PREDIKSI KERUSAKAN MOTOR INDUKSI MENGGUNAKAN
METODE JARINGAN SARAF TIRUAN
BACKPROPAGATION
TESIS
Oleh
HERDIANTO
097034029/TE
FAKULTAS TEKNIK
UNIVERSITAS SUMATERA UTARA
MEDAN
PREDIKSI KERUSAKAN MOTOR INDUKSI MENGGUNAKAN
METODE JARINGAN SARAF TIRUAN
BACKPROPAGATION
TESIS
Untuk Memperoleh Gelar Magister Teknik
dalam Program Studi Magister Teknik Elektro
pada Fakultas Teknik Universitas Sumatera Utara
Oleh
HERDIANTO
097034029/TE
FAKULTAS TEKNIK
UNIVERSITAS SUMATERA UTARA
MEDAN
Judul Tesis : PREDIKSI KERUSAKAN MOTOR INDUKSI
MENGGUNAKAN METODE JARINGAN SARAF
TIRUAN BACKPROPAGATION
Nama Mahasiswa : Herdianto
Nomor Induk : 097034029
Program Studi : Magister Teknik Elektro
Menyetujui
Komisi Pembimbing:
(Prof. Dr.Ir. Usman Baafai) (Dr. Benny B.Nst, Dipl.Ing.M.Eng)
Ketua
Anggota
Sekretaris Program Studi Dekan,
(Drs. Hasdari Helmi, MT)
(Prof.Dr.Ir. Bustami Syam, MSME)
Telah Diuji pada
Tanggal : 16 Juli 2013
PANITIA PENGUJI TESIS
Ketua : Prof. Dr. Ir. Usman Baafai
Anggota : 1. Dr. Benny B. Nasution, Dipl.Ing, M.Eng
2. Prof. Dr. Tulus, M.Si
ABSTRAK
Motor induksi (MI) adalah alat listrik yang mengubah energi listrik menjadi energi
mekanik berupa tenaga putar. Motor induksi banyak dipakai sebagai penggerak untuk
mengerjakan banyak proses di industri. Meskipun MI cukup handal tetapi dapat saja
mengalami kerusakan total pada saat beroperasi. Kerusakan total pada motor induksi
pada saat mendukung proses produksi dapat menyebabkan rendahnya mutu barang
jadi yang dihasilkan sampai berhentinya proses produksi itu sendiri. Untuk
menghindari kerusakan total pada motor induksi, pada penelitian ini digunakan
metode jaringan saraf tiruan dengan algoritma
backpropagation
untuk memprediksi
kerusakan yang akan terjadi pada motor induksi khususnya pada stator untuk 1 hari
ke depan. Agar dapat digunakan untuk memprediksi kerusakan motor induksi
khususnya pada stator dengan tingkat akurasi di atas 85% jaringan saraf tiruan harus
memiliki struktur jaringan yang optimal. Maka pada penelitian yang telah dilakukan
penelitian dititik beratkan pada pencarian struktur jaringan saraf tiruan yang optimal
berdasarkan pola data pelatihan seperti mencari jumlah
time delay
,
hidden layer
,
node
hidden layer
, nilai konstanta
learning rate
dan momentum. Dari hasil pengujian yang
telah dilakukan bahwasanya jaringan saraf tiruan mampu memprediksi kerusakan
motor induksi khususnya pada stator untuk satu hari ke depan dengan tingkat akurasi
mencapai 90%.
ABSTRACT
Induction motor (IM) is electric equipment which changes electric energy to
mechanical energy as a revolving power. It is frequently used as a drive for doing
many processes in industry. Even though it is reliable, it can be totally broken when it
is operating. The total damage of induction motor, while it is supporting the process
of production, can cause the low quality of the product until the process of the
production stops. To avoid the induction motor being totally damaged, the method of
artificial nerve grid with back-propagation algorithm was used in this research to
predict the damage which will occur in induction motor, especially in the stator for
the following day. In order to be used to predict the damage in the induction motor,
especially in the stator with the accuracy above 85%, the artificial nerve grid must
have optimal grid structure. Therefore, this research was emphasized on the
searching for the optimal structure of artificial nerve grid, based on the pattern of
training data, such as searching for the amount of time delay, hidden layer, node
hidden layer, constant value of learning rate, and momentum. From the result of test,
it was found that the artificial nerve grid was able to predict the damage in the
induction motor, especially in the stator for the following day with 90% of the level of
accuracy.
KATA PENGANTAR
Puji dan syukur kehadirat Allah SWT, atas berkat rahmat dan
karunia-Nya sehingga penulis dapat menyelesaikan tesis yang berjudul: “
Prediksi Kerusakan Motor Induksi Menggunakan Metode Jaringan Saraf
Tiruan Backpropagation ”.
Pada kesempatan ini, penulis mengucapkan terima kasih kepada Bapak Prof.
Dr. Ir. Usman Baafai selaku ketua pembimbing, Bapak Dr. Benny B. Nasution, Dipl.
Ing, M.Eng dan Bapak Ir.Pernantin Tarigan, MSc selaku anggota komisi pembimbing
yang dengan penuh sabar, arif dan bijaksana memberikan bimbingan, dorongan,
petunjuk serta arahan kepada penulis. Ucapan terima kasih juga penulis sampaikan
kepada Bapak Prof. Dr.Tulus, M.Si dan Bapak Dr. Poltak Sihombing, M.Kom selaku
pembanding utama tesis ini yang banyak memberikan saran dan masukan demi
kesempurnaan penulisan tesis ini. Dan yang terakhir ucapan terima kasih penulis
sampaikan kepada keluarga, teman penulis seluruh staf pengajar dan karyawan
Program Studi Magister Teknik Elektro yang telah banyak memberikan semangat dan
perhatian serta toleransi sehingga tesis ini dapat terselesaikan.
Penulis menyadari masih ada kekurangan dalam tulisan tesis ini, oleh sebab
itu penulis sangat mengharapkan saran dan kritikan yang bersifat membangun demi
persyaratan yang diperlukan untuk suatu tesis dalam Program Studi Magister Teknik
Elektro Fakultas Teknik Universitas Sumatera Utara dapat tercapai.
Akhir kata penulis mengucapkan banyak terima kasih dan semoga tesis ini
dapat berguna bagi kita semua. Amin.
Medan, Agustus 2013
Hormat saya,
DAFTAR RIWAYAT HIDUP
Saya yang bertanda tangan di bawah ini,
Nama
: Herdianto
Tempat/Tanggal Lahir
: Helvetia, 08 April 1977
Jenis
Kelamin
:
Laki-laki
Agama
: Islam
Bangsa
:
Indonesia
Alamat
: Jl. Setia Budi No.12 Pasar 2 Helvetia
Menerangkan dengan sesungguhnya, bahwa:
PENDIDIKAN
1.
Tamatan S1 Sistem Komputer UNPAB Tahun 2008
2.
Tamatan D3 Teknik Komputer UNPAB
Tahun 2004
3.
Tamatan STM Negeri 2 Medan
Tahun 1995
4.
Tamatan SMP Negeri 14 Medan
Tahun 1992
5.
Tamatan SD Swasta Karya Bakti
Tahun 1989
PEKERJAAN
Demikian riwayat hidup ini saya buat dengan sebenarnya untuk dapat dipergunakan
sebagaimana mestinya.
Medan, 20 Agustus 2013
Tertanda,
DAFTAR ISI
Halaman
ABSTRAK ... i
ABSTRACT
... ii
KATA PENGANTAR ... iii
DAFTAR ISI ... vii
DAFTAR TABEL ... xi
DAFTAR GAMBAR ... xii
BAB 1 PENDAHULUAN ... 1
1.1.
Latar Belakang Masalah ... 1
1.2.
Perumusan Masalah ... 6
1.3.
Batasan Masalah ... 6
1.4.
Tujuan Penelitian ... 6
1.5.
Manfaat Penelitian ... 6
1.6.
Sistematika Penulisan ... 7
BAB 2 TINJAUAN PUSTAKA ... 8
2.1.
Pengertian Prediksi ... 8
2.1.1.Teknik Prediksi ... 8
2.1.1.2.
Prediksi Kuantitatif ... 9
2.2.
Prediksi Kerusakan Motor Induksi ... 9
2.3.
Motor Induksi ... 10
2.3.1.
Konstruksi Umum Motor Induksi Satu Fasa ... 12
2.3.2.
Prinsip Kerja Motor Induksi Satu Fasa ... 14
2.3.3.
Jenis Kerusakan Motor Induksi ... 16
2.3.4.
Penyebab Kerusakan Stator Motor Induksi ... 18
2.3.5.
Parameter Untuk Memprediksi Kerusakan Stator Motor Induksi ... 22
2.3.5.1.
Arus ... 22
2.3.5.2.
Temperatur ... 25
2.4.
Jaringan Saraf Tiruan ... 27
2.4.1.
Otak Manusia ... 27
2.4.2.
Komponen Jaringan Saraf Tiruan ... 28
2.4.3.
Arsitektur Jaringan Saraf Tiruan ... 30
2.4.4.
Arsitektur Jaringan Saraf Tiruan Backpropagation ... 32
2.4.5.
Bobot ... 34
2.4.6.
Bias ... 35
2.4.7.
Epoch
... 35
2.4.8.
Learning Rate
... 35
2.4.9.
Toleransi
Error
... 36
2.6.
Algoritma Pembelajaran ... 37
2.7.
Algoritma Pembelajaran
Backpropagation
Standar ... 38
2.7.1.
Algoritma pelatihan ... 39
2.7.2.
Algoritma aplikasi ... 41
2.8.
Variasi Pembelajaran
Backpropagation
... 42
2.8.1.
Momentum ... 43
2.8.2.
Perubahan Bobot Berkelompok ... 43
BAB
3 METODE PENELITIAN ... 44
3.1.
Rancangan Penelitian ... 44
3.2.
Variabel yang Diamati ... 61
BAB
4 HASIL DAN PEMBAHASAN ... 62
4.1.
Pengujian Mencari
Time Delay
... 62
4.1.1.
Pengujian
Time Delay
2 Hari ... 64
4.1.2.
Pengujian
Time Delay
3 Hari ... 65
4.1.3.
Pengujian
Time Delay
4 Hari ... 66
4.1.4.
Pengujian
Time Delay
5 Hari ... 67
4.2.
Pengujian Mencari Jumlah
Hidden Layer
... 68
4.3.
Pengujian Mencari Nilai
Learning Rate
... 72
4.4.
Pengujian Mencari Nilai Momentum ... 73
4.5.
Pengujian Hasil Pelatihan ... 75
4.5.1.
Error
Hasil Pelatihan ... 75
4.5.3.
Diuji Dengan Pola Yang Tidak Pernah Dikenali ... 79
BAB 5
KESIMPULAN DAN SARAN ... 81
5.1.
Kesimpulan ... 81
5.2.
Saran ... 81
DAFTAR PUSTAKA ... 83
DAFTAR TABEL
Nomor Judul
Halaman
1. 1 Daftar Penelitian Terkait ... 3
2. 1 Klasifikasi Jenis Isolasi Stator ... 26
2. 2 Istilah Nama Antara JST Dengan Jaringan Saraf Biologis ... 28
3. 1 Menunjukkan Besar Arus Terhadap Kondisi Motor Induksi ... 46
3. 2 Menunjukkan Nilai Temperatur Terhadap Kondisi Motor Induksi ... 49
3. 3 Kombinasi Nilai Arus Dan Temperatur Terhadap Kondisi Motor Induksi . 49
4.1 MSE Hasil Pelatihan
Time Delay
2 Hari Dengan 1
Hidden Layer
... 65
4.2 MSE Hasil Pelatihan
Time Delay
3 Hari Dengan 1
Hidden Layer
... 66
4.3 MSE Hasil Pelatihan
Time Delay
4 Hari Dengan 1
Hidden Layer
... 67
4.4 MSE Hasil Pelatihan
Time Delay
5 Hari Dengan 1
Hidden Layer
... 68
4.5 MSE Hasil Pelatihan Mencari Jumlah
Node
Pada
Hidden Layer Ke-2
... 70
4.6 MSE Hasil Pelatihan Mencari Jumlah
Node
Pada
Hidden Layer Ke-3
... 71
4.7 MSE Hasil Pelatihan Mencari Jumlah
Node
Pada
Hidden Layer Ke-4
... 72
4.8 MSE Hasil Pelatihan Dari
Learning Rate
0,1 – 0,9 ... 73
4.9 MSE Hasil Pelatihan Dari Momentum 0,1 – 0,9 ... 74
4. 10 Perbandingan Antara Target Dengan Hasil Prediksi Pada Pola Pelatihan ... 77
DAFTAR GAMBAR
Nomor Judul
Halaman
2. 1 Tipe Motor Induksi ... 11
2. 2 Bagian-Bagian Rotor ... 12
2. 3 Isolasi Kertas Yang Ditempatkan Pada Alur Laminasi ... 13
2. 4 Konstruksi Motor Induksi Satu Fasa ... 13
2. 5 Torsi Arah Maju Dan Torsi Arah Mundur ... 15
2. 6 Persentase Kerusakan Motor Induksi ... 16
2. 7 Permukaan Kumparan Stator Dalam Keadaan Baik (a) Dan Rusak (b) ... 18
2. 8 Permukaan Kumparan Stator Yang Rusak Akibat Panas Berlebih ... 19
2. 9 Permukaan Kumparan Stator Yang Rusak Akibat Tegangan Lebih ... 20
2. 10 Permukaan Kumparan Stator Yang Rusak Akibat Mekanik ... 21
2. 11 Permukaan Kumparan Stator Yang Rusak Akibat Keadaan
Lingkungan Yang Lembab ... 21
2. 12 Rangkaian Listrik Motor
Split
Permanen Kapasitor ... 23
2. 13 Jaringan Saraf Secara Biologis ... 27
2. 14 Struktur
Node
Jaringan Saraf Tiruan ... 29
2. 15 JST Dengan 3 Lapisan ... 29
2. 16 Bentuk Jaringan Saraf Tiruan Dengan Lapisan Tunggal ... 30
2. 17 Bentuk JST Dengan Banyak Lapisan... 31
2. 19 JST
Backpropagation
Dengan Satu Lapisan Tersembunyi ... 33
2. 20 Fungsi Sigmoid Biner ... 37
3. 1 Bentuk Pola Data Arus Motor Induksi Dari Kondisi Baik Hingga Rusak... 45
3. 2 Bentuk Pola Data Arus Motor Induksi Dalam Kondisi Baik ... 46
3. 3 Bentuk Pola Data Arus Motor Induksi Dalam Kondisi Sedang... 47
3. 4 Bentuk Pola Data Arus Motor Induksi Dalam Kondisi Buruk ... 47
3. 5 Pola Data Temperatur Motor Induksi Dari Kondisi Baik Hingga Rusak ... 48
3. 6 Pola Data Temperatur Yang Telah Dilakukan Proses Normalisasi ... 51
3. 7 Pola Data Temperatur Motor Induksi Dalam Kondisi Baik ... 51
3. 8 Pola Data Temperatur Motor Induksi Dalam Kondisi Sedang ... 52
3. 9 Pola Data Temperatur Motor Induksi Dalam Kondisi Buruk ... 52
3. 10 Bentuk Jaringan Saraf Tiruan Dengan 96
Input
(
Time Delay
2 Hari) ... 54
3. 11 Bentuk Jaringan Saraf Tiruan Dengan 144
Input
(
Time Delay
3 Hari) ... 55
3. 12 Bentuk Jaringan Saraf Tiruan Dengan 192
Input
(
Time Delay
4 Hari) ... 55
3. 13 Bentuk Jaringan Saraf Tiruan Dengan 240
Input
(
Time Delay
5 Hari) ... 56
3. 14 Bentuk Jaringan Saraf Tiruan Untuk Mencari Jumlah
Hidden Layer
... 57
3. 15 Bentuk Jaringan Saraf Tiruan Mencari Jumlah
Node Hidden Layer
... 58
4. 1 Keberdekatan Hasil Prediksi Dengan Target Pada Pola Pelatihan ... 76
4. 2 Keberdekatan Hasil Prediksi Dengan Target Pada Pola Uji ... 79
ABSTRAK
Motor induksi (MI) adalah alat listrik yang mengubah energi listrik menjadi energi
mekanik berupa tenaga putar. Motor induksi banyak dipakai sebagai penggerak untuk
mengerjakan banyak proses di industri. Meskipun MI cukup handal tetapi dapat saja
mengalami kerusakan total pada saat beroperasi. Kerusakan total pada motor induksi
pada saat mendukung proses produksi dapat menyebabkan rendahnya mutu barang
jadi yang dihasilkan sampai berhentinya proses produksi itu sendiri. Untuk
menghindari kerusakan total pada motor induksi, pada penelitian ini digunakan
metode jaringan saraf tiruan dengan algoritma
backpropagation
untuk memprediksi
kerusakan yang akan terjadi pada motor induksi khususnya pada stator untuk 1 hari
ke depan. Agar dapat digunakan untuk memprediksi kerusakan motor induksi
khususnya pada stator dengan tingkat akurasi di atas 85% jaringan saraf tiruan harus
memiliki struktur jaringan yang optimal. Maka pada penelitian yang telah dilakukan
penelitian dititik beratkan pada pencarian struktur jaringan saraf tiruan yang optimal
berdasarkan pola data pelatihan seperti mencari jumlah
time delay
,
hidden layer
,
node
hidden layer
, nilai konstanta
learning rate
dan momentum. Dari hasil pengujian yang
telah dilakukan bahwasanya jaringan saraf tiruan mampu memprediksi kerusakan
motor induksi khususnya pada stator untuk satu hari ke depan dengan tingkat akurasi
mencapai 90%.
ABSTRACT
Induction motor (IM) is electric equipment which changes electric energy to
mechanical energy as a revolving power. It is frequently used as a drive for doing
many processes in industry. Even though it is reliable, it can be totally broken when it
is operating. The total damage of induction motor, while it is supporting the process
of production, can cause the low quality of the product until the process of the
production stops. To avoid the induction motor being totally damaged, the method of
artificial nerve grid with back-propagation algorithm was used in this research to
predict the damage which will occur in induction motor, especially in the stator for
the following day. In order to be used to predict the damage in the induction motor,
especially in the stator with the accuracy above 85%, the artificial nerve grid must
have optimal grid structure. Therefore, this research was emphasized on the
searching for the optimal structure of artificial nerve grid, based on the pattern of
training data, such as searching for the amount of time delay, hidden layer, node
hidden layer, constant value of learning rate, and momentum. From the result of test,
it was found that the artificial nerve grid was able to predict the damage in the
induction motor, especially in the stator for the following day with 90% of the level of
accuracy.
BAB 1
PENDAHULUAN
1.1.
Latar Belakang Masalah
Motor induksi (MI) adalah alat listrik yang mengubah energi listrik
menjadi
energi mekanik yang berupa tenaga putar [1]. Motor induksi banyak dipakai sebagai
penggerak untuk mengerjakan banyak proses di industri seperti menggerakkan
blower
(penghasil angin) berkapasitas besar yang dipakai untuk pembakaran di dalam
tungku peleburan, menggerakkan
conveyor
(pengangkut bahan), menggerakkan
pompa air untuk sirkulasi air pendingin dan lain-lain. Meskipun MI cukup handal
tetapi pada kenyataannya dapat saja mengalami banyak masalah pada saat beroperasi
yang menyebabkan kerusakan total pada motor induksi tersebut [2].
Kerusakan total motor induksi pada saat berlangsungnya proses produksi dapat
mengakibatkan rendahnya mutu barang jadi yang dihasilkan hingga sampai
berhentinya proses produksi itu sendiri. Untuk mengatasi hal ini telah dilakukan
teknik monitoring terhadap MI, baik secara konvensional maupun digital. Teknik
monitoring konvensional untuk motor induksi pada umumnya merupakan kombinasi
dari beberapa peralatan mekanik dan listrik [2],[3] di mana penginderaan terhadap
variabel-variabel motor induksi dilakukan dengan peralatan mekanik yang memiliki
banyak keterbatasan dalam mendeteksi kerusakan pada MI seperti kerusakan pada
isolasi stator [2],[3]. Sedangkan pada teknik monitoring digital untuk melakukan
selanjutnya diubah menjadi bentuk digital oleh
analog to digital converter
(ADC)
lalu dimasukkan ke dalam komputer atau mikrokontroler [2],[4],[5].
Teknik monitoring konvensional dan digital di dalam melakukan pendeteksian
kerusakan pada motor induksi menggunakan metode
rule based
[2],[3] sehingga
hanya dapat mendeteksi kerusakan MI pada kondisi yang telah ditentukan.
Selanjutnya teknik monitoring MI dikembangkan dengan menggunakan
artificial
intelegent
(AI), seperti yang telah dilakukan pada penelitian [6],[7],[8],[9],[10],
[11],[12],[13], sehingga teknik monitoring MI tidak hanya dapat mendeteksi tetapi
dapat juga memprediksi kerusakan MI, di mana salah satu metode yang dapat
digunakan adalah jaringan saraf tiruan (JST). Tetapi pada teknik monitoring MI
menggunakan JST seperti pada penelitian [8],[9],[10], variabel yang dimonitoring
adalah arus dan kecepatan sedangkan metode JST digunakan untuk mendeteksi
kerusakan bearing dan stator pada MI belum memprediksi.
Jadi inilah yang menjadi alasan utama mengapa peneliti mencoba
menggunakan metode JST untuk memprediksi kerusakan MI khususnya pada stator
untuk 1 hari ke depan dan variabel yang digunakan adalah arus dan temperatur.
Beberapa penelitian mengenai deteksi kerusakan motor induksi telah
dilakukan di mana perbedaan sistem yang telah ada dengan yang akan dilakukan
Tabel 1. 1 Daftar Penelitian Terkait
Penulis Judul
Penelitian
Pembahasan
Tahun
M. Sudha dan
P. Anbalagan [5]
A protection scheme for
three
fasa
induction motor form
incipient fault using
embedded controller
Penelitian ini
membahas
penggunaan
mikrokontroller PIC
16F877 untuk
melakukan
monitoring dan
melindungi motor
induksi dari
kerusakan total.
Metode yang
digunakan untuk
mendeteksi
kerusakan MI adalah
rule based.
2009
Ibrahim Sefa,
Ilhami Colak,
Askin Bektas,
Ramazan
Bayindir [2]
Fault detection and
protection of induction
motors using sensors
Untuk melakukan
monitoring dan
melindungi motor
induksi dari
kerusakan total
menggunakan ADC
dan PLC
(
programmable logic
controller
) agar
variabel- variabel
yang diukur seperti
tegangan, arus,
temperatur,
kecepatan dapat
ditampilkan nilainya
pada layar monitor.
2008
Penulis
Sri R. Kolla,
Shawn
D.Altman [7]
Judul Penelitian
Artifial neural network
based fault identification
scheme implementation for a
three-
fasa
induction motor
Pembahasan
Di mana metoda
yang dipakai untuk
mendeteksi
kerusakan MI adalah
rule based.
Pada penelitian ini
menjelaskan
implementasi dan
pengujian
menggunakan
metode jaringan
saraf tiruan untuk
mendeteksi
kerusakan motor
induksi. Di mana
variabel yang
dimonitor arus dan
tegangan.
Tahun
2007
H.Celik, I.Sefa,
S. Dermibas,
I.Colak [3]
On line protection sistem for
induction motors
Pada penelitian ini
membahas cara
memonitoring dan
melindungi motor
induksi dari
kerusakan total
sehingga banyak
membutuhkan ADC
eksternal. Di mana
metode yang
digunakan untuk
mendeteksi
kerusakan pada MI
adalah
rule based.
Penulis
Sui Oi Yee,
Mo-Yuen Chow
Peter M.
Mangun [8]
Judul Penelitian
A neural network approach
to real time condition
monitoring of induction
motor
Pembahasan
Penelitian ini
membahas cara
mendeteksi
kerusakan motor
induksi khususnya
pada bearing dan
stator menggunakan
metode jaringan
saraf tiruan. Di mana
variabel yang
dimonitor arus dan
kecepatan.
Tahun
1991
Herdianto
Prediksi kerusakan motor
induksi menggunakan
metoda jaringan saraf
tiruan (backpropagation)
Pada penelitian yang
akan dilakukan
metode jaringan saraf
tiruan saraf tiruan
dengan algoritma
pembelajaran
backpropagation
digunakan
untuk memprediksi
kerusakan MI
khususnya pada
stator untuk 1 hari
ke depan. Di
mana variabel yang
digunakan adalah
arus dan
temperatur.
1.2.
Perumusan Masalah
Berdasarkan latar belakang masalah yang telah diuraikan di atas, maka penulis
merumuskan masalah pada penelitian ini adalah sebagai berikut: bagaimana
menerapkan teknologi jaringan saraf tiruan dengan algoritma pembelajaran
backpropagation
untuk memprediksi kerusakan motor induksi khususnya pada stator
untuk 1 hari ke depan.
1.3.
Batasan Masalah
Adapun batasan masalah pada penelitian ini adalah:
a.
Motor induksi yang digunakan jenis 1 fasa 220 volt 125 watt.
b.
Kerusakan motor induksi yang diprediksi hanya stator.
c.
Variabel yang digunakan untuk memprediksi ialah arus dan temperatur.
d.
Metode pembelajaran yang digunakan hanya
backpropagation
.
1.4.
Tujuan Penelitian
Tujuan dari penelitian ini adalah memperoleh struktur jaringan saraf tiruan
yang optimal dengan algoritma pembelajaran
backpropagation
untuk memprediksi
kerusakan stator pada motor induksi.
1.5.
Manfaat Penelitian
Beberapa manfaat yang dapat diperoleh dengan adanya penelitian mengenai
prediksi kerusakan motor induksi menggunakan metode jaringan saraf tiruan dengan
diharapkan dapat menghindari terganggunya proses produksi di industri,
memperpanjang usia motor induksi, membantu pihak pemeliharaan disuatu industri
dalam menganalisis kerusakan dari motor induksi serta membantu menentukan
jadwal pemeliharaan terhadap motor induksi itu sendiri.
1.6.
Sistematika Penulisan
Tesis ini terdiri dari lima bab, dengan penjelasan tiap-tiap bab sebagai berikut:
BAB 1 : PENDAHULUAN, pada bab ini berisi tentang latar belakang masalah,
perumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian
serta sistematika penulisan.
BAB 2 : TINJAUAN PUSTAKA, bab ini menjelaskan tentang teori pendukung
yang digunakan pada prediksi kerusakan MI seperti pengertian prediksi,
prediksi kerusakan MI, motor induksi, JST, fungsi aktivasi, algoritma
pembelajaran, algoritma pembelajaran
backpropagation
standar.
BAB 3 : METODE PENELITIAN, bab ini memberikan penjelasan mengenai
rancangan penelitian dan variabel yang diamati.
BAB 4 : HASIL DAN PEMBAHASAN, bab ini menjelaskan mengenai pengujian
yang dilakukan selama penelitian seperti pengujian mencari
time delay,
jumlah
hidden layer
, nilai
learning rate
, nilai momentum
dan pengujian
hasil pelatihan.
BAB 5 : KESIMPULAN DAN SARAN, bab ini berisi kesimpulan dari hasil
BAB 2
TINJAUAN PUSTAKA
2.1.
Pengertian Prediksi
Prediksi adalah suatu proses memperkirakan secara sistematis tentang sesuatu
yang paling mungkin terjadi di masa depan berdasarkan informasi masa lalu dan
sekarang yang dimiliki, agar kesalahannya (selisih antara sesuatu yang terjadi dengan
hasil perkiraan) dapat diperkecil. Prediksi tidak harus memberikan jawaban secara
pasti kejadian yang akan terjadi, melainkan berusaha untuk mencari jawaban sedekat
mungkin yang akan terjadi [14].
2.1.1.
Teknik Prediksi
Berdasarkan teknik yang digunakan untuk memprediksi maka prediksi dapat
dibagi menjadi dua bagian yaitu prediksi kualitatif dan prediksi kuantitatif [14].
2.1.1.1.
Prediksi Kualitatif
Prediksi kualitatif didasarkan atas data kualitatif pada masa lalu. Metoda
kualitatif digunakan jika data masa lalu dari variabel yang akan diprediksi tidak ada,
tidak cukup atau kurang dipercaya. Hasil prediksi yang dibuat sangat tergantung pada
individu yang menyusunnya. Hal ini penting karena hasil prediksi tersebut ditentukan
berdasarkan pemikiran yang bersifat
judgement
atau opini, pengetahuan dan
pengalaman dari penyusunnya. Oleh karena itu metode kualitatif ini disebut juga
2.1.1.2. Prediksi Kuantitatif
Prediksi kuantitatif didasarkan atas data kuantitatif pada masa lalu. Hasil
prediksi yang dibuat sangat tergantung pada metode yang dipergunakan dalam
prediksi tersebut. Dengan metoda yang berbeda akan diperoleh hasil prediksi yang
berbeda. Hal yang perlu diperhatikan dari penggunaan metoda tersebut adalah baik
tidaknya metoda yang digunakan dan sangat ditentukan dari penyimpangan antara
hasil prediksi dengan kenyataan yang terjadi. Metoda yang baik adalah metoda yang
memberikan nilai-nilai perbedaan atau penyimpangan yang mungkin. Prediksi
kuantitatif hanya dapat digunakan apabila terdapat tiga kondisi sebagai berikut:
a.
Adanya informasi tentang keadaan yang lain.
b.
Informasi tersebut dapat dikuantifikasikan dalam bentuk data.
c.
Dapat diasumsikan bahwa pola yang lalu akan berkelanjutan pada masa yang
akan datang.
2.2.
Prediksi Kerusakan Motor Induksi
Prediksi kerusakan motor induksi adalah suatu proses memperkirakan secara
sistematis keadaan baik, sedang, buruk yang akan terjadi pada motor induksi pada
waktu yang akan datang berdasarkan data yang diperoleh pada saat itu dengan
pertimbangan data masa lalu. Waktu yang dimaksud di sini dapat direpresentasikan
sebagai (jam, hari, minggu, bulan, tahun). Tetapi pada penelitian ini jangka waktu
prediksi yang digunakan adalah hari karena untuk meningkatkan akurasi prediksi.
satu jenis kerusakan yang sering terjadi pada motor induksi seperti kerusakan pada
bearing,
stator
atau
rotor
.
2.3.
Motor Induksi
Motor induksi adalah alat listrik yang mengubah energi listrik menjadi energi
mekanik yang berupa tenaga putar [1]. Dikatakan motor induksi karena rotor berputar
bukan karena mendapat energi listrik secara langsung dari jala-jala listrik tetapi
karena adanya induksi dari kumparan stator. Berdasarkan jumlah fasa tegangan listrik
yang pada umumnya digunakan, motor induksi dibedakan menjadi 2 (dua) yaitu
motor induksi satu fasa dan tiga fasa.
Motor induksi satu fasa banyak digunakan pada rumah tangga dan industri
sebagai penggerak karena konstruksinya yang sederhana, bekerja sesuai dengan
suplai tegangan PLN 220 VAC dan bekerja dengan daya yang kecil < 1400 watt
karena faktor-faktor tersebut maka motor induksi satu fasa ini banyak dipakai pada
peralatan rumah tangga seperti kipas angin, kompresor, pompa air, lemari es, mesin
cuci,
air condition
(AC) dan lain-lain. Sedangkan motor induksi tiga fasa pada
umumnya digunakan di industri yang memerlukan daya yang besar seperti
elevator,
chiller, mixer, blower, hammer, conveyor, crane
. Karena begitu banyaknya jenis
motor induksi yang ada di pasaran seperti yang terdapat pada Gambar 2.1 dan hal ini
tidak didukung dengan ketersediaan sarana dan prasarana yang dimiliki oleh peneliti
maka pada penelitian ini motor induksi yang digunakan jenis satu fasa
split
Gambar 2. 1 Tipe Motor Induksi [15]
AC MOTORUNIVERSAL
DC MOTOR
Separately excitation Compound excitation Permanent magnet Series excitation Paralel/shunt excitation Synchronous Asynchronous Squirrel cage Single phase Three phase Linear Synchronous Asynchronous Wound rotor Bulk
2.3.1.
Konstruksi Umum Motor Induksi Satu Fasa
Konstruksi motor induksi satu fasa pada umumnya terdiri dari dua bagian
yaitu: stator dan rotor seperti pada Gambar 2.4. Rotor adalah bagian motor induksi
yang berputar seperti rotor (inti rotor), poros rotor
,
sirip pendingin seperti pada
Gambar 2.2. Poros rotor adalah coran tembaga atau aluminium dalam satu lempeng
dengan inti rotor. Pada ujung inti rotor biasanya dilengkapi dengan sirip yang
berfungsi sebagai pendingin [16].
Gambar 2. 2 Bagian-Bagian Rotor [16]
Sedangkan stator adalah bagian motor induksi yang tidak bergerak seperti inti
stator seperti pada Gambar 2.3. Stator terdiri atas tumpukan laminasi inti yang
memiliki alur dan menjadi tempat kumparan kawat tembaga yang telah dilapisi
isolasi tipis dililitkan yang berbentuk silinder. Setiap elemen laminasi inti dibentuk
dari lembaran besi dan setiap lembaran besi memiliki beberapa alur dan lubang
Laminasi rotor (inti rotor)
Sirip pendingin
Cincin Aluminium
p
d
pengikat un
diisolasi den
Gamb
Inti
(lamin
ntuk menyat
ngan kertas u
bar 2. 3 Isol
Gambar
stator
nasi inti)
tukan inti. A
untuk mengh
lasi Kertas Y
2. 4
Konstr
Alur pada
hindari hubu
Yang Ditemp
ruksi Motor
laminasi int
ungan singka
patkan Pada
Induksi Satu
ti tersebut n
at [16].
Alur Lamin
u Fasa [17]
nantinya ak
2.3.2.
Prinsip Kerja Motor Induksi Satu Fasa
Adapun prinsip kerja dari motor induksi satu fasa
split
permanen kapasitor
adalah sebagai berikut [1]: Pada motor induksi satu fasa ketika kumparan stator dialiri
arus dari jala-jala listrik maka pada kumparan stator tidak menimbulkan fluks magnit
putar tetapi menghasilkan fluks magnit bolak-balik disekitar kumparan stator tersebut
hal ini yang menyebabkan motor induksi tidak dapat berputar pada waktu
start
. Fluks
magnit bolak-balik ini menghasilkan fluks pulsasi yang besar kecilnya tergantung
pada sudut ruang dan fluks pulsasi ini bukan fluks yang berputar terhadap ruang.
Proses terjadinya fluks pulsasi tersebut dapat dijelaskan dengan Persamaan Euler.
………..………..(2. 1)
Sehingga
Φ
mcos
θ
dapat ditulis
……….. (2. 2)
……….(2. 3)
Di mana
Φ
adalah amplitudo fluks magnit, sehingga jumlah dari kedua komponen
fluks magnit tersebut merupakan fluks resultan atau fluks pulsasi yang besarnya
adalah:
……….(2. 4)
Komponen dari kedua fluks magnit tersebut bergerak berlawanan arah
d
r
T
d
m
D
m
d
m
dan berlawa
resultan dari
Torsi resulta
T
Rp
dengan arah
mundur hal
Dengan me
menyebabka
dapat dilaku
maka terjadi
anan arah (to
i fluks magn
Gambar 2. 5
an (T
R) yang
pada dasarn
h maju atau m
ini yang m
enggunakan
an motor ber
ukan dengan
i beda fasa a
orsi arah maj
nit yang berg
5 Torsi Ara
g dihasilkan o
nya mempu
mundur. Pad
menyebabkan
sedikit ten
rputar arah m
cara memas
antara arus k
ju dan torsi a
gerak arah m
ah Maju Dan
oleh torsi ma
T
R=
unyai kema
da waktu
sta
n motor indu
naga yang d
maju atau mu
sang kapasit
kumparan uta
arah mundur
maju dan mun
n Torsi Arah
aju (T
f) dan
T
f+ T
b……
mpuan untu
art
, besar tor
uksi tetap sa
digerakkan
undur. Penam
tor secara se
ama dan kum
r). Gambar 2
ndur.
h Mundur [17
torsi mundu
………
uk mengge
rsi maju sam
aja diam (ti
dengan alat
mbahan alat
ri dengan ku
mparan bantu
2.5 merupak
7]
ur (T
b) adalah
…………(2.
rakkan mot
ma dengan to
idak berputa
t bantu dap
bantu terseb
umparan ban
u sebesar 90
kan
h:
5)
tor
rsi
ar).
pat
but
ntu
A
k
m
y
s
2
b
k
a
Akibat beda
kumparan st
menjadi bes
yang lebih b
split
.
2.3.3.
Jenis
Berd
bahwasanya
kategori den
12 % lain-la
a.
Kerusak
Terjadin
kompon
a fasa (
θ
) y
tator akan m
sar pula. Ole
besar dengan
s Kerusakan
dasarkan pe
a kerusakan y
ngan persent
ain seperti ter
Gambar 2
kan Bearing
nya keausan
nen tersebut.
yang besar in
menjadi bes
eh karena it
n arus
start
Motor Induk
enelitian da
yang sering
tase kerusak
rlihat pada G
2. 6 Persent
n pada beari
. Hal ini dap
Stator
38%
Rotor
10%
La
la
12
ni, maka flu
ar dan deng
tu motor kap
lebih kecil
ksi
an survei y
terjadi pada
an 40 % pad
Gambar 2.6.
tase Kerusak
ing merupak
pat disebabka
ain-ain
2%
Motor
uks magnit p
gan sendirin
pasitor dapa
dibandingka
yang telah
motor induk
da bearing, 3
kan Motor In
kan tanda tel
an karena ad
Bearin
40%
Induksi
putar yang d
nya gaya pu
at memberik
an motor fas
dilakukan
ksi dapat dib
38% stator,
nduksi
[19]
lah terjadi k
danya baut p
ng
%
dihasilkan ol
utar rotor ak
kan gaya put
sa tunggal ti
[11],[18],[1
bagi menjad
10% rotor d
induksi yang kendor sehingga menimbulkan getaran yang berlebih, lamanya
pemakaian, kondisi lingkungan kerja (panas, berdebu), beban kerja yang
berlebih dan terjadi ketidak seimbangan jarak celah udara antara rotor dengan
stator. Untuk mengetahui kerusakan pada bearing dapat digunakan beberapa
parameter seperti getaran, suara, arus stator.
b.
Kerusakan Stator
Kerusakan yang terjadi stator dapat dikarenakan rusaknya laminasi inti stator,
isolasi kawat tembaga dan isolasi stator. Hal ini dapat disebabkan oleh
temperatur motor induksi yang terlalu tinggi, tegangan listrik yang berlebih dan
tidak stabil, terjadi kerusakan pada sistem mekanik seperti bearing telah yang
aus, serta dapat dikarenakan kondisi lingkungan yang lembab, kotor atau
berdebu. Adapun beberapa parameter yang dapat digunakan untuk mengetahui
kerusakan pada stator seperti fluks magnet, kecepatan, getaran, suara, daya
keluaran, tegangan, arus
,
temperatur, tetapi pada penelitian ini peneliti
menggunakan arus dan temperatur.
c.
Kerusakan Rotor
Bentuk kerusakan yang terjadi pada rotor seperti pecahnya bagian-bagian dari
rotor. Hal ini dapat disebabkan getaran, temperatur motor induksi yang terlalu
tinggi, tegangan listrik yang berlebih dan tidak stabil. Untuk mengetahui
kerusakan pada rotor dapat digunakan beberapa parameter seperti getaran,
suara, kecepatan.
Bentuk kerusakan lainnya yang dapat terjadi pada motor induksi seperti terjadi
ketidakseimbangan jarak celah udara antara rotor dengan stator. Hal ini lebih
disebabkan karena kesalahan manufaktur (proses pembuatan di pabrik). Untuk
mengetahui jenis kerusakan seperti ini dapat digunakan beberapa parameter
seperti getaran, suara, kecepatan, daya keluaran.
2.3.4.
Penyebab Kerusakan Stator Motor Induksi
Stator
merupakan bagian dari motor induksi yang tidak bergerak, meskipun
stator ini tidak bergerak tetapi dapat saja mengalami kerusakan. Sebagai bahan
perbandingan untuk membedakan antara kumparan stator yang bagus dengan yang
telah rusak, dapat dilihat dari Gambar 2.7 yang merupakan bentuk permukaan dari
kumparan stator dalam keadaan bagus dan rusak.
[image:38.612.152.530.442.669.2](a) (b)
Kerusakan yang terjadi pada kumparan stator dapat disebabkan oleh 4 hal,
yaitu [13]:
a.
Panas
Panas yang menyebabkan kerusakan pada stator dapat ditimbulkan dari lamanya
operasional MI sendiri dan panas yang melebihi batas yang diijinkan, di mana
setiap kenaikan temperatur 10
0C dari panas yang ditimbulkan karena operasional
MI dapat menyebabkan berkurangnya setengah dari kondisi isolasi stator.
Sedangkan panas yang melebihi batas yang diijinkan dapat disebabkan oleh
tegangan yang tidak stabil dan rusaknya kipas pendingin pada MI. Bentuk
permukaan dari kumparan stator yang rusak akibat panas yang berlebih seperti
yang ditunjukkan pada Gambar 2.8.
b.
Listrik
Hal-hal yang termasuk dalam kelistrikan yang dapat menyebabkan kerusakan
stator seperti
corona
dan tegangan berlebih. Bentuk permukaan kumparan stator
yang rusak akibat tegangan berlebih dapat dilihat pada Gambar 2.9.
Gambar 2. 9 Permukaan Kumparan Stator Yang Rusak Akibat Tegangan Lebih [20]
c.
Mekanik
Terjadinya gesekan antara rotor dengan stator merupakan salah satu bentuk
kerusakan stator yang disebabkan karena faktor mekanik. Hal ini dapat terjadi
karena bearing yang telah aus, poros rotor yang tidak lurus dan baut pengikat inti
stator yang kendor. Gambar 2.10 menunjukkan permukaan kumparan stator
yang
Gambar 2. 10 Permukaan Kumparan Stator Yang Rusak Akibat Mekanik [20]
d.
Keadaan Lingkungan
Beberapa penyebab kerusakan pada stator karena keadaan lingkungan seperti MI
dioperasikan di tempat yang panas, lembab, berdebu dan lain-lain. Bentuk
permukaan kumparan stator yang rusak akibat motor induksi dioperasikan pada
lingkungan yang lembab ditunjukkan seperti pada Gambar 2.11.
[image:41.612.238.422.485.661.2]2.3.5.
Parameter Untuk Memprediksi Kerusakan Stator Motor Induksi
Ada 11 parameter yang dapat digunakan untuk memprediksi kerusakan stator
yaitu fluks magnet, tegangan, arus, temperatur, getaran, suara, kecepatan, celah udara,
daya keluaran, analisis gas, dan analisis sirkuit motor [13]. Tetapi karena keterbatasan
peralatan, waktu dan biaya maka parameter yang digunakan untuk memprediksi
kerusakan stator MI pada penelitian ini hanya 2 yaitu arus dan temperatur.
2.3.5.1.
Arus
Untuk mengetahui gejala kerusakan yang akan terjadi pada kumparan stator
dapat dilakukan dengan mengamati besarnya arus listrik yang mengalir pada
kumparan stator dengan cara melakukan pengukuran. Besar kecilnya arus listrik yang
mengalir pada kumparan stator
sangat dipengaruhi perubahan beban motor induksi,
panas, tegangan lebih, mekanik dan kondisi lingkungan. Untuk menghindari
kerusakan total pada stator maka sebagai acuan yang digunakan pada penelitian ini
dengan mengacu pada batas nominal arus yang mengalir pada kumparan stator MI
berdasarkan data spesifikasi yang terdapat pada
name plate
yang ada motor induksi
tersebut. Jika arus yang mengalir ke kumparan stator
melebihi batas nonimal yang
ditetapkan, kondisi ini menunjukkan bahwasanya telah terjadi yang abnormal pada
MI. Arus yang lebih ini berdampak pada meningkatnya temperatur MI, mengurangi
nilai tahanan kumparan stator yang dapat menyebabkan putusnya kawat lilitan
kumparan stator.
Motor induksi yang digunakan pada penelitian ini jenis
split
permanen
dengan motor induksi 3-fasa, bedanya terletak pada kumparan statornya yang hanya
ada satu fasa dan dilakukan penambahan satu kapasitor yang terhubung seri dengan
[image:43.612.125.466.209.427.2]kumparan bantu, seperti pada Gambar 2.12 [17].
Gambar 2. 12
Rangkaian listrik motor
split
permanen kapasitor [17]
Besar daya
input
dapat dihitung dengan Persamaan 2.6 [1]
P =
V
t*
I
L* Cos
φ
……….(2. 6)
P = daya
input
(watt)
V
t= tegangan jala-jala (volt)
I
L= arus yang masuk ke kumparan utama dan bantu (amper)
Cos
φ
= factor daya
Teganganjala-jala
Rotor
Kumparan utama
Kumparan bantu
Kapasitor IU
IB ZU
ZB
Xc
XB Xu
V
t
φ
=
…………..………..(2. 7)
arc tg = nilai inverse tangen
X
U= reaktansi induktif pada kumparan utama (ohm)
X
C= reaktansi kapasitip pada kapasitor (ohm)
X
B= reaktansi induktif pada kumparan bantu (ohm)
R
U= tahanan murni pada kumparan utama (ohm)
R
B= tahanan murni pada kumparan bantu (ohm)
Besarnya arus listrik yang mengalir ke kumparan utama dapat dihitung dengan
menggunakan Persamaan 2.8 [1]:
=
….………..(2. 8)
I
U= arus yang mengalir pada kumparan utama (amper)
Z
U= impedansi pada kumparan utama (ohm)
………..(2. 9)
jX
U= reaktansi induktif pada kumparan utama (ohm)
di mana
dapat diperoleh dengan menggunakan Persamaan 2.10
………(2. 10)
f = frekuensi tegangan jala-jala (Hertz)
l = induktansi kumparan utama (Henry)
Di mana besarnya arus listrik yang mengalir ke kumparan bantu dapat dihitung
=
……….(2. 11)
I
B= arus yang mengalir pada kumparan bantu (amper)
Z
B= impedansi pada kumparan bantu (ohm)
……….(2. 12)
jX
B= reaktansi induktif pada kumparan bantu (ohm)
jX
C= reaktansi kapasitif pada kapasitor (ohm)
di mana
dapat diperoleh dengan menggunakan Persamaan 2.13 [1]
………(2. 13)
sedangkan
dapat diperoleh dengan menggunakan Persamaan 2.14 [1]
……….……….(2. 14)
C = kapasitansi kapasitor yang digunakan (Farad)
Sehingga
………..(2. 15)
2.3.5.2.
Temperatur
Salah satu faktor yang dapat mempengaruhi kondisi dari isolasi stator adalah
temperatur. Selain dapat mengurangi umur ketahanan dari isolasi stator tersebut,
temperatur yang tinggi dapat juga menyebabkan terbakarnya isolasi stator jika
melebihi batas ketahanan panas dari jenis isolasi yang digunakan sehingga
menyebabkan terjadinya kerusakan total dari motor induksi. Tabel 2.1 menunjukkan
Tabel 2. 1 Klasifikasi jenis isolasi stator [21]
Jenis isolasi stator
Batas temperatur
A
B
F
H
R
105
oC
130
oC
155
oC
180
oC
220
oC
Untuk itu perlu dilakukan pengukuran temperatur pada kumparan stator MI
baik dengan cara menggunakan sensor temperatur seperti termokopel, LM 35, PTC
atau pengukuran temperatur dilakukan secara manual dengan cara mengukur nilai
tahanan kumparan stator MI. Besarnya kenaikan temperatur pada motor induksi
ketika beroperasi sebanding dengan lamanya operasi MI tersebut dan dapat diketahui
dengan mengukur tahanan kumparan utama dan bantu sebelum dan sesudah
dioperasikan beberapa jam MI dengan menggunakan Persamaan 2.16 [22]:
……….(2. 16)
R
C= tahanan kumparan utama dan bantu sebelum dioperasikan (Ohm)
R
h= tahanan kumparan utama dan bantu sesudah dioperasikan (Ohm)
α
= Koefisien tahanan kawat tembaga (0,00428 Ohm /
0C)
t
1= temperatur awal motor induksi (
0C)
2.4.
Jaringan Saraf Tiruan
Jaringan saraf tiruan (
neural network
) merupakan salah satu representasi buatan
dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran
pada otak manusia tersebut. Istilah tiruan di sini digunakan karena jaringan saraf ini
meniru cara kerja jaringan saraf biologis dan diimplementasikan dengan
menggunakan program komputer yang mampu menyelesaikan sejumlah proses
perhitungan selama proses pembelajaran [23].
2.4.1.
Otak Manusia
Otak manusia berisi berjuta-juta sel saraf yang bertugas mengolah informasi.
Tiap-tiap sel saraf bertugas seperti suatu prosesor sederhana dan saling berinteraksi
sehingga mendukung kemampuan kerja otak manusia. Gambar 2.13 menunjukkan
contoh jaringan saraf secara biologis.
Setiap
neuron
menerima sinyal
input
dari
neuron
yang lain melalui
dendrit
dan mengirimkan sinyal yang dihasilkan inti sel melalui
axon
.
Axon
dari
neuron
biologis bercabang-cabang dan berhubungan dengan
dendrit
dari
neuron
lainnya
dengan cara mengirimkan sinyal
input
melalui
sinapsis
. Di mana s
inapsis
merupakan
unit fungsional yang terletak di antara 2 buah
neuron
umpamanya
neuron
1 dan 2.
Dan nilai yang terdapat pada
sinapsis
dapat berkurang dan bertambah tergantung dari
seberapa besar tingkat propagasi yang diterimanya [25]. Tabel 2.2 istilah nama antara
jaringan saraf biologis dengan jaringan saraf tiruan (JST).
Tabel 2. 2 Istilah Nama Antara JST Dengan Jaringan Saraf Biologis [25]
Jaringan saraf tiruan
Jaringan saraf biologis
Node
atau unit
Input
Output
Bobot
Neuron
Dendrit
Axon
Sinapsis
2.4.2.
Komponen Jaringan Saraf Tiruan
Ada beberapa tipe jaringan saraf tiruan, namun demikian hampir semuanya
memiliki komponen-komponen yang sama. Jaringan saraf tiruan disusun dengan
asumsi yang sama seperti jaringan saraf biologis yakni terdiri dari beberapa
node
dan
adanya hubungan antara
node
. Sinyal informasi yang terdapat di antara 2 buah
node
diteruskan melalui sebuah hubungan dan setiap hubungan antara 2 buah
node
mempunyai nilai bobot lalu dengan menggunakan fungsi aktivasi nilai keluaran
node
d
s
p
o
m
Pada
dengan
laye
sebelum dan
pada JST ak
output
mel
menunjukka
Bobot
G
a JST
node
-
n
er
node
.
Nod
n sesudahny
kan diramba
alui lapisan
an JST denga
Ga
Gambar 2. 14
node
akan d
de
-
node
pad
ya kecuali lap
atkan lapisan
n tersembun
an 3 lapisan.
ambar 2. 15
4
Struktur
N
dikumpulkan
da satu lapis
apisan
input
n ke lapisan
nyi seperti
.
JST Denga
Node
Jaringa
n dalam lap
san akan dih
dan
output
.
n, mulai dar
tampak p
n 3 Lapisan
an Saraf Tiru
pisan (
layer
)
hubungkan d
Informasi y
ri lapisan
inp
ada Gamba
[24]
uan [24]
) yang diseb
dengan lapis
yang diberik
put
ke lapis
ar 2.15 ya
but
san
kan
san
2.4.3.
Arsitektur Jaringan Saraf Tiruan
Hubungan antar
node
dalam jaringan saraf tiruan mengikuti pola tertentu
tergantung dari arsitektur jaringan saraf tiruan yang digunakan. Pada dasarnya ada 3
macam arsitektur jaringan saraf tiruan yaitu [24]:
e.
Jaringan saraf tiruan dengan lapisan tunggal
Jaringan saraf tiruan dengan satu lapisan tunggal hanya memiliki satu lapisan
dengan bobot-bobot terhubung. Jaringan ini hanya menerima
input
kemudian
mengolahnya menjadi
output
tanpa harus melalui lapisan tersembunyi seperti
pada Gambar 2.16. Dengan kata lain ciri jaringan ini hanya mempunyai satu
lapisan
input
dan
output
, tidak mempunyai lapisan tersembunyi.
b.
Jaringan saraf tiruan dengan banyak lapisan
Jaringan saraf tiruan dengan banyak lapisan memiliki satu atau lebih lapisan
yang terletak diantara lapisan
input
dan lapisan
output
(memiliki satu atau lebih
lapisan tersembunyi). Umumnya terdapat lapisan bobot diantara 2 lapisan
[image:51.612.178.463.273.660.2]bersebelahan seperti pada Gambar 2.17.
c.
Jaringan saraf tiruan dengan lapisan kompetitif
Arsitektur pada jaringan saraf tiruan ini memiliki bentuk yang berbeda, di mana
antar
node
dapat saling berhubungan. Gambar 2.18 merupakan bentuk jaringan
saraf tiruan dengan lapisan kompetitif.
Gambar 2. 18 Bentuk JST Dengan Lapisan Kompetitif [24]
2.4.4.
Arsitektur Jaringan Saraf Tiruan Backpropagation
Di dalam jaringan saraf tiruan dengan
backpropagation
setiap
node
yang
berada di lapisan
input
terhubung dengan setiap
node
pada lapisan tersembunyi dan
output
[25]. Untuk lebih jelasnya arsitektur JST
backpropagation
dapat dilihat pada
Gambar 2.19.
Gambar 2. 19
JST
Backpropagation
Dengan Satu Lapisan Tersembunyi
[25]
Jaringan saraf tiruan dengan algoritma pembelajaran
backpropagation
terdiri
1. Lapisan
input
hanya 1. Pada lapisan
input
terdapat
node
X
i, i = 1, 2, ..., n. ( n =
jumlah
node
dalam lapisan
input
).
2. Lapisan tersembunyi (
hidden layer)
minimal 1. Seperti halnya lapisan
input
pada
lapisan tersembunyi juga berisi
node
mulai dari Z
j,j = 1, 2
,..., p (p = jumlah
node
pada lapisan tersembunyi untuk 1 lapisan). Tetapi pada lapisan tersembunyi ini
dapat saja terdiri dari beberapa lapisan tersembunyi.
3. Lapisan
output
hanya 1 buah. Lapisan ini terdiri dari
node
output
mulai dari Y
k, k
= 1, 2, ..., m (m = jumlah
node
pada lapisan
output
). V
0jadalah bias untuk
node
Z
jpada lapisan tersembunyi dan W
0kadalah bobot untuk
node
Y
kpada lapisan
output
. Bias V
0jdan W
0ksama seperti bobot di mana
output
bias ini selalu
bernilai 1. V
ijadalah bobot yang menghubungkan antara
node
X
ipada lapisan
input
dengan
node
Z
jpada lapisan tersembunyi, sedangkan W
jkadalah bobot
yang menghubungkan antara
node
Z
jpada lapisan tersembunyi dengan
node
Y
klapisan
output
.
2.4.5.
Bobot
Bobot dipakai untuk menentukan nilai sebuah
node
dan terletak di antara 2
(dua) lapisan, baik antara lapisan
input
dengan lapisan tersembunyi atau antara
lapisan tersembunyi dengan lapisan
output
dan mempunyai nilai tertentu. Pada saat
awal pelatihan nilai bobot diatur agar berada pada nilai acak yang kecil misalnya di
antara -0,5 sampai 0,5 lalu nilai bobot ini diperbaharui setiap proses
epoch
pada
2.4.6.
Bias
Bias juga dipakai untuk menentukan nilai sebuah
node
tetapi hanya pada
node
pada lapisan tersembunyi dan
output
. Bias ini selalu bernilai 1 tetapi nilai bobotnya
berbeda dan pada awal pelatihan diberi dengan nilai acak yang kecil antara -0,5
sampai 0,5 lalu nilai bobot ini juga diperbaharui setiap proses
epoch
pada waktu
pelatihan.
2.4.7.
Epoch
Epoch
adalah pengulangan yang terjadi pada proses pelatihan di dalam
jaringan saraf tiruan dalam memperbaiki
error
. Pengulangan ini akan terus
berlangsung hingga toleransi
error
(MSE) pelatihan atau nilai
epoch
yang ditetapkan
telah tercapai.
2.4.8.
Learning Rate
Learning rate
(
α
) merupakan sebuah parameter pembelajaran di dalam jaringan
saraf tiruan
backpropagation
yang digunakan untuk mempercepat proses pelatihan
dan bernilai antara 0 sampai 1. Jika jaringan saraf tiruan menggunakan
learning rate
mendekati 0 maka proses pelatihan membutuhkan waktu yang lebih lama dalam
mencapai
performance
jaringan saraf tiruan yang diinginkan tetapi terkadang baik
jika dipakai pada proses aplikasi. Sebaliknya jaringan saraf tiruan menggunakan
learning rate
mendekati 1 maka proses pelatihan membutuhkan waktu yang lebih
cepat dalam mencapai
performance
jaringan saraf tiruan yang diinginkan tetapi
2.4.9.
Toleransi
Error
Toleransi
error
merupakan sebuah nilai pembatas yang ditetapkan oleh user
agar selisih target dengan keluaran jaringan saraf tiruan (MSE) dalam proses
pelatihan tidak sampai 0. Hal ini bertujuan untuk menghindari
overtraining
yang
menyebabkan jaringan saraf tiruan mengambil sifat memorilisasi akibatnya ketika
hasil pelatihan diuji dengan pola data yang tidak pernah dikenali maka jaringan saraf
tiruan akan memberikan hasil yang jauh berbeda dari target yang diharapkan.
2.5.
Fungsi Aktivasi
Fungsi aktivasi digunakan untuk menentukan keluaran pada
node
. Ada
beberapa fungsi aktivasi yang sering digunakan dalam jaringan saraf tiruan seperti
fungsi undak biner, bipolar, linear (identitas), saturating linear, symmetric saturating
linear, sigmoid biner dan sigmoid bipolar.
Karena keluaran jaringan saraf tiruan yang diinginkan pada penelitian ini
antara 0 sampai 1 maka fungsi aktivasi yang digunakan adalah sigmoid biner dan
fungsi aktivasi ini mempunyai hubungan yang sederhana antara nilai fungsi pada
suatu titik dengan turunannya sehingga mengurangi beban komputasi selama
pelatihan [23]. Bentuk grafik dari fungsi sigmoid biner dapat dilihat seperti pada
Gambar 2.20 sedangkan fungsi dari sigmoid biner dirumuskan sebagai [23]:
……….(2. 17)
dengan turunan:
Gambar 2. 20 Fungsi Sigmoid Biner [24]
2.6.
Algoritma Pembelajaran
Salah satu bagian terpenting dari konsep jaringan saraf tiruan adalah terjadinya
proses pembelajaran. Tujuan utama dari proses pembelajaran adalah melakukan
pengaturan terhadap bobot-bobot yang ada pada jaringan saraf tiruan, sehingga
diperoleh bobot akhir yang tepat sesuai dengan pola data yang dilatih [25].
Pada
dasarnya ada 2 metode pembelajaran, yaitu metode pembelajaran terawasi
(
supervised
) dan metode pembelajaran yang tak terawasi (
unsupervised
).
a.
Pembelajaran terawasi
Pada jaringan saraf tiruan yang menerapkan metode pembelajaran terawasi maka
output
yang diharapkan telah ditetapkan. Contoh: jaringan saraf tiruan yang
b.
Pembelajaran tak terawasi
Sedangkan jaringan saraf tiruan yang menerapkan metode pembelajaran tak
terawasi tidak memerlukan target
output
. Pada metode ini, tidak ditentukan hasil
yang seperti apakah yang diharapkan selama proses pembelajaran. Metode
pembelajaran seperti ini sangat cocok untuk pengelompokan pola.
Tetapi ada hal lain yang perlu dipertimbangkan dalam pembelajaran jaringan
saraf tiruan yakni tercapainya keseimbangan antara kemampuan memorilisasi
dengan
generalisasi
.
Yang dimaksud memorilisasi adalah kemampuan jaringan saraf tiruan
memberikan respon yang sempurna terhadap semua pola yang pernah dilatihkan.
Sedangkan generalisasi adalah kemampuan jaringan saraf tiruan memberikan respon
yang bisa diterima terhadap pola-pola
input
yang serupa (namun tidak identik)
dengan pola-pola yang sebelumnya telah dipelajari. Hal ini sangat bermanfaat ketika
jaringan saraf tiruan diberikan pola
input
yang belum pernah dilatihkan maka jaringan
saraf tiruan tetap akan memberikan respon (keluaran) yang paling mendekati [25].
2.7.
Algoritma Pembelajaran
Backpropagation
Standar
Backpropagation
merupakan algoritma pembelajaran yang terawasi dan metode
yang sangat baik dalam menangani pengenalan pola-pola kompleks yang
menggunakan
gradient descent
untuk memperkecil total
error
kuadrat (MSE) hasil
komputasi pada proses pelatihan [23], [25]. Jadi inilah yang menjadi alasan utama
peneliti mencoba menggunakan JST dengan algoritma pembelajaran backpropagation
stator untuk satu hari ke depan. Algoritma pembelajaran dengan
backpropagation
standar dapat dibagi menjadi 2 bagian:
2.7.1.
Algoritma pelatihan
Adapun langkah-langkah algoritma pelatihan adalah sebagai berikut [25]:
Langkah a. Inisialisasi bobot bias ke lapisan
hidden
(V
0j),
output
(W
0k), dan bobot
input
(V
ij),
output
(W
jk) seperti pada Gambar 2.19 dengan nilai acak
yang cukup kecil antara -0,5 sampai 0,5. Lalu ditentukan nilai
learning
rate
(
α
) antara 0 sampai 1, toleransi
error
dan jumlah maksimal
epoch
jika menggunakan toleransi
error
dan banyaknya
epoch
sebagai kondisi
berhenti.
Langkah b. Selanjutnya dilakukan proses pengulangan dari langkah c – j hingga nilai
MSE (
mean square error
) yang diperoleh dari hasil pelatihan lebih kecil
dari nilai toleransi
error
yang ditentukan atau
epoch
telah tercapai.
Langkah c. Untuk setiap pasangan pola akan dilakukan proses pelatihan, dengan
melakukan langkah ke- d sampai langkah ke-i.
Tahap maju
Langkah d. Setiap
node
X
i,i = 1, 2, ..., n pada lapisan
input
meneruskan sinyal
input
tersebut ke semua
node
Z
j, j = 1, 2, ..., p pada lapisan tersembunyi yang
ada di atasnya.
Langkah e. Setiap
node
Z
j, j = 1, 2, ..., p pada lapisan tersembunyi menjumlahkan
dengan bobot bias V
0jlalu dengan menggunakan fungsi aktivasinya
dihitung sinyal
output
nya:
∑
………..(2. 19)
selanjutnya sinyal
output
tersebut dikirim ke semua
node
ke lapisan di
atasnya (lapisan
output
).
Langkah f. Setiap
node
Y
k, k = 1, 2, ..., m pada lapisan
output
menjumlahkan
sinyal
input
Z
j, j = 1, 2, ..., p dari lapisan tersembunyi dengan
bobotnya W
jkdan ditambahkan dengan bobot bias W
0klalu dengan
menggunakan fungsi aktivasinya dihitung sinyal
output
nya:
∑
……….(2. 20)
Tahap mundur
Langkah g. Setiap
node
Y
k, k = 1, 2, ..., m pada lapisan
output
menerima pola target
t
klalu informasi kesalahan pada lapisan<