakan untuk mencari time delay yang terbaik yang dilakukan pada penelitian ini adalah sebagai berikut:

Langkah a. Menetapkan jumlah time delay.

Contoh : time delay 2 hari, ini berarti jaringan memiliki 96 data input (48

* 2 yang terdiri dari variabel arus dan temperatur) yang akan dijadikan

input jaringan saraf tiruan.

Langkah b. Selanjutnya dilakukan proses pelatihan.

Time delay yang telah ditetapkan akan dilakukan proses pelatihan

menggunakan 1 hidden layer, dengan parameter pelatihan learning rate

0,5 ini berdasarkan analisis peneliti jika nilai learning rate yang

ditetapkan mendekati 0 ini akan berakibat pada lamanya proses pelatihan

sedangkan jika mendekati 1 dikhawatirkan bobot hasil pelatihan tidak baik

jika digunakan pada aplikasi dengan pertimbangan-pertimbangan tersebut

maka peneliti menetapkan nilai learning rate awal pada nilai 0,5. Untuk

momentum 0,45, ini berdasarkan analisis peneliti jika nilai momentum

ditetapkan mendekati 0 maka jaringan akan terjebak pada titik minimum

lokal atau global pada saat pelatihan sehingga dikhawatirkan JST tidak

dapat mencapai toleransi error yang ditetapkan sedangkan jika ditetapkan

mendekati 1 maka dikhawatirkan bobot hasil pelatihan tidak baik jika

dipakai pada tahap aplikasi dengan pertimbangan-pertimbangan tersebut

maka peneliti menetapkan nilai momentum awal pada nilai 0,45. Untuk

toleransi error 0,0001 ini berdasarkan analisis peneliti dengan menetapkan

toleransi error pada nilai 0,0001 maka diharapkan hasil akhir pelatihan

selisih antara target dengan hasil prediksi pada semua pola pelatihan

berada pada nilai ± 0,01. Untuk jumlah epoch 3000 ini berdasarkan

analisis awal peneliti agar pelatihan tidak terlalu lama. Karena penetapan

nilai epoch ini bertujuan untuk membatasi pengulangan dalam

memperbaiki error pada pelatihan dalam rangka mencapai toleransi error

yang ditetapkan. Untuk jumlah node yang optimal pada hidden layer ke-1 akan dicari melalui proses pengujian. Dari pelatihan ini akan dilihat besar nilai MSE yang diperoleh dari setiap penambahan 2 node pada hidden layer ke-1 dan kecepatan jaringan dalam mengenali pola input.

Langkah c. Mengulangi langkah a – b.

Pada penelitian ini dilakukan pengujian time delay 2, 3, 4 sampai 5 hari.

Bentuk terbaik akan diperoleh dari hasil pengujian dengan cara membandingkan hasil MSE setiap pelatihan menggunakan 1 hidden layer dengan jumlah node tertentu pada time delay 2, 3, 4, 5. Dari ke-4 time delay yang telah diuji akan dipilih 1 time delay yang paling cepat mengenali pola input yaitu memiliki MSE terkecil dan pada akhir tahap ini akan ditetapkan struktur jaringan saraf tiruan awalnya yaitu jumlah node pada input layer , jumlah node hidden layer serta output layer.

4.1.1. Pengujian Time Delay 2 Hari

Mula – mula jaringan saraf tiruan dibentuk dengan 96 node input, 1 hidden

layer 4 node dan 1 node output dengan parameter pelatihan learning rate 0,5,

momentum 0,45 toleransi error 0,0001 dan jumlah epoch 3000. Selanjutnya

dilakukan proses pelatihan dan dilakukan pengulangan sebanyak 10 kali setiap

penambahan node pada hidden layer ke-1. Tabel 4.1 menunjukkan MSE hasil

pelatihan yang dilakukan setiap penambahan 2 node pada 1 hidden layer dengan

jumlah node 4, 6, 8, 10, 12, 14, 16 dan 18.

Tabel 4.1 MSE Hasil Pelatihan Time Delay 2 Hari Dengan 1 Hidden Layer

Pada pengujian time delay 3 hari sebagai langkah awal jaringan saraf tiruan dibentuk dengan 144 node pada input layer, 1 hidden layer dengan jumlah node sebanyak 4 buah dan 1 node pada output layer dengan parameter pelatihan learning rate 0,5, momentum 0,45 toleransi error 0,0001 serta jumlah epoch 3000.

Selanjutnya dilakukan proses pelatihan dan dilakukan pengulangan sebanyak 10 kali

setiap penambahan 2 node pada hidden layer ke-1. Pengulangan 10 kali setiap

penambahan 2 node pada hidden layer ke-1 dimaksudkan untuk memastikan

bahwasanya struktur jaringan saraf tiruan yang dibentuk benar-benar sudah optimal

atau belum. Hal ini dapat dilihat dari MSE hasil pelatihan dari setiap pengulangan

pada setiap penambahan 2 node. Tabel 4.2 menunjukkan MSE hasil pelatihan yang

dilakukan setiap penambahan 2 node pada 1 hidden layer dengan jumlah node 4, 6,

8, 10, 12, 14, 16 dan 18.

Tabel 4.2 MSE Hasil Pelatihan Time Delay 3 Hari Dengan 1 Hidden Layer

4.1.3. Pengujian Time Delay 4 Hari

Langkah-langkah yang dilakukan pada pengujian mencari time delay 4 hari

seperti yang dilakukan pada pengujian mencari time delay 2, 3 hari. Di mana

jaringan saraf tiruan dibentuk dengan 192 node input, 1 hidden layer 4 node dan 1

node output dengan parameter pelatihan learning rate 0,5, momentum 0,45 toleransi

error 0,0001 dan jumlah epoch 3000. Selanjutnya dilakukan proses pelatihan dan

dilakukan pengulangan sebanyak 10 kali setiap penambahan node pada hidden layer

ke-1. Dari hasil pengujian yang telah dilakukan bahwasanya jumlah node input layer,

hidden layer ke-1 yang memiliki MSE terkecil terletak pada 192 node input dan 14

node pada hidden layer ke-1 (jumlah node input, hidden layer 1, MSE pelatihan dan

waktu pelatihan diberi warna hijau). Tabel 4.3 menunjukkan MSE hasil pelatihan

yang dilakukan setiap penambahan 2 node pada 1 hidden layer dengan jumlah node

4, 6, 8, 10, 12, 14, 16 dan 18.

Tabel 4.3 MSE Hasil Pelatihan Time Delay 4 Hari Dengan 1 Hidden Layer

Langkah-langkah yang dilakukan pada pengujian time delay 5 hari seperti pada pengujian mencari time delay 2, 3, 4 hari. Di mana jaringan saraf tiruan mula-mula dibentuk dengan 240 node input, 1 hidden layer 4 node dan 1 node output dengan parameter pelatihan learning rate 0,5, momentum 0,45 toleransi error 0,0001 dan jumlah epoch 3000. Selanjutnya dilakukan proses pelatihan dan dilakukan pengulangan sebanyak 10 kali setiap penambahan 2 node pada hidden layer ke-1.

Adapun tujuan pengulangan sebanyak 10 kali pada setiap penambahan 2 node pada

hidden layer ke-1 dimaksudkan untuk memastikan bahwasanya struktur jaringan saraf

tiruan yang dibentuk benar-benar sudah optimal atau belum. Hal ini dapat dilihat dari

MSE hasil pelatihan dari setiap pengulangan. Tabel 4.4 menunjukkan MSE hasil

pelatihan yang dilakukan setiap penambahan 2 node pada 1 hidden layer dengan

jumlah node 4, 6, 8, 10, 12, 14, 16 dan 18.

Tabel 4.4 MSE Hasil Pelatihan Time Delay 5 Hari Dengan 1 Hidden Layer

Dari hasil pengujian yang telah dilakukan bahwasanya time delay 4 hari paling cepat dikenali jaringan saraf tiruan, ini dapat terlihat dari Tabel 4.3 yang diberi warna hijau dan selanjutnya ditetapkan sebagai jaringan saraf tiruan awal dengan susunan jumlah node input, hidden dan output layer adalah 192 – 14 – 1.

4.2. Pengujian Mencari Jumlah Hidden Layer

Langkah-langkah metode trial and error yang digunakan pada penelitian ini untuk mencari jumlah hidden layer adalah sebagai berikut:

Langkah a. Menetapkan arsitektur jaringan saraf tiruan awal yang telah dipilih dan dilakukan penambahan 1 hidden layer antara jaringan saraf tiruan awal dengan output layer.

Langkah b. Melakukan proses pelatihan.

Jaringan saraf tiruan yang telah ditetapkan (192 – 14 – 1 ) selanjutnya

dilakukan proses pelatihan ditambah 1 hidden layer dengan parameter

pelatihan toleransi error 0,0001 jumlah epoch 1000 learning rate 0,5 serta momentum 0,8 sedangkan jumlah node yang optimal pada hidden layer ke-2 akan dicari melalui proses pengujian. Pada hidden layer ke-2 dilakukan perubahan parameter pelatihan seperti jumlah epoch yang semula 3000 menjadi 1000 hal ini dilakukan karena berdasarkan hasil pelatihan jaringan awal menggunakan 1 hidden layer ternyata waktu yang dibutuhkan untuk mencapai epoch 3000 ± 50 detik. Nilai ini menurut analisis peneliti masih terlalu lama untuk itu jumlah epoch yang semula 3000 diturunkan menjadi 1000. Sedangkan untuk nilai momentum dinaikkan dari 0,45 menjadi 0,8 karena berdasarkan pengamatan yang dilakukan peneliti pada proses pelatihan menggunakan 1 hidden layer ditemukan jaringan saraf tiruan terkadang terjebak pada suatu titik minimum lokal atau global. Dari pelatihan ini akan dilihat besar nilai MSE yang diperoleh dari setiap penambahan 2 node pada hidden layer yang dilakukan proses pengulangan sebanyak 30 kali.

Langkah c. Mengulangi langkah a – b.

Pada penelitian ini jumlah hidden layer yang akan dicoba sebanyak 5

hidden layer tetapi pada hidden layer ke-4 perfomance jaringan saraf

tiruan yang diinginkan telah tercapai yaitu nilai MSE pelatihan lebih

kecil dari nilai yang ditetapkan dan waktu yang dibutuhkan untuk

mencapai MSE yang ditetapkan kurang dari 10 detik, sehingga peneliti

memutuskan untuk tidak melanjutkan sampai 5 hidden layer.

4.2.1. Pengujian Mencari Jumlah Node Hidden Layer ke-2

Metoda trial and error yang diterapkan untuk mencari jumlah node hidden layer ke-2 pada prinsipnya seperti pengujian yang dilakukan pada hidden layer ke-1 yaitu dengan membandingkan hasil MSE pelatihan dari setiap penambahan 2 node hidden layer ke-2. Dari hasil perbandingan tersebut akan dipilih node hidden layer ke-2 yang memiliki MSE terkecil dan kekonvergenan jaringan dalam memperbaiki error.

Tabel 4.5 MSE Hasil Pelatihan Mencari Jumlah Node Pada Hidden Layer Ke-2 No Jumlah

Dari hasil pengujian yang telah dilakukan seperti pada Tabel 4.5 bahwasanya jumlah node hidden layer ke-2 yang masih diterima jaringan saraf tiruan terletak pada 6 node (jumlah node hidden layer 2, MSE pelatihan dan waktu pelatihan diberi warna hijau) dan ditetapkan sebagai jaringan saraf tiruan berikutnya dengan susunan jumlah node input, hidden dan output layer menjadi 192 – 14 – 6 – 1.

4.2.2. Pengujian Mencari Jumlah Node Hidden Layer ke-3

Metoda trial and error yang diterapkan untuk mencari jumlah node hidden

layer ke-3 pada prinsipnya seperti pengujian yang dilakukan pada pencarian jumlah

node hidden layer ke-2 yaitu dengan membandingkan hasil MSE pelatihan dari setiap penambahan 2 node pada hidden layer ke-3. Dari hasil perbandingan tersebut akan dipilih jumlah node hidden layer ke-3 yang memiliki MSE terkecil dan kekonvergenan jaringan dalam memperbaiki error.

Tabel 4.6 MSE Hasil Pelatihan Mencari Jumlah Node Pada Hidden Layer Ke-3 N

Dari hasil pengujian yang telah dilakukan seperti pada Tabel 4.6 bahwasanya jumlah node hidden layer ke-3 yang masih diterima jaringan saraf tiruan terletak pada 4 node (jumlah node hidden layer 3, MSE pelatihan dan waktu pelatihan diberi warna hijau) dan ditetapkan sebagai jaringan saraf tiruan berikutnya dengan susunan jumlah node input, hidden dan output layer adalah 192 – 14 – 6 – 4 – 1.

4.2.3. Pengujian Mencari Jumlah Node Hidden Layer ke-4

Metoda trial and error yang diterapkan untuk mencari jumlah node hidden

layer ke-4 pada prinsipnya seperti pengujian yang dilakukan pada pencariannya

jumlah node hidden layer ke-2 dan 3 yaitu dengan membandingkan hasil MSE

pelatihan dari penambahan setiap 2 node hidden layer ke-3. Dari hasil perbandingan

tersebut akan dipilih node hidden layer ke-4 yang memiliki MSE terkecil dan

kekonvergenan jaringan dalam memperbaiki error.

Tabel 4.7 MSE Hasil Pelatihan Mencari Jumlah Node Pada Hidden Layer Ke-4

Dari hasil pengujian yang telah dilakukan seperti pada Tabel 4.7 bahwasanya jumlah node hidden layer ke-4 yang masih diterima jaringan saraf tiruan terletak pada 2 node dan ditetapkan sebagai jaringan saraf tiruan berikutnya dengan susunan jumlah node input, hidden dan output layer adalah 192 – 14 – 6 – 4 – 2 – 1.

4.3. Pengujian Mencari Nilai Learning Rate

Setelah struktur jaringan saraf tiruan yang optimal diperoleh maka penelitian dilanjutkan pada pencarian nilai learning rate yang optimal. Di mana metode yang digunakan untuk mencari nilai learning rate adalah trial and error. Adapun langkah-langkah metode trial and error yang diterapkan pada penelitian adalah sebagai berikut:

Langkah a. Menetapkan nilai learning rate.

Nilai learning rate yang akan diuji dari 0,1 – 0,9.

Langkah b. Melakukan proses pelatihan.

Setelah nilai learning rate ditetapkan maka langkah selanjutnya dilakukan

proses pelatihan. Dari proses pelatihan ini akan dilihat pengaruh nilai

learning rate terhadap nilai MSE pelatihan, waktu dan hasil prediksi.

Langkah c. Dilakukan proses pengulangan dari langkah a – b.

Pada langkah ini dilakukan pengujian terhadap nilai learning rate yang diuji. Tabel 4.48 menunjukkan MSE hasil pelatihan dari learning rate 0,1 – 0,9.

Dari Tabel 4.8 dapat diketahui bahwasanya dari nilai learning rate 0,1 – 0,9 yang diuji, MSE pelatihan yang terkecil terdapat pada nilai learning rate 0,9 ( nilai learning rate, MSE pelatihan dan waktu pelatihan diberi warna hijau) dan nilai tersebut ditetapkan sebagai learning rate jaringan saraf tiruan.

4.4. Pengujian Mencari Nilai Momentum

Setelah struktur jaringan saraf tiruan dan nilai learning rate yang optimal diperoleh maka penelitian dilanjutkan pada pencarian nilai momentum yang optimal.

Di mana metode yang digunakan untuk mencari nilai momentum adalah trial and

error. Adapun langkah-langkah metode trial and error yang diterapkan pada penelitian adalah sebagai berikut:

Langkah a. Menetapkan nilai momentum.

Nilai momentum yang akan diuji dari 0,1 – 0,9.

Langkah b. Melakukan proses pelatihan.

Setelah nilai momentum ditetapkan maka langkah selanjutnya dilakukan proses pelatihan. Dari proses pelatihan ini akan dilihat pengaruh nilai momentum yang ditetapkan yaitu dari 0,1 – 0,9 terhadap nilai MSE pelatihan, waktu dan hasil prediksi.

Langkah c. Dilakukan proses pengulangan dari langkah a – b.

Pada langkah ini dilakukan pengujian terhadap nilai momentum yang

diuji. Tabel 4.9 menunjukkan MSE hasil pelatihan dari momentum 0,1 –

0,9.

Dari Tabel 4.9 dapat diketahui bahwasanya dari nilai momentum 0,1 – 0,9 yang telah diuji, MSE pelatihan yang terkecil terdapat pada nilai momentum 0,8 dan 0,9 (nilai momentum MSE pelatihan dan waktu pelatihan diberi warna hijau) tetapi setelah dilihat dari hasil prediksinya penggunaan momentum 0,9 lebih baik dibandingkan 0,8 sehingga nilai tersebut ditetapkan sebagai momentum jaringan saraf tiruan.

4.5. Pengujian Hasil Pelatihan

Untuk mengetahui apakah jaringan saraf tiruan yang telah dilakukan proses pelatihan telah layak atau tidak untuk digunakan maka dapat dianalisis melalui 3 cara yaitu:

1. Error hasil pelatihan.

2. Diuji dengan pola pelatihan.

3. Diuji dengan pola yang tidak pernah dikenali.

4.5.1. Error Hasil Pelatihan

Dari hasil pelatihan yang telah dilakukan bahwasanya jaringan saraf tiruan

dapat dengan cepat mengenali pola-pola input, hal ini dapat terlihat dari nilai MSE

pelatihan yang telah mencapai toleransi error yang ditetapkan yaitu sebesar 0,0001

dan proses pelatihan hanya membutuhkan waktu kurang dari 10 detik sehingga jika

dilihat dari error dan waktu pelatihan telah mencapai standar yang ditetapkan. Ini

merupakan indikator bahwasanya hasil prediksi JST pada pola-pola input yang

dilatihkan ke dalam JST telah mencapai atau mendekati target yang ditetapkan.

4.5.2. Diuji Dengan Pola Pelatihan

Selanjutnya untuk memastikan jaringan saraf tiruan telah layak atau tidak untuk digunakan maka jaringan saraf tiruan diuji dengan pola yang pernah dimasukkan ke dalam jaringan. Perbandingan keberdekatan antara target (o) berwarna biru dengan hasil prediksi (*) berwarna merah dapat dilihat pada Gambar 4.1. Dari 49 pola yang pernah dilatihkan kejaringan saraf tiruan tidak ada pola yang keluar dari targetnya.

Gambar 4. 1

Keberdekatan Target Dengan Hasil Prediksi Pada Pola Pelatihan

0 5 10 15 20 25 30 35 40 45 50

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Perbandingan antara Target (o) dan Hasil Prediksi (*)

Hasil Prediksi

Target Pola Ke -

Tabel 4. 10 Perbandingan Antara Target Dengan Hasil Prediksi Pada Pola Pelatihan

40 0,1 0,1097 41 0,1 0,1026 42 0,1 0,0932 43 0,1 0,1096 44 0,1 0,0846 45 0,1 0,0850 46 0,1 0,0869 47 0,1 0,0883 48 0,1 0,1020 49 0,1 0,1181

Dari Tabel 4.10 dapat diketahui dari 49 pola yang pernah dilatihkan kejaringan saraf tiruan tidak ada pola yang keluar dari target yang diharapkan. Sehingga akurasi prediksi jaringan saraf tiruan untuk pola yang pernah dilatihkan mencapai 100%.

49

49 100 %

100 %

Untuk mencapai hasil prediksi seperti Tabel 4.10 yang telah mendekati target yang diharapkan, hal yang perlu dilakukan dengan melatih JST backpropagation.

Dengan melakukan proses pelatihan maka terjadi perubahan (update) bobot jaringan dan bias pada setiap epoch hingga nilai MSE hasil pelatihan lebih kecil dari toleransi error yang ditetapkan. Perubahan bobot jaringan dan bias ini dimaksudkan untuk mencapai target yang ditetapkan. Setelah bobot jaringan dan bias yang optimal (hasil pelatihan) diperoleh maka langkah selanjutnya menetapkan bobot jaringan dan bias tersebut sebagai bobot jaringan dan bias permanen JST backpropagation agar nantinya dapat dipakai pada tahap pengujian.

Tabel 4.10 Perbandingan Target Dengan Hasil Prediksi Pola Pelatihan (Sambungan) Hal: 79

No Target Prediksi

4.5.3. Diuji Dengan Pola Yang Tidak Pernah Dikenali

Setelah dilakukan pengujian dengan pola yang pernah dilatihkan tahap selanjutnya jaringan saraf tiruan diuji dengan pola yang tidak pernah dikenali.

Perbandingan keberdekatan antara target (o) berwarna biru dengan hasil prediksi (*) berwarna merah dapat dilihat pada Gambar 4.2. Setelah diuji dengan 10 pola yang tidak pernah dimasukkan ke dalam jaringan saraf tiruan ternyata jaringan masih memberikan hasil yang baik, hal ini tampak dari keberdekatan antara target dengan hasil prediksi.

Gambar 4. 2

Keberdekatan Target Dengan Hasil Prediksi Pada Pola Uji

0 2 4 6 8 10

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1

Perbandingan antara Target (o) dan Hasil Prediksi (*)

Hasil Prediksi

Target Pola Ke -

Tabel 4. 11 Perbandingan Antara Target Dengan Hasil Prediksi Pada Pola Uji

No Target Prediksi 1 0,9 0,8959 2 0,9 0,8981 3 0,9 0,9000 4 0,9 0,8994 5 0,9 0,9007 6 0,9 0,8940

7 0,5 0,8821

8 0,5 0,4180 9 0,1 0,0769 10 0,1 0,0836

Dari Tabel 4.11 dapat diketahui bahwasanya dari 10 pola telah diuji (tidak yang tidak pernah dikenali) hanya 1 pola yang keluar dari target yang diharapkan.

Sehingga akurasi prediksi jaringan saraf tiruan untuk pola yang tidak pernah dilatihkan ke dalam jaringan saraf tiruan mencapai 90%.

9

10 100 % 90 %

Dari hasil prediksi seperti Tabel 4.11 yang hanya 9 dari 10 yang dapat

mendekati target yang diharapkan karena ada 1 pola uji (pola nomor 7) yang sangat

berbeda dengan pola-pola yang pernah dilatihkan ke dalam JST backpropagation

sehingga hasil prediksi yang merupakan keluaran dari fungsi aktivasi simoid biner

dari penjumlahan pola input dengan bobot jaringan ditambah bobot bias tidak dapat

mendekati target yang diharapkan.

BAB 5

KESIMPULAN DAN SARAN

5.1. Kesimpulan

Dari penelitian yang telah dilakukan maka ada beberapa hal yang dapat disimpulkan antara lain:

1. Dari hasil pengujian yang telah dilakukan bahwasanya susunan struktur jaringan saraf tiruan yang optimal terdapat pada 192 – 14 – 6 – 4 – 2 – 1. Ini berarti bentuk time delay yang terbaik dari pola pelatihan yang digunakan pada penelitian ini terdapat pada time delay 4 hari sehingga jika hasil penelitian ini dilanjutkan sampai tahap implementasi maka keputusan akhir dalam menentukan kondisi motor induksi setelah 4 hari pengambilan data.

2. Berdasarkan hasil pengujian dengan menggunakan pola pelatihan akurasi prediksi mencapai 100% sedangkan untuk pola uji (tidak pernah dilatihkan) jaringan saraf tiruan mampu memberikan akurasi prediksi hingga 90% hal ini menyatakan bahwasanya hasil penelitian ini telah layak untuk digunakan.

5.2. Saran

1. Pada penelitian ini jaringan saraf tiruan dilatih dengan menggunakan fungsi

aktivasi sigmoid biner baik pada lapisan hidden maupun output layer. Untuk

itu peneliti menyarankan agar pada penelitian berikutnya menggunakan fungsi

aktivasi linear pada lapisan output untuk mengetahui pengaruh penggunaan

fungsi aktivasi tersebut terhadap hasil prediksi dan kecepatan pelatihan.

2. Pada penelitian ini variabel yang digunakan untuk menentukan kondisi motor

induksi khususnya pada stator adalah arus dan temperatur. Untuk itu peneliti

menyarankan agar pada penelitian berikutnya menggunakan variabel getaran

dan suara dalam menentukan kondisi motor induksi karena menurut analisis

peneliti kedua variabel tersebut mampu memberikan tingkat ketelitian yang

lebih presisi dalam mendeteksi tingkat kerusakan yang telah terjadi pada

motor induksi.

DAFTAR PUSTAKA

[1] Yon Rijono, Dasar Teknik Tenaga Listrik. Yogyakarta, Indonesia: Andi, 1997.

[2] Ibrahim Sefa, Ilhami Colak , Askin Bektas, Ramazan Bayindir, "Fault Detection and Protection of Induction Motors Using Sensors," IEEE Transaction On Energy Conversion, vol. 3, no. 3, pp. 734-741, 2008.

[3] H.Celik, I.Sefa, S. Dermibas, I.Colak, "On Line Protection System For Induction Motor," Energy Conversion and Management, vol. 46, no. 17, pp. 2773-2786, 2005.

[4] R.Bayindir, I.Sefa, "Novel Approach Based On Microcontroller to Online Protection of Induction Motors," Energy Conversion and Management, vol. 48, no. 3, pp. 850-856, 2007.

[5] Sudha M and Anbalagan P, "A Protection Scheme for Three- Phase Induction Motor from Incipient Fault Using Embedded Controller," Asian Journal of Scientific Research, vol. 1, p. 2, Mei 2009.

[6] G. Franceschini, C.Tassoni, P.Vas, F.Filippetti, "AI Techniques in Induction Machine Diagnosis Including the Speed Ripple Effect," IEEE Industry Application Society, vol. 34, no. 1, pp. 98-108, 1998.

[7] Sri R. Kolla, Shawn D.Altman, "Artifial Neural Network Based Fault Identification Scheme Implementation For a Three- Phase Induction Motor," ISA Transaction, vol. 46, pp. 261-266, 2007.

[8] Sui Oi Yee, Mo-Yuen Chow, Peter M. Mangun, "A Neural Network Approach to Real Time Condition Monitoring of Induction Motors," IEEE Transaction On Industrial Electronic, vol. 38, no. 6, pp. 448-453, 1991.

[9] James C.Hung, Mo- Yuen Chow, Robert N. Sharpe, "On Line Application and

Design of Artifial Neural Network For Motor Fault Detection - Part I," IEEE

Transaction On Industrial Electronics, vol. 40, no. 2, pp. 181-188, 1993.