87
BAB VI
PEMODELAN DAN RANCANG BANGUN SISTEM
6.1 Model Konseptual6.1.1 Konfigurasi Desain
Desain sistem penentuan kualitas biodiesel berbasis minyak nabati ini dirancang dan dikembangkan dalam sistem yang diberi nama SINKUAL-BIODIESEL(DesainSistemKualitas Biodiesel).Bagankonfigurasimodel aplikasi sistem penilaian kualitas biodiesel yang dirancang dan dikembangkan disajikan pada Gambar 6.1 berikut ini.
Data
SISTEM MANEJEMEN BASIS PENGETAHUAN Kualifikasi Penilaian Komposisi Asam Lemak dan Asam Lemak Bebas (ALB)
Kualifikasi Penilaian Kualitas Fisiko Kimia Bahan Baku Kualifikasi Penilaian Kualitas Biodiesel
Kualifikasi Penilaian Kualitas Proses Produksi Biodiesel
SISTEM MANEJEMEN BASIS DATA Data Pengamatan pada Proses Produksi Biodiesel
Data Pembelajaran dan Testing Jaringan Syaraf Tiruan Data Bobot Tingkat Kepentingan Atribut
S I S T E M
P A K A R
Sistem Pengolahan Terpusat
Sistem Manajemen Dialog Pengguna
Model
SISTEM MANEJEMEN BASIS MODEL
Model Penilaian Kualitas Bahan Baku
Sub Model Penilaian Komposisi Asam Lemak dan Asam Lemak Bebas Sub Model Penilaian Sifat Fisiko Kimia Bahan Baku Model Penilaian Kualitas Proses Produksi Biodiesel
Sub Model Penilaian Kualitas Karakteristik Mutu
Sub Model Penilaian Kualitas di Titik Proses
Model Jaringan Syaraf Tiruan Model Statistical Process Control Model Penilaian Kualitas Pengemasan dan Penyimpanan
Sub Model Penilaian Kualitas Pengemasan
Sub Model Penilaian Kualitas Penyimpanan
88
Data Pengamatan :
Suhu & Waktu Transesterifikasi, Suhu & Lama Separasi, Volume Air & Lama Pencucian.
Pembuatan Bagan Kendali Shewhart
Prediksi JST periode produksi yang akan datang SPC Berdasarkan Data Hasil
Prediksi
Atribut Syarat Mutu Bahan Baku dan Biodiesel
Pembobotan dengan Metode Entropy
Penetapan Atribut Penilaian Kualitas Biodiesel Penilaian dan Prediksi Kualitas
dengan Expert Sistem Implementasi dan Analisis Hasil
Keluaran Sistem Penetapan Kriteria Pengendalian
Kualitas Pembobotan AHP
Rumusan Strategi
Berdasarkan konfigurasi model aplikasi program SINKUAL-BIODIESEL yang disajikan pada Gambar 6.1 diatas terbagi dalam enam kelompok yaitu: sistem manajemen basis data, sistem manajemen basis pengetahuan, sistem pakar, sistem pengetahuan basis model, sistem pengolahan terpusat dan sistem manajemen dialog.
SINKUAL-BIODIESEL yang dirancang mengintegrasikan metode jaringan syaraf tiruan untuk memprediksi kualitas dan metode sistem pakar untuk membangun kaidah rule sistem pengambilan keputusannya. Kedua sistem tersebut disimulasikan dengan perangkat-lunak MatLab 7.0.1. rumusan strategi peningkatan kualitas biodiesel dirancang menggunakan Expert Choice 2000.
Basis data untuk pembelajaran (training) jaringan syaraf tiruan dibuat menggunakan program Microsoft Notepad 5.1. sedangkan pembobotan entropy masing-masing karakteristik tingkat kepentingan menggunakan Microsoft Excel
2003. Kerangkan model SINKUAL-BIODIESEL secara keseluruhan, berurutan
dapat dilihat pada Gambar 6.2 dibawah ini.
89
MULAI
INPUT :
1. Syarat mutu Bahan Baku minyak nabati (CPO dan Jarak) dan Biodiesel. Standar Nasional, Standar Internasional.
2. Spesifikasi mutu bahan baku dan biodiesel di industri 3. Penilaian tingkat kepentingan atribut berdasarkan pakar
Perhitungan Bobot Entropy untuk Atribut Penilaian Kualitas Bahan Baku, Proses Produksi
OUTPUT : Nilai Bobot Masing-masing Atribut Penilaian Kualitas
INPUT :
1. Data pengamatan Proses : Transesterifikasi, Separasi dan Pencucian,
2. Batas spesifikasi atas-bawah untuk data pengamatan Proses. 3. UCL dan LCL untuk data pengamatan proses.
Pembuatan Bagan Shewhart Variabel: Bagan X dan R OUTPUT :
Analisis Keragaman Proses
INPUT :
1. Pembobotan prioritas berdasarkan Entropy 2. Analisis Statistical Process Control (SPC) 3. Literatur
4. Pakar (Industri, Akademisi, Birokrat) Penentuan Atribut Penilaian Kualitas
A
Pada Gambar 6.3 berikut ini menyajikan diagram alir deskriptif permodelan SINKUAL-BIODIESEL yang memberikan gambaran alur sistem yang dibuat sehingga akan membantu dalam membangun dan mengembangkan sistem.
Gambar 6.3 Diagram Alir Deskriptif Permodelan SINKUAL-BIODIESEL
90
A OUTPUT :
Atribut Penilaian Kualitas Biodiesel
INPUT :
1. Data Pengujian Laboratorium Bahan Baku yang Dipergunakan
2. Data Pengujian Laboratorium Biodiesel yang Dihasilkan
INPUT :
1. Data Training dan Testing JST 2. Data Parameter JST 3. Prediksi Keragaman Proses
Penilaian Kualitas Biodiesel
INPUT :
1. Analisis Implementasi Sistem dengan menggunakan data Aktual
2. Elemen Peningkatan Kualitas
3. Bobot masing-masing elemen dari setiap level OUTPUT :
Hasil Penilaian Kualitas BIodiesel
Perhitungan Bobot OUTPUT :
1. Prioritas elemen dari setiap level 2. Penjabaran program Perencanaan
Peningkatan kualitas Biodiesel Selesai
Lanjutan Gambar 6.3 Diagram Alir Deskriptif Permodelan SINKUAL-BIODIESEL
6.1.2 Desain Basis Data
Data merupakan fakta atau apapun yang dapat dipergunakan sebagai input dalam menghasilkan suatu informasi. Data dapat berupa data suara, teks, video, gambar yang bisa berupa hasil diskusi, pengambilan keputusan, perhitungan dan pengukuran dan lain-lain.
91
BASISDATA SISTEM PENILAIAN KUALITAS Standar Nasional
Indonesia (SNI)
1. Data SNI Bahan Baku (lemak nabati) 2. Data SNI Biodiesel
Standar
International (SI) HACCP
Pakar Spesifikasi Pustaka
Spesifikasi dan pengukuran di
industri Titik kritis proses:
1. Titik kritis transesterifikasi 2. Titik kritis separasi 3. Titik kritis pencucian
Data bobot atribut bahan baku dan biodiesel
Data bobot atribut bahan baku dan biodiesel 1. PT. EAI
2. PT. Eterindo
Dalam sistem yang dibangun ini terdiri dari beberapa sumber data, yakni: standar mutu nasional (SNI), standar mutu international (SI), spesifikasi dan pengukuran di industri, akuisisi pakar dan referensi dari pustaka. Hubungan antara data yang digunakan dapat dilihat pada Gambar 6.4.
Gambar 6.4 Diagram Hubungan Sumber Data dalam Basisdata 6.1.3 Kerangka Model
Pada konfigurasi model aplikasi program terdiri atas beberapa sistem, diataranya sistem pengolahan terpusat, sistem manajemen basis data, sistem manajemen basis pengetahuan, sistem pakar, sistem basis model dan sistem manajemen basis dialog.
1. Sistem Pengolahan Terpusat
Sistem ini merupakan bagian penting dari program yang berfungsi sebagai terminal pengaturan atau pengelola dan penghubung sistem-sistem yang lain yang terintegrasi pada program.
2. Sistem Manajemen Basis Data
Merupakan pusat penyimpanan data yang akan diolah atau dipanggil maupun setelah data tersebut diolah. Data-data yang terdapat dalam basis data diantaranya adalah data keragaman proses dan titik kritis, data training dan
92 Identifikasi Masalah Mulai Mencari sumber pengetahuan Akuisisi pengetahuan Representasi pengetahuan Pengembangan
mesin inferensi Implementasi
Pengujian
Pengujian human expert
Selesai
Sumber: Marimin, 2005
testing untuk prediksi jaringan syaraf tiruan (JST), data bobot kepentingan
atribut kualitas.
3. Sistem Manajemen Basis Pengetahuan
Merupakan basis pengetahuan untuk membangun sistem pakar dan membuat aturan-aturan (rule). Basis pengetahuan ini diperoleh dari akuisisi pengetahuan para pakar yang mewakili praktisi, akademisi dan birokrasi, pengetahua dari literatur dan jurnal.
4. Sistem Pakar
Merupakan pengembangan dan pemanfaatan basis pengetahuan yang berupa mesin inferensi yang merupakan alat penalaran bagi sistem yang memanipulasi dan mengarahkan pengetahuan untuk mencapai solusi atau kesimpulan akhir dari fakta-fakta yang ada. Pada Gambar 6.5 berikut ini menyajikan tahapan pembentukan sistem pakar.
93
5. Sistem Manajemen Basis Model
Merupakan alat analisis yang diperlukan oleh sistem, dimana melalui model-model tersebut dapat diperolah hasil penilaian dan prediksi kualitas yang dapat digunakan dalam proses pengambilan keputusan strategi pengendalian kualitas.
Pada SINKUAL-BIODIESEL terdiri atas model penilaian kualitas bahan baku, model penilaian kualitas proses, model penilaian kualitas pengemasan dan penyimpanan, model statistical process control (SPC), dan model jaringan syaraf tiruan (JST).
6. Sistem Manajemen Basis Dialog
Merupakan interface atau penghubung antara sistem pengolahan terpusat dengan pengguna SINKUAL-BIODIESEL untuk menentukan dan juga memprediksi kualitas biodiesel yang dihasilkan berdasarkan keragaman nilai titik kritis yang ada pada proses sebelumnya yang dalam hal ini menggunakan metode jaringan syaraf tiruan propagasi mundur (back propagation).
6.2 Rancang Bangun Sistem
6.2.1 Definisi SINKUAL-BIODIESEL
Pada pembahasan ini menjabarkan tentang tujuan dan fungsi perancangan dan pengembangan SINKUAL-BIODIESEL serta spesifikasi pengguna (user) kebutuhannya.
1. Tujuan Pengembangan Sistem
Tujuan pengembangan sistem ini adalah untuk membuat suatu prototipe yang dapat membantu dan mempermudah suatu pekerjaan, terutama pada bidang pengendalian mutu (quality control/QC) dalam pengambilan keputusan mengenai kualitas suatu produk yang dalam hal ini adalah biodiesel.
Sistem ini dirancang dan dikembangkan dengan prinsip kecerdasan buatan (artificial intelegent) untuk membuat sistem yang cerdas dengan metode sistem pakar (expert system) untuk menyusun aturan-aturan penalaran dalam mengambil kesimpulan dari fakta-fakta yang ada. Sedangakan metode jaringan syaraf tiruan digunakan untuk memprediksi keluaran sistem yang
94
akan datang dalam hal ini mutu biodiesel berdasarkan data-data atribut produksi sebelumnya.
Sehingga sistem ini dapat menggantikan keberadaan manusia terutama seorang pakar, atau setidaknya dapat menghemat waktu para pakar yang terbatas dan mahal sehingga lebih ekonomis.
2. Fungsi Sistem
Fungsi dari sistem ini adalah sebegai berikut:
Menyimpan dan memanipulasi (editing) data hasil pengujian laboratorium dan pengamatan di laboratorium dan industri biodiesel..
Melakukan penilaian kualitas dan memprediksi kualitas produksi biodoesel periode berikutnya berdasarkan data pengujian, data keragaman proses dan data spesifikasi standar mutu biodiesel.
Menyimpan kembali, menampilkan dan mencetak data hasil penilaian kualitas biodiesel yang telah dianalisis.
Memberikan saran-saran dan tindakan yang perlukan terhadap hasil penilaian yang dilakukan.
3. Kebutuhan Sistem dan Penggunanya (user)
Sebelum melakukan penilaian dan prediksi, beberapa hal yang perlu dipenuhi oleh pengguna dalam sistem ini adalah:
Kebutuhan sistem adalah data-data atribut penilai kualitas biodiesel yang diperoleh dari hasil pengukuran laboratorium dan pengamatan di industri mulai dari kandungan asam lemak, karakteristik bahan baku, karakteristik proses, juga data spesifikasi standar mutu biodiesel.
Kebutuhan pengguna adalah 1) membutuhkan sistem yang dapat melakukan penilaian kualitas dan prediksi berdasarkan data-data yang diinputkan pada sistem, sehingga dapat memudahkan dan menghemat waktu pengguna atau pakar, 2) membutuhkan antar muka (interface) dari sistem yang mudah dipahami dan dioperasikan (user friendly) dalam melakukan penilaian dan pengambilan keputusan.
95
Dari sistem yang dikembangkan ini diharapkan dapat meningkatkan efisiensi dan efektifitas dalam pengambilan keputusan terutama pada bidang pengawasan mutu biodiesel.
6.2.2 Desain Sistem
SINKUAL-BIODIESEL yang dikembangkan terdiri dari tiga komponen desain utama yakni desain input, proses dan desain output sistem.
1. Desain Input
Pada bagian ini dikembangkan antar muka (interface) sistem yang sederhana namun mudah dipahami oleh pengguna (user), sehingga akan memberikan kemudahan bagi pengguna dalam memasukkan data-data yang terdiri atas: Data teknikal berupa data pengamatan titik kritis proses selama beberapa
kali produksi yang asumsikan masing-masing sebanyak 20 data. Desain input yang digunakan adalah: 1) input yang diperoleh dari data teknikal yang telah diperoleh sebelumnya, 2) data yang diperoleh dari data teknikal yang baru atau hasil prediksi JST. Indikator kualitas berupa batas bawah (LSL) dan batas atas (USL) yang digunakan pada saat prediksi penilaian berlangsung.
Data fundamental, dapat berupa: 1) data variabel berupa data input berupa jawaban terbuka atas nilai-nilai atribut penilaian proses, 2) data qualifier berupa fakta input berbentuk pilihan, seperti baik, normal atau buruk, jawaban atas qualifier ini disebut value.
2. Desain Proses
Pada bagian ini merupakan berikutnya setelah bahan baku memenuhi standar kriteria untuk tahapan proses. Desain proses pada SINKUAL-BIODIESEL ini terdiri atas tiga tahapan proses.
a. Proses pra-analisis
Sub-proses pemeriksaan jenis minyak nabati yang menjadi bahan baku pembuatan biodiesel, terdiri atas atribut (kadar asam palmitat, asam lenoleat, asam oleat dan asam stearat).
96
Sub-proses pemeriksaan kadar asam lemak bebas (ALB) dalam persen sehingga dapat ditentukan berapa tahap proses esterifikasi dilakukan. b. Proses penilaian bahan baku
Proses ini terdiri atas dua sub-proses, yaitu:
Sub-proses pemeriksaan kandungan senyawa pengotor (KSP) terdiri atas atribut (kadar asam lemak bebas, kandungan air dan sedimen dan warna minyak).
Sub-proses pemeriksaan sifat fisika kimia bahan baku yang terdiri atas atribut (massa jenis, viskositas, kadar asam, iodium, penyabunan). c. Proses penilaian kualitas proses
Pada tahapan ini proses terdiri atas empat sub-proses, yaitu:
Sub-proses pemeriksaan karateristik mutu biodiesel (KMB) terdiri atas dua komponen kualitas yakni kualitas persyaratan dengan atribut (kadar
fosfor, viskositas biodiesel dan angka setana), kemudian kualitas
rendemen dengan atribut (kadar metil ester, kadar gliserol total dan kadar gliserol bebas).
Sub-Proses pemeriksaan titik kritis transesterifikasi (TKT) yang terdiri atas atribut suhu dan lama waktu proses transesterifikasi dilakukan. Sub-Proses pemeriksaan titik kritis separasi (TKS) yang terdiri atas
atribut suhu dan lama waktu proses separasi dilakukan.
Sub-Proses pemeriksaan titik kritis pencucian (TKP) yang terdiri atas atribut suhu dan perbandingan antara volume air dan minyak yang dipergunakan selama proses ini dilakukan.
d. Proses penilaian kualitas pengemasan dan penyimpanan Pada tahapan ini proses terdiri atas dua sub-proses, yaitu:
Sub-proses pemeriksaan kualitas pengemasan yang terdiri atas atribut (tingkat keamanan kontener, kebersihan wadah, kekuatan wadah, kedap udara, tidak tembus cahaya, bahan wadah).
Sub-proses pemeriksaan kualitas penyimpanan yang terdiri atas atribut (suhu penyimpanan, dan waktu atau lama penyimpanan).
97
Pada keseluruhan proses diatas data yang yang tercakup dalam faktor teknikal diolah menggunakan jaringan syaraf tiruan. Arsitektur jaringan yang digunakan pada penelitian ini adalah backpropagasi (propagasi balik) yang memiliki keunggulan dalam hal prediksi dengan karateristik sebagai berikut: Proses pembelajaran (training) jaringan adalah pembelajaran yang terawasi
(supervised learning) karena menggunakan himpunan data input dan output yang sudah diketahui.
Pencatatan statistik dilakukan selama proses pembelajaran untuk mengukur performasi jaringan menggunakan metode trial and error, sehingga akan diperoleh performasi jaringan dengan error terkecil mendekati nol.
Fungsi aktivasi yang digunakan pada penelitian ini adalah sigmoid bipolar (tansig), sigmoid biner (logsig) dan linear.
Level jaringan yang dipakai adalah jaringan syaraf multilayer yang terdiri atas layer input, layer tersembunyi (hidden) dan layer output.
Testing, dilakukan pada performansi terbaik dari jaringan dengan bobot jaringan yang telah ditetapkan. Pengujian dilakukan menggunakan data baru yang belum pernah digunakan sehingga jaringan akan menggunakan nilai bobot hasil pembelajarannya untuk memetakan data pengujian dengan performansi terbaiknya. Hal ini disebut dengan kemanpuan jaringan dalam melakukan generalisasi.
Inisialisasi bobot menggunakan metode Nguyen-Widrow, metode ini akan menginisialisasi bobot-bobot lapisan dengan nilai antara -0,5 hingga 0,5. bobot dari lapisan input ke lapisan tersembunyi terus diperbaiki selama proses pembelajaran sehingga dapat memetakan data input dengan target secara tepat dengan error minimum.
Penentuan iterasi atau epoch adalah satu siklus yang melibatkan seluruh pola data pembelajaran. Pada penelitian ini ditentukan banyak iterasi yang dilakukan pada proses pembelajaran adalah 1000 epoch, jumlah ini diperkirakan cukup dan dapat menghasilkan performasi jaringan yang baik.
Lebih lanjut proses prediksi menggunakan JST ini akan dibahas lebih detail pada sub bahasan 6.2.3.
98
Pada tahapan output proses ini merupakan tahapan menampilkan hasil penilaian atau pemeriksaan secara keseluruhan mulai dari pra-analisis, proses pemeriksaan bahan baku, proses pemeriksaan kualitas proses, hingga proses pengemasan dan penyimpanan. Prediksi dengan JST akan menghasilkan
output yang digunakan sebagai input dalam sistem penilaian titik kritis proses.
Seluruh tahapan proses SINKUALBIODIESEL ditampilkan dengan program simulasi MatLab 7.01 terdiri dari beberapa windows (menu tampilan). Sehingga dapat memudahkah pengguna (user) dalam melakukan penilaian dan mengetahui hasil prediksi yang dilakukan. Beberapa metode analisis yang juga dipergunakan dalam sistem ini adalah:
a. Bagan Kendali Shewhart
Kelebihan atau informasi yang diperoleh dari penggunaan bagan kendali
shewhart adalah:
Keragaman dasar dari karakteristik mutu Kekonsistenan penampilan (performance) Tingkat rata-rata dari karakteristik mutu.
Peta kendali shewhart digunakan untuk melihat apakah data hasil prediksi berada dalam kendali proses atau tidak dengan menentukan nilai batas atas (upper class limit, UCL) dan batas bawah (lower class limit, LCL), sehingga dapat ditentukan apakah penilaian kualitas sudah baik dengan ketentuan sebagai berikut:
Datadikatakanbaik jika beradadi dalam batas kendali atas (BKA) dan batas kendali bawah (BKB).
Datadikatakanburuk jika berada di luar batas kendali atas (BKA) dan batas kendali bawah (BKB).
Batas spesifikasi (USL-LSL) hasil prediksi jaringan syaraf tiruan (JST) diisikan oleh user sesuai spesifikasi dari perusahaan. Berikut ini batasan nilai atas dan bawah yang dapat dilihat pada Gambar 6.6 dibawah ini.
99 Daerah Penolakan Daerah Penolakan LSL LCL UCL USL Daerah Penerimaan Keterangan:
USL = upper specification limit LSL = lower spesification limit
Gambar 6.6 Penggambar Bagan Kendali Shewhart 3. Desain Output
Pada interface output terdapat beberapa fasilitas program diantaranya adalah untuk menampilkan grafik, menyimpan hasil prediksi, cetak hasil prediksi, mengedit hasil prediksi kembali ke menu sebelumnya atau keluar dari program.
Bagan kualifikasi penilaiankualitasbiodiesel (SINKUAL-BIODIESEL) disajikanpada Gambar 6.7 denganmenggunakan jaringan syaraf tiruan untuk memprediksi nilai keragaman proses. Hasil prediksi ini dapat dimunculkan (performasi) dalam beberapa tampilan, yaitu:
Error, data hasil pengujian yang ditampilkan adalah nilai error dan jumlah
epoh yang dilakukan.
Training regresi, data hasil pengujian yang ditampilkan adalah nilai error, jumlah epoh, nilai korelasi dan persamaan regresi.
Testing regresi, data hasil pengujian yang ditampilkan adalah nilai error, jumlah epoh, nilai korelasi dan persamaan regresi.
Time series, data hasil pengujian ditampilkan dalam bentuk grafik nilai batasan dari data pengamatan, data prediksi, batas spesifikasi, batas kontrol, rata-rata prediksi, UCL, LCL, mean dan standar deviasi.
100
Proses pra-analisis
1. Turunkan kadar ALB (test FFA) 2. Lakukan proses esterifikasi (pretreatment)
Ditolak
Lanjut ke proses transesterifikasi Proses penilaian kualitas bahan baku Sub-proses penilaian kandungan senyawa pengotor
Sub-proses penilaian sifat fisiko kimia bahan baku
Diterima Grade A Grade B
Proses penilaian kualitas proses Sub-proses penilaian karakteristik mutu biodiesel Sub-proses pemeriksaan titik kritis proses transesterifikasi
Baik Normal Buruk
Sub-proses pemeriksaan titik kritis proses separasi Sub-proses pemeriksaan titik kritis proses pencucian
Baik Normal Buruk
Sub-proses pemeriksaan persentase asam-asam lemak Sub-proses pemeriksaan kadar asam lemak bebas
Jenis minyak nabati
Baik Normal Buruk
Proses penilaian kualitas pengemasan dan penyimpanan Sub-proses penilaian kualitas pengemasan
Sub-proses penilaian kualitas
Baik Normal Buruk Diterima Grade A Grade B Ditolak
Pertahankan kualitas dan produksi dan tingkatkan kualitas dan produksi Kualitas proses buruk, perlu
dilakukan analisis seluruh proses, perbaiki kualitas dan produksi
Prediksi Jaringan Syaraf Tiruan (JST)
Gambar 6.7 Bagan kualifikasi SINKUAL-BIODIESEL 6.2.3 Prediksi Kualitas dengan Jaringan Syaraf Tiruan
Arsitektur jaringan yang dipergunakan adalah multilayer. Arsitektur jaringan ini memiliki keunggulan dalam hal prediksi atau peramalan nilai.
Proses pembelajaran adalah backpropagation bersifat pembelajaran terawasi “supervised learning” karena pembelajaran jaringan menggunakan data
101
input dan data output yang sudah diketahui kemudian jaringan akan mengatur sendiri nilai bobot masing-masing layer dari jaringan tersebut dengan nilai error minimum.
Standar pengaturan (setting default) yang digunakan pada pengembangan SINKUAL-BIODIESEL ini adalah:
Arsitektur jaringan adalah [5 5 1], yakni : 5 neuron pada layer input, 5 neuron pada layer hidden dan 1 neuron pada layer output.
Fungsi aktivasi yang digunakan adalah fungsi sigmoid bipolar (tansig), fungsi
sigmoid biner (logsig) dan fungsi linear (purelin).
Kriteria error yang digunakan adalah MSE (mean square error).
Laju pembelajaran (α)= 0,005; error goal atau minimum error = 0,0001; dan maksimum epoch (satu siklus yang melibatkan seluruh pola data pembelajaran atau training) = 1000 epoch.
1. Penentuan Arsitektur Jaringan (hidden layer).
Menentukan arsitektur jaringan yang optimal dengan nilai error yang sangat kecil mendekati nol dilakukan dengan prinsip “trial and error” pada berbagai jumlah neuron pada lapisan tersembunyi (hidden layer). Karakteristik jaringan yang digunakan adalah :
Lapisan input = 5 layer Lapisan output = 1 layer Laju pembelajaran = 0,005 Momentum = 0,9 Maksimum epoh = 1000 epoh Fungsi transfer = Tansig Minimum error = 0,0001
102
Untuk menentukkan jumlah lapisan tersembunyi (hidden layer) yang terbaik untuk jaringan ini juga dilakukan dengan metode trial and error. Hasil pengujian yang dilakukan ditunjukkan pada Tabel 31 berikut ini.
Tabel 31. Pemilihan Jumlah Lapisan Tersembunyi (hidden layer) Jumlah Neuron Lapisan Tersembunyi Kriteria error
3 5 7
error 9,4054e-005 9,28419e-005 9,61229e-005
epoch 337 336 355
korelasi 0,9999 0,9999 0,9999
MSE
regresi 1,0289 x + (-1,781) 1,0285 x + (-1,762) 1,0292 x + (-1,799)
Berdasarkan pada hasil yang diperoleh dari hasil pengujian “trial and
error” yang dapat dilihat pada Tabel 31 diatas menunjukkan bahwa jumlah
lapisan tersembunyi (hidden layer) yang memberikan performasi jaringan yang paling baik dengan error minimum dan epoh terkecil adalah 5 unit lapisan tersebunyi dengan minimum error 0.0000928419 atau 9,28419e-005 dalam 336 epoh.
Jumlah lapisan (layer) yang optimal pada lapisan tersembunyi tidak dapat dinyatakan dengan metode yang pasti melainkan dengan trial and error serta tergantung pada pengalaman perancang dalam membangun arsitektur jaringan syarat tiruan. Jadi arsitektur jaringan yang digunakan pada sistem penilaian kualitas biodiesel ini adalah sebagai berikut:
Arsitektur jaringan = 5 (input), 5 (hidden), dan 1 (output) Laju pembelajaran = 0,005
Momentum = 0,9 Maksimum epoh = 1000 epoh Fungsi transfer = Tansig Minimum error = 0,0001
103
Untuk menentukkan fungsi aktivasi yang terbaik untuk jaringan ini juga dilakukan dengan metode trial and error. Hasil pengujian yang dilakukan ditunjukkan pada Tabel 32 berikut ini.
Tabel 32. Pemilihan Fungsi Aktivasi Berdasarkan Nilai Error
Kriteria error Tansig Logsig Linear
error 9,28419e-005 9,97879e-005 0,140222
epoch 336 853 1000
korelasi 0,9999 0,9994 0,7473
MSE
regresi 1,0285 x + (-1,762) 1,0197 x + (-1,151) 0,7068 x + 18,840
Berdasarkan pada hasil yang diperoleh dari hasil pengujian “trial and
error” yang dapat dilihat pada Tabel 28 diatas menujukkan bahwa dengan
jaringan dengan 5 unit lapisan tersembunyi memperoleh nilai error terkecil pada fungsi aktivasi tansig (fungsi sigmoid bipolar).
2. Penentuan laju pembelajaran (learning rate) dan momentum.
Untuk mempercepat kinerja operasi jaringan syaraf tiruan terutama jaringan dengan algoritma backpropagasi (propagasi balik) yang cenderung memiliki kinerja yang cukup lambat, maka ditambahkan beberapa parameter tambahan, yakni dengan memberikan variasi nilai laju pembelajaran (learning
rate) dan nilai momentum.
Laju pembelajaran yang sangat kecil membuat proses pembelajaran jaringan sangat lambat, namum jika terlalu besar proses pembelajaran akan berisolasi atau menyebar sehingga perlu dilakukan pengujian sebab laju pembelajaran menakar besarnya penyesuaian pada bobot ketika dilakukan proses pembelajaran.
Penggunaan momentum akan membuat jaringan melakukan penyesuaian bobot yang lebih besar selama koreksinya memiliki arah yang sama dengan pola yang ada.
104
Nilai laju pembelajaran dan momentum jaringan yang baik ditentukan dengan cara trial and error terhadap beberapa nilai laju pembelajaran dan momentum yang menggunakan fungsi aktivasi tansig. Hasil pengujian yang dilakukan ditunjukkan pada Tabel 29 dengan asitektur jaringan adalah
Arsitektur jaringan = 5 (input), 5 (hidden), dan 1 (output) Maksimum epoh = 1000 epoh
Fungsi transfer = Tansig Minimum error = 0,0001
Kriteria error = MSE (mean square error)
Tabel 33. Hasil pengujian terhadap nilai laju pembelajaran dan momentum dengan fungsi aktivasi sigmoid bipolar (tansig)
MSE
Learning Rate Momentum
Error Epoch 0,005 0,9 9,2842e-05 336 0,05 0,7 9,9695e-05 512 0,001 0,7 0,12423000 1000 0,01 0,9 0,00013165 1000 0,1 0,7 0,00087059 1000
Berdasarkan pada hasil pengujian pada Tabel 33 diatas menujukkan fungsi aktivasi tansig (fungsi sigmoid bipolar) nilai error terkecil 9,2842e-05 dengan epoh 336 pada nilai laju pembelajaran 0,005 dan mementum 0,9.
Tabel 34. Hasil pengujian terhadap nilai laju pembelajaran dan momentum dengan fungsi aktivasi sigmoid biner (logsig)
MSE
Learning Rate Momentum
Error Epoh 0,005 0,9 9.990e-05 968 0,05 0,7 0,0002565 1000 0,001 0,7 0,0546733 1000 0,01 0,9 9,989e-05 500 0,1 0,7 0,0002063 1000
105
Berdasarkan pada hasil pengujian pada Tabel 34 diatas menujukkan fungsi aktivasi logsig (fungsi sigmoid biner) memberikan performansi terbaik dengan nilai error terkecil9,989e-05 dengan epoh 500 pada nilai laju pembelajaran 0,01 dan momentum 0,9.
Tabel 35. Hasil pengujian terhadap nilai laju pembelajaran dan momentum dengan fungsi aktivasi linear
MSE
Learning Rate Momentum
Error Epoh 0,005 0,9 0,1402360 1000 0,05 0,7 0,1405950 1000 0,001 0,7 0,1402070 1000 0,01 0,9 0,1405790 1000 0,1 0,7 0,1408580 1000
Berdasarkan pada hasil pengujian pada Tabel 35 diatas menujukkan fungsi aktivasi linear (fungsi linear) memberikan performansi terbaik dengan nilai error terkecil0,1402070 dengan epoh 1000 pada nilai laju pembelajaran 0,001 dan momentum 0,7.
Struktur jaringan syaraf tiruan yang paling optimal dari beberapa variasi jumlah node pada layer input, layer hidden, layer ouput, laju pembelajaran, momentum dan fungsi aktivasi yang digunakan pada perancangan sistem prediksi penilaian kualitas biodiesel (SINKUAL-BIODIESEL) dan kriteria pembelajaran JST yang digunakan pada penelitian ini disajikan pada Tabel 36.
Tabel 36. Struktur JST Sistem Penilaian Kualitas Biodiesel
Karakteristik Spesifikasi
Jumlah unit lapisan input 5 unit
Jumlah unit lapisan tersembunyi 5 unit
Jumlah unit lapisan output 1 unit
Fungsi aktivasi Sigmoid bipolar (tansig)
Laju pembelajaran 0,005
Jumlah epoh 336 Momentum 0,9
106
6.2.4 Proses Penilaian SINKUAL-BIODIESEL
Tahapan representasi pengetahuan dilakukan dalam bentuk kaidah-kaidah. Kaidah ini digunakan untuk mengolah fakta yang ada untuk dapat menarik kesimpulan. Basis pengetahuan secara sistematis dapat disajikan dalam bentuk kaidah-kaidah aturan yang dinyatakan dalam bentuk “if-then” dengan if adalah “premis” atau fakta dan “then” adalah “konklusi” atau kesimpulan. Jika terdapat beberapa kaidah maka dapat dihubungkan dengan bentuk “AND”. Contohnya: 1. if fakta is X then Y
2. if F1 is K and F2 is L and F3 is M ... then Z is...N.
Input data yang terdiri atas nilai-nilai atribut karateristik bahan baku serta proses, terkelompok dalam sub-sub proses penilaian atau pemeriksaan. Kemudian input data yang diberikan dilewatkan pada kaidah (rule) yang telah dibuat hingga diperoleh suatu kesimpulan pada masing-masing sub-proses. Setelah itu sistem akan menggabungkan dan menghubungkan kesimpulan yang diperoleh sehingga akan diperoleh kesimpulan akhir yang merupakan hasil akhir dari sistem penilaian kualitas yang dilakukan. Berikut ini kaidah-kaidah yang dibangun pada masing-masing sum proses yang dapat dilihat pada Tabel 37 dibawah ini.
Tabel 37. Kaidah (rule) Pada Masing-masing Sub-proses Sistem Penilaian Kualitas Biodiesel (SINKUAL-BIODIESEL)
No Sub-Proses Jumlah Rule
1. Sub-proses pemeriksaan jenis minyak nabati berdasarkan kandungan asam lemak bahan baku
(...CpraolahJenisBiodiesel\hitung.m) 8 rule
2. Sub-proses pemeriksaan kadar asam lemak bebas (ALB) dalam bahan baku untuk menentukan tahapan proses. (...CpraolahAsamLemakBebas\hitung.m)
9 rule 3. Sub-proses pemeriksaan kandungan senyawa pengotor
(KSP) bahan baku, yang terdiri dari kadar asam lemak bebas, kandungan air dan sedimen dan warna bahan baku. (...RuleBahanbakuKandunganSenyawaPengotor.m)
27 rule 4. Sub-proses pemeriksaan sifat fisika kimia bahan baku yang
terdiri atas atribut massa jenis, viskositas, kadar asam, kadar iodium, kadar penyabunan.
(...RuleBahanbakuFisikoKimia.m)
107
Lanjutan Tabel 37
No Sub-Proses Jumlah Rule
5. Rule penilian bahan baku yang terdiri dari :
(...RuleBahanbakuKandunganSenyawaPengotor.m) dan
(...RuleBahanbakuFisikoKimia.m)
9 Rule 6. Sub-proses pemeriksaan karateristik mutu biodiesel
berdasarkan persayaratan terdiri atas atribut kadar fosfor, viskositas dan angka setana.
(...RuleProsesKarakteristikMutuBiodieselPersyaratan.m)
27 Rule 7. Sub-proses pemeriksaan karateristik mutu biodiesel
berdasarkan Rendemen terdiri atas kadar metil ester, kadar gliserol total dan kadar gliserol bebas.
(...RuleProsesKarakteristikMutuBiodieselRendemen.m)
27 Rule 8. Rule Penilaian karateristik mutu biodiesel (KMB) yaitu :
(...RuleProsesKarakteristikMutuBiodieselPersyaratan.m)
dan(..RuleProsesKarakteristikMutuBiodieselRendemen.m) 9. Sub-Proses pemeriksaan titik kritis transesterifikasi (TKT)
yang terdiri atas atribut suhu dan lama waktu proses transesterifikasi dilakukan.
(...RuleProsesTitikKritisTransesterifikasi.m)
9 rule atau JST 10. Sub-Proses pemeriksaan titik kritis separasi (TKS) terdiri
atas atribut suhu dan lama waktu proses separasi dilakukan (...RuleProsesTitikKritisSeparasi.m)
9 rule atau JST 11. Sub-Proses pemeriksaan titik kritis pencucian (TKP) yang
terdiri atas atribut suhu dan jumlah air yang dipergunakan selama proses ini dilakukan.
(...RuleProsesTitikKritisPencucian.m)
9 rule atau JST 12. Rule Penilian Kualitas Proses yang terdiri dari :
(...RuleProsesKarakteristikMutuBiodiesel.m),
(...RuleProsesTitikKritisTransesterifikasi.m), (...RuleProsesTitikKritisSeparasi.m) dan
(...RuleProsesTitikKritisPencucian.m)
81 Rule 13. Sub-proses pemeriksaan kualitas pengemasan yang terdiri
atas atribut tingkat keamanan kontener, kebersihan wadah, kekuatan wadah, kedap udara, tidak tembus cahaya, bahan. (...RuleSimpananPengemasan.m)
729 rule 14. Sub-proses pemeriksaan kualitas penyimpanan yang terdiri
atas atribut suhu penyimpanan, dan waktu atau lama penyimpanan.
(...RuleSimpananPenyimpanan.m)
9 rule 15. Rule Penilian Pengemasan dan Penyimpanan terdiri dari :
(...RuleSimpananPengemasan.m) dan
108
Kaidah if then rule faktor fundamental ini dapat dilihat pada lampiran 20. Strategi penalaran dan pelacakan kaidah penilaian kualitas biodiesel dapat dilihat pada lampiran 21 dan 22.
Kualifikasi penilaian masing-masing proses yang dilakukan diperoleh dari hasil perhitungan dan akuisisi pakar. Nilai-nilai proses meliputi proses penilaian kualitas bahan baku, penilaian kualitas proses dan penilaian kualitas penyimpanan dan pengemasan. Batasan-batasan kualifikasi masing-masing proses tersebut dapat dilihat pada tabel-tabel dibawah ini.
Tabel 38. Kualifikasi penilaian kualitas bahan baku
Kualifikasi Batasan nilai
Diterima dengan Grade A > 14 Diterima dengan Grade B 12 - 14
Ditolak < 12
Tabel 39. Kualifikasi penilaian kualitas proses
Kualifikasi Batasan nilai
Diterima dengan Grade A > 30 Diterima dengan Grade B 24 - 30
Ditolak < 24
Tabel 40. Kualifikasi penilaian kualitas pengemasan dan penyimpanan
Kualifikasi Batasan nilai
Diterima dengan Grade A > 14 Diterima dengan Grade B 12 - 14
109
6.2.5 Implementasi SINKUAL-BIODIESEL
Pada pengembangan SINKUAL-BIODIESEL ini menggunakan perangkat-keras dan perangkat lunak dengan spesifikasi sebagia berikut:
1. Perangkat-keras (hardware), terdiri dari: Processor Intel Pentium IV 2.0 GH, VGA 64 MB, Memory DDR 256 MB, Harddisk 40 GB, CD-ROM 52Xmax,
printer Canon PIXMA iP 2100, dan lain-lain.
2. Perangkat-lunak (software), terdiri dari: OS. Windows XP SP.1, MatLab 7.0.1, Microsoft Office 2003, Microsoft Notepad, Microsoft Visio 2003, dll.
Intergrasi dan pengujian sistem yang terdiri atas sistem pakar dan jaringan syaraf tiruan dilakukan untuk mengetahui apakah sistem beroperasi dengan baik. Pengujian performa sistem menggunakan data aktual dari lapangan terutama data keragaman proses suhu, waktu dan jumlah air yang digunakan.
6.2.6 Integrasi dan Pengujian Sistem
Proses integrasi sistem pakar dan jaringan syaraf tiruan dengan model full
integration. Pada penelitian ini output yang diperoleh dari jaringan syaraf tiruan
(JST) ditransformasikan ke dalam sistem pakar. Selanjutnya sistem pakar akan mengolah hasil tersebut untuk menghasilkan keputusan akhir.
Dalam penelitian ini, validasi terhadap JST dilakukan dengan mengecek
output yang telah dibangun terhadap data target yang telah ditetapkan
sebelumnya. Hasil proses belajar menunjukkan bahwa jaringan memiliki nilai 0,0000999. ini berarti bahwa kesesuian output jaringan dan output target sangat tinggi. Nilai ini menunjukkan bahwa nilai output yang dihasilkan oleh jaringan dapat mempresentasikan data keragaman proses (proses transesterifikai, separasi dan pencucian) yang terjadi berdasarkan data aktual. Oleh karena itu dapat dikatakan bahwa jaringan yang telah dibangun adalah valid.
110
6.2.7 Pengoperasian Sistem SINKUAL-BIODIESEL
Sistem ini dikembangkan dengan perangkat-lunak Matlab 7.0.1 yang tidak memiliki ekstensi file *.exe tapi memiliki keunggulan dalam hal komputasi dan simulasi, sehingga untuk menjalankan operasi SINKUAL-BIODIESEL perlu menginstall terlebih dahulu program Matlab pada komputer.
Langkah-langkah untuk mengoperasikan program SINKUAL-BIODIESEL yang dikembangkan adalah:
1. Jalankan program Matlab 7.0.1 yang telah diinstall dengan membukanya dari start program atau clik shortcut pada dekstop monitor.
Gambar 6.8 Menu Utama Matlab 7.0.1
2. Tentukanfolderataucurrent directory tempat program disimpan pada harddisk komputer. Secara default program tersimpan di directory
111
Gambar 6.9 Menu folder atau current directory Matlab
3. Jalankan file biodieseldlg.m hingga masuk ke menu utama dari program SINKUAL-BIODIESEL.
112
Pada gambar diatas terlihat bahwa panel pra-analisis sudah aktif sedangkan panel analisis belum aktif, hal ini dikarenakan program ini berjalan secara berurutan. Panel analisis aktif jika proses pra-analisis telah selesai dilakukan seperti pada Gambar 6.11 dibawah ini.
Gambar 6.11 Panel Analisis SINKUAL-BIODIESEL
Pada gambar diatas terlihat bahwa setelah proses pra-analisisi untuk jenis dan kadar ALB bahan baku selesai dan baik untuk diproses maka panel analisis akan aktif. Penilaian kualitas yang dapat dilakukan adalah:
1. Penilaian kualitas bahan baku
2. Penilaian kualitas proses (transesterifikasi, sepeparasi dan pencucian) yang menggunakan prediksi JST.
3. Penilaian kualitas pengemasan dan penyimpanan.
4. Untuk masuk ke panel proses tekan tombol ID untuk mengisi identitas dan keterangan lainnya setelah itu tekan OK, seperti terlihat pada Gambar 6.12 berikut ini.
113
Gambar 6.12 Form Identitas Proses Analisis Bahan Baku SINKUAL-BIODIESEL
5. Setelah pengisian form ID maka tombol analisa bahan baku akan aktif, tekan pada tombol Analisa tersebut hingga masuk ke menu analis bahan baku seperti dapat kita lihat pada Gambar 6.13. Demikian juga dengan proses-proses yang lain setelah proses sebelumnya selesai tombol analisis proses berikutnya akan aktif seperti yang dapat kita lihat pada Gambar 6.14 dan 6.15.
Proses penilaian kualitas bahan baku
114
Proses penilaian kualitas proses
Gambar 6.14 Menu proses penilaian kualitas proses
Proses prediksi jaringan syaraf tiruan (JST) terhadap titik kritis proses transesterifikasi, separasi dan pencucian. Tekan tombol Neural network hingga masuk ke menu JST seperti dapat kita lihat pada Gambar 6.15.
115
Jika data untuk prediksi pada masing-masing titik kritis sudah ada, kita bisa membukanya dengan menekan tombol file, buka file data yang pada folder data dalam exstensi *,txt. Setelah data siap tekan tombol new sehingga proses training akan berjalan.
jika ingin memasukkan data baru tekan tombol editor dan terbuka windows microsoft notepad kemudian isikan data keragaman baru untuk prediksi, simpan data tersebut. Setelah data siap tekan tombol new sehingga proses training akan berjalan.
Selama training performansi kinerja JST dapat ditampilkan dalam bentuk grafik error, reggression, time series, target-output dataset, dan lainya. Hasil penilaian dengan prediksi dengan JST dapat diperoleh dengan menekan tombol get pada Gambar 6.16 sebelumnya.
Gambar 6.16 Menu proses prediksi jaringan syaraf tiruan dengan performansi error
116
Gambar 6.17 Menu proses prediksi jaringan syaraf tiruan dengan performansi reggression
117
Gambar 6.19 Menu proses prediksi jaringan syaraf tiruan dengan performansi time series
Prediksi JST baru memberikan keluaran (“Baik”,”Normal”,”Buruk”) dan tombol OK baru aktif setelah kita memasukkan nilai batas atas (USL) dan nilai batas bawah (LSL) pada performansi “time series”.
118
Proses penilaian kualitas pengemasan dan penyimpanan
Gambar 6.20 Menu proses penilaian kualitas proses pengemasan dan penyimpanan
Proses penilaian kualitas pengemasan merupakan pengisian data dalam bentuk qualifier (“Baik”,”Normal”,”Buruk”) atau radio button seperti pada Gambar 6.20 di atas.
Sedangkan untuk penilaian kualitas penyimpanan merupakan pengisian data aktual (variable) yang diperoleh dari lapangan berupa suhu dan lama penyimpanan biodiesel.
6. Hasil akhir proses penilaian kualitas secara keseluruhan dapat diperoleh dengan menekan tombol overall. Hasil penilaian juga memberikan saran atas kualitas biodiesel yang diperoleh, seperti yang dapat dilihat pada Gambar 6.21 dibawah ini.
119
Gambar 6.21 Menu proses akhir penilaian kualitas biodiesel
Hasil penilaian ini dapat disimpan dengan mengklik biodiesel pada menu toolbar dan pilih save.
7. Untuk keluar dari sistem ini klik pada tombol keluar pada Gambar 6.21 diatas hingga masuk ke menu dialog seperti pada Gambar 6.22 kemudian klik tombol OK.
