1
BAB I
PENDAHULUAN
Pada bab 1 ini akan dijelaskan mengenai latar belakang, perumusan masalah, tujuan penelitian, manfaat penelitian dan kerangka penelitian terkait
“Simulasi Pengaruh Unsur In, Cd, Si, Fe, dan Cu Terhadap Kapasitas Anoda Korban Berbasis Aluminium Menggunakan Artificial Neural Network”.
1.1 Latar Belakang
Korosi didefinisikan sebagai kecendrungan dari suatu material untuk kembali ke wujud aslinya (NASA Corrosion Control and Treatment). Oleh sebab itu, proses terkorosinya material logam oleh lingkungannya merupakan proses yang spontan serta tidak dapat dihentikan. Namun, korosi dapat dikendalikan sehingga struktur serta komponen material logam memiliki rentang waktu pemakaian yang lebih lama. Salah satu tipe pengendalian serangan korosi adalah prinsip proteksi katodik, salah satunya adalah sacrificial anode cathodic protection (SACP).
Menurut Hermawan (2019) SACP menggunakan logam reaktif sebagai anoda luar yang dihubungkan secara elektrik ke daerah baja yang dilindungi. Perbedaan potensial yang terjadi antara anoda dan baja, menyebabkan arus positif mengalir dari anoda ke baja. Akibatnya semua permukaan baja menjadi bermuatan lebih negatif dan menjadi katoda. Macam-macam material anoda yang digunakan sebagai SACP diantaranya yaitu anoda aluminium, anoda magnesium, dan anoda seng. Tipe anoda korban yang cocok untuk dipakai di lingkungan air laut yaitu salah satunya anoda korban berbasis paduan aluminium dan anoda seng. Menurut Bessone (2004) keunggulan dari anoda korban berbasis paduan aluminium dibandingkan dengan anoda seng yaitu efisiensi perlindungan yang diberikan lebih dari 90%, dan memberikan proteksi terhadap fenomena korosi seragam. Lalu menurut Gudic (2010) keunggulan lainnya dari anoda korban berbasis paduan aluminium yaitu ekuivalen elektrokimia besar, densitas rendah, tidak boros konsumsi, dan menghasilkan keluaran arus yang baik. Kemudian hal ini didukung dengan
2 banyaknya keuntungan penggunaan proteksi katodik anoda korban lainnya yaitu tidak mengeluarkan tambahan biaya untuk perlengkapan alat listrik, pengawasan yang cukup mudah sehingga tidak diperlukan seseorang yang benar-benar pakar, arus listrik tidak mengalir pada arah yang salah sehingga perlindungan terhadap struktur logam dapat lebih optimal, serta pemasangan anoda korban pada bagian struktur logam sangat sederhana (Fitri, 2014). Oleh sebab itu, pengaplikasian perlindungan katodik anoda korban banyak di gunakan pada industri maritim, khususnya di bagian lambung kapal, dermaga pantai, platform lepas pantai, dan saluran perpipaan lepas pantai.
Salah satu rekomendasi yang digunakan sebagai parameter penggunaan proteksi katodik anoda korban berbasis aluminium yaitu mengacu pada standar DNVGL-RP-B401 Cathodic protection design tahun 2017 mengenai rekomendasi terhadap komposisi unsur material anoda berbasis aluminium dan performa efisiensi kapasitas anoda pada anoda korban berbasis aluminium. Akan tetapi proses pembuatan material anoda korban secara komersial menggunakan metode pasir cetak, untuk itu selama proses pembuatan material anoda korban akan sulit untuk di kontrol proses pembentukan dari masing-masing komposisi unsur yang terbentuk selama proses peleburan hingga menjadi produk jadi berupa material anoda korban yang sesuai dengan standar rekomendasi DNVGL-RP-B401.
Menurut Tsai (1996) kinerja dari anoda aluminium sangat dipengaruhi oleh jenis dan konsentrasi dari masing-masing elemen paduan. Bahkan komposisi kecil seperti unsur indium 0.05% dalam paduan Al-Zn-In sangat mempengaruhi baik atau kurang dari performa anoda korban aluminium. Berdasarkan penelitian yang dilakukan oleh (Sina dkk, 2006) dan (Saeri dkk, 2009), telah melakukan kombinasi unsur paduan aluminium anoda korban serta menguji masing-masing kombinasi dengan uji kapasitas elektrokimia disetiap material paduan yang telah dikombinasi.
Namun, pada dasarnya yang menjadi permasalahan dari setiap eksperimen yaitu dalam mengkontrol dan menentukan persentase komposisi kimia pada masing- masing unsur paduan anoda korban agar sesuai dengan hasil yang diharapkan yaitu material anoda korban yang sesuai dengan standar rekomendasi dan memiliki efisiensi waktu pakai proteksi yang lebih lama. Oleh karena itu diperlukan sebuah alat bantu berupa sistem komputasi untuk dapat mengkontrol komposisi unsur pada
3 material anoda korban aluminium, sehingga didapatkan hasil material anoda korban yang sesuai dengan standar rekomendasi DNVGL-RP-B401 dan memiliki waktu pakai yang lebih optimal.
Salah satu sistem komputasi yang digunakan adalah Artificial Intelligence atau lebih dikenal kecerdasan buatan (AI) dengan metode Artificial Neural Network (ANN). Menurut Haykin (2008), Artificial Neural Network (ANN) merupakan metode AI yang prinsipnya meniru kinerja jaringan syaraf pada otak manusia untuk dapat melakukan pengklasifikasian, optimasi dan prediksi dari pola data yang diberikan. Dengan data input yaitu komposisi unsur paduan aluminium anoda berdasarkan standar rekomendasi DNVGL-RP-B401. ANN memiliki struktur topologi yang sama, dengan interaksi antar neuron dalam jaringan yang didasarkan pada prinsip-prinsip ilmu saraf. Sehingga ANN dapat mempelajari sifat statis dan dinamis secara mandiri berdasarkan kondisi dan pola dari kumpulan data. Model ANN menggunakan algoritma Levenberg Marquardt Backpropagation melakukan fungsi pelatihan yang cepat dan efisien serta akan berhenti stimulasi ketika didapatkan hasil yang optimal (Demuth, 2009). Dengan mekanisme ketika struktur jaringan diberikan pola data sebagai pola pelatihan maka pola tersebut akan menuju ke neuron lapisan tersembunyi pada jaringan ANN, kemudian diteruskan menuju neuron lapisan output. Sehingga neuron pada lapisan output akan memberikan respon terhadap hasil pelatihan. Namun saat hasil pelatihan tidak sama dengan hasil yang diharapkan maka output akan memberikan respon kembali mundur pada lapisan tersembunyi lalu diteruskan ke neuron pada lapisan input hal ini dilakukan sebagai koreksi pada error yang dihasilkan agar dapat diperkecil dan memberikan hasil yang lebih optimal (Agustin, 2012). Dengan berfokus untuk mendapatkan output berupa nilai kapasitas anoda yang sesuai dengan standar dan memiliki waktu pakai yang lebih optimal. Oleh karenanya metode ANN ini memerlukan banyak pelatihan dari pola data input untuk mengerjakan tugasnya. Banyak penelitian yang berkaitan dengan konsep ANN antara lain yaitu Oluwole O. dan Idusuyi N. (2012) Artificial Neural Network Modeling for Al-Zn-Sn Sacrificial Anode protection of Low Carbon Steel in Saline Media dengan tujuan merancang pemodelan ANN sebagai proteksi katodik anoda korban pada material baja karbon rendah menggunakan anoda paduan Al-Zn-Sn. Kemudian Tanjung, Rifqi A. (2016) dalam
4 Memprediksi Kebutuhan Arus Proteksi Pada Underground Impressed Current Cathodic Protection (ICCP) menggunakan metode (ANN). Menurut Kim (2003) metode ANN ini dapat menggunakan data hasil eksperimen penelitian tanpa harus membuat nilai perhitungan atau asumsi dan juga metode ini dapat membantu memilih parameter proses yang optimal untuk kondisi yang berbeda atau sesuai dengan aplikasinya.
Dengan merancang model Artificial Neural Network (ANN) ini bisa sebagai pengembangan sistem komputasi pada bidang keilmuan serta diharapkan sebagai solusi alat bantu untuk dapat memprediksi nilai kapasitas elektrokimia dari pengaruh unsur paduan aluminium dengan ketentuan parameter komposisi kimia unsur paduan aluminium, sehingga membuat eksperimen dapat dilakukan dengan maksimal kedepannya. Dengan berfokus pada tingkat akurasi dari rancangan model struktur artificial neural network (ANN) terhadap nilai kapasitas elektrokimia paduan aluminium.
1.2 Rumusan Masalah
Berdasarkan latar belakang yang telah diuraikan, sehingga permasalahan yang akan dikaji dalam penelitian ini yaitu sebagai berikut.
1. Bagaimana model Artificial Neural Network (ANN) dengan tipe supervised feed-forward backpropagation dengan algoritma levenberg marquardt dapat memprediksi kapasitas elektrokimia anoda korban berbasis aluminium berdasarkan unsur paduannya?
2. Bagaimana pegaruh unsur paduan Indium (In), Cadmium (Cd), Silicon (Si), Iron (Fe), dan Copper (Cu) terhadap kapasitas elektrokimia anoda korban berbasis aluminium berdasarkan simulasi menggunakan model ANN yang telah dibuat?
1.3 Tujuan Penelitian
Berdasarkan perumusan masalah yang telah diuraikan, sehingga tujuan penelitian yang diperoleh yaitu sebagai berikut.
1. Mengetahui model Artificial Neural Network (ANN) dengan tipe supervised feed-forward backpropagation dengan algoritma levenberg marquardt
5 untuk dapat memprediksi kapasitas elektrokimia anoda korban berbasis aluminium berdasarkan unsur paduannya.
2. Mengetahui pengaruh unsur paduan Indium (In), Cadmium (Cd), Silicon (Si), Iron (Fe), dan Copper (Cu) terhadap kapasitas elektrokimia anoda korban berbasis aluminium berdasarkan simulasi menggunakan model ANN yang telah dibuat.
1.4 Manfaat Penelitian
Manfaat yang diharapkan pada penelitian ini yaitu sebagai berikut.
1. Rancangan model artificial neural network (ANN) dapat digunakan untuk memprediksi nilai kapasitas elektrokimia anoda korban.
2. Dapat mengetahui unsur yang paling berpengaruh terhadap nilai kapasitas elektrokimia anoda korban aluminum alloy.
3. Dapat menjadi rekomendasi untuk pemilihan komposisi paduan unsur material anoda korban aluminum alloy.
4. Dapat menjadi pengembangan sistem komputasi dalam teknologi pengendalian korosi.
5. Dapat menjadi sumber referensi untuk penelitian lebih lanjut.
1.5 Batasan Masalah Penelitian
Batasan masalah pada penelitian ini yaitu sebagai berikut.
1. Tidak ada ketentuan pada training parameter 2. Bahasa pemrograman software MATLAB R2018a 3. Jumlah layer pada hidden layer sebanyak satu layer
4. Input sebanyak 8 buah berupa %wt Al, Zn, In, Cd, Si, Fe, Cu dan Others 5. Output sebanyak 1 buah berupa kapasitas anoda (Ah/kg)
6. Pengaruh kapasitas anoda selain komposisi unsur paduan di abaikan 7. Pengumpulan sumber database sekunder jurnal internasional dan nasional 8. Tipe Jaringan ANN yang digunakan yaitu Supervised Feed-Forward
Backpropagation
9. Algoritma ANN yang digunakan yaitu Levenberg Marquardt Backpropagation.
6
1.6 Kerangka Penelitian
Adapun kerangka pada penelitian tugas akhir ini yaitu sebagai berikut.
Peralatan Metode
Simulasi Variasi Unsur 0-200%
Variabel Simulasi
“
Simulasi Pengaruh Unsur, In, Cd, Si, Fe, dan Cu Terhadap Kapasitas Anoda Korban Berbasis Aluminium Menggunakan Artificial Neural Network”
Neural Network Device Laptop
Software
MATLAB R2018a
Unsur Paduan Aluminium Jumlah
Neuron NN Simulasi
Pelatihan Simulasi Validasi Supervised Feed-Forward Backpropagation
