Desain Sistem Rancang Bangun Sistem .1 Definisi SINKUAL-BIODIESEL

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: ƒ 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. ƒ 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 ƒ 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 ƒ 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: ƒ Sub-proses pemeriksaan kandungan senyawa pengotor KSP terdiri atas atribut kadar asam lemak bebas, kandungan air dan sedimen dan warna minyak. ƒ 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: ƒ 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. ƒ Sub-Proses pemeriksaan titik kritis transesterifikasi TKT yang terdiri atas atribut suhu dan lama waktu proses transesterifikasi dilakukan. ƒ Sub-Proses pemeriksaan titik kritis separasi TKS yang terdiri atas atribut suhu dan lama waktu proses separasi dilakukan. ƒ 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: ƒ Sub-proses pemeriksaan kualitas pengemasan yang terdiri atas atribut tingkat keamanan kontener, kebersihan wadah, kekuatan wadah, kedap udara, tidak tembus cahaya, bahan wadah. ƒ 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: ƒ 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. ƒ Fungsi aktivasi yang digunakan pada penelitian ini adalah sigmoid bipolar tansig, sigmoid biner logsig dan linear. ƒ Level jaringan yang dipakai adalah jaringan syaraf multilayer yang terdiri atas layer input, layer tersembunyi hidden dan layer output. ƒ 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. ƒ 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. ƒ 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: ƒ Keragaman dasar dari karakteristik mutu ƒ Kekonsistenan penampilan performance ƒ 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: ƒ Data dikatakan baik jika berada di dalam batas kendali atas BKA dan batas kendali bawah BKB. ƒ Data dikatakan buruk 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 penilaian kualitas biodiesel SINKUAL-BIODIESEL disajikan pada Gambar 6.7 dengan menggunakan jaringan syaraf tiruan untuk memprediksi nilai keragaman proses. Hasil prediksi ini dapat dimunculkan performasi dalam beberapa tampilan, yaitu: ƒ Error, data hasil pengujian yang ditampilkan adalah nilai error dan jumlah epoh yang dilakukan. ƒ Training regresi, data hasil pengujian yang ditampilkan adalah nilai error, jumlah epoh, nilai korelasi dan persamaan regresi. ƒ Testing regresi, data hasil pengujian yang ditampilkan adalah nilai error, jumlah epoh, nilai korelasi dan persamaan regresi. ƒ 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