Pencacah Pelepah Sawit Terintegrasi
Artificial Neural Network Approach for Estimating Performance
of Integrated Chopper Machine for Oil Palm Frond
AGUSTAMI SITORUS1 DAN RAMAYANTY BULAN2 1Pusat Penelitian Teknologi Tepat Guna (P2TTG), LIPI
2Jurusan Teknik Pertanian, Fakultas Pertanian, Universitas Syiah Kuala
Email: [email protected]
Diterima 07 Mei 2019 / Direvisi 07 Agustus 2019 / Disetujui 03 Desember 2019
Kondisi kerja mesin pencacah pelepah sawit yang tepat penting ditelusuri guna meningkatkan performansi mesin saat bekerja. Saat ini, pemilihan kondisi kerja mesin tergantung pada aturan empiris dan uji coba eksperimental. Hal ini dilakukan karena interaksi yang kompleks antara unit bagian mesin pencacah terintegrasi (unit penggunting, pengempa dan pencacah) untuk memperkirakan kinerjanya. Penelitian ini bertujuan untuk memperkirakan kinerja mesin pencacah pelepah sawit terintegrasi melalui pendekatan Jaringan Saraf Tiruan (JST). Desain model JST dilakukan di Pusat Penelitian Teknologi Tepat Guna pada tahun 2017-2019. Parameter input data adalah sebanyak sembilan parameter operasi yang dikumpulkan dari uji coba eksperimental pada kondisi laboratorium menggunakan mesin pencacah pelepah sawit terintegrasi tipe-AE01. Arsitektur model JST (input-layer-output) yang diujicobakan adalah [9-5-1], [9-10-1], dan [9-15-1] dengan algoritma Levenberg–Marquardt. Hasil penelitian ini diperoleh bahwa model prediksi terbaik dibentuk dengan arsitektur layer sebanyak 10 buah yang menghasilkan nilai galat prediksi lebih kecil dibandingkan dengan yang lainnya. Koefisien determinasi model dengan layer tersebut adalah 0,99862. Prediksi kinerja mesin menggunakan data pengujian memberikan koefisien determinasi mendekati satu. Mean squared error (MSE) dari model pada masing-masing fase pelatihan, validasi dan pengujian adalah 2,6910-15, 1,5610-4, 3,3810-5.
Kata kunci: Kecerdasan buatan, model JST, mesin pencacah, pelepah sawit, tipe-AE01.
ABSTRACT
The working conditions of an appropriate oil palm chopper are important to be explored in order to improve the machine's performance while working. At present, the selection of working conditions depends on empirical rules and experimental trials. It is conducted because of the complex interaction between the unit of the integrated counter machine (cutting machine unit, compression machine unit, and chopper machine unit) to estimate its performance. Therefore, this study aims to estimate the performance of an integrated palm frond chopper machine through the Artificial Neural Network (ANN) approach. The design of the ANN model was carried out at the Research Center for Appropriate Technology in 2017-2019. Data input is as many as nine operating parameters collected from experimental tests in laboratory conditions using the AE01 type integrated palm fronds chopper machine. The ANN model architecture (input-layer-output) tested is [9-5-1], [9-10-1], and [9-15-1] with the Levenberg – Marquardt algorithm. The results of this study were obtained that the best prediction model is formed by a layered architecture of 10 layers, which results in a smaller prediction error value compared to the others. The model determination coefficient with that layer is 0.99862. Prediction of chopper performance using test data gives a coefficient of determination close to one. The mean squared error (MSE) of the model in each training phase, validation, and testing were 2,6910-15, 1,5610-4, 3,3810-5. Keywords: Artificial intelligence, ANN model, chopper machine, oil palm frond, AE01 type.
PENDAHULUAN
Sebuah mesin pencacah pelepah sawit terintegrasi dengan tipe-AE01 yang terdiri atas tiga unit utama, yaitu unit pemotong daun, pengempa pelepah dan pencacah daun telah didesain oleh Bulan et al. (2018). Kinerja mesin ini berkaitan erat dengan pengaturan kondisi awal mesin sebelum digunakan (parameter operasi) agar menghasilkan produk cacahan terbaik. Saat ini, pemilihan parameter operasi mesin tersebut tergantung pada
aturan empiris, uji coba eksperimental dan pengalaman pengguna mesin ini saja. Sementara itu, parameter operasi mesin tersebut sesungguhnya dapat diestimasi agar kondisinya berkinerja tinggi.
Beberapa metode untuk mengestimasi data telah banyak diujicobakan. Harahap dan Lubis (2018) melaporkan pendekatan model statistik-stokastik untuk dapat mengestimasi produksi kelapa sawit dengan menggunakan data time series walaupun akurasinya masih rendah karena
128
penumpukan bias pada setiap peubah pengestimsi. Fadilah et al. (2018) menggunakan metode geometric process untuk menentukan waktu pemeliharaan mesin boiler karena kerusakan mesin boiler memiliki trend dalam jangka waktu tertentu. Ma et al. (2017) menggunakan metode sistem dinamik untuk melakukan prediksi kinerja
volume error spectrum karena dapat memplotkan
hasil prediksi dalam bentuk tiga dimensi. Sriram et
al. (2019) menggunakan metode markov non-linear
untuk melakukan pelacakan kinerja mesin karena data inputan memperhitungkan tingkat degradasi dan waktu yang berbeda pada berbagai tahap operasi mesin. Namun, metode yang dipilih oleh beberapa peneliti diatas sangat kompleks, rumit dan akurasinya rendah dalam melakukan estimasi data.
Metode jaringan saraf tiruan (JST) telah dilakukan oleh beberapa peneliti untuk menilai suatu mesin. Diantaranya adalah Çelebi et al. (2017) yang menggunakan JST untuk dapat mengestimasi getaran pada mesin diesel. Rajabi-Vandechali et al. (2018) menggunakan JST untuk dapat mengestimasi torsi dari traktor dengan data inputan sensor yang terpasang pada traktor. Taghavifar et al. (2015) yang melakukan estimasi daya traktor dan Familiana et al. (2017) melakukan estimasi kekasaran permukaan logam hasil pekerjaan mesin bubut dengan inputan berupa data pengolahan citra. Hasil penelitian tersebut menunjukkan bahwa pendekatan JST sangat efektif untuk mengestimasi output yang di-pengaruhi oleh banyak faktor inputan parameter operasi.
Mesin pencacah pelepah sawit terintegrasi dengan tipe-AE01 mempunyai banyak parameter operasi untuk menentukan kinerjanya. Interaksi yang sangat kompleks diantara parameter tersebut menjadikan penentuan kualitas kinerja dari mesin ini menjadi semakin rumit. Identifikasi awal menunjukkan bahwa kecepatan putar mesin dari masing-masing unit adalah faktor pengungkit dari kinerja masin ini karena setiap unit mesin terhubung dengan sumber daya penggerak yang sama. Hal ini menyebabkan jika salah satu unit mesin tidak stabil dapat mempengaruhi unit lainnya. Oleh karena itu, tujuan penelitian ini adalah membangun model untuk dapat memperkirakan kinerja mesin pencacah pelepah sawit terintegrasi tipe-AE01 melalui pendekatan JST. Diharapkan model tersebut mampu memper-kirakan kinerja mesin ini sehingga dapat menjadi acuan bagi pengguna untuk menentukan perawatan mesin ini.
BAHAN DAN METODE
Mesin pencacah pelepah sawit terintegrasi tipe-AE01 disajikan Gambar 1. Perancangan alat dilakukan di Laboratorium Alat dan Mesin Pertanian, Universitas Syiah Kuala. Manufaktur dan pengujian mesin dilakukan di Workshop Departemen Teknik Mesin dan Biosistem, IPB. Pengolahan dan analisis data dilakukan di Pusat Penelitian Teknologi Tepat Guna, LIPI. Penelitian ini dilakukan dari tahun 2017 hingga 2019.
Keterangan: 1-Rangka mesin; 2-Gear box (1:30); 3-Mesin diesel; 4-Unit pencacah; 5-Gear box (1:10); 6-Saluran pengumpan; 7-Unit pemotong daun; 8-Unit pengempa
Notes: 1-Main Frame; 2-Gear box (1:30); 3-Engine; 4-Chopper unit; 5-Gear box (1:10); 6-feeder; 7-Cutter unit; 8-Compression unit
Gambar 1. Mesin pencacah pelepah sawit ter-integrasi tipe-AE01.
Figure 1. Integrated chopper machine for OPF AE01-type.
Mesin tersebut menggunakan sumber daya penggerak motor diesel bertenaga 10.5 hp. Unit penggunting mendapatkan daya dengan sistem transmisi sabuk-puli. Unit pengempa mendapat-kan daya dengan sistem transmisi rantai-sproket. Unit pencacah mendapatkan daya dengan sistem sabuk-puli.
Akusisi Data Penelitian
Bentuk pelepah sawit dan bagian penampangnya ditunjukkan pada Gambar 2. Bagian tersebut yang diukur guna mendapatkan data primer penelitian ini. Persentase daun ter-potong dihitung dengan Persamaan 1. Persentase pengurangan tinggi dan pertambahan lebar pelepah yang dikempa dihitung dengan Persamaan 2 dan Persamaan 3. Panjang dan lebar cacahan daun dihitung dengan Persamaan 4 dan Persamaan 5. Kapasitas mesin dikalkulasikan dengan Persamaan 6.
Rachis Daun/ leaf Petiole Parenkim/ Parenchyma Sklerenkim/ Skelerenkhim Epidermis Lebar/ width Tin gg i/ he ig ht
Gambar 2. Pelepah sawit dan penampang melintang pelepah kelapa sawit.
Figure 2. Oil palm frond and cross section of oil palm frond. % 100 aw k a t D D D ... 1
%
100
aw aw ak tL
L
L
L
... 2 % 100 aw ak aw k T T T T ... 3 20
dc dc P P ... 4 20
dc dc L L ... 5 t J KM P ... 6Analisis Data dan Desain Model JST
Analisis data dilakukan menggunakan algoritma JST multi-layered feed forward
back-propagation Levenberg–Marquardt pada tiga
per-lakuan node tersembunyi, yaitu [9-5-1], [9-10-1], dan [9-15-1], sembilan buah input layer dan satu buah output layer diujicobakan. Arsitektur model JST dilatih dan dievaluasi guna mendapatkan model terbaik. Model JST menggunakan data eksperimental kondisi operasi sebagai input yang ditetapkan terhadap parameter indeks kinerja mesin yang ingin dicapai. Terdapat sembilan parameter input proses, yaitu (i) kecepatan putar unit penggunting, (ii) kecepatan putar unit pengempa, (iii) kecepatan putar unit pencacah, (iv) kapasitas mesin keseluruhan, (v) persentase daun terpotong dari pelepah sawit, (vi) persentase pengurangan tinggi dan (vii) pertambahan lebar pelepah akibat pengempaan, (viii) panjang dan (ix) lebar cacahan daun sawit. Skema struktur JST disajikan pada Gambar 3.
rpm - unit penggunting/ The angular
speed of cutting unit
rpm - unit pengempa/ The angular speed
of compression unit
rpm - unit pencacah/ The angular speed
of chopper unit
%-tase daun terpotong/ Chopping of OPF
Percentage
%-tase pengurangan Tinggi/ Percent decrease in height
%-tase pertambahan Lebar/ Percent increase in width Panjang cacahan/ Length of chopped
Lebar cacahan/ Width of chopped
Kapasitas mesin/ Machine capacity
K in er ja M es in P en ca ca h T ip e A E 0 1 / T h e P e rf o rm a n ce o f a c h o p p e r m a ch in e T yp e A E 0 1 Input/ Input Output/ Output Lapisan Tersembunyi/ Hidden layer
Gambar 3. Struktur Jaringan Saraf Tiruan yang akan digunakan.
Figure 3. Artificial Neural Network structure to be used.
Pembelajaran model JST menggunakan parameter learning rate, momentum dan gain masing-masing yaitu sebesar 0,1, 0,2, dan 0,9. Kriteria pemberhentian didasarkan atas validasi silang antara data trainingdengan data testing. Data dibagi menjadi tiga kelompok yaitu masing-masing 70% data latihan, 15% data validasi dan 15% data pengujian.Jumlah data percobaan ini adalah 81 buah. Rentang nilai data parameter hasil pengujian mesin pencacah AE01 disajikan pada Tabel 1. Data tersebut dinormalisasi dengan skala linear antara 0 dan 1 seperti yang dilakukan oleh Taghavifar et al. (2015) menggunakan Persamaan 7.
h l
l r r r n X X X X X X X min , max , ... 7Kinerja model diukur dengan menghitung
mean squared error (MSE) dan koefisien determinasi
(R2) model seperti yang dilakukan oleh beberapa peneliti (Rajabi-Vandechali et al. 2018; Familiana et
al. 2017). Semakin kecil nilai MSE menunjukkan
bahwa model tersebut semakin baik. Klasifikasi nilai MSE yang digunakan oleh beberapa peneliti untuk mengklasifikasi model disajikan pada Tabel 1. (Lewis 1982; Emang et al. 2010; Çelebi et al. 2017). MSE dihitung dengan Persamaan 8 dan koefisien determinasi (R2) dihitung menggunakan Persamaan 9 (Prabhu dan Karthikeyan 2018; Çelebi
et al. 2017).
n i Yie Yip n MSE 1 , , 2 1 ... 8
2 1 , 1 , , 2
n i ip e n i ip ie Y Y Y Y R ... 9130
Tabel 1. Rentang nilai parameter input pada tahapan pelatihan dan pengujian JST.
Table 1. Range of input parameter values in the training and testing stages of ANN.
Parameter Input/ Input parameter Rentang Nilai/ Range Rata-rata/
Average
Min Max
Kecepatan putar unit penggunting (rpm)/ The angular speed of the cutting unit (rpm) 480 800 640 Kecepatan putar unit pengempa (rpm)/ The angular speed of the compression unit (rpm) 70 110 90 Kecepatan putar unit pencacah (rpm)/ The angular speed of the chopper unit (rpm) 800 1600 1200
Persentase daun terpotong (%)/ Chopping of OPF Percentage (%) 69,43 89,04 80,61
Persentase pengurangan tinggi (%)/ Percent decrease in height (%) 4,12 28,60 19,03
Persentase pertambahan lebar (%)/ Percent increase in width (%) 7,76 71,86 37,26
Panjang cacahan (mm)/ Length of chopped (mm) 1,97 3,05 2,53
Lebar cacahan (mm)/ Width of chopped (mm) 2,79 3,74 3,30
Kapasitas mesin (kg/jam)/ Machine capacity (kg/hr) 158,49 276,23 191,22
Model JST/ ANN
Model
Mengkoleksi dan mengkelompokkan data/
Collecting and grouping data
Mendefenisikan arsitektur JST/
Defines ANN architecture
Mendefenisikan alogaritma JST dan hiperparameter/ Defines ANN and
hyperparameter algorithms
Pelatihan dan validasi/
Training and validation
Galat MSE/
Error MSE
?
Model JST yang siap untuk memprediksi/ ANN models are
ready to predict Bias atau Variance/ Bias or Variance? Tidak/ No Ya/ Yes Tinggi Variance/ High Variance Tinggi bias/ High bias
Tabel 2. Kriteria MSE untuk evaluasi model.
Table 2. MSE criteria for model evaluation.
Galat Kuadrat Rata-rata/
Mean squared error (%)
Klasifikasi/
Classification
MSE 10% Akurasi tinggi/ High
accuracy forecasting
11% MSE 20% Akurasi baik/ Good
forecasting
21% MSE 50% Akurasi rendah/ Reasonable
forecasting
MSE 51% Akurasi sangat rendah/
Inaccurate forecasting
Nilai akumulasi dan pembobotan sembilan parameter operasi disajikan pada Tabel 3. Nilai pembobotan mengacu pada metode indeks terbobot dengan digital logic dari Dieter dan Schmidt (2013). Diagram alir untuk pendekatan JST disajikan pada Gambar 4.
Tabel 3. Pembobotan input penentuan kinerja mesin pencacah tipe-AE01.
Table 3. Weighting the input for determining the performance chopper machine for OPF AE01-type.
Parameter input/
Input parameter
Bobot/
weight
Kecepatan putar unit pengempa (rpm)/ The angular
speed of the compression unit (rpm); (g) 0,0833
Kecepatan putar unit pengempa (rpm)/ The angular
speed of the compression unit (rpm); (k) 0,0833
Kecepatan putar unit pencacah (rpm)/ The angular
speed of the chopper unit (rpm); (c) 0,0833
Persentase daun terpotong (%)/ Chopping of OPF
Percentage (%); (Dt) 0,2222
Persentase pengurangan tinggi (%)/ Percent decrease in
height (%); (Tk) 0,1389
Persentase pertambahan lebar (%)/ Percent increase in
width (%); (Pl) 0,0278
Panjang cacahan (mm)/ Length of chopped (mm); (Pdc) 0,0278
Lebar cacahan (mm)/ Width of chopped (mm); (Ldc) 0,1944
Kapasitas mesin (kg/jam)/ Machine capacity (kg/hr);
(Km) 0,1389
Jumlah/ Total 1,0000
Kinerja mesin pencacah tipe AE01 diklasifikasikan menjadi tiga taraf yaitu tinggi, sedang dan rendah. Kinerja mesin bertaraf tinggi jika nilai akhir indeks terbobot lebih besar dari 0,64. Nilai ini dikalkulasikan dengan Persamaan 10. Kinerja mesin bertaraf sedang jika nilai akhir indeks terbobot diantara 0,46–0,64. Nilai ini dikalkulasikan dengan Persamaan 11. Kinerja mesin bertaraf rendah jika nilai akhir indeks terbobot lebih kecil dari 0,46. Rentang nilai taraf ini ditentukan berdasarkan Persamaan 12. Nilai pembobotan sampel dihitung menggunakan Persamaan 13.
Gambar 4. Diagram alir pendekatan JST.
Tabel 1. Hasil galat menggunakan MSE.
Table 1. Error model using MSE.
Model JST/ ANN Model Pelatihan/ Training Validasi/ Validation Pengujian/ Testing [9-5-1] 5,9410-5 5,38 10-5 3,89 10-4 [9-10-1] 2,6910-15 1,56 10-4 3,38 10-5 [9-15-1] 2,12 10-6 1,72 10-4 2,64 10-4
3
min max maxIT
IT
IT
IT
tinggi ... 10 3 3 2 min max max min max max IT IT T IT IT IT T sedang ... 11 3 2 max min max IT IT T ITrendah ... 12
dci Pdc
dci Ldc
mi Km
Pl i l Tk i k Dt i t c i k k i k g i g B K B L B P B P B T B D B B B IT ... 13HASIL DAN PEMBAHASAN
Arsitektur Model JST Terpilih
Hubungan antara nilai prediksi (y) dan nilai target (x) untuk jaringan dengan 5, 10 dan 15 node tersembunyi menggunakan algoritma pelatihan Levenberg-Marquardt masing-masing disajikan pada Persamaan 14, 15 dan 16. Hasilnya menunjukkan bahwa dengan node tersembunyi sebanyak 10 buah memberikan koefisien determinasi yang paling kecil dibandingkan dengan yang lainnya. Hal ini sejalan dengan hasil beberapa penelitian yang menemukan bahwa nilai koefisien determinasi memberikan perbedaan hasil yang sangat kecil akibat dari interaksi JST itu sendiri (Kurtgoz et al. 2017; Steinbach dan Altinsoy 2019; Çelebi et al. 2017). 99584 , 0 029 , 0 94 , 0 2 x R Y ... 14 99862 , 0 0072 , 0 99 , 0 2 x R Y ... 15 99681 , 0 0061 , 0 2 x R Y ... 16
Grafik regresi antara nilai kinerja mesin pencacah tipe-AE01 yang diukur dan diprediksi dengan variasi node tersembunyi (5, 10 dan 15), dalam fase pelatihan, validasi dan set tes telah dibuat. Salah satu contoh grafik hasil JST untuk sepuluh lapisan tersembunyi disajikan pada Gambar 5. Hasilnya menunjukkan bahwa nilai akurasi fase prediksi sangat dekat dengan akurasi dalam fase pelatihan. Hal ini menunjukkan bahwa pemilihan sembilan parameter input sebagai faktor yang mempengaruhi prediksi kinerja mesin pencacah tipe-AE01 memberikan hasil yang memuaskan.
Tingkat akurasi model diukur dengan membandingkan level galat dari setiap variasi lapisan tersembunyi melalui nilai MSE. Hasilnya disajikan pada Tabel 4. MSE terkecil dan terbesar pada fase pelatihan terdapat masing-masing pada
penggunaan node tersembunyi 10 dan 5 buah. Pada fase validasi, MSE terkecil dan terbesar pada terdapat masing-masing pada penggunaan node tersembunyi 5 dan 15 buah. MSE terkecil dan terbesar pada fase pengujian terdapat masing-masing pada penggunaan node tersembunyi 10 dan 5 buah. Namun demikian, semua MSE masih dalam katagori berakurasi sangat baik untuk menunjukkan hasil pemodelan berdasarkan kriteria MSE (Tabel 2) yang digunakan oleh beberapa peneliti dalam mengukur galat dari model menggunakan JST (Çelebi et al. 2017; Emang
et al. 2010; Lewis 1982).
Prediksi Hasil Kinerja Mesin
Prediksi hasil dilakukan untuk melihat gambaran capaian indeks terbobot dari kinerja mesin jika diberi pengaturan tertentu. Data parameter operasi untuk diprediksi disajikan pada Tabel 5 yang dibangkitkan dengan menggunakan nilai random. Data tersebut terdiri dari katagori indeks terbobot rendah, sedang dan tinggi masing-masing sebanyak 27,2%, 61,7%, 11,1%.
Prediksi kinerja mesin dengan mengguna-kan data nilai random disajimengguna-kan pada Gambar 6. Hasilnya menunjukkan bahwa dari 20 buah data percobaan tersebut ditemukan 100% data sesuai dengan hasil prediksi menggunakan model JST berarsitektur [9-10-1]. Hal ini menunjukkan bahwa model telah mampu memprediksi kinerja mesin tersebut dengan tingkat akurasi sangat tinggi. Hal ini sejalan dengan hasil beberapa penelitian yang menyebutkan bahwa pendekatan JST yang mempunyai input data lebih banyak (beban input) dapat memberikan nilai prediksi yang lebih cepat, lebih tepat, dan sangat handal karena prosesnya dilakukan dengan komputasi multivariabel, nonlinier, dan komputasi kompleks (Taghavifar dan Mardani 2014, Rahimi-Ajdadi dan Abbaspour-Gilandeh 2011, Çelebi et al., 2017).
Tindak lanjut pemanfaatan model JST ini adalah tersedianya model pengolahan data yang dapat memprediksi kinerja mesin pencacah pelepah sawit tipe-AE01. Hal ini diperlukan untuk mengontrol kinerja mesin tersebut agar tetap dalam kondisi berkinerja tinggi dalam peng-operasiannya.
132
Tabel 2. Random data untuk pengujian model.
Table 2. Random data for testing models.
No k (rpm) g (rpm) c (rpm) Km (kg/jam) Dt (%) Tk (%) Pl (%) Pdc (mm) Ldc (mm) 1 75 555 931 274,81 85,99 6,92 31,55 2,81 2,84 2 75 605 1279 243,28 73,66 5,54 59,22 2,19 2,89 3 97 586 1005 160,24 83,54 27,27 13,91 2,77 3,44 4 90 602 865 234,24 79,49 21,63 67,56 2,10 3,05 5 95 796 825 208,80 76,72 7,83 41,85 2,98 3,06 6 86 689 1154 205,31 82,34 16,48 52,49 2,54 3,66 7 78 644 1430 178,80 86,51 20,78 13,46 2,09 2,94 8 82 578 817 272,52 78,17 7,32 18,66 2,16 3,11 9 96 716 1342 256,40 74,46 20,19 8,46 2,88 2,99 10 101 622 1500 204,51 81,39 24,02 44,66 2,44 3,50 11 98 489 1088 198,45 84,01 25,72 34,45 2,78 2,91 12 107 747 1425 217,47 80,93 11,10 43,98 2,25 3,47 13 78 708 1024 247,24 82,72 26,72 63,36 2,83 3,15 14 93 481 1033 163,76 73,16 14,82 18,83 2,70 3,47 15 80 528 1141 196,11 84,10 25,75 48,14 2,96 3,62 16 71 725 862 164,36 71,35 25,18 9,02 2,35 3,47 17 98 759 1116 166,59 88,39 18,63 63,13 2,22 3,34 18 107 774 1340 243,35 79,19 6,37 34,90 2,21 3,20 19 91 746 1234 269,12 80,99 20,99 17,64 2,54 3,04 20 100 538 1366 251,00 74,30 24,15 9,21 2,96 3,19 Target/ Target N il a i p re d ik s i/ P re d ic te d V a lu e
Pelatihan/ Training: R=0,99718 Validasi/ Validation: R=0,99835
Pengujian/ Test: R=0,99088 Semua/ All: R=0,99584
Target/ Target
Target/ Target Target/ Target
N il a i p re d ik s i/ P re d ic te d V a lu e N il a i p re d ik s i/ P re d ic te d V a lu e N il a i p re d ik s i/ Pre d ic te d Va lu e
Gambar 5. Hubungan antara nilai eksperimental dan nilai pendugaan dengan JST [9-10-1].
y = 0.99x + 0.0072 R² = 1 0.0 0.2 0.4 0.6 0.8 1.0 0.0 0.2 0.4 0.6 0.8 1.0 In d e k s te rb o b o t p re d ik s i [9 -10 -1] / W e ig h te d p re d ic ti o n i n d e x [ 9 -10 -1]
Indeks terbobot aktual/
Actual weighted index
KESIMPULAN
Pemodelan Jaringan Saraf Tiruan (JST) guna memprediksi kinerja mesin pencacah pelepah sawit terintegrasi tipe AE01 telah dilakukan. Data prediksi dengan pendekatan model JST telah dibandingkan dengan data eksperimental. Pengujian model JST juga telah dilakukan dengan 20 buah data hasil pembangkitan nilai random guna menguji model JST yang dibangun. Pengunaan arsitektur JST [9-10-1] memberikan nilai MSE paling kecil (3,3810-5) dan koefisien determinasi paling besar (0,99862) guna memprediksi kinerja mesin pencacah terintegrasi. Pendekatan JST sangat baik digunakan untuk melakukan estimasi dari kinerja mesin pencacah terintegrasi tipe AE01.
UCAPAN TERIMA KASIH
Penulis mengucapkan terima kasih atas semua dukungan dari Pusat Penelitian Teknologi Tepat Guna (P2TTG) LIPI dan Universitas Syiah Kuala. Penulis juga menyampaikan penghargaan kepada penelaah jurnal atas saran baik hati dan profesional mereka selama mempertimbangkan naskah ini untuk dapat dipublikasikan.
DAFTAR PUSTAKA
Bulan, R., T. Mandang, W. Hermawan, D. Desrial, dan A. Agussabti. 2018. Desain dan Kinerja Mesin Terintegrasi untuk Mencacah Daun Sawit dan Mengempa Pelepah Sawit. Jurnal Keteknikan Pertanian 6(1): 83-90.
Çelebi, K., E. Uludamar, E. Tosun, Ş. Yıldızhan, K. Aydın, dan M. Özcanlı. 2017. Experimental and artificial neural network approach of noise and vibration characteristic of an unmodified diesel engine fuelled with conventional diesel, and biodiesel blends with natural gas addition. Fuel 197: 159-173.
Dieter, G. E., dan L. C. Schmidt. 2013. Engineering design (Vol. 3): McGraw-Hill New York. Emang, D., M. Shitan, A. N. A. Ghani, dan K. M.
Noor. 2010. Forecasting with univariate time series models: a case of export demand for peninsular Malaysia’s moulding and chipboard. Journal of Sustainable Development 3(3): 157. Fadilah, A. N., D. F. Aksioma, dan H. Haryono.
2018. Optimasi Penentuan Waktu Optimum Pemeliharaan (Preventive Maintenance) Mesin Boiler Di PT. X Menggunakan Metode Geometric Process. Jurnal Sains dan Seni ITS 7(2): 2337-3520. Familiana, H., I. Maulana, A. Karyadi, I. S. Cebro,
dan A. Sitorus. 2017. Characterization of aluminum surface using image processing methods and artificial neural network methods. International Conference on Computing, Engineering, and Design (ICCED), Malaysia.
Harahap, I. Y., dan M. E. S. Lubis. 2018. Penggunaan Model Jaringan Saraf Tiruan (Artificial Neuron Network) Untuk Memprediksi Hasil Tandan Buah Segar (TBS) Kelapa Sawit Berdasar Curah Hujan Dan Hasil TBS Sebelumnya. Jurnal Penelitian Kelapa Sawit 26(2): 59-70. Kurtgoz, Y., M. Karagoz, dan E. Deniz. 2017.
Biogas engine performance estimation using ANN. Engineering Science and Technology, an International Journal 20(6): 1563-1570.
Lewis, C. 1982. International and Business Forecasting Methods Butterworths: London.
Ma, Y., W. Peng, dan H. Liu. 2017. Volume error spectrum for estimation performance Gambar 6. Perbandingan nilai indeks terbobot
aktual vs. indeks prediksi pada arsitektur JST [9-10-1].
Figure 6. Comparison of actual weighted index values of engine performance with predictive index values on ANN architecture [9-10-1].
134
evaluation in dynamic systems. Optik 144: 655-663.
Prabhu, V. M., dan R. Karthikeyan. 2018. Comparative studies on modelling and optimization of hydrodynamic parameters on inverse fluidized bed reactor using
ANN-GA and RSM. Alexandria
Engineering Journal 57(4): 3019-3032. Rahimi-Ajdadi, F., dan Y. Abbaspour-Gilandeh.
2011. Artificial Neural Network and stepwise multiple range regression methods for prediction of tractor fuel consumption. Measurement 44(10): 2104-2111.
Rajabi-Vandechali, M., M. H. Abbaspour-Fard, dan A. Rohani. 2018. Development of a prediction model for estimating tractor engine torque based on soft computing and low cost sensors. Measurement 121: 83-95.
Sriram, L. M. K., M. Gilanifar, Y. Zhou, E. E. Ozguven, dan R. Arghandeh. 2019. Causal Markov Elman Network for Load Forecasting in Multinetwork Systems. IEEE Transactions on Industrial Electronics 66(2): 1434-1442.
Steinbach, L., dan M. E. Altinsoy. 2019. Prediction of annoyance evaluations of electric vehicle noise by using artificial neural networks. Applied Acoustics 145: 149-158. Taghavifar, H., dan A. Mardani. 2014. Application of artificial neural networks for the prediction of traction performance parameters. Journal of the Saudi Society of Agricultural Sciences 13(1): 35-43.
Taghavifar, H., A. Mardani, dan A. H. Hosseinloo. 2015. Appraisal of artificial neural network-genetic algorithm based model for prediction of the power provided by the agricultural tractors. Energy 93: 1704-1710.
Lampiran Simbol
Dt Persentase daun terpotong (%)/
Chopping of OPF Percentage (%)
Dak Jumlah daun setelah melewati mesin/
Number of leaves after passing through the integrated chopper machine
Daw Jumlah daun awal/ Number of initial
leaves OPF
Lt Persentase pertambahan lebar pelepah (%)/Percent increase in width (%)
Lak Lebar pelepah setelah melewati mesin (mm)/ OPF width after passing through
the compression unit machine (mm)
Law Lebar pelepah awal (mm)/ Initial OPF
width (mm)
Tk Persentase pengurangan tinggi pelepah (%)/Percent decrease in height (%)
Taw Tinggi pelepah awal (mm)/ Initial OPF
height (mm)
Tak Tinggi pelepah setelah melewati mesin (mm)/ OPF height after passing through
the compression unit machine (mm)
dc
P Panjang rata-rata cacahan daun (mm)/
Average length of leaf chopped (mm)
Pdc Panjang cacahan daun (mm)/ length of
leaf chopped (mm)
dc
L Lebar rata-rata cacahan daun (mm)/
Average width of leaf chopped (mm)
Ldc Lebar cacahan daun (mm)/ Width of leaf
chopped (mm)
Km Kapasitas mesin (pelepah/jam)/
Machine capacity (kg/hr)
JP Jumlah pelepah / Number of OPF
t Waktu proses (jam)/Processing time (hr)
Xn Data hasil normalisasi/ Normalized data
Xr Data ke-r/ Data to-r
Xr,max Data max dari r/ Max data from r
Xr,min Data min dari r/ Min data from r
Xh; Xl 0; 1
MSE Galat Kuadrat Rata-rata/ Mean Squared
Error
Yi,e Data eksperimental ke-i/ Experimental
data to-i
Yi,p Data prediksi ke-i/ Prediction data to-i
n Jumlah data eksperimental/ Amount of
experimental data
Ye Data rata-rata dari eksperimental/
Average experimental data
R2 Koefisien determinasi/ Coefficient of
determination
IT Indeks terbobot/ Weighted index
Tmax Data terbobot maksimum/ Maximum
![Gambar 5. Hubungan antara nilai eksperimental dan nilai pendugaan dengan JST [9-10-1]](https://thumb-ap.123doks.com/thumbv2/123dok/4158085.2833505/6.892.87.693.124.689/gambar-hubungan-nilai-eksperimental-nilai-pendugaan-jst.webp)
![Figure 6. Comparison of actual weighted index values of engine performance with predictive index values on ANN architecture [9-10-1]](https://thumb-ap.123doks.com/thumbv2/123dok/4158085.2833505/7.892.95.425.120.439/figure-comparison-actual-weighted-values-performance-predictive-architecture.webp)
