44
BAB 3 METODE PENELITIAN
3.1. Rancangan Penelitian
Adapun langkah-langkah yang dilakukan pada penelitian ini agar metode jaringan saraf tiruan backpropagation dapat diterapkan untuk memprediksi kerusakan
stator MI untuk 1 hari ke depan adalah sebagai berikut: 1.
Menentukan jangka waktu prediksi Jangka waktu prediksi pada penelitian ini hanya dibatasi hanya sampai 1 hari ke
depan karena berdasarkan analisis peneliti jika jangka waktu prediksi diperpanjang sampai beberapa hari ke depan dikhawatirkan akurasi prediksinya
tidak baik sehingga jika nantinya diterapkan kurang mempunyai arti sehingga peneliti memutuskan pada penelitian ini jangka waktu prediksi ditetapkan hanya
sampai 1 hari ke depan. 2.
Mengumpulkan data untuk pelatihan Data yang dibutuhkan untuk melakukan pelatihan diperoleh dari pengukuran
variabel-variabel MI arus dan temperatur dari 1 satu buah MI. Di mana nilai variabel-variabel motor induksi tersebut nantinya akan dikirim ke komputer
melalui port serial dan dilakukan penyimpanan nilai variabel MI setiap 1 jam. Dari hasil pengukuran yang telah dilakukan mulai motor induksi dalam kondisi
baik hingga rusak bahwasanya arus motor induksi berada pada nilai 0,68 – 0,93 ampere A seperti pada Gambar 3.1 sedangkan untuk temperatur berada pada
Universitas Sumatera Utara
nilai 30 – 110 C seperti terlihat pada Gambar 3.5.
Gambar 3. 1. Bentuk Pola Data Arus Motor Induksi Dari Kondisi Baik Hingga Rusak
Selanjutnya dilakukan klasifikasi kondisi motor induksi berdasarkan arus, di mana acuan yang digunakan untuk menyatakan kondisi motor induksi dalam kondisi
baik berdasarkan data spesifikasi yang terdapat pada name plate motor induksi tersebut yaitu arus nominal sebesar 0,76 A untuk kondisi sedang ketika motor induksi
dibebani hingga 108 dari arus nominal sedangkan kondisi buruk ketika motor induksi dibebani hingga 117 dari arus nominal. Besarnya persentase arus
berdasarkan data pengukuran yang diperoleh dengan pertimbangan penelitian [5], [8],[22] seperti yang ditunjukkan pada Tabel 3.1.
200 400
600 800
1000 1200
1400 1600
1800 0.65
0.7 0.75
0.8 0.85
0.9 0.95
1
Pola Data Arus
A
Jam
Universitas Sumatera Utara
Tabel 3. 1 Menunjukkan Besar Arus Terhadap Kondisi Motor Induksi
Besar arus Kondisi motor induksi
0,00 – 0,76 A 0,76 – 0,82 A
0,82 – 0,89 A Baik
Sedang Buruk
Bentuk pola arus motor induksi dalam kondisi baik, sedang dan buruk seperti pada Gambar 3.2, 3.3 dan 3.4.
Gambar 3. 2 Bentuk Pola Data Arus Motor Induksi Dalam Kondisi Baik
200 400
600 800
1000 1200
0.68 0.7
0.72 0.74
0.76 0.78
0.8 0.82
0.84 0.86
Pola Data Arus Motor Induksi Dalam Kondisi Baik
A
Jam
Universitas Sumatera Utara
Gambar 3. 3 Bentuk Pola Data Arus Motor Induksi Dalam Kondisi Sedang
Gambar 3. 4 Bentuk Pola Data Arus Motor Induksi Dalam Kondisi Buruk
50 100
150 200
250 300
350 400
0.74 0.75
0.76 0.77
0.78 0.79
0.8 0.81
0.82
Pola Data Arus Motor Induksi Dalam Kondisi Sedang
10 20
30 40
50 60
70 80
90 100
0.76 0.78
0.8 0.82
0.84 0.86
0.88
Pola Data Arus Motor Induksi Dalam Kondisi Buruk
A
A Jam
Jam
Universitas Sumatera Utara
Bentuk pola data temperatur motor induksi dari kondisi baik hingga rusak seperti Gambar 3.5.
Gambar 3. 5 Pola Data Temperatur Motor Induksi Dari Kondisi Baik Hingga Rusak Sedangkan klasifikasi kondisi motor induksi berdasarkan temperatur, di mana
acuan yang digunakan untuk menyatakan kondisi motor induksi dalam kondisi baik berdasarkan data spesifikasi yang terdapat pada name plate motor induksi tersebut
tetapi karena pada jenis motor induksi yang digunakan pada penelitian ini tidak mencantumkan batas temperatur kerja maka acuan yang digunakan dengan melihat
name plate pada motor induksi yang lain. Sedangkan klasifikasi untuk kondisi
200 400
600 800
1000 1200
1400 1600
1800 30
40 50
60 70
80 90
100 110
Pola Data Temperatur Motor Induksi Dari Kondisi Baik Hingga Rusak C
Jam
Universitas Sumatera Utara
sedang dan buruk berdasarkan data pengukuran yang diperoleh dengan pertimbangan penelitian [22] seperti yang ditunjukkan pada Tabel 3.2.
Tabel 3. 2 Menunjukkan Nilai Temperatur Terhadap Kondisi Motor Induksi
Nilai temperatur Kondisi motor induksi
0 – 60 C
61 – 80 C
81 – 94 C
Baik Sedang
Buruk
Jadi karena pada penelitian ini menggunakan 2 variabel, maka keputusan akhir untuk menyatakan kondisi dari motor induksi dengan menggunakan kombinasi kedua
variabel arus dan temperatur berdasarkan data pengukuran yang diperoleh dan analisis peneliti seperti pada Tabel 3.3.
Tabel 3. 3 Kombinasi Nilai Arus Dan Temperatur Terhadap Kondisi Motor Induksi Variabel
Kondisi motor induksi Arus
Temperatur Buruk
Buruk Buruk
Sedang Sedang
Sedang
Baik Baik
Baik Buruk
Sedang Baik
Buruk Sedang
Baik Buruk
Sedang Baik
Rusak Buruk
Buruk Buruk
Sedang Sedang
Sedang
Baik Baik
Universitas Sumatera Utara
3. Menormalisasi data input.
Data hasil pengukuran yang nilainya tidak sesuai dengan output fungsi aktivasi yang digunakan yaitu 0 sampai 1 dilakukan proses normalisasi. Normalisasi ini
bertujuan untuk menghindari agar nilai turunan dari fungsi aktivasinya tidak jatuh pada nilai yang sangat kecil. Karena hal ini dapat menyebabkan lambatnya
proses pelatihan. Pada penelitian ini normalisasi data dilakukan dengan menggunakan Persamaan 3.1 [27]:
………………………….…3.1
N
i
= data ke – i yang telah dinormalisasi X
i
= data ke – i yang akan dinormalisasi X
min
= nilai terendah dari data pengukuran. X
max
= nilai tertinggi dari data pengukuran.
Data hasil pengukuran yang dinormalisasi pada penelitian ini hanya data temperatur karena nilai sebenarnya dari temperatur yang terukur berada di antara
30 – 110
o
C sehingga tidak sesuai dengan keluaran fungsi aktivasi yang digunakan yaitu sigmoid biner yang bernilai antara 0 – 1. Bentuk pola data
temperatur motor induksi dari mulai kondisi baik hingga buruk yang telah dilakukan proses normalisasi seperti pada Gambar 3.6.
Universitas Sumatera Utara
Gambar 3. 6 Pola Data Temperatur Yang Telah Dilakukan Proses Normalisasi Sedangkan untuk pola data motor induksi dalam keadaan baik, sedang dan buruk
yang telah dinormalisasi seperti pada Gambar 3.7, 3.8 dan 3.9.
Gambar 3. 7 Pola Data Temperatur Motor Induksi Dalam Kondisi Baik
200 400
600 800
1000 1200
1400 1600
1800 0.1
0.2 0.3
0.4 0.5
0.6 0.7
0.8 0.9
1
Pola Data Temperatur Motor Induksi Yang Telah Dinormalisasi
100 200
300 400
500 600
700 0.05
0.1 0.15
0.2 0.25
0.3 0.35
0.4 0.45
Pola Data Temperatur Motor Induksi Dalam Keadaan Baik
30 54
46 38
70 62
86 78
102 94
110
C
Jam
Jam
30 34
38 66
62 58
54 50
46 42
C
Universitas Sumatera Utara
Gambar 3. 8 Pola Data Temperatur Motor Induksi Dalam Kondisi Sedang
Gambar 3. 9 Pola Data Temperatur Motor Induksi Dalam Kondisi Buruk
50 100
150 200
250 300
350 0.35
0.4 0.45
0.5 0.55
0.6 0.65
0.7
Pola Data Temperatur Motor Induksi Dalam Keadaan Sedang
100 200
300 400
500 600
0.62 0.64
0.66 0.68
0.7 0.72
0.74 0.76
0.78 0.8
Pola Data Temperatur Motor Induksi Dalam Keadaan Buruk
Jam
Jam
62 58
70 66
78 74
86 82
C
94
C
92.4 90.8
89.2 87.6
86 84.4
82.8 81.2
79.6 30
Universitas Sumatera Utara
4. Merancang struktur jaringan saraf tiruan backpropagation
Adapun langkah-langkah yang akan dilakukan dalam merancang struktur jaringan saraf tiruan backpropagation meliputi [26]:
a. Menentukan struktur time delay data sebelumnya jaringan saraf tiruan Data yang telah dinormalisasi kemudian dibentuk menjadi model DIO data
input output . Contoh bentuk data DIO dengan 5 input dan 1 output [28]:
D
1
D
2
D
3
D
4
D
5
O
6S
D
2
D
3
D
4
D
5
D
6
O
7S
DIO = … … … …. …. …
D
P-5
D
P-4
D
P-3
D
P-2
D
P-1
O
PS
D
1
, D
2
, D
3
, D
4
, D
5
, D
p
pada model DIO di atas merupakan data harian. Sedangkan
O
6S
adalah output hari ke-6 untuk kondisi stator. Untuk 1 set data harian yang merepsentasikan hari D berisi data sebanyak : 24 jam
2 arus dan temperatur = 48 data, yang ditunjukkan sebagai berikut [28]: X
1
X
2
X
3
D = X
4
. .
. X
48
Universitas Sumatera Utara
Metode yang digunakan untuk mencari time delay yang optimal pada penelitian ini dengan menggunakan metoda trial and error. Dari ke-4 time
delay yang telah diuji akan dipilih 1 time delay yang paling cepat mengenali
pola input yaitu memiliki MSE terkecil dan pada akhir tahap ini akan ditetapkan struktur jaringan saraf tiruan awalnya yaitu berapa jumlah node
pada input layer, jumlah node hidden layer serta output layer. Adapun bentuk jaringan saraf tiruan dengan time delay 2, 3, 4 dan 5 yang telah diuji
pada penelitian ini seperti pada Gambar 3.10, 3.11, 3.12 dan 3.13 di mana n adalah jumlah node hidden layer yang diuji.
Gambar 3. 10 Bentuk Jaringan Saraf Tiruan Dengan 96 Input Time Delay 2 Hari
Universitas Sumatera Utara
Gambar 3. 11 Bentuk Jaringan Saraf Tiruan Dengan 144 Input Time Delay 3 Hari
Gambar 3. 12 Bentuk Jaringan Saraf Tiruan Dengan 192 Input Time Delay 4 Hari
Universitas Sumatera Utara
Gambar 3. 13 Bentuk Jaringan Saraf Tiruan Dengan 240 Input Time Delay 5 Hari b. Menentukan jumlah hidden layer
Metoda yang digunakan untuk mencari jumlah hidden layer yang optimal dengan menggunakan metoda trial and error. Di mana acuan optimal di sini
memiliki MSE pelatihan terkecil dari jumlah hidden layer yang diuji. Bentuk dari jaringan saraf tiruan dengan beberapa jumlah hidden layer
seperti pada Gambar 3.14, di mana n adalah jumlah hidden layer yang diuji.
Universitas Sumatera Utara
Gambar 3. 14 Bentuk Jaringan Saraf Tiruan Untuk Mencari Jumlah Hidden Layer c. Menentukan jumlah node hidden layer
Metoda yang digunakan untuk mencari jumlah node hidden layer yang optimal dengan menggunakan metoda trial and error. Di mana acuan
optimal di sini memiliki MSE pelatihan terkecil dari jumlah node hidden layer
yang diuji. Bentuk dari jaringan saraf tiruan dengan beberapa jumlah hidden layer
dengan jumlah nodenya seperti pada Gambar 3.15.
Universitas Sumatera Utara
Gambar 3. 15 Bentuk Jaringan Saraf Tiruan Mencari Jumlah Node Hidden Layer d. Menentukan jumlah node output layer
Jumlah node
output layer langsung ditentukan yaitu 1 buah. Di mana nilai node
output ini dapat berkisar antara 0 sampai 1. Oleh karena itu di dalam penelitian ini nilai node output diklasifikasikan menggunakan algoritma
nearest neighbor 1-NN yaitu suatu metode klasifikasi suatu data baru hasil
pengujian berdasarkan keberdekatan dengan data pelatihan [8],[29]. Pada penelitian ini nilai node output dibagi menjadi 3 tiga kondisi berdasarkan
penelitian sebelumnya [8] yaitu jika keluaran node output berada di sekitar 0,9 nilai ini menyatakan bahwasanya kondisi motor induksi untuk 1 hari ke
depan dalam keadaan baik. Jika keluaran node output berada di sekitar 0,5 untuk menyatakan kondisi motor induksi untuk 1 hari ke depan dalam
Universitas Sumatera Utara
keadaan sedang. Dan jika keluaran node output berada di sekitar 0,1 untuk menyatakan kondisi motor induksi untuk 1 hari ke depan dalam keadaan
buruk. e. Menentukan nilai learning rate
Setelah diperoleh jumlah time delay, hidden layer, node hidden layer maka langkah selanjutnya melakukan pencarian pada nilai learning rate. Adapun
langkah-langkah untuk mencari nilai konstanta learning rate yang optimal yaitu dengan cara mengubah-ubah nilai learning rate awal dengan
memperhatikan MSE mean square error hasil pelatihan, kecepatan jaringan, hasil pengujian data pelatihan dan testing.
f. Menentukan nilai momentum Langkah-langkah yang dilakukan untuk mencari nilai konstanta momentum
yang optimal seperti langkah-langkah yang dilakukan dalam mencari nilai learning rate
yang optimal. g. Menentukan bobot awal
Bobot awal sangat mempengaruhi kecepatan jaringan dalam mencapai titik minimum lokal dan global. Berdasarkan literatur [23],[24] dan beberapa
pengujian yang telah dilakukan peneliti dalam penggunaan inisialisasi bobot awal baik dengan cara random dan Nguyen-Windrow dapat disimpulkan
bahwasanya inisialisasi bobot awal dengan Nguyen-Windrow lebih cepat dibandingkan secara random. Oleh karena itu pada penelitian ini peneliti
memilih inisialisasi bobot awal menggunakan Nguyen-Windrow.
Universitas Sumatera Utara
5. Melakukan pelatihan
Agar jaringan saraf tiruan dapat mengenali pola input perubahan variabel- variabel MI arus dan temperatur maka harus dilakukan proses pelatihan
sehingga JST mampu menghasilkan output yang benar. Melalui pelatihan ini akan didapat bobot jaringan yang optimal untuk semua pola input. Pada
penelitian ini 83 pola yang diperoleh dari hasil pengukuran nantinya akan digunakan untuk proses pelatihan. Hal ini dilakukan karena tingkat akurasi
prediksi yang diharapkan 85 sehingga jumlah pola pelatihan yang digunakan harus dapat mewakili semua pola data [30] sehingga diharapkan JST dapat
mengenali pola dari input dengan benar dan sisanya 17 akan digunakan untuk proses pengujian. Jika persentase pola pelatihan di bawah 83 untuk jenis pola
pelatihan yang digunakan pada penelitian ini dikhawatirkan JST tidak mampu mengenali pola input dengan benar sehingga akurasi prediksi yang diharapkan
tidak tercapai. 6.
Menguji hasil pelatihan dan pembahasan Setelah diperoleh parameter struktur jaringan saraf tiruan yang optimal seperti
jumlah time delay, hidden layer, node hidden layer, nilai konstanta learning rate dan momentum. Jaringan saraf tiruan yang optimal selanjutnya diuji dengan
menggunakan 2 jenis pola yaitu 83 pola yang pernah dimasukkan ke jaringan dan dengan 17 pola yang belum pernah dimasukkan ke dalam jaringan. Untuk
mengetahui apakah jaringan saraf tiruan telah layak atau tidak untuk digunakan dapat dilihat dari hasil prediksinya. Di mana indeks yang digunakan pada
Universitas Sumatera Utara
penelitian ini adalah PE percentage error. Di mana perhitungan persentase pengujian dapat dihitung dengan menggunakan Persamaan 3.2 [31]:
………….3.2 7.
Menarik kesimpulan dan saran Menyimpulkan hasil penelitian yang dilakukan sekaligus memberi saran dan
masukan untuk pengembangan pada masa mendatang.
3.2. Variabel yang Diamati
Kategori