TUGAS AKHIR - TL141584
PREDIKSI KEBUTUHAN ARUS PROTEKSI PADA
UNDERGROUND IMPRESSED CURRENT
CATHODIC PROTECTION (ICCP) DENGAN
MENGGUNAKAN ARTIFICIAL NEURAL NETWORK
Rifqi Aulia Tanjung NRP. 2711 100 071
Dosen Pembimbing
Mas Irfan Purbawanto Hidayat, ST., M.Sc., P.hD. Tubagus Noor Rohmannudin, ST., M.Sc.
JURUSAN TEKNIK MATERIAL DAN METALURGI Fakultas Teknologi Industri
TUGAS AKHIR - TL141584
PREDICTION OF PROTECTIVE CURRENT AT UNDERGROUND IMPRESSED CURRENT CATHODIC PROTECTION (ICCP) USING ARTIFICIAL NEURAL NETWORKS
Rifqi Aulia Tanjung NRP. 2711 100 071
Adviser
Mas Irfan Purbawanto Hidayat, ST., M.Sc., P.hD. Tubagus Noor Rohmannudin, ST., M.Sc.
JURUSAN TEKNIK MATERIAL DAN METALURGI Fakultas Teknologi Industri
PREDIKSI KEBUTUHAN ARUS PROTEKSI PADA UNDERGROUND IMPRESSED CURRENT
CATHODIC PROTECTION (ICCP) DENGAN
MENGGUNAKAN ARTIFICIAL NEURAL NETWORK Nama Mahasiswa : Rifqi Aulia Tanjung
NRP : 2711 100 071
Jurusan : Teknik Material dan Metalurgi FTI-ITS Dosen Pembimbing : 1. Mas Irfan Purbawanto Hidayat, ST.,
M.Sc., P.hD.
2. Tubagus Noor Rohmannudin, ST., M.Sc.
ABSTRAK
Untuk dapat menghasilkan desain proteksi katodik arus paksa (ICCP) perlu dilakukan perhitungan kebutuhan arus proteksi yang tepat agar proteksi katodik dapat berjalan dengan optimal. Penelitian ini berfokus pada prediksi kebutuhan arus proteksi yang optimal untuk aplikasi ICCP dalam tanah dengan menggunakan
neural network (NN). Modeling dengan menggunakan NN dilakukan dengan menggunakan data yang memiliki beda derajat keasaman (pH), coating parameters dan waktu proteksi. Data dari 2080 kondisi berbeda diinput pada NN sebagai training data. NN yang digunakan dalam penelitian kali ini adalah jenis multilayer perceptron (MLP) dan hasil prediksi kebutuhan arus proteksi. Kemudian hasil training dari MLP NN ini disimulasi menggunakan 25 data testing dan menghasilkan 3 model terbaik dengan struktur MLP Feedforward-Backpropagation yang memiliki jumlah neuron 26, 27 dan 28. Model ini memiliki akurasi hingga 5.24x10-3.
PREDICTION OF PROTECTIVE CURRENT AT UNDERGROUND IMPRESSED CURRENT
CATHODIC PROTECTION (ICCP) USING
ARTIFICIALNEURAL NETWORKS
Student Name : Rifqi Aulia Tanjung Student Number : 2711 100 071
Department : Teknik Material dan Metalurgi FTI-ITS Supervisor : 1. Mas Irfan Purbawanto Hidayat, ST.,
M.Sc., P.hD.
2. Tubagus Noor Rohmannudin, ST., M.Sc.
ABSTRACT
To produce a good design of impressed current cathodic protection (ICCP), it is necessary to compute protective current requirement for optimal protection using the cathodic protection system. This research focuses on prediction of appropriate protective current for underground ICCP using neural networks (NN). NN modeling approach is attempted for different degrees of acidity (pH), coating parameters and protection time. This data of 2080 different condition used as training data. In this study, multilayer perceptron (MLP) is employed and the NN predicted values of protective current are examined. Trained NN then perform simulation of 25 sets of testing data and conclude 3 best model with MLP Feedforward-Backprop NN structure consist of 26,27 and 28 hidden neurons with acuracy up to 5.24x10-3.
KATA PENGANTAR
Segala puji bagi Allah Subahanahu wa Ta'ala atas segala nikmat, rahmat, dan karunia yang telah Dia berikan kepada penulis. Tak lupa kepada Rasulullah Muhammad Shallallahu 'alaihi wa Sallam sebagai sosok teladan yang menginspirasi dan sebagai penyemangat penulis dalam menyelesaikan laporan tugas akhir dengan judul:
Prediksi Kebutuhan Arus Proteksi Pada Underground Impressed Current Cathodic Protection (ICCP) Dengan Menggunakan Artificial Neural Network
Pada kesempatan kali ini penyusun mengucapkan banyak terima kasih kepada:
1. Kedua orang tua penulis, ayah dan ibu penulis. Bapak Agung Djaka Setiadi dan Ibu Ninik Mugiati atas segala doa dan dukungan yang tak putus-putus. Dan adik-adik tercinta Nindita Cahya Kusuma dan Hanif Radiktya Nugraha semoga segera menggapai cita-citanya.
2. Dr. Agung Purniawan, S.T., M.Eng selaku Ketua Jurusan Teknik Material dan Metalurgi FTI ITS.
bimbingannya. Terimakasih atas segala ilmu dan keikhlasannya pak.
4. Bapak Tubagus Noor Rohmannudin, ST., M.Sc selaku dosen wali sekaligus dosen pembimbing kedua yang selalu mendampingi saya memberikan dukungan atas setiap langkah yang saya lakukan. Terimakasih atas segala ilmu dan keikhlasannya pak.
5. Segenap dosen dan karyawan Jurusan Teknik Material dan Metalurgi FTI-ITS.
Penulis berharap dengan terselesaikannya laporan tugas akhir ini dapat memberikan manfaat dan dapat membuka bahasan baru di bidang korosi dan di bidang permodelan di Jursan Teknik Material dan Metalurgi FTI ITS.
Penyusun menyadari adanya keterbatasan di dalam penyusunan laporan ini. Besar harapan penyusun saran, dan kritik yang sifatnya membangun. Selanjutnya semoga tulisan ini dapat selalu bermanfaat. Amin.
DAFTAR ISI
LEMBAR PENGESAHAN ... i
ABSTRAK ... iii
ABSTRACT ... v
KATA PENGANTAR... vii
DAFTAR ISI ... ix
DAFTAR GAMBAR ... xv
DAFTAR TABEL ... xvii
BAB I PENDAHULUAN ... 1
I.1. Latar Belakang ... 1
I.2. Perumusan Masalah ... 2
I.3. Tujuan Penelitian ... 2
I.4. BatasanMasalah ... 3
I.5. Manfaat Penelitian ... 3
BAB II TINJAUAN PUSTAKA ... 5
II.1. Penelitian Sebelumnya ... 5
II.2. Impressed Current Cathodic Protection ... 7
II.2.1. Perhitungan Desain ICCP... 10
II.2.2.1. Kandungan Air dan Kelembaban ... 15
II.2.2.2 Derajat Aerasi dan Permeabilitas Tanah ... 15
II.2.2.3. pH Tanah ... 16
II.2.4. Resistivitas Tanah ... 21
II.2.3. Kelebihan dan Kekurangan Sistem ICCP ... 23
II.3. Artificial Neural Network (ANN) ... 24
II.3.1. Neural Network ... 29
II.3.2. Arsitektur Jaringan ... 31
a. Lavenberg-Marquardt ... 33
b. Bayesian Regualrization ... 33
c. Scalde Conjugate Gradient ... 33
BAB III METODOLOGI ... 35
III.1. Diagram Alir Penelitian ... 35
III.2. Langkah-Langkah Penelitian ... 36
III.2.1. Pengolahan Data ... 36
III.2.2. Pembuatan Model Artificial Neural Network .... 40
III.2.3. Analisa dan Validasi ... 40
III.2.3.1. Validasi ... 41
III.2.3.2. Error ... 42
III.2.4. Implementasi Neural Network ... 43
BAB IV HASIL DAN PEMBAHASAN ... 45
IV.1. Hasil Simulasi ... 45
IV.2. Performa Model ... 47
IV.2.1. Engineering Standar (Toleransi 10%) ... 47
IV.2.1.1 Perbandingan Hasil ... 50
IV.2.1.2 Perbandingan Performa Model ... 52
IV.2.2. Toleransi 50% ... 55
IV.2.1.1 Perbandingan Hasil ... 57
IV.2.1.2 Perbandingan Performa Model ... 59
IV.2.3. Kepresisian model ... 62
BAB V KESIMPULAN DAN SARAN ... 65
V.1. Kesimpulan ... 65
V.2. Saran ... 66
DAFTAR PUSTAKA ... xix
LAMPIRAN HASIL SIMULASI ( )* ... xxiii
Hasil Simulasi ( )- Jumlah Neuron 5 ... xxv
Hasil Simulasi ( )- Jumlah Neuron 7 ... xxvii
Hasil Simulasi ( )- Jumlah Neuron 8 ... xxviii
Hasil Simulasi ( )- Jumlah Neuron 9 ... xxix
Hasil Simulasi ( )- Jumlah Neuron 10 ... xxx
Hasil Simulasi ( )- Jumlah Neuron 11 ... xxxi
Hasil Simulasi ( )- Jumlah Neuron 12 ... xxxii
Hasil Simulasi ( )- Jumlah Neuron 13 ... xxxiii
Hasil Simulasi ( )- Jumlah Neuron 14 ... xxxiv
Hasil Simulasi ( )- Jumlah Neuron 15 ... xxxv
Hasil Simulasi ( )- Jumlah Neuron 16 ... xxxvi
Hasil Simulasi ( )- Jumlah Neuron 17 ... xxxvii
Hasil Simulasi ( )- Jumlah Neuron 18 ... xxxviii
Hasil Simulasi ( )- Jumlah Neuron 26 ... xlvi Hasil Simulasi ( )- Jumlah Neuron 27 ... xlvii Hasil Simulasi ( )- Jumlah Neuron 28 ... xlviii
DAFTAR GAMBAR
Gambar 2. 1. Skema Impressed Current Cathodic Protection ... 8
Gambar 2. 2. Hubungan Konsentrasi Ion H+ dan Ion OH -(Hardjowigeno, Klasifikasi Tanah, 1997)... 17
Gambar 2. 3. Neuron pada mamalia (Mänttäri & Larsson, 2011) ... 25
Gambar 2. 4. Skema Neural Network pada system Artificial Intelligence (Fausett, 1994) ... 27
Gambar 2. 5. Proses penyesuaian weight pada neural network (Demuth & Beale, 2002) ... 30
Gambar 2. 6. Perbandingan neuron dengan bias dan tanpa bias (Demuth & Beale, 2002) ... 31
Gambar 2. 7. Struktur neuron dengan input vektor (Demuth & Beale, 2002) ... 32
Gambar 3. 1. Diagram alir penelitian ... 35
Gambar 4. 1. Ilustrasi batas toleransi hasil simulasi ... 48
Gambar 4. 2. Akurasi setiap model dilihat dari ... 48
Gambar 4. 3. Akurasi model ditinjau dari semua ... 49
Gambar 4. 5. Akurasi dari seluruh simulasi yang dilakukan pada
desain ICCP dengan pipa API 5L Grade B ... 54
Gambar 4. 6. Ilustrasi batas toleransi hasil simulasi ... 55
Gambar 4. 7. Akurasi setiap model dilihat dari ... 56
Gambar 4. 8. Akurasi model ditinjau dari semua ... 56
Gambar 4. 9. Akurasi dari seluruh simulasi yang dilakukan pada desain ICCP dengan pipa AISI 1045 ... 60
Gambar 4. 10. Akurasi dari seluruh simulasi yang dilakukan pada desain ICCP dengan pipa API 5L Grade B ... 61
Gambar 4. 11. mse dari seluruh hasil simulasi ... 62
Gambar 4. 12. Kepresisian dari seluruh simulasi yang dilakukan pada desain ICCP dengan pipa AISI 1045 ... 63
DAFTAR TABEL
Tabel 2. 1. Reaksi Tanah Terhadap Tingkat Keasamannya ... 18
Tabel 2. 2. Tabel Nilai Resistivitas Tanah (Loke, 2000) ... 22
Tabel 2. 3. Tingkat Korosifitas Terhadap Nilai Resistivitas Tanah (Loke,2000) ... 23
Tabel 3. 1. Variabel yang digunakan ... 37
.Tabel 3. 2. Titik Uji dan Kategori yang digunakan ... 37
Tabel 4. 1. Struktur ANN yang digunakan ... 45
Tabel 4. 2. model pada setiap titik uji dalam mA ... 46
Tabel 4. 3. Akurasi (mA) model pada material AISI 1045 dengan engineering standar ... 50
Tabel 4. 4. Akurasi (mA) model pada material API 5L grade B dengan engineering standar ... 51
Tabel 4. 5. Akurasi (mA) model pada material AISI 1045 dengan engineering standar ... 57
BAB I
PENDAHULUAN
Artificial Neural Network adalah sebuah perangkat yang sangat menarik, dengan kemampuannya mengolah informasi untuk mensimulasikan permasalahan teknik dan sains dengan variasi yang sangat kompleks. Penerapannya yang minim dalam bidang teknik korosi menjadi dasar dilakukannya penelitian ini, pengembangan system proteksi ICCP dengan metode artificial neural network inilah menjadikan penelitian ini bermanfaat dan membuka banyak kesempatan optimasi untuk sistem proteksi ICCP.
I.1. Latar Belakang
Impressed Current Cathodic Protection (ICCP) sebagai salah satu metode proteksi katodik sudah banyak digunakan dalam dunia industri. Inovasi terus dilakukan untuk meningkatkan
Perkiraan kebutuhan arus proteksi akan dapat mengefisiensikan system ICCP yang diterapkan. Penelitian telah dilakukan oleh Trendi dan Faris (Trendi, 2014; Faris, 2014) pada ICCP media tanah mengindikasikan adanya pengaruh perbedaan pH pada kebutuhan arus proteksi. Prediksi kebutuhan arus proteksi menjadi dasar penggunaan arus awal yang diberlakukan kepada system ICCP dan mempengaruhi proteksi yang diberikan kepada struktur. Dalam pengembangannya penelitian ini ditujukan agar dapat menemukan model kebutuhan arus proteksi berdasar jenis material yang digunakan, lingkungan yang mempengaruhi sistem dan kondisi sistem. Model ini membantu menentukan arus proteksi awal untuk diterapkan pada sebuah system ICCP. Dan penelitian ini diharap dapat dikembangkan untuk menjadi sebuah alternative metode perhitungan kebutuhan arus proteksi.
I.2. Perumusan Masalah
Masalah yang menjadi dasar dilakukan penelitian ini adalah:
1. Bagaimana bentuk model kebutuhan arus proteksi dengan metode artificial neural network?
2. Bagaimana performa model dalam menghasilkan prediksi kebutuhan arus proteksi?
I.3. Tujuan Penelitian
1. Membentuk model kebutuhan arus proteksi dengan metode artificial neural network
2. Mengetahui sejauh mana performa model dalam menghasilkan prediksi kebutuhan arus proteksi
I.4. BatasanMasalah
Penelitian ini memiliki batasan masalah sebagai berikut: 1. Data yang digunakan adalah hasil penelitian skala
laboratorium
2. System proteksi korosi yang digunakan adalah system
Impressed Current Cathodic Protection
I.5. Manfaat Penelitian
BAB II
TINJAUAN PUSTAKA
Pada dasarnya, prediksi kebutuhan arus proteksi dilakukan dengan perhitungan konvensional. Penelitian ini menjadi langkah awal untuk membuka metode baru dalam perhitungan kebutuhan arus proteksi sehingga dapat mempermudah perhitungan konvensional dengan mempertimbangkan beberapa landasan teoritis mengenai system proteksi. Perlu diperhatikan konsep proteksi ICCP dan konsep ANN secara jelas sehingga penerapannya tepat sasaran dan dengan metode yang digunakan sesuai dengan kegunaannya.
II.1. Penelitian Sebelumnya
bahan dasar struktur dan rawan tinggi tingkat korosivitasnya, penelitian kedua berfokus pada struktur pipa yang dalam aplikasinya banyak menggunakan baja API 5L grade B dengan masing-masing menggunakan anoda grafit. Dengan memberikan variasi bentuk lingkaran dan persegi hal ini ditujukan untuk melihat sejauh mana pengaruh bentuk goresan akibat adanya kemungkinan terjadi korosi local. Hal ini tentu berdampak pada kebutuhan arus yang sekin meningkat untuk dapat memproteksi struktur. Karena pada dasarnya semakin besar permukaan yang tidak terproteksi maka akan semakin besar kebutuhan proteksinya, begitupula dengan semakin besar lingkungan mempengaruhi korosivitas system maka kebutuhan proteksinya juga meningkat.
Shahrabi, & Hadavandi, 2011), mereka menggunakan ANN untuk menemukan tren harga stok barang yang tepat. Jika diperhatikan belum ada yang bernar-benar mengaplikasikan ANN dalam hal proteksi struktur dari korosi. Hal ini lah yang menjadikan pentingnya penelitian kali ini sebagai trobosan baru dalam penentuan kebutuhan arus proteksi karena belum ada yang menggunakan ANN untuk memprediksi kebutuhan arus proteksi dan juga membukan jalur inovasi baru dalam perlindungan korosi.
II.2. Impressed Current Cathodic Protection
atau klorin, terjadi pada anoda, dan anoda tersebut tidak terkonsumsi. (ASM Metals Handbook Vol.43: 1987)
Mekanisme dari proteksi katodik arus paksa diawali dengan instalasi rangkaian yaitu menghubungkan baja yang diproteksi menuju ke kutub negatif (-) dan menghubungkan anoda menuju ke kutub positif (+) rectifier. Sumber arus listrik berasal dari arus AC yang dilengkapi dengan penyearah arus (rectifier) sehingga berubah menjadi arus DC. Arus mengalir dari rectifier menuju ke anoda, dengan dialiri arus secara terus menerus maka elektron yang berada pada anoda memiliki cukup energi untuk berpindah melalui elektrolit ke permukaan struktur. Kemudian arus mengalir ke sepanjang struktur dan kembali lagi menuju ke rectifier melalui konduktor elektris. Karena struktur menerima arus yang disalurkan melalui elektrolit, maka struktur menjadi terproteksi. Keluaran (output) arus rectifier diatur untuk mengalirkan arus yang cukup sehingga dapat mencegah arus korosi yang meninggalkan daerah anoda pada struktur yang dilindungi. Dengan keluaran arus dari anoda ini maka anoda tersebut terkonsumsi. Untuk itu maka sebaiknya menggunakan bahan yang laju konsumsinya lebih rendah dari magnesium, zinc dan alumunium yang biasa dipakai untuk system tersebut, umumnya digunakan paduan kombinasi bahan yang khusus.
Protection (ICCP) sangat cocok untuk digunakan. Dengan menggunakan anoda yang dihubungkan dengan sumber arus pada sistem yang berasal dari luar, yaitu dengan sumber arus searah (DC) ataupun sumber arus bolak-balik (AC) yang dihubungkan dengan penyearah arus/rectifier. Instalasi sistem dilakukan dengan menghubungkan kutub negatif ke struktur dan kutub positif menuju ke anoda. (Ardiansyah, 2014)
II.2.1. Perhitungan Desain ICCP
Untuk mendesain sistem ICCP maka diperlukan analisa dari segi teknis maupun ekonomis. Hal ini berfungsi sebagai nilai efektifitas pada saat memberikan proteksi katodik pada baja. Menurut rizky (2XS010), perhitungan desain ICCP dapat menggunakan tahapan sebagai berikut:
1. Kondisi Coating/Lapis Lindung
Data dari lapis lindung sangat diperlukan untuk analisa awal desain ICCP. Hal ini dapat dianalisa melalui material lapis lindung yang digunakan dan ketebalan lapisan.
2. Luas Permukaan Baja yang diproteksi
(1)
Dimana :
A = Luas permukaan baja yang diproteksi (m2)
3. Kebutuhan Arus Proteksi
(2)
Dimana :
Ir = Kebutuhan arus proteksi (A)
A = Luas permukaan pipa (m2)
fc = Faktor breakdown coating
Id = Densitas arus proteksi (A/m2)
NC = Nominal current
4. Kebutuhan Jumlah Anoda
(3)
Dimana :
N = Kebutuhan jumlah anoda Ir = Kebutuhan arus proteksi (A)
Io = Keluaran arus tiap anoda (A)
5. Tahanan Anoda
(4)
Dimana :
RH = Tahanan anoda (ohm)
6. Tahanan Kabel DC dari Anoda Menuju Junction Box
(5)
Dimana :
Rc1 = Tahanan kabel DC dari anoda menuju junction box
(ohm)
Lc1 = Panjang kabel DC dari anoda menuju ke juction box
(ohm)
Re1 = Tahanan spesifik kabel (ohm/m)
7. Tahanan Kabel DC dari Junction Box Menuju Kutub
Positif Rectifier
8. Tahanan Total Sirkuit DC
(7) Dimana :
Rt = Tahanan total sirkuit DC (ohm)
Rc1 = Tahanan kabel DC dari anoda menuju junction box
(ohm)
Rc2 = Tahanan kabel DC dari junction box menuju
rectifier (ohm)
9. Tegangan DC Rectifier
(8)
Dimana :
Et = Kebutuhan tegangan DC rectifier (V)
It = Total arus proteksi yang dikirim oleh rectifier (A)
Rt = Tahanan total sirkuit DC (ohm)
10. Total Tegangan DC Rectifier
(9) Dimana :
EDC = Total tegangan DC rectifier (V)
Et = Kebutuhan tegangan DC rectifier (V)
SF = Safety factor
11. Kebutuhan Daya AC yang Diperlukan Rectifier
(10)
Dimana :
Iac = Kebutuhan daya AC untuk rectifier (A)
EDC = Total tegangan DC rectifier (V)
EAC = Total tegangan AC rectifier (V)
= Efisiensi transformer-rectifier 12. Kapasitas Transformer-Rectifier
(11)
Dimana :
PAC = Kapasitas transformer-rectifier
IAC = Kebutuhan daya AC untuk rectifier (A)
EAC = Total tegangan AC rectifier (V)
II.2.2. Pengaruh Lingkungan
II.2.2.1. Kandungan Air dan Kelembaban
Banyaknya kandungan air dalam tanah dapat menentukan kemampuan tanah sebagai media elektrolit dalam reaksi korosi. Dengan jumlah yang banyak, kandungan air yang berada di tanah dapat mengalirkan elektron sehingga peristiwa terjadinya korosi sangat rentan terjadi. Mekanisme pergerakan air dalam tanah dapat disebabkan oleh gaya gravitasi, kapilaritas, tekanan osmosis, dan interaksi elektrostatik antar partikel. Pergerakan air yang mengikuti arah gravitasi mengalir dari daerah permukaan menuju ke dasar yang paling bawah. Sifat air pada tanah juga dipengaruhi oleh daya kapilaritasnya. Yaitu berpindah pada daerah tanah yang basah menuju ke tanah yang kering. Air dapat bergerak karena adanya porositas dalam tanah. Dibantu oleh tekstur dan struktur tanah yang menjadi kekuatan sehingga dapat menahan dan menampung air.
II.2.2.2 Derajat Aerasi dan Permeabilitas Tanah
terjadinya aliran arus karena efek galvanik. Derajat aerasi juga dapat disebabkan oleh kedalaman tanah. Dengan semakin dalamnya tanah maka menurunkan derajat aerasi atau kandungan oksigennya.
II.2.2.3. pH Tanah
Reaksi tanah menunjukkan sifat keasaman dan kebasaan tanah yang dinyatakan dengan nilai pH. (Kartasapoetra dan Sutedjo, 2002) pH tanah adalah suatu ukuran aktivitas ion hydrogen dalam larutan air tanah dan dipakai sebagai ukuran keasaman tanah. Sebetulnya keasaman dan kebasaan tanah merupakan pencerminan kadar, baik ion H+ maupun ion OH-.
Kadar ion H+ biasanya dinyatakan dalam besaran pH, yaitu
log negative H+, yang kadar H+ dinyatakan dalam satuan g per liter.
Didalam tanah selain ion H+ ditemukan pula ion OH-, yang
jumlahnya berbanding terbalik dengan banyaknya H+. Pada tanah
tanah yang asam, jumlah ion H+ lebih tinggi dari pada jumlah ion
OH-. Sedangkan pada tanah alkalis, kandungan OH- lebih banyak
dibandingkan ion H+. Bila kandungan OH- sama dengan H+ maka
tanah bereaksi netral, yaitu mempunyai pH = 7.
Menurut Hardjowigeno (1995), hubungan konsentrasi ion H+ dan
Gambar 2. 2. Hubungan Konsentrasi Ion H+ dan Ion OH -(Hardjowigeno, Klasifikasi Tanah, 1997)
Nilai pH berkisar dari 0 14. Dengan pH 7 disebut netral sedang pH kurang dari 7 disebut asam, dan pH lebih dari 7 disebut alkalis. Penentuan nilai pH dapat menggunakan persamaan berikut:
(12)
Besaran nilai pH tersebut didasarkan atas besarnya konstanta disosiasi air murni, yaitu:
(13)
tanah yang mempunyai lebih tinggi dari 8,5 hampir selalu mengundang sejumlah Na yang dapat ditukarkan.
Menurut Notohadiprawiro (1996), tanah dapat dipilahkan berdasarkan reaksi tanah atau pH sebagai berikut:
Tabel 2. 1. Reaksi Tanah Terhadap Tingkat Keasamannya
Reaksi Tanah pH
Luar biasa asam <4
Sangat Asam 4,0 5,0
Asam 5,0 6,0
Agak Asam 6,0 7,0
Agak basa 7,0 8,0
Basa 8,0 9,0
Sangat basa 9,0 10
Luar biasa Asam > 10
Walaupun demikian pH tanah umumnya berkisar dari 3,0 9,0. Di Indonesia umumnya tanah bereaksi asam dengan pH 6,0 6,5 sering dikatakan cukup netral, meskipun masih agak asam. Tanah permukaan dikawasan kering dicirikan oleh pH 7,0 sampai 9,0. Disini sebagian basa ada yang membentuk garam yang mengendap berupa CaCO3, Na2CO3 dan NaCl. Garam garam ini
kejenuhan basa tinggi pada kompleks serapan. Untuk kondisi keharaan pada berbagai kisaran pH sebagai berikut:
1. Sangat Tinggi (diatas 8,5)
- Tanah alkali
- Ca dan Mg, kemungkinan tidak tersedia - Fospat dalam bentuk Ca-P, Mg-P
- Bila kadar Na tinggi, maka P menjadi Na-P yang mudah larut
- Aktivitas bakteri rendah - Proses nitrifikasi menurun
- Ketersediaan hara mikro menurun, kecuali Mo
2. Tinggi (7,0-8,5)
- Penurunan ketersediaan P dan B - Adanya Co, Cu, Fe, Mn, dan Zn - Kadar Ca dan Mg tinggi - Tanah alkali
3. Sedang (5,5-7,0)
- Sifat netral
- Kisaran pH yang baik untuk sebagian besar tanaman - Kadar hara (makro dan mikro) optimum
- Aktivtas mikroorganisme optimum - Sifat kimia tanah optimum
4. Rendah (<5,5)
- Ion fosfat bersenyawa dengan Fe dan Al membentuk senyawa yang tidak cepat tersedia bagi tanaman - Semua hara makro (kecuali Mo) menjadi lebih
tersedia dengan peningkatan kadar asam
- Ion Al dilepaskan dari mineral lempung pada nilai pH dibawah 5,5
- Aktivitas bakteri menurun - Proses nitrifikasi terhambat
Sifat tanah ditentukan oleh pH tanah yang menentukan keadaan dari korosifitas tanah. pH tanah yang asam mengakibatkan korosifitas tanah meningkat sedangkan tanah yang bersifat basa mengakibatkan logam menghasilkan scale. Peningkatan pH tanah dipengaruhi beberapa faktor sebagai berikut:
1. Material Penyusun
- Material penyusun bersifat asam akan berkembang menjadi tanah yang bersifat asam
- Material penyusun yang bersifat basa akan berkembang menjadi tanah yang bersifat basa/alkalin
2. Iklim
- Tanah yang berkembang didaerah iklim lembab/basah akan bersifat asam
3. Bahan Organik
- Bahan organik menghasilkan asam-asam organik hasil proses humifikasi
- Asam organik memiliki pH nisbi yang rendah - Asam anorganik merupakan hasil dekomposisi
4. Pengaruh manusia
- Pemupukan dengan pupuk fisiologis yang bersifat asam akan menyebabkan tanah yang bersifat asam - Pengapuran akan menyebabkan pH akan naik
5. Jenis lempung
- Lempung silikat merupakan sumber muatan negatif yang bersifat tetap
II.2.4. Resistivitas Tanah
Tabel 2. 2. Tabel Nilai Resistivitas Tanah (Loke, 2000)
Material Resistivity ( m) Conductivity (Siemen/m)
Igneous and Metamorphic Rocks
Pengukuran nilai resistivitas tanah dilakukan dengan menggunakan empat pin point yang ditanam dalam tanah. Pin yang ditanam dalam tanah diposisikan sejajar satu garis lurus. Pada dua pin terluar yaitu pin C1 dan C2 dipasang secara seri untuk
menentukan nilai arusnya. Dua pin yang ditanam ditengah yaitu P1
dan P2 yang berfungsi untuk mengukur potensialnya. Nilai dari
Tabel 2. 3. Tingkat Korosifitas Terhadap Nilai Resistivitas Tanah (Loke,2000)
Resistivitas Tanah ( Tingkat Korosifitas
>200 Tidak Korosif
100 - 200 Korosif Rendah
50 100 Korosif Rendah
30 50 Korosif
10 30 Sangat Korosif
II.2.3. Kelebihan dan Kekurangan Sistem ICCP
Memilih system ICCP sebagai objek penelitian ini dikarenakan ICCP memiliki kelebihan yang dapat dijelaskan sebagai berikut:
1. Kapasitas output yang sangat tinggi.
Jumlah arus yang dapat dirancang pada sistem bervariasi mulai dari ampere yang kecil hingga ratusan ampere. Sehingga jangkauan proteksi yang diberikan besar. 2. Fleksibilitas kapasitas output.
Output dari sumber arus/rectifier dapat diatur dengan mudah untuk mengakomodasi perubahan tahanan sirkuit atau kebutuhan arus. Sehingga level proteksi juga dapat dikontrol sesuai kebutuhan.
3. Jumlah anoda yang digunakan lebih sedikit, bahkan untuk elektrolit dengan tahanan yang tinggi.
4. Cocok untuk semua nilai resistivitas.
Adapun resiko yang dihadapi oleh pengguna ICCP karena beberapa kekurangan seperti dijelaskan dibawah ini:
1. Resiko ang didapatkan relatif tinggi yang dapat menyebabkan efek interferensi arus. Biasa terjadi pada struktur terproteksi yang berdekatan.
2. Biaya instalasi peralatan listrik lebih mahal dan membutuhkan perlengakapan yang kompleks.
3. Pengaruh supply energi dari rectifier yang vital. Kerusakan sedikit saja akan berakibat fatal pada kinerja sistem proteksi.
4. Biaya perawatan lebih tinggi dibanding sistem anoda korban.
II.3. Artificial Neural Network (ANN)
dasarnya, neuron menerima input dari luar, mengkombinasikannya sedemikian hingga diproses dengan operasi nonlinear dan menghasilkan sebuah hasil berupa pemikian ataupun tindakan. Neuron yang ada pada otak terbentuk dari komponen mikroskopik dalam 3 dimensi. Struktur neuron tersebut diperkirakan dapat membentuk koneksi antar neuron yang jumlahnya tak hingga. (Aleksander & Morton, 1990; Fausett, 1994; Haykin, 1998; Bishop, 1995; Swingler, 1996)
tugas dan membuat prediksi yang komplek inilah menjadikan ANN dapat digunakan diberbagai bidang aplikasi.
Gambar 2. 4. Skema Neural Network pada system Artificial Intelligence (Fausett, 1994)
Menurut Fausett (1994), Neural Networks atau yang lebih dikenal dengan Jaringan Syaraf Tiruan adalah suatu pemrosesan informasi menggunakan karakteristik-karakteristik performa yang mirip dengan proses penyampaian impuls syaraf manusia. Neural Network dikembangkan dengan model persamaan matematis dengan menggunakan beberapa asumsi berikut ini:
1. Pemrosesan informasi terjadi pada elemen yang paling sederhana yang disebut neuron (node)
2. Antara neuron satu dengan yang lain saling berhubungan dan memiliki koneksi
3. Setiap koneksi menghubungangkan satu node dengan node yang lain dan memiliki nilai pembobot tertentu
Karakteristik lain dari neural network adalah adanya arsitektur yang merupakan koneksi antar node. Dibutuhkan suatu fungsi aktivasi yang merupakan metode menentukan pembobot antar koneksi dan biasa disebut dengan training atau pembelajaran.
Neural networks terdiri dari banyak neuron di dalamnya. Neuron-neuron ini akan dikelompokkan ke dalam beberapa layer. Neuron yang terdapat pada tiap layer dihubungkan dengan neuron pada layer lainnya. Hal ini tentunya tidak berlaku pada layer input dan output, tapi hanya layer yang berada di antaranya. Informasi yang diterima di layer input dilanjutkan ke layer-layer dalam ANN secara satu persatu hingga mencapai layer terakhir/layer output. Layer yang terletak di antara input dan output disebut sebagai hidden layer.
Neural network memperoleh nilai bobot dari suatu algoritma pembelajaran tertentu. Bobot ini dilakukan dalam melakukan transformasi dari node input ke node output. Algoritma pembelajaran merupakan tahap penyesuaian terhadap bobot yang telah terbentuk secara random. Penentuan nilai bobot secara umum dirumuskan sebagai berikut:
(15)
( ). Secara keseluruhan, pemodelan menggunakan Neural Network adalah sebagai berikut:
1. Penentuan pembobot awal
Pembobot awal yang akan digunakan adalah pembobot awal pada koneksi antara layer input dan layer hidden (layer ke-1) serta antara hidden layer (layer ke-2) dan layer output. 2. Training neural network
Model neural network akan ditraining pada suatu nilai epoch dan dilakukan penilaian terhadap learning rate untuk mendapatkan nilai ketepatan prediksi yang tinggi.
3. Pengujian Model Neural Networks
Testing atau pengujian dilakukan dengan menggunakan data testing yang merupakan pasangan dari data training yang digunakan untuk mencari pembobot model neural network. Langkah selanjutnya adalah dilakukan pengukuran terhadap ketepatan model dan nilai MSE (mean square error) model. II.3.1. Neural Network
penyesuaian ini dilakukan dengan istilah melatih Neural Network seperti diilustrasikan pada Gambar 2. 5. Proses ini disebut supervised learning, beberapa proses latihan ini dilakukan dengan membuat weight dan bias yang didasarkan pada input vektor yang digunakan.
Gambar 2. 5. Proses penyesuaian weight pada neural network (Demuth & Beale, 2002)
Gambar 2. 6. Perbandingan neuron dengan bias dan tanpa bias (Demuth & Beale, 2002)
II.3.2. Arsitektur Jaringan
Neuron yang memiliki single R-element input vektor seperti ditampilan dibawah ini memiliki individual input
dikalikan dengan weight
dan nilai kemudian dimasukkan kedalam fungsi penjumlahan ( ). Jumlah tersebut (Wp) adalah hasil dari (single row) matrix W dan vektor p.
Gambar 2. 7. Struktur neuron dengan input vektor (Demuth & Beale, 2002)
Aplikasi ini memiliki tiga macam algoritma yang dapat digunakan sebagai model pembelajaran Artificial Intelegence (AI) untuk menyelesaikan sebuah problem.
a. Lavenberg-Marquardt
Algoritma Lavenberg-Marquardt membutuhkan memori yang lebih banyak namun memakan waktu yang sedikit. Latihan akan berhenti secara automatis setika generalisasi berhenti membaik, seperti yang di indikasikan oleh MSE dari sampel validasi.
b. Bayesian Regualrization
Algoritma ini membutuhkan waktu yang lebih banyak dibandingkan dua metode lainnya, namun dapat memberi generalisasi yang lebih baik untuk data yang kompleks, sedikit ataupun berantakan. Latihan akan berhenti tergantung pada adaptasi beban minimum.
c. Scalde Conjugate Gradient
Algoritma ini membutuhkan memori yang lebih sedikit dibandingkan dua metode lainnya. Pelatihan akan selesai saat generalisasi berhenti membaik, seperti yang diperlihat`kan pada MSE.
BAB III
METODOLOGI
Dalam bab ini dijelaskan metode penelitian yang dijalankan, dimulai dari diagram alir penelitian dan dilengkapi oleh penjelasan langkah langkah percobaan.
III.1. Diagram Alir Penelitian
III.2. Langkah-Langkah Penelitian
Langkah pada penelitian ini dibagi menjadi tiga tahap, yaitu:
1. Pengolahan Data 2. Pembuatan model
3. Analisa Model dan Validasi III.2.1. Pengolahan Data
Tabel 3. 1. Variabel yang digunakan
dan persegi 24 jam hingga 184 jam dengan interval 8 jam API 5L B
Grade Steel
pH: 11, 9, 7, 5, 3
Tabel 3. 2. Titik Uji dan Kategori yang digunakan
Titik
Uji Material Pipa Keasaman Derajat Variasi Cacat Coating Persen Proteksi Durasi
14 API 5L Gr. B pH 3 Persegi 99.5% 160 jam 0.175 mA
Data tersebut kemudian akan dibagi menjadi dua:
1. Data training : terdiri dari data input ( dan data target ( ) yang digunakan artificial neural network agar dapat membentuk model yang sesuai. Sehingga jika disimulasikan dengan data input ( , dapat menghasilkan data target ( ).
denormalisasi menjadi data kebutuhan arus proteksi hasil simulasi ( . Juga terdiri dari data target ( yang digunakan sebagai pembanding , semakin dekat dengan menandakan semakin baik performa model.
Data ini kemudian di normalisasi atau ubah dengan batas 0 sampai 1 dengan menggunakan persamaan (16) agar data tidak dinamis.
(16)
Dengan:
N = Data hasil Normalisasi
D = Data yang akan di Normalisasi Dmin = Batas bawah data
Dmax = Batas atas data
Kemudian hasil simulasi data normalisasi ini akan di denormalisasi dengan menggunakan persamaan 17 sehingga mengasilkan
Dengan:
H = Data hasil simulasi (mA) D = Data setelah denormalisasi Dmin = Batas bawah data
Dmax = Batas atas data
III.2.2. Pembuatan Model Artificial Neural Network
ANN diproses dengan menggunakan aplikasi MATLAB® R2014a dengan toolbox Neural Network Tool (nntool).
1. Membuka Neural Network Tool 2. Input dan
3. Membuat model 4. Melakukan training
5. Melakukan simulasi dan menghasilkan
6. Melakukan kalibrasi weight dan bias untuk training ulang 7. Setelah training ulang sebanyak 10 kali, melanjutkan
penelitian dengan model baru (jumlah neuron sebagai variable)
III.2.3. Analisa dan Validasi
pengujian lapangan Ardhiansyah (2014) dan Pratama (2014) atau ).
III.2.3.1. Validasi
Setelah dilakukan denormalisasi dari menjadi . Validasi dilakukan dengan menggunakan aplikasi Microsoft® Office Excel 2016 dengan batas toleransi engineering sebesar 10% dan batas subjective dari peneliti untuk menentukan mana yang dapat diaplikasikan dan mana yang tidak dapat diaplikasikan menggunakan rumus excel ( berikut:
(18)
Dengan:
K = Keterangan A atau B IF = Fungsi jika pada excel
AND = Digunakan untuk menyambung dua rumus T = Batas toleransi atas (max) dan bawah (min) A = dapat di aplikasikan
III.2.3.2. Akurasi
Untuk mengukur akurasi model, peneliti membandingkan jumlah hasil simulasi yang aplikatif dibandingkan dengan total hasil simulasi dalam bentuk persen dengan persamaan berikut:
(19)
Dengan:
= Banyaknya A
A = yang dapat di aplikasikan B = yang tidak dapat di Aplikasikan
III.2.3.2. Error
Metode yang digunakan untuk mengukur besarnya error yang dimiliki model menggunakan mean squared error dengan persamaan berikut
(20)
Dengan:
= mean squared error n = jumlah data
= ke i
III.2.4. Implementasi Neural Network
Model neural network yang digunakan pada aplikasi MATLAB® R2014a dengan code nntool akan memberikan kebebasan pengguna memilih fitur yang tersedia, dan pada penelian kali ini menggunakan spesifikasi model sebagai berikut:
Model menggunakan supervised neural network dengan tipe supervised feedforward backpropagation.
BAB IV
HASIL DAN PEMBAHASAN
Pada bab ini akan dibahas keakuratan dan kepresisian hasil simulasi kebutuhan arus proteksi menggunakan Artificial Neural Network. Dengan membandingkan seluruh hasil simulasi hingga dapat menyimpulkan model Artificial Neural Network yang dapat direkomendasikan untuk penelitian berikutnya menggunakan titik uji dengan kategori seperti tertera pada Tabel 3. 1. Berikut target hasil prediksi (simulasi) yang diinginkan.
IV.1. Hasil Simulasi
Setelah dilakukan penelitian seperti telah dijelaskan pada bagian metodologi, didapatkan hasil penelitian seperti tertera pada lampiran. Dengan menggunakan tipe jaringan feed-forward backpropagation, percobaan ini mencoba mencari jumlah neuron yang menghasilkan prediksi optimal pada range 5 hingga 30 jumlah neuron pada hidden layernya.
Tabel 4. 1. Struktur ANN yang digunakan
Aplikasi MATLAB® R2014a
Tipe Jaringan Supervised Feed-Forward Backpropagation
Tipe Perceptron Single Layer
Algoritma Levenberg-Marquardt Backpropagation
Model dengan struktur yang digunakan seperti terlihat pada Tabel 4. 1 menghasilkan nilai hasil simulasi yang nilai ini dibandingkan deviasinya terhadap (Target Kebutuhan arus proteksi) pada Tabel 3. 1. Simulasi dilakukan dengan menggunakan jumlah neuron 5 hingga 30 dengan pengulangan sebanyak 10 kali dan kemudian hasilnya dirata-rata sehingga didapatkan dari setiap model tertera pada Tabel 4. 2.
0.014 0.02 0.01 0.01 0.01 0.02 0.02 0.01 0.01 0.02 0.02 0.01 0.02 0.02
Hasil simulasi ini dianalisa performanya dengan menggunakan dua standar toleransi, yaitu dengan menggunakan engineering standar (10% toleransi) dan dengan standar penguji (50% toleransi). Dan juga dianalisa kepresisiannya dengan menggunakan mean squared error.
IV.2.1. Engineering Standar (Toleransi 10%)
Standar engineering menggunakan toleransi 10% dari nilai yang dijadikan acuan, dalam hal ini .
Batas toleransi output Hasil simulasi diluar batas toleransi Hasil simulasi diluar
batas toleransi
Gambar 4. 1. Ilustrasi batas toleransi hasil simulasi
seperti yang tertera di Tabel 4. 2 dan berada dalam batas toleransi menjadi tolok ukur keberhasilan model dalam memprediksi kebutuhan arus proteksi. Akurasi dihitung dengan menggunakan persamaan (18) dan (19) pada Tabel 4. 2. model pada setiap titik uji dalam mAsehingga menghasilkan
.
Melihat akurasi yang tergolong kurang, peneliti mencoba melihat lebih jauh performa model dengan melihat seluruh yang dihasilkan. Dengan menggunakan persamaan (18) dan (19) pada setiap di setiap model didapatkan Gambar 4. 3 dan menunjukkan model dengan jumlah neuron 26, 27, 28 dan 29 memiliki akurasi yang lebih baik dalam seluruh percobaan
16
5 6 7 8 9 101112131415161718192021222324252627282930
Ak
dibandingkan dengan model dengan jumlah neuron yang lain. Jika dianalisa dari gambar, grafik akurasi semua model ini memiliki
persamaan regresi menunjukkan
perkiraan bahwa akurasi model memungkinkan untuk ditingkatkan jika dilakukan penelitian lebih lanjut pada model dengan jumlah neuron diatas 30 hidden neuron.
Gambar 4. 3. Akurasi model ditinjau dari semua
Analisa hasil model dilanjutkan dengan membandingkan pada spesifik material yang digunakan. Dalam penelitian ini, dua material yang digunakan yaitu API 5L grade B dan AISI 1045.
IV.2.1.1 Perbandingan Hasil
Tabel 4. 3 menunjukkan dan akurasi dari setiap model ditinjau dari nya pada spesimen dengan material AISI 10. Dari tabel ini kita dapat menarik hipotesa bahwa untuk hasil prediksi rata-rata, model dengan jumlah neuron 27, 28 dan 29 memiliki perform yang relatif baik dan stabil (memiliki akurasi yang relatif sama) dibanding model dengan jumlah neuron lainnya yang memiliki fluktuasi akurasi.
Adanya fluktuasi akurasi ini mengindikasikan kondisi model yang tidak kontinu atau kurang repeatable untuk dijadikan model yang terus diaplikasikan. Karena itu perlu analisa performa lebih lanjut dengan melihat yang dihasilkan oleh model satu persatu agar dapat diketahui apakah model repeatable ataukah tidak.
IV.2.1.2 Perbandingan Performa Model
Untuk menganalisa performa model lebih jauh, persamaan (19) dan (20) diaplikasikan pada seluruh di setiap model yang digunakan. Dalam penelitian ini model yang digunakan memiliki variable jumlah hidden neuron yang masing-masing model dilakukan retrain sebanyak 10 kali dan pada setiap retrain
dilakukan simulasi. Setiap simulasi ini menghasilkan dan setiap digunakan sebagai populasi pada pengukuran akurasi dan mse
sebagai performa model.
regresi yang memiliki fungsi yang mengindikasikan kemungkinan peningkatan akurasi seiring dengan peningkatan jumlah neuron. Hal ini karena fungsi regresi memiliki gradient (m) bernilai positif (0.0065).
Gambar 4. 4. Akurasi dari seluruh simulasi yang dilakukan pada desain ICCP dengan pipa AISI 1045
IV.2.1.2.2 Akurasi Pada Spesimen API 5L Gr.B Toleransi 10% Pada specimen dengan material API 5L Grade B, akurasi model ditunjukkan oleh Gambar 4. 4. Dari hasil ini, nilai akurasi menunjukkan sedikit penurunan performa dengan rata-rata penurunan akurasi sebesar 1% hampir diseluruh model. Termasuk model dengan jumlah neuron 26, 27 dan 28. Untuk meningkatkan akurasi model, peningkatan jumlah neuron merupakan cara yang direkomendasikan dengan ditunjukkan oleh keberadaan garis
regresi yang memiliki fungsi yang mengindikasikan kemungkinan peningkatan akurasi seiring dengan peningkatan jumlah neuron. Hal ini karena fungsi regresi memiliki gradient (m) bernilai positif (0.0064).
Gambar 4. 5. Akurasi dari seluruh simulasi yang dilakukan pada desain ICCP dengan pipa API 5L Grade B
IV.2.2. Toleransi 50%
Melihat pengaruh penelitian sebelumnya yang dengan standar potensial proteksi -850mV hingga -1050mV dan arus proteksi pada penelitian ini diambil saat potensial proteksinya berada ditengah standar proteksinya ( ). Deviasi arus sebesar 75% arus awal pada saat pengambilan data belum mengakibatkan perubahan potensial hingga keluar dari standar proteksinya. Untuk merubah sebesar
Gambar 4. 6. Ilustrasi batas toleransi hasil simulasi
seperti yang tertera di Tabel 4. 2 dan berada dalam batas toleransi menjadi tolok ukur keberhasilan model dalam memprediksi kebutuhan arus proteksi. Akurasi dihitung dengan menggunakan persamaan (18) dan (19) pada Tabel 4. 2. model pada setiap titik uji dalam mAsehingga menghasilkan Gambar 4. 7.
Dengan menggunakan toleransi sebesar 50% akurasi rata-rata meningkat jauh lebih baik. Dengan menggunakan persamaan (18) dan (19) pada setiap di setiap model didapatkan Gambar 4. 8 dan menunjukkan model dengan jumlah neuron 26, 27, 28 dan 29 tetap memiliki akurasi yang relatif baik dalam seluruh percobaan dibandingkan dengan model dengan jumlah neuron
Batas toleransi output Hasil simulasi diluar batas toleransi Hasil simulasi diluar
batas toleransi
yang lain. Jika dianalisa dari gambar, grafik akurasi semua model ini memiliki persamaan regresi
menunjukkan perkiraan bahwa akurasi model memungkinkan untuk ditingkatkan jika dilakukan penelitian lebih lanjut pada model dengan jumlah neuron diatas 30 hidden neuron.
Gambar 4. 7. Akurasi setiap model dilihat dari
53
5 6 7 8 9 101112131415161718192021222324252627282930
Ak
5 6 7 8 9 101112131415161718192021222324252627282930
Ak
Analisa hasil model dilanjutkan dengan membandingkan pada spesifik material yang digunakan. Dalam penelitian ini, dua material yang digunakan yaitu API 5L grade B dan AISI 1045. IV.2.1.1 Perbandingan Hasil
Tabel 4. 3 menunjukkan dan akurasi dari setiap model ditinjau dari nya pada spesimen dengan material AISI 1045 menggunakan toleransi 50%. Dari tabel ini kita dapat menarik hipotesa bahwa untuk hasil prediksi rata-rata, model dengan jumlah neuron 27, 28 dan 29 memiliki perform yang relatif baik dan stabil (memiliki akurasi yang relatif sama) dibanding model dengan jumlah neuron lainnya yang memiliki fluktuasi akurasi. Tabel 4. 5. Akurasi (mA) model pada material AISI 1045 dengan
0.089 0.08 0.05 0.03 0.07 0.08 0.05 0.05 0.08 0.08 0.07 0.08 0.08 0.10 0.026 0.02 0.01 0.01 0.02 0.02 0.02 0.01 0.02 0.03 0.03 0.02 0.03 0.03
% 80 80 30 100 90 60 70 80 100 90 90 80 90
Tabel 4. 4 menunjukkan dan akurasi dari setiap model ditinjau dari nya pada spesimen dengan material API 5L Grade B dengan menggunakan toleransi 50%. Dari tabel ini kita dapat menarik hasil bahwa untuk hasil prediksi rata-rata, model dengan jumlah neuron 26 hingga 28 memiliki perform yang relatif baik dan stabil (memiliki akurasi yang relatif sama) dibanding model dengan jumlah neuron lainnya yang memiliki fluktuasi akurasi.
0.072 0.06 0.06 0.06 0.06 0.06 0.07 0.07 0.06 0.06 0.06 0.07 0.07 0.06 0.021 0.05 0.06 0.34 0.26 0.30 0.17 0.21 0.23 0.19 0.14 0.19 0.37 0.48 0.125 0.11 0.11 0.11 0.11 0.12 0.11 0.12 0.10 0.12 0.12 0.12 0.11 0.10 0.019 0.03 0.04 0.05 0.05 0.04 0.04 0.05 0.05 0.04 0.03 0.04 0.05 0.06
% 80 80 67 73 67 73 73 73 80 80 73 73 73
Dengan menggunakan toleransi sebesar 50%, kita dapat melihat fluktuasi akurasi yang rendah namun tetap dalam batas akurasi yang tinggi. Dengan demikian model dengan akurasi terbaik pada API 5L Grade B ada pada model dengan jumlah neuron 14 hingga 19 yang memiliki akurasi diatas 80%.
IV.2.1.2 Perbandingan Performa Model
Untuk menganalisa performa model lebih jauh, persamaan (19) dan (20) diaplikasikan pada seluruh di setiap model yang digunakan. Dalam penelitian ini model yang digunakan memiliki variable jumlah hidden neuron yang masing-masing model dilakukan retrain sebanyak 10 kali dan pada setiap retrain
dilakukan simulasi. Setiap simulasi ini menghasilkan dan setiap digunakan sebagai populasi pada pengukuran akurasi dan mse
IV.2.1.2.1 Akurasi Pada Spesimen AISI 1045 Toleransi 50%
Gambar 4. 9. Akurasi dari seluruh simulasi yang dilakukan pada desain ICCP dengan pipa AISI 1045
Pada specimen dengan material AISI 1045, akurasi model ditunjukkan oleh Gambar 4. 9. Dibandingkan dengan rata-rata akurasi model pada Tabel 4. 5, model dengan jumlah neuron 14 hingga 19 yang memiliki rata-rata akurasi diatas 80% menurun jauh hingga 60%. Hal ini menunjukkan ketidak konsistenan performa model. Berbeda dengan jumlah neuron 26, 27, 28 dan 29 yang memiliki akurasi relative sama diatas 70% yang menunjukkan kekonsistenan performa. Untuk meningkatkan akurasi model, peningkatan jumlah neuron merupakan cara yang direkomendasikan dengan ditunjukkan oleh keberadaan garis
regresi yang memiliki fungsi yang
mengindikasikan kemungkinan peningkatan akurasi seiring
dengan peningkatan jumlah neuron. Hal ini karena fungsi regresi memiliki gradient (m) bernilai positif (0.0124).
IV.2.1.2.2 Akurasi Pada Spesimen API 5L Gr.B Toleransi 50%
Gambar 4. 10. Akurasi dari seluruh simulasi yang dilakukan pada desain ICCP dengan pipa API 5L Grade B
Pada specimen dengan material API 5L Grade B, akurasi model ditunjukkan oleh Gambar 4. 4. model dengan jumlah neuron 26, 27 dan 28 memiliki akurasi yang baik. Untuk dapat meningkatkan akurasi model, peningkatan jumlah neuron merupakan cara yang direkomendasikan dengan ditunjukkan oleh keberadaan garis regresi yang memiliki fungsi
yang mengindikasikan kemungkinan peningkatan akurasi seiring dengan peningkatan jumlah neuron. Hal ini karena fungsi regresi memiliki gradient (m) bernilai positif (0.0051).
IV.2.3. Kepresisian model
Kepresisian model dihitung dengan menerapkan persamaan (20) pada seluruh yang dihasilkan setiap model pada setiap simulasi pada seluruh material. Sehingga didapatkan mse
model diilustrasikan pada Gambar 4. 11.
Gambar 4. 11. mse dari seluruh hasil simulasi
Pada gambar ini dapat kita lihat untuk model dengan jumlah neuron 26 hingga 29 yang pada analisa sebelumnya memiliki akurasi baik, juga memiliki tingkat kepresisian yang juga baik dan stabil. Dilihat dari garis linearnya, peningkatan kepresisian dapat dilakukan dengan meningkatkan jumlah neuron karena garis regresi linear memiliki fungsi
yang mengindikasikan kemungkinan penurunan nilai mse yang mengindikasikan peningkatan kepresisian seiring dengan
peningkatan jumlah neuron. Hal ini karena fungsi regresi memiliki
gradient (m) bernilai negatif (-0.0003).
Selanjutnya kepresisian model dianalisa pada kondisi dimana model diterapkan hanya pada material tertentu. Kepresisian model dihitung dengan menerapkan persamaan (20) pada seluruh yang dihasilkan setiap model pada setiap simulasi di specimen yang berbeda. Dalam penelitian ini menggunakan specimen AISI 1045 dan API 5L grade B.
Gambar 4. 12. Kepresisian dari seluruh simulasi yang dilakukan pada desain ICCP dengan pipa AISI 1045
Gambar 4.7 menunjukkan kepresisian model yang mencapai mse . Sehingga untuk pipa berbahan AISI 1045 model dengan jumlah neuron 27, 28 dan 29 baik digunakan untuk melakukan simulasi. Sedangkan persamaan linear
menunjukkan adanya penurunan nilai mse
pada model dengan jumlah neuron lebih dari 30 yang mengindiasikan kemungkinan untuk meningkatkan performa model.
Gambar 4. 13. Kepresisian dari seluruh simulasi yang dilakukan pada desain ICCP dengan pipa API 5L Grade B
Gambar 4.7 menunjukkan kepresisian model yang mencapai mse . Sehingga untuk pipa berbahan API 5L Grade B model dengan jumlah neuron 25, 26 dan 27 baik digunakan untuk melakukan simulasi. Sedangkan perssamaan
linear menunjukkan adanya penurunan
BAB V
KESIMPULAN DAN SARAN
V.1. Kesimpulan
Dengan dilakukannya simulasi kebutuhan arus proteksi menggunakan artificial neural network, hasil terbaik didapatkan dari model dengan struktur:
1. Tipe : Supervised FeedForward Backpropagation
2. Algoritma : Levenberg-Marquardt Backpropagation
3. Jumlah Layer : 1 (Perceptron)- 1 (Hidden)- 1 (Output) 4. Jumlah Node : 11 - n - 1
5. Jumlah Hidden node (n) : 26, 27 atau 28
6. Akurasi Model :
V.2. Saran
Beberapa hal yang perlu dilakukan untuk meningkatkan performa model untuk memprediksi (mengoptimasi model) antara lain:
1. Meningkatkan range penelitian menjangkau jumlah neuron diatas 30 hidden neuron
DAFTAR PUSTAKA
Aleksander, I., & Morton, H. (1990). An introduction to neural
computing. London: Chapman & Hall.
Allan, G., Yang, R., Fotheringham, A., & Mather, R. (2001). Neural modelling of polypropylene fiber processing: predicting the structure and propertiess and identifying the control parameters for specified fiber. Journal of Materials
Science 36, 3113-3118.
Al-Masri, A. N., Ab Kadir, M. A., Hizam, H., & Mariun, N. (2015). Simulation of an adaptive artificial neural network for power system security enhancement including control action. Applied Soft Computing, 1-11.
Ardiansyah, F. P. (2014). Pengaruh pH Tanah dan Variasi Cacat Gores Lapis Lindung Terhadap Kebutuhan Arus Proteksi Sistem Impressed Current Cathodic Protection (ICCP)
pada Baja AISI 1045. Surabaya: Jurusan Teknik Material
dan Metalurgi ITS.
Bishop, C. M. (1995). Neural network for pattern recognition. Oxford: Oxford University Press.
corrosion rate and yield strength of magnesium-rare earth alloys. Corrosion Science 53, 168-176.
Demuth, H., & Beale, M. (2002).
Guide, for Use with MatLab® Ver.4. 3 Apple Hill Drive
Natick, MA 01760-2098: The MathWorks, Inc. .
Fausett, L. V. (1994). Fundamentals of neural networks (1st ed.). Englewood Cliffs, NJ: Prentice Hall.
Hafezi, R., Shahrabi, J., & Hadavandi, E. (2011). A bat-neural network multi-agent system (BNNMAS) for stock priceprediction: Case study of DAX stock price. Aplied
Soft Computing, 196-210.
Hardjowigeno, S. (1995). Ilmu Tanah. Jakarta: Akademi Pressindo.
Hardjowigeno, S. (1997). Klasifikasi Tanah. Yogyakarta: Gadjah Mada University Press.
Haykin, S. S. (1998). Neural Networks : a comprehensive
foundation (2nd ed.). Upper Saddle River, NJ: Prentice
Hall.
Kriesel, D. (2005). A Brief Introduction to Neural Networks. German: dkriesel.com.
López-Martín, C. (2015). Predictive accuracy comparison between neural networks and statistical regression for development effort of software projects. Applied Soft Computing, 434-449.
Mänttäri, J., & Larsson, J. (2011). Applications of Artificial Neural
Networks in Games. School of Innovation, Design and
Engineering. Västerås: Mälardalen University.
Pearlmutter, B. (1993). Fast Exact Multiplication by the Hessian. Princeton, New Jersey: Siemens Corporate Research. Pratama, T. L. (2014). Pengaruh variasi goresan lapis lindung dan
variasi pH tanah terhadap arus proteksi sistem Impressed Current Cathodic Protection (ICCP) pada pipa API 5L
grade B. Surabaya: Jurusan Teknik Material dan Metalurgi
ITS.
Roberge, P. R. (1999). Handbook of Corrosion Engineering. New York: McGraw-Hill.
Sobhania, J., & Ramezanianpour, A. A. (2011, July). Service life of the reinforced concrete bridge deck in corrosive environments. Aplied Soft Computing, 11(4), 3333-3346. Swingler, K. (1996). Aplying Neural Networks : a practical guide.
London: Academic Press.
Tretheway, K. R., & Chamberlain, J. (1988). CORROSION for
Students of Science and Enginering. UK Limited:
HASIL SIMULASI ( )*
LAMPIRAN
Perhitungan Toleransi 50%
Perhitungan kebutuhan arus untuk merubah potensial sebesar 1 mV menggunakan persamaan
(1) (2)
(3)
Dimana (1) digunakan untuk mencari tahanan listrik rangkaian dengan adalah resistivitas tanah yang menurut loke (2000) kondisi korosif (kondisi asam) memiliki sebesar 10 , kondisi korosif rendah (kondisi netral) memiliki sebesar 50 dan tidak korosif (kondisi basa) memiliki sebesar 100.
lv
BIOGRAFI PENULIS
Penulis bernama lengkap Rifqi Aulia Tanjung, dilahirkan di Samarinda pada tanggal 29 Maret 1994. Penulis merupakan anak pertama dari tiga bersaudara. Pendidikan formal yang pernah ditempuh oleh penulis yaitu lulus tingkat dasar di SD Patra Dharma 03 Balikpapan, tingkat menengah pertama di SMP Negeri 1 Balikpapan dan tingkat menengah atas di SMA Negeri 1 Balikpapan. Setelah lulus pada tingkat SMA, penulis melanjutkan pendidikan menuju ke perguruan tinggi di Jurusan Teknik Material dan Metalurgi FTI-ITS Surabaya pada tahun 2011 dan terdaftar dengan NRP 2711100071. Selama menjalani perkuliahan penulis aktif mengikuti kegiatan akademik dan organisasi. Untuk menunjang penulisan penelitian ini, penulis aktif dalam kegiatan laboratorium sebagai koordinator asisten laboratorium korosi dan kegagalan material. Dan pernah melakukan studi praktik di PT ISARGAS Gresik dengan tema studi proteksi katodik anoda korban. Hingga penulis dapat menyelesaikan tugas akhir dengan judul “Prediksi
Kebutuhan Arus Proteksi Pada Underground Impressed
Current Cathodic Protection (ICCP) Dengan Menggunakan
Artificial Neural Network”
lvi
