Dr. Ir. Wirawan, DEA
Ir. Endang Widjiati M.Eng.Sc.
Latar Belakang
• Kondisi wilayah perairan Indonesia yang potensial
• Perlunya alutsista minim noise guna pengawasan potensi sumber daya bawah laut dan kedaulatan Indonesia
• Penghasil noise terbesar pada sebuah kapal yang bergerak adalah propeller noise
• Mempelajari karakter sinyal akustik yang timbul akibat kavitasi propeller.
• Mengidentifikasi sinyal akustik kavitasi propeller kapal menggunakan metode Neural Networks
Tujuan
• Pengujian dilakukan di Cavitation Tunnel (CT) Laboratorium Hidrodinamika Indonesia (LHI) BBPT.
• Propeller yang digunakan jenis 4 daun.
• Metode identifikasi yang digunakan adalah Backpropagation Neural Networks dengan momentum.
• Software yang digunakan adalah MatLab.
Batasan Masalah
Teori Penunjang (1)
Propeller noise
Cavitation noise
Blade singing noise
Blade rate noise
Turbulance noise
Propeller Noise
Penguapan fluida akibat tekanan yang
terlalu rendah
Gelembung uap fluida pecah pada dinding
atau propeller
Getaran dan suara bising
Erosi dinding saluran atau propeller
Prinsip Kavitasi
Teori Penunjang (2)
Jenis Kavitasi Cavitation Tunnel (CT)
Teori Penunjang (3)
Suatu jaringan saraf tiruan ditentukan oleh :
1. Pola hubungan antar
neuron (arsitektur jaringan) 2. Metode menentukan bobot
neuron (algoritma training) 3. Fungsi aktivasi
Neural Networks
Teori Penunjang (4)
Algoritma Backpropagation Neural Networks
Jaringan diberi pola input sebagai pola latihan
Fase I : Pola tersebut diproses pada neuron input, hidden, dan output
Jaringan mengeluarkan tanggapan berupa output
Fase II : Bila output tidak sama dengan target maka output disebarkan mundur pada lapisan tersembunyi hingga
lapisan input
Fase III : Terjadi perubahan bobot
Metodologi
Pengambilan Data
• Pengambilan data berdasarkan variasi tekanan, kecepatan air dan kecepatan putaran propeller.
• Data diambil pada saat kondisi transisi hingga konstan pada kondisi tertentu.
Hasil Pengukuran
Hasil sinyal terekam pada saat pengukuran
Data visual kavitasi pada saat pengukuran
Fenomena Kavitasi (1)
Fenomena Kavitasi (2)
Tekanan 1 atm Tekanan 1 atm + (0,1-0,2) bar
Tekanan 1 atm + (0,4-0,5) bar Tekanan 1 atm + 0,8 bar
Data Audio yang Terpilih
Data yang dipilih berdasarkan panjang kavitasi dari hasil pengukuran. Sehingga dapat diasumsikan terdapat 3 jenis kavitasi yang akan diteliti, yaitu kavitasi saat awal muncul, kavitasi panjang, dan non-kavitasi.
Perancangan Jaringan
Fungsi Aktivasi : sigmoid bipolar Fungsi Pelatihan : backpropagation dengan momentum
Proses Training Jaringan
• Pada proses training jaringan ini terjadi fase I, II, dan III.
• Parameter yang dibutuhkan: jumlah maksimum epoch, target maksimum error, nilai learning rate (range 0 sampai 1), dan nilai momentum (range 0 sampai 1).
Hasil Training Jaringan
• Database Non-Kavitasi
Proses Pengujian Jaringan
• Pada proses pengujian ini yang terjadi hanya fase I saja.
• Bobot yang didapat pada proses pelatihan tadi digunakan pada proses pengujian ini. Sehingga hanya dilakukan simulasi jaringan dengan input baru berdasarkan database tiap kavitasi.
• Uji jaringan dilakukan terhadap 2 jenis data, yaitu:
a. training data set b. blind data set
Hasil Uji Jaringan (1)
• Database Kavitasi Awal
Hasil Uji Jaringan (2)
• Database Kavitasi Awal
Hasil Uji Jaringan (3)
• Database Kavitasi Panjang
Hasil Uji Jaringan (4)
• Database Non-Kavitasi
Hasil Uji Jaringan (5)
• Munculnya sinyal akustik akibat kavitasi propeller dalam CT adalah akibat perubahan kecepatan putaran propeller secara terus menerus sehingga meningkatkan amplitudo sinyal akustik.
• Hasil pengujian untuk database Sinyal Kavitasi Awal didapatkan hasil kecocokan sebesar 80%, database Sinyal Kavitasi Panjang didapatkan hasil kecocokan sebesar 20%, dan untuk database Sinyal Non-Kavitasi didapatkan hasil kecocokan sebesar 95%.
• Database Sinyal Non-Kavitasi lebih mampu mengidentifikasi keberadaan sinyal kavitasi dibandingkan database lain, karena pola sinyal non-kavitasi yang dilatih tidak tercampur dengan sinyal kavitasi lain
Saran
• Menggunakan perangkat yang lebih minim noise.
• Meningkatkan jenis kavitasi yang diidentifikasi agar karakteristik sinyal kavitasi lebih bervariasi lagi.
• Menggunakan hydrophone array dan dipisahkan menggunakan Independent Component Analysis (ICA) agar karakteristik sinyal kavitasi dapat lebih spesifik.
• Menggunakan metode klasifikasi lain ataupun jenis neural networks yang lain sebagai pembanding.
Daftar Pustaka
[1] Carlton, J. S. “Marine Propellers and Propulsion”, 2nded, Butterworth-Heinemann, Oxford, Ch 10, 2007.
[2] “Tahanan Porpulsi”, <URL: http://sug1.wordpress.com/2008/06/07/tahanan-porpulsi/>, Desember, 2011.
[3] “Cavitation Home Page at The University of Texas at Austin”, <URL:http://cavity.ce.utexas.edu/>, Desember, 2011.
[4] Widjiati, Endang. Yuniati. & Suwarni, Endah. “Pengujian Sinyal Akustik Noise yang Disebabkan olek Kavitasi Propeller di Terowongan Kavitasi”, UPT Balai Pengkajian dan Penelitian Hidrodinamika Surabaya, 2011.
[5] Brigham, E. Oran. “The Fast Fourier Transform and Its Applications ”, Prentice-Hall, Ch 8, 1988.
[6] Proalis, John G. & Manolakis, Dimitris G. “Digital Signal Processing: Principles, Algorithms, and Applications”, Prentice-Hall, Ch 6, 1996.
[7] Purnomo, Mauridhi Hery & Kurniawan, Agus. “Supervised Neural Networks dan Aplikasinya”, Graha Ilmu, 2006.
[8] Kusumadewi, Sri. “Membangun Jaringan Syaraf Tiruan Menggunakan Matlab & Excel Link”, Graha Ilmu, 2004.
[9] Siang, Jong Jek. “Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab”, Andi, Bab 6, 2006.
[10] Ikhwan, M. “Klasifikasi Sinyal Bawah Air Menggunakan Transformasi Wavelet dan Jaringan Saraf Tiruan”, 2011.
[11] Kurnia, Ahmad. “Manajemen Penelitian: Regresi Linier”<URL:http://skripsimahasiswa.blogspot.com/2010/10/regresi- linear.html>, Januari, 2012.
[12] Haykin, Simon. “Neural Networks: A Comprehensive Foundation”, 2nded, Prentice-Hall, Ch 1 dan 4, 1999.
[13] Fonseca, Jose Manuel & Correia, Luis. “A Real-Time Classifier for Identification of Acoustic Signatures”, Computazione Evolutiva, Anno 1, Vol.1, No.2, pp 5-13, 1996.
[14] Fonseca, J. &Correia, L. “Identification of Underwater Acoustic Noise”, Proceedings of OCEANS ‟94, Vol. 2, pp II/597-II/602, September, 1994.
Konversi
1 ATM = 101325 pascal 1 ATM = 1,01325 bar
v = 0,45738 * (hPa)^0,5
1 m/s = 1,9438 knots
Video Tiap Database
Sinyal Kavitasi Awal Sinyal Kavitasi Panjang
Video Tiap Database
Sinyal Non-Kavitasi
Perangkat
Keterangan : 1. Hydrophone 2. Microphone
3. Propeller dengan 4 daun 4. Soundcard
5. Komputer dengan software „Cubase‟
6. Camera recorder
Hasil Training Jaringan
• Database Kavitasi Awal
Hasil Training Jaringan
• Database Kavitasi Panjang
Hasil Uji Jaringan
• Database Kavitasi Panjang (plotting)
Hasil Uji Jaringan
• Database Non-Kavitasi (plotting)
Sigmoid Bipolar
• Fungsi yang memiliki range antara -1 sampai 1
Fast Fourier Transform
• Transformasi Fourier digunakan untuk mentransformasi sinyal dalam domain waktu menjadi sinyal dalam domain frekuensi. Ini dilakukan bila akan melakukan analisis frekuensi dari suatu sinyal.
dimana:
n = indeks dalam domain waktu = 0,1, ... , N-1 k = indeks dalam domain frekuensi = 0,1, ... , N-1 N = jumlah titik FFT
Hanning Window
• Prinsip penggunaan windowing adalah dengan melewatkan sinyal yang mempunyai frekuensi sembarang pada fungsi window tertentu sehingga dapat mereduksi sinyal-sinyal yang tergolong bocor sebelum dilakukan proses selanjutnya.
Mean Squared Error (MSE)
• Cara mengukur kesalahan antara output dan target. Caranya adalah dengan merata-rata selisih kuadrat antara nilai onutput dan target
dimana:
n = jumlah sampel data s = target yang diinginkan se = output jaringan
Korelasi Koefisien
• Analisis terhadap ukuran hubungan linier antara suatu variabel x (target) dan variabel y (output) dan dilambangkan dengan r:
] ) y (
) y (
n ][
) x (
) x (
n [
y x
xy r n
2 2
2 2
dimana:
r = koefisien korelasi n = ukuran sampel x = nilai target y = nilai output
