Prediksi Kualitas dengan Jaringan Syaraf Tiruan

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: ƒ Arsitektur jaringan adalah [5 5 1], yakni : 5 neuron pada layer input, 5 neuron pada layer hidden dan 1 neuron pada layer output. ƒ Fungsi aktivasi yang digunakan adalah fungsi sigmoid bipolar tansig, fungsi sigmoid biner logsig dan fungsi linear purelin. ƒ Kriteria error yang digunakan adalah MSE mean square error. ƒ 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 : ƒ Lapisan input = 5 layer ƒ Lapisan output = 1 layer ƒ Laju pembelajaran = 0,005 ƒ Momentum = 0,9 ƒ Maksimum epoh = 1000 epoh ƒ Fungsi transfer = Tansig ƒ 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: ƒ Arsitektur jaringan = 5 input, 5 hidden, dan 1 output ƒ Laju pembelajaran = 0,005 ƒ Momentum = 0,9 ƒ Maksimum epoh = 1000 epoh ƒ Fungsi transfer = Tansig ƒ Minimum error = 0,0001 ƒ 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 ƒ Arsitektur jaringan = 5 input, 5 hidden, dan 1 output ƒ Maksimum epoh = 1000 epoh ƒ Fungsi transfer = Tansig ƒ Minimum error = 0,0001 ƒ 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