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
Kriteria error = MSE mean square error
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 terkecil
9,989e-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 terkecil
0,1402070 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
Minimum error 0,0001 1E-004
106
6.2.4 Proses Penilaian SINKUAL-BIODIESEL