Analisis Sudut Datang Radiasi Matahari dan Pengembangan Model Pindah Panas pada Greenhouse Menggunakan Artificial Neural Network

ANALISIS SUDUT DATANG RADIASI MATAHARI DAN

PENGEMBANGAN MODEL PINDAH PANAS PADAGREENHOUSE

MENGGUNAKANARTIFICIAL NEURAL NETWORK

SKRIPSI Oleh:

TITIN NURYAWATI F14102048

2006

DEPARTEMEN TEKNIK PERTANIAN FAKULTAS TEKNOLOGI PERTANIAN

ANALISIS SUDUT DATANG RADIASI MATAHARI DAN

PENGEMBANGAN MODEL PINDAH PANAS PADAGREENHOUSE

MENGGUNAKANARTIFICIAL NEURAL NETWORK

SKRIPSI

Sebagai salah satu syarat untuk memperoleh gelar

SARJANA TEKNOLOGI PERTANIAN

Pada Departemen Teknik Pertanian Fakultas Teknologi Pertanian

Institut Pertanian Bogor

Oleh:

TITIN NURYAWATI F 14102048

2006

DEPARTEMEN TEKNIK PERTANIAN FAKULTAS TEKNOLOGI PERTANIAN

INSTITUT PERTANIAN BOGOR FAKULTAS TEKNOLOGI PERTANIAN

SKRIPSI

Sebagai salah satu syarat untuk memperoleh gelar

SARJANA TEKNOLOGI PERTANIAN

Pada Departemen Teknik Pertanian Fakultas Teknologi Pertanian

Institut Pertanian Bogor

Oleh:

TITIN NURYAWATI F 14102048

Dilahirkan di Boyolali Pada tanggal: 26 April 1984 Tanggal lulus:

Menyetujui,

Bogor, Oktober 2006

Dr. Ir. Herry Suhardiyanto, MSc. Dosen Pembimbing

Dr. Ir. Wawan Hermawan, MS. Ketua Departemen Teknik Pertanian

KATA PENGANTAR

Alhamdulillah dan puji syukur, penulis panjatkan kepada ALLAH SWT karena hanya dengan lindungan, rahmat dan karuniaNya-lah penulis dapat menyelesaikan penulisan skripsi ini.

Skripsi ini berjudul “Analisis Sudut Datang Radiasi Matahari dan Pengembangan Model Pindah Panas pada Greenhouse Menggunakan Artificial Neural Network”. Skripsi ini berisi tentang analisis sudut datang radiasi matahari terhadap permukaan penutup greenhouse, pengembangan model pindah panas pada greenhouse, simulasi pendugaan temperatur dalam greenhouse dengan mempertimbangkan sudut datang radiasi matahari menggunakan program Q-BASIC dan pendugaan temperatur dalam greenhouse menggunakan Artificial Neural Network(ANN).

Penulisan skripsi ini tidak akan selesai tanpa bantuan orang-orang yang berharga yang berada di sekitar penulis. Penulis megucapkan terima kasih yang sebesar-besarnya kepada:

1. Bapak Dr. Ir. Herry Suhardiyanto, MSc. Selaku dosen pembimbing pertama penulis. Terima kasih atas bimbingan, arahan dan perhatiannya. 2. Bapak Chusnul Arif, STP. Selaku dosen pembimbing kedua penulis. 3. Bapak Dr. Ir. Suroso, M.Agr. dan Bapak Yudi Chadirin, STP, M.Agr.

selaku dosen penguji skripsi penulis.

4. Bapak, Ibu, kakak-kakak dan semua keluarga di rumah yang telah memberikan kasih sayang, dukungan dan doanya kepada penulis.

5. Bagdo D. Nugroho dan keluarga di Jakarta yang telah memberikan dukungan, bantuan dan doanya kepada penulis.

6. Pak Dwi, Pak Makrus, Pak Taufik, Pak Ahmad, Pak Harto, Pak Mamat, dan Pak Koko atas bantuannya selama pelaksanaan penelitian.

7. Hani dan keluarga atas bantuan dan doanya selama penyelesaian skripsi ini.

ii 8. Sofyan, Hanhan, Irfan, Muthia, Tina, Sumini, Upi, Nety, Fuad, Reza, Ima, Gilang, Wisma Palladium, AE 39 dan semua pihak yang telah membantu terselesaikannya skripsi ini.

Penulis menyadari bahwa penulisan skripsi ini masih banyak kekurangan, namun penulis berharap semoga skripsi ini bermanfaat bagi yang membutuhkan.

Bogor, Agustus 2006 Penulis

iii

DAFTAR ISI

Halaman

KATA PENGANTAR...i

DAFTAR ISI...iii

DAFTAR GAMBAR...v

DAFTAR TABEL...vii

DAFTAR LAMPIRAN...viii

DAFTAR SIMBOL...ix

I. PENDAHULUAN...1

A. Latar Belakang ...1

B. Tujuan... ...2

II. TINJAUAN PUSTAKA...3

A. Greenhouse...3

B. Temperatur dalamGreenhouse...3

C. Radiasi Matahari ...4

D. Pindah Panas dalamGreenhouse...5

E. SimulasiGreenhouse...6

F. Artificial Neural Network(ANN) ...7

III. PENDEKATAN TEORITIS...12

A. Sudut Datang Radiasi Matahari...12

B. Model Pindah Panas padaGreenhouse...14

IV. METODOLOGI PENELITIAN...20

A. Waktu dan Tempat ...20

B. Bahan dan Alat ...20

C. Metode Penelitian...21

1.Analisis Sudut Datang Radiasi Matahari ...21

2.Penentuan Model Pindah Panas dalamGreenhouse...21

3. Pengambilan Data di Lapang ...21

4. Pembuatan Program ...22

5. Validasi Program...22

iv Halaman

V. HASIL DAN PEMBAHASAN... ...28

A. Sudut Datang Radiasi Matahari pada PenutupGreenhouse ...28

B. Model Simulasi Pindah Panas padaGreenhouse...30

C. Validasi Model Simulasi Pindah Panas ...36

D. Pengembangan ModelArtificial Neural Network(ANN) ...37

E. Validasi ModelArtificial Neural Network(ANN) ...38

VI. KESIMPULAN DAN SARAN...40

A. Kesimpulan ...40

B. Saran...40

DAFTAR PUSTAKA...42

v

DAFTAR GAMBAR

Halaman Gambar 1. Hubungan sudut zenith matahari (z), sudut jam matahari () dan

altitude matahari (α) dengan permukaan dasar horizontal pada permukaan bumi...5 Gambar 2. Struktur ANNBackpropagation. ...8 Gambar 3. Sudut datang radiasi matahari pada permukaan horizontal...12 Gambar 4. Sudut datang radiasi matahari pada kemiringan atap bangunan

berorientasi timur-barat...14 Gambar 5. Perpindahan panas yang terjadi padagreenhouse...15 Gambar 6. Skema titik pengukuran padagreenhouse...24 Gambar 7. Diagram alir program Q-Basic untuk memprediksi temperatur dalam

greenhouse ...25 Gambar 8. Model ANN yang digunakan untuk pendugaan temperatur dalam

greenhouse. ...26 Gambar 9. Diagram alir ANNbackpropagationuntuk memprediksi temperatur

dalamgreenhouse...27 Gambar 10. Perubahan radiasi matahari harian selama pengukuran ...29 Gambar 11. Radiasi total harian selama pengukuran...29 Gambar 12. Kosinus sudut datang radiasi matahari pada penutupgrenhouse

yang berorientasi utara–selatan pada tanggal 21 Juni 2006 ...30 Gambar 13. Perbandingan antara temperatur hasil simulasi dengan hasil

pengukuran tanggal 21 Juni 2006 dengan cuaca berawan ...34 Gambar 14. Perbandingan antara temperatur hasil simulasi dengan hasil

pengukuran tanggal 22 Juni 2006 dengan cuaca berawan dan hujan...34 Gambar 15. Perbandingan antara temperatur hasil simulasi dengan hasil

pengukuran tanggal 23 Juni 2006 dengan cuaca berawan dan hujan...35 Gambar 16. Perbandingan antara temperatur hasil simulasi dengan hasil

vi Gambar 17. Perbandingan antara temperatur hasil simulasi dengan hasil

pengukuran tanggal 26 Juni 2006 dengan cuaca cerah ...36 Gambar 18. Perbandingan antara temperatur hasil simulasi dengan hasil

pengukuran tanggal 30 Juni 2006 dengan cuaca cerah ...36 Gambar 19. Hubungan linear antara temperatur hasil simulasi dengan hasil

pengukuran...37 Gambar 20. Grafik hubungan temperatur udara dalamgrenhouseantara

vii

DAFTAR TABEL

Halaman Tabel 1. Nilai konstanta yang digunakan dalam simulasi pendugaan

temperatur udara dalamgreenhouse...32 Tabel 2. Perbedaan temperatur dalamgreenhouseantara hasil simulasi dengan

hasil pengukuran tanggal 21–23 Juni 2006 dengan cuaca berawan dan hujan...33 Tabel 3. Perbedaan temperatur dalamgreenhouseantara hasil simulasi dengan

hasil pengukuran tanggal 24 Juni, 26 juni dan 30 Juni 2006 dengan cuaca cerah ...33

ANALISIS SUDUT DATANG RADIASI MATAHARI DAN

PENGEMBANGAN MODEL PINDAH PANAS PADAGREENHOUSE

MENGGUNAKANARTIFICIAL NEURAL NETWORK

SKRIPSI Oleh:

TITIN NURYAWATI F14102048

2006

DEPARTEMEN TEKNIK PERTANIAN FAKULTAS TEKNOLOGI PERTANIAN

ANALISIS SUDUT DATANG RADIASI MATAHARI DAN

PENGEMBANGAN MODEL PINDAH PANAS PADAGREENHOUSE

MENGGUNAKANARTIFICIAL NEURAL NETWORK

SKRIPSI

Sebagai salah satu syarat untuk memperoleh gelar

SARJANA TEKNOLOGI PERTANIAN

Pada Departemen Teknik Pertanian Fakultas Teknologi Pertanian

Institut Pertanian Bogor

Oleh:

TITIN NURYAWATI F 14102048

2006

DEPARTEMEN TEKNIK PERTANIAN FAKULTAS TEKNOLOGI PERTANIAN

INSTITUT PERTANIAN BOGOR FAKULTAS TEKNOLOGI PERTANIAN

SKRIPSI

Sebagai salah satu syarat untuk memperoleh gelar

SARJANA TEKNOLOGI PERTANIAN

Pada Departemen Teknik Pertanian Fakultas Teknologi Pertanian

Institut Pertanian Bogor

Oleh:

TITIN NURYAWATI F 14102048

Dilahirkan di Boyolali Pada tanggal: 26 April 1984 Tanggal lulus:

Menyetujui,

Bogor, Oktober 2006

Dr. Ir. Herry Suhardiyanto, MSc. Dosen Pembimbing

Dr. Ir. Wawan Hermawan, MS. Ketua Departemen Teknik Pertanian

KATA PENGANTAR

Alhamdulillah dan puji syukur, penulis panjatkan kepada ALLAH SWT karena hanya dengan lindungan, rahmat dan karuniaNya-lah penulis dapat menyelesaikan penulisan skripsi ini.

Skripsi ini berjudul “Analisis Sudut Datang Radiasi Matahari dan Pengembangan Model Pindah Panas pada Greenhouse Menggunakan Artificial Neural Network”. Skripsi ini berisi tentang analisis sudut datang radiasi matahari terhadap permukaan penutup greenhouse, pengembangan model pindah panas pada greenhouse, simulasi pendugaan temperatur dalam greenhouse dengan mempertimbangkan sudut datang radiasi matahari menggunakan program Q-BASIC dan pendugaan temperatur dalam greenhouse menggunakan Artificial Neural Network(ANN).

Penulisan skripsi ini tidak akan selesai tanpa bantuan orang-orang yang berharga yang berada di sekitar penulis. Penulis megucapkan terima kasih yang sebesar-besarnya kepada:

1. Bapak Dr. Ir. Herry Suhardiyanto, MSc. Selaku dosen pembimbing pertama penulis. Terima kasih atas bimbingan, arahan dan perhatiannya. 2. Bapak Chusnul Arif, STP. Selaku dosen pembimbing kedua penulis. 3. Bapak Dr. Ir. Suroso, M.Agr. dan Bapak Yudi Chadirin, STP, M.Agr.

selaku dosen penguji skripsi penulis.

4. Bapak, Ibu, kakak-kakak dan semua keluarga di rumah yang telah memberikan kasih sayang, dukungan dan doanya kepada penulis.

5. Bagdo D. Nugroho dan keluarga di Jakarta yang telah memberikan dukungan, bantuan dan doanya kepada penulis.

6. Pak Dwi, Pak Makrus, Pak Taufik, Pak Ahmad, Pak Harto, Pak Mamat, dan Pak Koko atas bantuannya selama pelaksanaan penelitian.

7. Hani dan keluarga atas bantuan dan doanya selama penyelesaian skripsi ini.

ii 8. Sofyan, Hanhan, Irfan, Muthia, Tina, Sumini, Upi, Nety, Fuad, Reza, Ima, Gilang, Wisma Palladium, AE 39 dan semua pihak yang telah membantu terselesaikannya skripsi ini.

Penulis menyadari bahwa penulisan skripsi ini masih banyak kekurangan, namun penulis berharap semoga skripsi ini bermanfaat bagi yang membutuhkan.

Bogor, Agustus 2006 Penulis

iii

DAFTAR ISI

Halaman

KATA PENGANTAR...i

DAFTAR ISI...iii

DAFTAR GAMBAR...v

DAFTAR TABEL...vii

DAFTAR LAMPIRAN...viii

DAFTAR SIMBOL...ix

I. PENDAHULUAN...1

A. Latar Belakang ...1

B. Tujuan... ...2

II. TINJAUAN PUSTAKA...3

A. Greenhouse...3

B. Temperatur dalamGreenhouse...3

C. Radiasi Matahari ...4

D. Pindah Panas dalamGreenhouse...5

E. SimulasiGreenhouse...6

F. Artificial Neural Network(ANN) ...7

III. PENDEKATAN TEORITIS...12

A. Sudut Datang Radiasi Matahari...12

B. Model Pindah Panas padaGreenhouse...14

IV. METODOLOGI PENELITIAN...20

A. Waktu dan Tempat ...20

B. Bahan dan Alat ...20

C. Metode Penelitian...21

1.Analisis Sudut Datang Radiasi Matahari ...21

2.Penentuan Model Pindah Panas dalamGreenhouse...21

3. Pengambilan Data di Lapang ...21

4. Pembuatan Program ...22

5. Validasi Program...22

iv Halaman

V. HASIL DAN PEMBAHASAN... ...28

A. Sudut Datang Radiasi Matahari pada PenutupGreenhouse ...28

B. Model Simulasi Pindah Panas padaGreenhouse...30

C. Validasi Model Simulasi Pindah Panas ...36

D. Pengembangan ModelArtificial Neural Network(ANN) ...37

E. Validasi ModelArtificial Neural Network(ANN) ...38

VI. KESIMPULAN DAN SARAN...40

A. Kesimpulan ...40

B. Saran...40

DAFTAR PUSTAKA...42

v

DAFTAR GAMBAR

Halaman Gambar 1. Hubungan sudut zenith matahari (z), sudut jam matahari () dan

altitude matahari (α) dengan permukaan dasar horizontal pada permukaan bumi...5 Gambar 2. Struktur ANNBackpropagation. ...8 Gambar 3. Sudut datang radiasi matahari pada permukaan horizontal...12 Gambar 4. Sudut datang radiasi matahari pada kemiringan atap bangunan

berorientasi timur-barat...14 Gambar 5. Perpindahan panas yang terjadi padagreenhouse...15 Gambar 6. Skema titik pengukuran padagreenhouse...24 Gambar 7. Diagram alir program Q-Basic untuk memprediksi temperatur dalam

greenhouse ...25 Gambar 8. Model ANN yang digunakan untuk pendugaan temperatur dalam

greenhouse. ...26 Gambar 9. Diagram alir ANNbackpropagationuntuk memprediksi temperatur

dalamgreenhouse...27 Gambar 10. Perubahan radiasi matahari harian selama pengukuran ...29 Gambar 11. Radiasi total harian selama pengukuran...29 Gambar 12. Kosinus sudut datang radiasi matahari pada penutupgrenhouse

yang berorientasi utara–selatan pada tanggal 21 Juni 2006 ...30 Gambar 13. Perbandingan antara temperatur hasil simulasi dengan hasil

pengukuran tanggal 21 Juni 2006 dengan cuaca berawan ...34 Gambar 14. Perbandingan antara temperatur hasil simulasi dengan hasil

pengukuran tanggal 22 Juni 2006 dengan cuaca berawan dan hujan...34 Gambar 15. Perbandingan antara temperatur hasil simulasi dengan hasil

pengukuran tanggal 23 Juni 2006 dengan cuaca berawan dan hujan...35 Gambar 16. Perbandingan antara temperatur hasil simulasi dengan hasil

vi Gambar 17. Perbandingan antara temperatur hasil simulasi dengan hasil

pengukuran tanggal 26 Juni 2006 dengan cuaca cerah ...36 Gambar 18. Perbandingan antara temperatur hasil simulasi dengan hasil

pengukuran tanggal 30 Juni 2006 dengan cuaca cerah ...36 Gambar 19. Hubungan linear antara temperatur hasil simulasi dengan hasil

pengukuran...37 Gambar 20. Grafik hubungan temperatur udara dalamgrenhouseantara

vii

DAFTAR TABEL

Halaman Tabel 1. Nilai konstanta yang digunakan dalam simulasi pendugaan

temperatur udara dalamgreenhouse...32 Tabel 2. Perbedaan temperatur dalamgreenhouseantara hasil simulasi dengan

hasil pengukuran tanggal 21–23 Juni 2006 dengan cuaca berawan dan hujan...33 Tabel 3. Perbedaan temperatur dalamgreenhouseantara hasil simulasi dengan

hasil pengukuran tanggal 24 Juni, 26 juni dan 30 Juni 2006 dengan cuaca cerah ...33

viii

DAFTAR LAMPIRAN

Halaman Lampiran 1.Greenhouseyang digunakan dan letakweather stationdalam

penelitian ...45

Lampiran 2. Hasil perhitungan sudut datang radiasi matahari pada penutup greenhousetanggal 21 Juni 2006...46

Lampiran 3. Hasil pengukuran kondisi cuaca di sekitargreenhouseyang digunakan untuk simulasi Q-BASIC...47

Lampiran 4. Program untuk memprediksi temperatur dalamgreenhouse...50

Lampiran 5. Hasil keluaran program Q-BASIC untuk memprediksi temperatur dalamgreenhouse. ...55

Lampiran 6. Data training yang digunakan dalam program ANN...58

Lampiran 7. Data validasi yang digunakan dalam program ANN...68

Lampiran 8. Temperatur hasil validasi ANN...73

ix

DAFTAR SIMBOL

AH Tinggi rata-ratagreenhouse, m

Absc1 Absorptivitas penutupgreenhouseterhadap gelombang pendek

Absc2 Absorptivitas penutupgreenhouseterhadap gelombang panjang

Abss Absorptivitas lantai (paving block)

absens Panas sensibel yang diserap tanaman dalamgreenhouse

Ca Panas jenis udara volumetrik, kJ/m3K

Cc Panas jenis volumetrik bahan penutup, kJ/m3K

Cf Panas jenis volumetrik lantai (paving block), kJ/m3K

EP Tinggigreenhousedi pinggir, m EQT Equation of Time

Fiv Fluk volume pertukaran udara, m3/s

h Sudut jam matahari,o

hf Koefisien pindah panas konveksi dari permukaan lantai ke udara

dalam, W/m2 oC

hi Koefisien pindah panas konveksi dari penutup bagian dalam ke

udara dalam, W/m2 oC

hv Koefisien pindah panas konveksi karena pengaruh ventilasi, W/m2 o_C

hw Koefisien pindah panas konveksi di penutup bagian luar karena

pengaruh angin, W/m2 oC

K Kosinus sudut datang radiasi matahari

Ks Kosinus sudut datang radiasi matahari pada penutup greenhouse

yang menghadap ke selatan

Ku Kosinus sudut datang radiasi matahari pada penutup greenhouse

yang menghadap ke utara

Kstd Kosinus sudut datang radiasi matahari untuk penutup standard peak greenhouse

ks Konduktivitas panas tanah, W/m K

L Panjanggreenhouse, m

x LGT Longitude atau garis bujur, BT

n Julian Day

RAD Radiasi matahari pada bidang horisontal, W/m2 RH Kelembaban udara di sekitargreenhouse, % RMSE Akar kuadrat galat (Root Mean Square Error) RP Tinggigreenhousedi tengah, m

SBC Konstanta Stefan Boltzman, 5.67 E-8 W/m2K4

SW Lebar span, m

TBL Temperatur tanah dibawah lapisan tanah yang dianggap konstan,

o

C

Tc Temperatur penutupgreenhouse,oC

Tf Temperatur permukaan lantai,oC

Tin Temperatur udara dalamgreenhouse,oC

Tk Nilai target yang diberikan dalam training ANN

Tout Temperatur udara di sekitargreenhouse,oC

Tsky Temperatur langit, K

TZ Time Zone

Tz1 Temperatur lapisan tanah kedalaman 0.0315 m,oC

W Lebargreenhouse, m

Wjk Pembobot darihiddenlayer ke output layer WS Kecepatan angin di luargreenhouse, m/s2

z0 Ketebalan lapisan tanah yang mewakili temperatur permukaan

tanah, m

z1 Ketebalan lapisan tanah yang mewakili lapisan pertama, m

α Altitude atau ketinggian matahari,o

β Sudut kemiringan permukaan terhadap horizontal δ Sudut deklinasi matahari,o

θ Sudut datang radiasi matahari,o

z Sudut zenith matahari,o

 Latitude

Titin Nuryawati. F14102048. Analisis Sudut Datang Radiasi Matahari dan Pengembangan Model Pindah Panas pada Greenhouse Menggunakan Artificial Neural Network. Dibawah bimbingan: Herry Suhardiyanto. 2006.

RINGKASAN

Radiasi matahari yang masuk ke dalam greenhouse mempengaruhi suhu dalam greenhouse dan proses pindah panas dalam greenhouse yang akhirnya mengendalikan proses biologi tanaman dalam greenhouse. Besarnya radiasi matahari dipengaruhi oleh lokasi suatu tempat karena perbedaan garis lintang, ketinggian dan tanggal dalam setahun. Sudut datang radiasi matahari yang bervariasi sepanjang hari juga berpengaruh pada kondisi iklim mikro di dalamgreenhouse.

Pendugaan temperatur dalam greenhouse seringkali diperlukan dalam perancangan greenhouse. Pendugaan menggunakan simulasi yang melibatkan persamaan pindah panas dengan memperhatikan sudut datang radiasi matahari pada penutupgreenhousediharapkan dapat memberikan hasil yang akurat. Cara lain dalam pendugaan temperatur dalam greenhouse dapat dilakukan dengan menggunakan model Artificial Neural Network (ANN). Dengan ANN kita bisa memperoleh hasil yang lebih akurat, karena ANN mencoba untuk mensimulasikan kemampuan otak manusia untuk belajar. Dimana jaringan ini juga terdiri dari sejumlah neuron yang memiliki nilai tertentu yang menunjukkan seberapa besar koneksi antar neuron yang disebut dengan pembobot.

Tujuan dari penelitian ini adalah mempelajari proses pindah panas pada

greenhouse sejalan dengan perubahan sudut datang radiasi matahari, membuat simulasi komputer untuk memprediksi temperatur dalam greenhouse berdasarkan data-data iklim di sekitar greenhouse dengan memperhatikan sudut datang radiasi matahari, melakukan training dengan ANN untuk memprediksi temperatur dalam

greenhouse berdasarkan data-data iklim di sekitar greenhouse, melakukan validasi hubungan antara hasil pengukuran dengan hasil simulasi komputer dan hasil pendugaan dengan ANN dan membandingkan hasil simulasi komputer dengan hasil pendugaan dengan ANN.

Penelitian ini dilakukan di Single-span Greenhouse Kebun Percobaan Cikabayan, Institut Pertanian Bogor, Bogor (6.33 LS dan 106.42 BT). Waktu pelaksanaan penelitian pada bulan April –Juli 2006. Alat dan bahan yang digunakan pada penelitian ini adalah Single-Span Greenhouse tipe Standar Peak, weather station RM YOUNG model 26700, translator dan komputer, termokopel dan hybrid recordertipe HR 2300 sertaoil bathdan termometer standar.

Parameter yang diukur adalah kondisi cuaca di sekitar greenhouse berupa kecepatan dan arah angin, temperatur udara, kelembaban udara, tekanan udara, curah hujan dan radiasi sinar matahari. Sedangkan temperatur greenhouse berupa temperatur penutup greenhouse, temperatur udara dalam greenhouse, temperatur permukaan lantai, temperatur pada batas lantai dengan permukaan tanah dan temperatur tanah pada kedalaman 0.165 m dan 0.315 m dari permukaan lantai. Pengambilan data dilakukan selama 2 minggu mulai pukul 06.00 WIB sampai pukul 18.00 WIB dan dicatat tiap 10 menit.

Program untuk memprediksi temperatur dalam greenhouse dibuat dalam bahasa QBASIC. Inputprogram adalah karakteristik elemen-elemen greenhousedan data cuaca hasil pengukuran di sekitargreenhouse.Outputprogram adalah pendugaan temperatur udara dalam greenhouse. Sedangkan program ANN yang dikembangkan menggunakan algoritma back propagation dengan memakai bahasa pemrograman Visual basic 6.0. Model ANN yang digunakan terdiri dari tigalayeryaituinput layer,

hidden layer dan output layer. Input layer terdiri dari 6 noda yaitu data kecepatan angin, temperatur udara di sekitar greenhouse, radiasi sinar matahari, temperatur udara dalam greenhouse, temperatur permukaan lantai dan temperatur tanah pada kedalaman 0.315 m. Output layer berupa pendugaan temperatur udara di dalam

greenhouse.

Berdasarkan analisis sudut datang radiasi matahari diperoleh nilai kosinus sudut datang radiasi matahari pada penutupgrenhouseyang menghadap ke utara (Ku)

memiliki nilai yang lebih besar daripada yang menghadap selatan (Ks). Nilai Kupada

pukul 06:00 WIB adalah sebesar 0.548 dan meningkat mencapai 0.999 pada pukul 10:00 WIB. Setelah itu menurun sampai pada nilai 0.975 pada pukul 12:00 WIB, kemudian meningkat lagi mencapai 0.997 pada pukul 14:00 WIB. Nilai kosinus sudut datang radiasi matahari (K) berubah sejalan dengan berubahnya altitude (α) atau ketinggian matahari. Semakin meningkat ketinggian matahari maka nilai K juga semakin meningkat, dan ketikaα mencapai maksimum, K juga mencapai maksimum. Nilai α dan K terus meningkat sampai tengah hari (pukul 12.00 WIB) dan setelah itu menurun.

Hasil keluaran program Q-BASIC menunjukkan bahwa perbedaan temperatur antara hasil simulasi dengan hasil pengukuran tidak berbeda jauh. Rata-rata perbedaan tersebut berkisar antar 1.6 – 2.2 oC. Hubungan antara temperatur udara hasil simulasi dengan hasil pengukuran menghasilkan persamaan regresi Y = 0.86666X – 0.39864 dan koefisien regresi sebesar 0.8583. Hal ini menunjukkan bahwa hasil simulasi cukup akurat karena intersep-nya mendekati nol.

Training ANN dilakukan sebanyak 20 000 iterasi dengan memasukkan nilai eta (konstanta laju pembelajaran) sebesar 0.9, nilai alfa (konstanta momentum sebesar 0.6 dan nilai temp (konstanta persamaan sigmoid) sebesar 1 untuk semua training. Berdasarkan hasil training diperoleh nilai RMSE sebesar 1.691005 E-04. Hubungan antara temperatur udara hasil pengukuran dan temperatur udara hasil pendugaan ANN menghasilkan persamaan regresi Y = 0.9866X + 0.495 dan nilai koefisien determinasi sebesar 0.9706. Berdasarkan nilai RMSE yang cukup kecil tersebut, dapat dikatakan bahwa training ANN telah berhasil.

I. PENDAHULUAN A. LATAR BELAKANG

Perbedaan iklim dan cuaca harian di daerah tropis dan sub tropis, menyebabkan terjadinya perbedaan fungsi greenhouse. Fungsi utama greenhouse

di daerah berikim tropis adalah sebagai pelindung tanaman dari terpaan angin, hujan, dan hama maupun penyakit. Sedangkan fungsi utamagreenhousedi daerah beriklim sub-tropis, berfungsi sebagai penjebak panas karena rendahnya radiasi matahari yang sampai ke tanaman.

Radiasi matahari yang masuk ke dalam greenhouse mempengaruhi temperatur dalam greenhouse. Radiasi matahari yang sampai ke dalam

greenhouse sangat berpengaruh terhadap proses pindah panas dalam greenhouse

yang pada akhirnya menciptakan suatu kondisi termal yang berbeda dengan kondisi di sekitar greenhouse, termasuk temperatur dalam greenhouse yang mengendalikan proses biologi tanaman dalamgreenhouse.

Besarnya radiasi matahari dipengaruhi oleh lokasi suatu tempat karena perbedaan garis lintang, ketinggian dan tanggal dalam setahun. Di Indonesia, besarnya radiasi matahari menjadi masalah dalam penggunaangreenhouse, karena dapat meningkatkan temperatur dalamgreenhouse. Suatu perhitungan yang akurat diperlukan untuk memprediksi jumlah radiasi matahari yang masuk dan diserap oleh struktur greenhouse. Perhitungan akan akurat jika memperhitungkan sudut zenith, azimuth, deklinasi matahari, orientasi greenhouse, dan sifat optik penutup

greenhouse. Sudut datang radiasi matahari yang bervariasi sepanjang hari juga berpengaruh pada kondisi iklim mikro di dalamgreenhouse.

Pendugaan temperatur dalam greenhouse, seringkali diperlukan dalam perancangan greenhouse. Pendugaan dengan menggunakan simulasi yang melibatkan persamaan pindah panas dengan memperhatikan sudut datang radiasi matahari pada penutup greenhouse diharapkan dapat memberikan hasil yang akurat.

Pendugaan temperatur dalam greenhouse juga dapat dilakukan dengan menggunakan model Artificial Neural Network (ANN). Dengan menggunakan ANN kita bisa memperoleh hasil yang lebih akurat, karena dalam ANN mencoba

2 untuk mensimulasikan kemampuan otak manusia untuk belajar. Jaringan ini juga terdiri dari sejumlah neuron yang memiliki nilai tertentu yang menunjukkan seberapa besar koneksi antar neuron yang disebut dengan pembobot.

B. TUJUAN

Tujuan dari penelitian ini adalah:

1. Mempelajari proses pindah panas pada greenhouse sejalan dengan perubahan sudut datang radiasi matahari.

2. Membuat simulasi komputer untuk memprediksi temperatur dalam

greenhouse berdasarkan data-data iklim di sekitar greenhouse dengan memperhatikan sudut datang radiasi matahari.

3. MelakukantrainingdenganArtificial Neural Network untuk memprediksi temperatur dalam greenhouse berdasarkan data-data iklim di sekitar

greenhouse.

4. Melakukan validasi hubungan antara hasil pengukuran dengan hasil simulasi komputer dan hasil pendugaan denganArtificial Neural Network. 5. Membandingkan hasil simulasi komputer dengan hasil pendugaan dengan

II. TINJAUAN PUSTAKA

A.GREENHOUSE

Penggunaan greenhouse sebagai rumah tanaman akan berpengaruh terhadap iklim mikro yang berbeda sama sekali dengan lingkungan luar (Bot, 1983). Hal ini disebabkan oleh:

1. Udara di dalam greenhouse tetap, sehingga pertukaran udara dengan lingkungan luar sangat kurang dibandingkan dengan udara tanpa penutup. Pergerakan udara di dalamnya sangat kecil. Hal ini berpengaruh langsung terhadap keseimbangan massa dan energi dalamgreenhousedan menyebabkan kenaikan temperatur.

2. Radiasi gelombang pendek diubah menjadi radiasi gelombang panjang oleh penutup greenhouse. Perubahan panjang gelombang ini menyebabkan pantulan sinar oleh permukaan tanah dan lainnya di dalam greenhouse dan menyebabkan temperatur udara dalam

greenhousenaik.

Bentuk greenhouse yang telah umum digunakan adalah bentuk rumah, semi sylindris dan bentuk lainnya seperti kubah, segi-enam dan setengah lingkaran yang dimodifikasi. Di Indonesia,greenhousebentuk rumah dengan bukaan di atap lebih banyak ditemukan. Untuk pemakaian di negara tropis bentuk rumah dengan bukaan atap lebih cocok. Pertimbangannya, di daerah tropis penerimaan radiasi matahari relatif lebih banyak sehingga bentuk ruang harus memungkinkan sirkulasi udara berlangsung lebih lancar (Widyastuti, 1993).

B. TEMPERATUR DALAMGREENHOUSE

Energi matahari yang masuk ke dalam greenhouse secara radiasi dipantulkan dari berbagai permukaan. Energi ini diserap oleh tanaman, lantai dan lain-lain. Energi tersebut kemudian diubah menjadi panas. Kelebihan energi dihamburkan sebagai panas laten transpirasi, memanaskan udara dalam

greenhouse secara konduksi dan konveksi atau dipancarkan sebagai radiasi gelombang panjang. Energi yang dipancarkan sebagai radiasi gelombang

4 panjang ini terperangkap dalam greenhouse dan memanaskan udara di dalamnya sehingga temperatur akan naik (Businger, 1963).

Faktor yang mempengaruhi besarnya temperatur dalam greenhouse

adalah tingkat intensitas radiasi matahari, tingkat kapasitas alat pemanas, besar kecilnya perubahan panas akibat transpirasi tanaman, besar kecilnya panas yang hilang melalui atap atau dinding, besar kecilnya panas yang diserap tanaman untuk proses fotosintesis dan besar kecilnya panas yang hilang melalui ventilasi serta bahan konstruksi (Walker, 1965).

Hanan et al. (1978) menyatakan bahwa garis lintang merupakan faktor utama yang mempengaruhi temperatur greenhouse. Faktor lain adalah altitude atau ketinggian matahari, kondisi topografi yang mempengaruhi pergerakan angin dan panjang hari.

C. RADIASI MATAHARI

Radiasi matahari mempunyai ciri yang khas yaitu sifat keberadaannya selalu beubah-ubah tergantung pada keadaan atmosfer dan geometri radiasi matahari. Geometri radiasi matahari berhubungan dengan deklinasi matahari (), sudut jam matahari (), sudut zenith matahari (z) dan altitude atau ketinggian matahari ().

Pendapat Duffie et al. (1980) deklinasi matahari () adalah posisi angular matahari terhadap suatu bidang ekuator. Sudut jam matahari () merupakan perpindahan angular matahari pada busur meridian terhadap rotasi bumi pada sumbunya, besarnya 15o per jam yang bernilai negatif pada pagi hari dan positif pada sore hari. Sudut zenith matahari (z) adalah sudut yang dibentuk oleh garis vertikal ke zenith dengan garis lurus sinar datang matahari. Altitude () adalah ketinggian matahari terhadap bidang normal. Hubungan deklinasi matahari (), sudut zenith matahari (z) dan sudut jam matahari () dengan permukaan dasar horizontal pada permukaan bumi dapat dilihat pada Gambar 1.

5 Gambar 1. Hubungan sudut zenith matahari (z), sudut jam matahari () dan altitude matahari (α) dengan permukaan dasar horizontal pada permukaan bumi (Duffie et al., 1980).

D. PINDAH PANAS DALAMGREENHOUSE

Pendapat Soegijanto (1999) bangunan akan mendapat perolehan panas dan mengeluarkan atau kehilangan panas ke lingkungan sekitarnya. Perolehan dan pengeluaran panas dapat terjadi melalui peristiwa perpindahan panas.

Perpindahan panas konduksi terjadi melalui dinding dan atap bangunan dengan arah masuk dan keluar bangunan. Termasuk juga konduksi panas dari dan masuk ke dalam tanah. Perpindahan panas konveksi terjadi karena aliran udara yang masuk dan keluar melalui bukaan ventilasi. Perpindahan panas radiasi gelombang pendek dari radiasi matahari yang terdiri dari radiasi matahari langsung dan refleksinya serta radiasi matahari difusi yang selalu bernilai posotif. Perpindahan panas radiasi gelombang panjang yang dipancarkan oleh permukaan bangunan maupun yang diterimanya dari lingkungan sekitar bangunan. Panas yang ditimbulkan oleh sumber-sumber panas di dalam ruangan seperti penghuni dan peralatan juga diperhitungkan. Perpindahan panas karena penguapan yang terjadi karena proses penguapan dari air yang membasahi permukaan dinding luar dan atap bangunan (Soegijanto, 1999).

S

N

Z

zenith

Normal terhadap permukaan horizontal

 sun





s

W

6 Prinsip pindah panas antara bangunan dan lingkungan sekitarnya yang dikembangkan oleh Soegijanto (1999) dapat juga digunakan untuk

greenhouse. Pindah panas yang terjadi dalamgreenhousedengan cara radiasi, konveksi dan konduksi. Energi yang ditransmisikan ke dalam greenhouse

dalam bentuk radiasi matahari gelombang pendek. Pemasukan energi atau panas juga berasal dari konveksi pada udara dalam greenhouse dan radiasi gelombang panjang dari tanah ke penutup. Kehilangan panas terjadi karena konveksi akibat angin dan radiasi gelombang panjang dari penutup ke angkasa.

Takakura (1989) menyatakan keseimbangan panas di udara dalam

greenhouse lebih mudah dihitung. Pindah panas konveksi dari penutup ke udara dalam greenhouse terjadi secara alami. Perpindahan panas konveksi juga terjadi melalui bukaan ventilasi baik dengan arah masuk dan keluar

greenhouse.

Keseimbangan panas di permukaan tanah greenhouse meliputi pindah panas radiasi gelombang panjang dari tanah ke penutup greenhouse, pindah panas konveksi dari permukaan tanah ke udara dalam dan pindah panas konduksi dari permukaan tanah ke lapisan dibawahnya maupun sebaliknya.

E. SIMULASIGREENHOUSE

Model simulasi untuk memprediksi iklim mikro dalam greenhouse

telah dilakukan oleh Takakura et al. (1971), Avissar et al. (1982) dan Takakura (1989). Batas kondisi utama yang umum adalah data klimatologi berupa temperatur udara, kelembaban udara (RH), kecepatan angin, radiasi matahari serta sifat termal dan optik dari elemen-elemen greenhouse (Avissar et al., 1982).

Takakura (1971) mengembangkan model simulasi komputer untuk memprediksi temperatur greenhouse. Model yang dikembangkan menggunakan prinsip pindah panas yang dibagi menjadi empat elemen yaitu lapisan penutup, udara dalam, kanopi tanaman dan lapisan tanah menggunakan 25 persamaan diferensial yang rumit. Model ini melibatkan

7 sudut datang radiasi matahari pada kesetimbangan panas di penutup

greenhouse.

Romdhonah (2002), mengembangkan model simulasi untuk memprediksi temperatur dalam greenhouse dengan menggunakan prinsip pindah panas yang melibatkan sudut datang radiasi matahari. Model dibuat dengan menggunakan persamaan kesetimbangan panas dalam greenhouse

yang dibagi menjadi tiga elemen, yaitu lapisan atap, udara dalam greenhouse dan permukaan lantai dan lapisan tanah.

F. ARTIFICIAL NEURAL NETWORK(ANN)

Artificial Neural Network(ANN) merupakan penjabaran fungsi otak manusia (biologycal neuron) dalam bentuk fungsi matematika yang akan menjalankan proses perhitungan secara paralel (Lippman, 1998). Menurut Kusumadewi (2003), ANN merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut.

ANN pada dasarnya tersusun dari beberapa lapisan noda, yaituinput layer (lapisan masukan), hidden layer (lapisan tersembunyi) dan output layer

(lapisan keluaran). Noda atau unit yang terhubung dari input layer ke hidden layer atau dari layer satu ke layer yang lain dihubungkan dengan sinapsis yang mempunyai pembobot yang ditentukan dengantraining-nya.

Salah satu metodetrainingANN adalah backpropagation. Hasil dari

training backpropagation berupa pembobot (weight). Algoritma

backpropagation menggunakan error output untuk mengubah nilai pembobotnya dalam arah mundur (backward). Untuk mendapatkan error output, tahap perambatan maju (forward propagation) harus dikerjakan terlebih dahulu (Kusumadewi, 2003).

Algoritma pelatihan backpropagation menurut Fu (1994) adalah sebagai berikut:

8 Mula-mula pembobot dipilih secara acak, kemudian setiap sinyal

inputdiberikan ke dalam noda padainput layer, lalu sistem akan mengirim sinyal ke noda padahidden layer.

Gambar 2. Struktur ANNBackpropagation.

2. Perhitungan nilai aktivasi

Setiap noda pada hidden layer dihitung nilai net input-nya dengan cara menjumlahkan seluruh hasil perkalian antara noda input (Xi) dengan

pembobotnya (Vij), sebagaimana dalam persamaan berikut:





 n

i

ij i

ij X V

Z

1

………...……. (1)

Jika setiap noda pada lapisan ini telah menerima nilai net input, langkah selanjutnya adalah memasukkan nilai netinput pada setiap noda ke dalam fungsi aktivasi (fungsi sigmoid) berikut:

) ( exp 1

1 )

(

ij Z ij

Z

f _



 ………...……. (2)

dengan: konstanta fungsi sigmoid. Xi

Xn

Vij Zij Yk

Wjk

9

Zj=f(Zij) ………...……. (3)

 

 _

) (

exp 1

1

ZjWjk k

Y _ ………...……. (4)

3. Perbaikan nilai pembobot

Nilai output dari setiap noda pada output layer hasil perhitungan pada jaringan dibandingkan dengan nilai target yang diberikan dengan persamaan jumlah kuadrat galat, seperti dalam persamaan:





 in

k

k

k Y

T

E ( )2

2 1

………...……. (5)

dengan Tk= nilai target yang diberikan dalamtrainingANN

Yk=outputdari hasil perhitungan pada jaringan

Pada setiap lapisan dilakukan perubahan pembobot dengan menggunakan aturan delta rule. Perubahan pembobot darihidden layer ke

output layersesuai dengan persamaan:

Wjk= kZj ………...……. (6)

dimana

Wjk = perubahan nilai pembobot Wij  = laju pembelajaran

k = galatoutputkek

Zj = fungsi sigmoid

Perubahan pembobot dari hidden layer ke input layer sesuai dengan persamaan:

10 Sehingga nilai perbaikan pembobot dapat dibuat dalam persamaan berikut:

Wjk(baru) = Wjk(lama) +Wjk ………...……. (8)

Vij(baru) = Vij(lama) +Vij ………...……. (9)

Nilai laju pembelajaran harus dipilih antara 0 – 0.9. laju pembelajaran menentukan kecepatan pelatihan sampai sitem mencapai keadaan optimal, jika nilainya besar akan membuat jaringan melompati nilai minimum lokalnya dan akan berosilasi sehingga tidak mencapai konvergensi. Sebaliknya jika nilainya kecil menyebabkan jaringan terjebak dalam minimum lokal dan memerlukan waktu yang lama selama proses

training. Untuk menghindari keadaan tersebut ditambahkan suatu konstanta momentum antara 0 - 0.9 pada sistem tersebut, dengan demikian laju pelatihan dapat ditingkatkan an osilasi pada system dapat diminimumkan. Perubahan nilai pembobot setelah dilakukan penambahan konstanta momentum sesuai dengan persamaan berikut:

Wjk(baru) = kZj+βWjk(lama) ………...……. (10) Vij(baru) = jXi +βVij(lama) …...…...……. (11)

denganβadalah konstanta momentum.

4. Pengulangan (iterasi)

Keseluruhan proses diatas dilakukan pada setiap contoh dan sekian iterasi sampai sistem mencapai keadaan optimum. Iterasi tersebut mencakup pemberian contoh pasangan input danoutput, perhitungan nilai aktivasi dan perubahan nilai pembobot (weight).

Kinerja jaringan dapat dinilai berdasarkan RMSE (Root Mean square Error) pada proses generalisasi terhadap contoh data input-output baru, nilai RMSE sesuai dengan persamaan berikut (Fu, 1994):

11 dimana:

Yk = nilai prediksi jaringan

Tk = nilai target yang diberikan pada jaringan

n = jumlah data pada set validasi

Setelah ANN terlatih memecahkan suatu masalah, kemudian harus dilakukan validasi yang merupakan proses pengujian kinerja jaringan terhadap contoh yang belum diberikan selama proses pelatihan. Proses validasi dilakukan dengan memasukkan suatu set contohinput-outputyang hampir sama dengan contoh set input-output yang diberikan selama

III. PENDEKATAN TEORITIS A. SUDUT DATANG RADIASI MATAHARI

Ketinggian matahari (), sudut datang radiasi matahari sesaat pada permukaan () dan azimuth matahari (z) mempengaruhi besarnya sudut datang radiasi matahari. Gambar 3 menunjukkan sudut datang radiasi matahari pada permukaan horizontal.

Gambar 3. Sudut datang radiasi matahari pada permukaan horizontal (Esmay et al., 1983).

Sudut datang radiasi matahari () pada permukaan penutup

greenhousetergantung pada orientasi atap tersebut dan posisi matahari. Posisi matahari () di suatu tempat pada latitude () dapat diketahui dengan persamaan:

sin= coscoscos h + sinsin ………...……. (13)

dimanamerupakan deklinasi matahari dalam derajat dan h merupakan sudut jam matahari.

Deklinasi matahari merupakan sudut yang dibentuk oleh matahari dengan bidang equator yang pada setiap saat dapat diperkirakan dari persamaan Jansen (1994):

A

O





N

= 90o- K= cos

13         365 284 360 sin 45 .

23 x x n

 ………...……. (14)

dimana n merupakan hari (Julian Day) dari tahun yang bersangkutan. Sedangkan sudut jam matahari besarnya 15o per jam, negatif pada pagi hari, sama dengan nol pada siang hari dan positif pada sore hari. Sudut jam matahari untuk wilayah Indonesia bagian Barat dengan lokasi pada longitude LGT adalah:





15

15 105

12 LGT EQT x

WIB h _             _  

 ………...……. (15)

EQT merupakan persamaan waktu yang besarnya menurut Caruthers et al. (1990) adalah:

EQT = 5.0323–100.976 sin (t) + 595.275 sin (2t) + 3.6858 sin (3t)– 12.47 sin (4t) – 430.847 cos (t) + 12.5024 cos (2t) + 18.25

cos (3t) ...……...……. (16)

dimana t = (279.134 + 0.985647n).

Gambar 4 menunjukkan sudut datang radiasi matahari pada kemiringan atap bangunan yang berorientasi timur-barat di belahan bumi utara. Dari Gambar 4 dapat dicari nilai K untuk bangunan yang berorientasi timur-barat di belahan bumi selatan dengan membalikkan arah utara menjadi selatan dan arah selatan menjadi utara (Esmay et al., 1983). Untuk atap yang menghadap utara dengan sudut kemiringan  terhadap horizontal nilai K adalah:

Ku= cos (90o--) ………...……. (17)

14

Ks= cos (90o+-) ………...……. (18)

Kosinus sudut datang radiasi matahari untuk penutup standard peak greenhouse, Kstdadalah:

Kstd= (Ku+ Ks) / 2 ………...……. (19)

Gambar 4. Sudut datang radiasi matahari pada kemiringan atap bangunan berorientasi timur-barat (Esmay et al., 1983).

B. MODEL PINDAH PANAS PADAGREENHOUSE

Bangunangreenhouse akan mendapat dan kehilangan panas melalui peristiwa perpindahan panas secara radiasi, konveksi dan konduksi. Skema proses perpindahan panas padagreenhousedapat dilihat pada Gambar 5.

N

A

O

A

O



 

= 90o_-- Ks= cos

= 90o+- Ku= cos

 

15 Temperatur penutup greenhouse (Tc), temperatur udara dalam greenhouse (Tin), dan lapisan tanah (Tf atau Tz1) dihitung dari kondisi batas

temperatur udara di luar greenhouse (Tout) dan temperatur di bawah lapisan

tanah (TBL). Selain itu radiasi matahari dijadikaninputsebagai energi dengan mempertimbangkan sudut datang radiasi matahari pada penutup greenhouse. Perpindahan panas yang terjadi antar berbagai lapisan tersebut menurut (Bot, 2001) adalah:

1. Antara penutupgreenhousedengan udara luar

Panas konveksi yang terjadi dari penutup ke udara luar karena pengaruh angin diasumsikan sebagai konveksi paksa, sehingga kecepatan angin di luar greenhouse (WS) sangat berpengaruh dan dijadikan input

setiap jam. Menurut Duffie et al. (1974) koefisien pindah panas konveksi karena pengaruh angin (hw) pada permukaan datar adalah:

hw= 5.7 + 3.8 WS ……...……. (20)

ventilasi

konduksi tanah

radiasi matahari

Greenhouse cover

konveksi

konveksi

udara dalam

radiasi gel. panjang

Permukaan lantai

16 Selain pindah panas konveksi, antara penutup dan udara luar terdapat pindah panas radiasi termal dengan langit yang dihitung dengan perkalian antara konstanta Stefan Boltzman (SBC) dengan temperatur absolut penutup dikurangi temperatur absolut langit (Tsky). Persamaan yang

digunakan adalah:

Rt= SBC x Absc2x ((Tc+ 273)4–Tsky4) …..…...……. (21)

Dimana Absc2 adalah absorptivitas bahan penutup terhadap gelombang

panjang. Tsky tidak diukur melainkan didekati dengan persamaan berikut

(Duffie et al., 1974):

Tsky= 0.0552 x Tout1.5 ……...……. (22)

Radiasi matahari yang diperhitungkan merupakan radiasi matahari pada permukaan horizontal yang dikalikan dengan sudut datang pada penutup greenhouse (K) dan absorptivitas bahan penutup terhadap radiasi gelombang pendek (Absc1) seperti pada persamaan berikut:

R = RAD x Absc1x K ……...……. (23)

2. Antara penutupgreenhousedengan udara dalamgreenhouse

Pindah panas konveksi yang terjadi tidak hanya karena perbedaan temperatur antara penutup greenhouse dan udara dalam (konveksi bebas) tapi juga akibat pergerakan udara dalam greenhouse karena ventilasi dan sirkulasi udara (konveksi paksa). Menurut Bot (2001), dalam keadaan demikian konveksi paksa menjadi dominan. Persamaan yang dikembangkan oleh Holman (1994) dapat digunakan untuk menghitung hi

padastandard peak greenhouse, yaitu:

17 Selain pindah panas konveksi antara penutup dan udara dalam terdapat pindah panas radiasi termal antara penutup dengan komponen tidak tembus cahaya dalam greenhouse. Pindah panas radiasi termal dihitung dengan perkalian antara konstanta Stefan Boltzman dengan temperatur absolut penutup dan temperatur absolut komponen tidak tembus cahaya tersebut.

3. Antara permukaan lantai dengan udara dalamgreenhouse

Pindah panas yang terjadi adalah pindah panas konveksi dengan koefisien pindah panas (hf) yang besarnya hampir sama dengan hi (Bot,

2001).

4. Antara permukaaan lantai dengan lapisan tanah yang lebih dalam

Pindah panas yang terjadi adalah pindah panas konduksi. Jika tanah dan lantai diasumsikan sebagai satu blok tanah maka yang dihitung adalah rata-rata temperatur tanah. Untuk menghitungnya diperlukan temperatur permukaan lantai (Tf). Untuk kondisi quasi steady state, lapisan tanah

dapat dibagi menjadi dua lapisan yaitu lapisan pertama adalah lapisan permukaan tanah (z0 = 0.065 m) dan lapisan kedua adalah lapisan tanah

sampai kedalaman tertentu (z1) yang temperaturnya diketahui (TBL).

5. Pertukaran langsung antara udara dalam dan udara luar melalui ventilasi Menurut Bot (2001), koefisien pindah panas karena pengaruh ventilasi (hv) didekati dengan persamaan:

hv= Fivx Ca ……...……. (25)

dimana Fivadalah flux volume pertukaran udara (m3/s) dan Caadalah

panas jenis udara.

Sesuai dengan pindah panas yang terjadi antara ketiga elemen dalam sistem dan menganggap bahwa semua elemen adalah homogen secara

18 horizontal dan vertikal, maka persamaan kesetimbangan panas yang terjadi pada setiap elemen per satuan luas adalah sebagai berikut:

 Kesetimbangan pada lapisan penutup

Ccx THc x dTc/dt≈((RAD x Absc1x K) + SBC x Absc2x ((Tc+273)4 –Tsky4)–hix (Tc–Tin)–hw(Tc–Tout) ….(26)

 Kesetimbangan pada udara dalam

Ca x AH x dTin/dt≈hix (Tc– Tin) + hfx (Tf–Tin) + hvx (Tout–Tin) +

absens x Trancx RAD x K ...…(27)

absens merupakan bagian radiasi matahari yang ditransmisikan ke dalam greenhouse dan diserap oleh tanaman kemudian dilepaskan ke udara dalamgreenhouse sebagai panas sensible. Pendapat Bot (2001), besarnya absens diperkirakan 0.33 dan 0.67 sisanya untuk evaporasi tanaman. Nilai absens dipertimbangkan dalam simulasi walau dalam

greenhousetidak terdapat tanaman.

Nilai koefisien konveksi akibat ventilasi (hv) sangat berpengaruh

daalam model simulasi. Besarnya hvdipengaruhi oleh kecepatan angin

dan temperatur udara di luar greenhouse. Dalam penelitian ini hv

dianggap konstan, karena tidak tersedia data fluks volume pertukaran udara.

 Kesetimbangan pada lantai dan tanah 1. Permukaan lantai

Cfx z0 x dTf/dt≈Abss x RAD x Trancx K– 2 x ksx (Tf–Tz1)/ (z0

+ z1)–hix (Tf–Tin)–SBC x Emsx ((Tf+ 273)4

–(Tc+ 273)4) .…. (28)

2. Lapisan tanah

Cfx z1x dTz1/dt≈2 x ksx (Tf–Tz1)/ (z0+ z1) + 2 x ksx

19

C. ASUMSI

Asumsi-asumsi yang digunakan dalam model pindah panas adalah: 1. Sistem terdiri dari 3 elemen vertikal yaitu pindah panas yang terjadi di

penutup greenhouse, pindah panas di udara dalam dan pindah panas pada lapisan tanah.

2. Semua elemen homogen secara horizontal dan vertical kecuali lapisan tanah yang dibagi menjadi dua subelemen yang homogen secara horizontal.

3. Kondisi batas adalah temperatur udara luar, kecepatan angin, radiasi matahari dan temperatur tanah dalam greenhouse yang terdalam yang masih diketahui.

4. Koefisien pindah panas konveksi pada permukaan lantai (hf) tidak berubah

selama simulasi.

5. Aliran udara dalamgreenhouseseragam dan horizontal.

6. Transmisivitas, absorptivitas dan reflektivitas penutup greenhouse

IV. METODOLOGI PENELITIAN A. TEMPAT DAN WAKTU

Penelitian ini dilakukan di Single-span Greenhouse Kebun Percobaan Cikabayan, Institut Pertanian Bogor, Bogor. Waktu pelaksanaan penelitian pada bulan April–Juli 2006.

B. BAHAN DAN ALAT 1.Greenhouse

Greenhouse yang digunakan adalah Single-Span Greenhouse tipe

Standar Peak dengan ukuran panjang 20 m, lebar 7.5 m dan tinggi bubungan 7.346 m. Konstruksi greenhouse mengunakan besi, atap mengunakan kaca, dinding dengan kawat kasa dan lantai terbuat dari

paving block.Greenhousedibangun dengan orientasi Utara - Selatan

2. Weather station, Translator dan Komputer

Weather station atau stasiun cuaca yang digunakanan adalah RM YOUNG model 26700. Alat ini terdiri dari sensor kecepatan dan arah angin (anemometer), sensor temperatur dan kelembaban (pshychrometer), sensor tekanan udara (barometer), sensor radiasi matahari (pyranometer), dan sensor curah hujan (typing bucket precip gauge). Temperatur pada satuan oC, RH dalam %, kecepatan angin dalam m/s2, arah angin dalam o, radiasi matahari dalam W/m2dan curah hujan dalam mm/hari.

Weather station di pasang di luar greenhouse untuk mengetahui iklim makro di sekitar greenhouse. Weather station dihubungkan dengan translator merk YOUNG untuk menampilkan hasil pengukuran dan komputer untuk menyimpan data.

3. Termokopel danHybrid recorder

Termokopel digunakan untuk mengukur temperatur penutup

greenhouse, temperatur udara dalam greenhouse, temperatur permukaan lantai, temperatur pada batas lantai dengan permukaan tanah dan temperatur tanah pada kedalaman 0.165 m dan 0.315 m dari permukaan lantai.

21 Termokopel dihubungkan dengan hybrid recorder tipe HR 2300 untuk menampilkan temperatur yang terukur oleh termokopel.

4. Oil bathdan Termometer standar

Oil bath dan termometer standar digunakan untuk mengkalibrasi termokopel yang digunakan pada pengukuran temperatur. Pengkalibrasian ini bertujuan untuk mendapatkan hubungan antara temperatur yang terukur oleh termokopel dengan temperatur yang terukur oleh termometer standar.

C. METODE PENELITIAN

1. Analisis Sudut Datang Radiasi Matahari pada PenutupGreenhouse Analisis sudut datang radiasi matahari pada penutup greenhouse

digunakan untuk mengetahui nilai radiasi matahari langsung yang ditransmisikan oleh penutup greenhouse. Analisis sudut datang radiasi matahari melibatkan sifat geometri radiasi matahari.

2. Penentuan Model Pindah Panas dalamGreenhouse

Persamaan pindah panas digunakan untuk menghitung temperatur penutup greenhouse, temperatur udara dalam greenhouse dan temperatur permukaan tanah. Persamaan pindah panas yang digunakan melibatkan kesetimbangan panas di penutup greenhouse, kesetimbangan panas udara di dalam greenhouse, kesetimbangan panas di permukaan lantai dan lapisan tanah disesuaikan dengan kondisigreenhouse. Model pindah panas

greenhouse dibuat dengan memperhatikan sudut datang radiasi matahari agar perhitungan radiasi matahari yang masuk dalam sistem lebih akurat.

3. Pengambilan Data di Lapang

Parameter yang diukur adalah kondisi cuaca di sekitar greenhouse

berupa kecepatan dan arah angin, temperatur udara, kelembaban udara, tekanan udara, curah hujan dan radiasi sinar matahari.

Radiasi matahari yang diukur adalah radiasi matahari sesaat yang diterima oleh greenhouse, sedangkan untuk mencari nilai radiasi total harian dapat dihitung secara matematis dengan menggunakan metode Simpson (Purcell and Vanberg, 1999):

22

Ih=

















f gp

gt I I

I I

t

2 4

3 1 ……...……. (30)

dimana Ih = total radiasi harian (Wh/m2) ∆t = selang pengukuran (jam)

Igt = radiasi selang pengukuran ganjil (W/m2)

Igp = radiasi selang pengukuran genap (W/m2)

Ii = radiasi awal (W/m2)

If = radiasi akhir (W/m2)

Sedangkan temperatur greenhouse berupa temperatur penutup

greenhouse, temperatur udara dalam greenhouse, temperatur permukaan lantai, temperatur pada batas lantai dengan permukaan tanah dan temperatur tanah pada kedalaman 0.165 m dan 0.315 m dari permukaan lantai.

Pengambilan data dilakukan selama 2 minggu mulai pukul 06.00 WIB sampai pukul 18.00 WIB dan dicatat tiap 10 menit. Skema lokasi pengukuran dapat dilihat pada Gambar 6.

4. Pembuatan Program

Pembuatan program untuk memprediksi temperatur dalam

greenhouse dibuat dalam bahasa QBASIC. Input program adalah karakteristik elemen-elemen greenhouse dan data cuaca hasil pengukuran di sekitar greenhouse. Output program adalah pendugaan temperatur penutup greenhouse, temperatur udara dalam greenhouse, temperatur permukaan lantai dan temperatur tanah pada kedalaman 31.5 cm. Diagram alir pembuatan program dapat dilihat pada Gambar 7.

5. Validasi Program

Validasi program dilakukan dengan membandingkan temperatur udara hasil simulasi dengan hasil pengukuran di lapangan. Pengujian keabsahan dilakukan dengan menggunakan garis regresi yang terbentuk pada hubungan linear antara temperatur hasil simulasi (Y) dan hasil pengukuran (X). Dimana a menyatakan intersep atau perpotongan garis

23 regresi dengan sumbu tegak dan b menyatakan kemiringan atau gradien garis regresi.

Y = a + bX ……...……. (31)

Model simulasi dinyatakan memberikan prediksi temperatur yang semakin baik bila persamaan regresinya memiliki koefisien intersep (a) mendekati nol dan gradiennya mendekati satu.

6. Pengembangan JaringanArtificial Neural Network(ANN)

Program ANN yang dikembangkan menggunakan algoritma back propagation dengan memakai bahasa pemrograman Visual basic 6.0. Model ANN yang digunakan terdiri dari tiga layer yaitu input layer,

hidden layerdanoutput layer.

Input layerterdiri dari 6 noda yaitu data kecepatan angin, temperatur udara di sekitar greenhouse, radiasi sinar matahari, temperatur udara dalam greenhouse, temperatur permukaan lantai dan temperatur tanah pada kedalaman 0.315 m. Parameter pada input layer ditentukan berdasarkan anlisis variabel pada persamaan kesetimbangan panas yang terjadi dalamgreenhouse. Variabel yang dipilih adalah variabel dasar yang terdapat pada persamaan kesetimbangan panas dan dilakukan pengukuran dalam penelitian. Laju ventilasi tidak dijadikan input dalam ANN karena dalam persamaan kesetimbangan panas, laju ventilasi bukan merupakan variabel dasar dan hanya berpengaruh terhadap variabel tertentu, dan juga dalam penelitian tidak dilakukan pengukurannya. Output layer berupa pendugaan temperatur udara di dalam greenhouse. Model ANN yang dikembangkan dapat dilihat pada Gambar 8.

Data yang diperoleh dari hasil pengukuran dibagi menjadi dua kelompok yaitu satu set data untuk prosestrainingdan satu set data untuk proses validasi jaringan. Kinerja jaringan ANN dapat dinilai berdasarkan nilai RMSerror(Root Mean Square Error).

24 Gambar 6. Skema titik pengukuran padagreenhouse.

25 Ket: n = 172,173,174,175,177 dan 181

Gambar 7. Diagram alir program Q-Basic untuk memprediksi temperatur dalam

26 Keterangan gambar:

1. Kecepatan angin (m/s2) 2. Radiasi matahari (W/m2)

3. Temperatur penutupgreenhouse(oC) 4. Temperatur udara di luargreenhouse(oC) 5. Temperatur permukaan lantai (oC) 6. Temperatur tanah kedalaman 31.5 cm (oC) 7. Temperatur udara di dalamgreenhouse(oC)

Gambar 8. Model ANN yang digunakan untuk pendugaan temperatur dalam

greenhouse. Xi

Vij 1

2 3 4 5 6

7

Input Layer Hidden Layer Output Layer

Wjk

Yk Zj

27 Gambar 9. Diagram alir ANNbackpropagationuntuk memprediksi temperatur

V. HASIL DAN PEMBAHASAN

A. SUDUT DATANG RADIASI MATAHARI PADA PENUTUP

GREENHOUSE

Radiasi matahari yang mengenai permukaan benda terdiri dari radiasi langsung, radiasi sebaran (sky radiation) dan radiasi pantulan. Radiasi langsung adalah radiasi matahari yang lansung mengenai permukaan benda tanpa mengalami pemantulan atmosfer. Radiasi sebaran adalah radiasi yang sudah dipencarkan oleh molekul-molekul gas, debu dan uap air di atmosfer, sedangkan radiasi pantulan adalah radiasi yang dipantulkan dari permukaan yang berdekatan dengan benda tersebut.

Sebagian radiasi matahari yang sampai ke penutup greenhouse akan ditransmisikan, sebagian dipantulkan dan sebagian lagi diserap oleh material penutup greenhouse. Transmisivitas dan reflektivitas merupakan bagian yang penting karena dipengaruhi oleh sudut datang radiasi matahari pada penutup

greenhouse, sedangkan absorptivitas hampir konstan untuk semua sudut datang radiasi matahari dari 0osampai 90o(Takakura, 1989).

Semakin besar nilai sudut datang radiasi maka semakin kecil radiasi yang ditransmisikan oleh penutup greenhouse. Pada sudut datang 0o, 91% radiasi matahari akan di transmisikan oleh penutup (kaca)greenhouse, 8% di pantulkan dan 1% akan diserap oleh kaca tersebut. Pada sudut datang 0 - 45o, transmisivitas berubah sangat kecil. Pada sudut datang 45 - 80o, nilai transmisivitas akan menurun dengan cepat sehingga radiasi yang dipantulkan lebih besar dari pada radiasi yang ditransmisikan (Mastalerz, 1977).

Data pengukuran yang digunakan dalam simulasi adalah: tanggal 21 Juni, 22 Juni dan 23 Juni 2006 dipilih mewakili data cuaca berawan dan hujan dengan radiasi total harian secara berturut-turut sebesar 5028.233 Wh/m2, 4616.353 Wh/m2dan 4692.46 Wh/m2, sedangkan tanggal 24 Juni, 26 Juni dan 30 Juni 2006 dipilih mewakili data cuaca cerah dengan nilai radiasi total harian sebesar 5677.127 Wh/m2, 5394.327 Wh/m2 dan 5528.987 Wh/m2. Gambar 10 menunjukkan perubahan radiasi matahari selama pengukuran, sedangkan radiasi total harian dapat dilihat pada Gambar 11. Radiasi matahari

29 0 1000 2000 3000 4000 5000 6000

21 Juni 22 Juni 23 Juni 24 Juni 26 Juni 30 Juni

Tanggal R ad ia si to ta l h ar ia n (W h /m 2 ) 0 100 200 300 400 500 600 700 800 900 1000

6:00 7:00 8:00 9:00 ₁₀:00 ₁₁:00 ₁₂:00 ₁₃:00 ₁₄:00 ₁₅:00 ₁₆:00 ₁₇:00 ₁₈:00

Pukul (WIB) R ad ia si m at ah ar i (W /m 2 )

21 JUNI 2006 22 JUNI 2006 23 JUNI 2006 24 JUNI 2006 26 JUNI 2006 30 JUNI 2006

akan berubah setiap saat dengan titik maksimum pada siang hari, besarnya radiasi matahari akan berkurang bila langit berawan. Hasil perhitungan sudut datang radiasi matahari pada penutup greenhouse dapat dilihat pada Lampiran 2.

Gambar 10. Perubahan radiasi matahari harian selama pengukuran.

Gambar 11. Radiasi total harian selama pengukuran.

Nilai kosinus sudut datang radiasi matahari pada penutupgreenhouse

yang menghadap ke utara (Ku) memiliki nilai yang lebih besar daripada yang

menghadap selatan (Ks). Nilai Kupada pukul 06:00 WIB adalah sebesar 0.548

dan meningkat mencapai 0.999 pada pukul 10:00 WIB. Setelah itu menurun sampai pada nilai 0.975 pada pukul 12:00 WIB, kemudian meningkat lagi

30 mencapai 0.997 pada pukul 14:00 WIB. Gambar 11 menunjukkan nilai kosinus sudut datang radiasi matahari pada penutupgreenhouse.

Nilai kosinus sudut datang radiasi matahari (K) berubah sejalan dengan berubahnya altitude (α) atau ketinggian matahari. Semakin meningkat ketinggian matahari maka nilai K juga semakin meningkat, dan ketika α mencapai maksimum, K juga mencapai maksimum. Nilai α dan K terus meningkat sampai tengah hari (pukul 12.00 WIB) dan setelah itu menurun.

Gambar 12. Kosinus sudut datang radiasi matahari pada penutupgreenhouseyang berorientasi Utara - Selatan pada tanggal 21 Juni 2006. .

B. MODEL SIMULASI PINDAH PANAS DALAMGREENHOUSE

Model simulasi pindah panas dalam greenhouse menggunakan persamaan kesetimbangan panas di penutup, di udara dalam, permukaan lantai dan lapisan tanah.

Karakteristikgreenhouse meliputi dimensi greenhouse, karakteristik bahan penutup, kemiringan atap, sifat fisik udara dalam greenhouse dan karakteristik lantai dijadikan input dalam simulasi pindah panas dalam

greenhouse.

Data kondisi cuaca di sekitargreenhousejuga dijadikan input dalam simulasi, terdiri dari data radiasi matahari, kecepatan angin dan temperatur udara dalam greenhouse. Data kondisi cuaca hasil pengukuran yang digunakan untukinputdalam simulasi dapat dilihat pada Lampiran 3.

-0,6 -0,4 -0,2 0 0,2 0,4 0,6 0,8 1 1,2 6 :0 0 7 :0 0 8 :0 0 9 :0 0 1 0 :0 0 1 1 :0 0 1 2 :0 0 1 3 :0 0 1 4 :0 0 1 5 :0 0 1 6 :0 0 1 7 :0 0 1 8 :0 0 Pukul (WIB) C o s te ta Ku Ks

31 Laju ventilasi alami yang terjadi dalam greenhouse sangat berpengaruh terhadap kesetimbangan panas dalam greenhouse yang akhirnya berpengaruh terhadap temperatur dalam greenhouse. Laju ventilasi berpengaruh pada koefisien pindah panas konveksi akibat adanya ventilasi (hv). Semakin besar laju ventilasinya maka semakin besar nilai hvtersebut dan

semakin besar pindah panas yang terjadi.

Besarnya laju ventilasi alami dipengaruhi oleh kecepatan dan arah angin, besarnya bukaan dan perbedaan temperatur didalam dan diluar

greenhouse.

Program yang dibuat menggunakan bahasa pemrograman Q-BASIC.

Input dibuat dalam file berekstensi .txt yang di-load dengan program Q-BASIC pada saat program di-running. Setelah program di-runing, output

program langsung disimpan dalamfileyang bernama hasil.txt. Program dibuat dengan menggunakan persamaan-persamaan pindah panas dalam greenhouse

yang diselesaikan dengan metode Runge-Kutta. Program selengkapnya dapat dilihat pada Lampiran 4.

Perhitungan dimulai pukul 6:00 dengan syarat awal untuk temperatur penutup, udara dalam, permukaan lantai dan temperatur tanah pada kedalaman z1 didapat dari pengukuran dan dijadikan input dalam perhitungan

Runge-Kutta. Dalam simulasi ini koefisien pindah panas pada lantai (hf) tidak

berubah selama simulasi. Nilai konstanta yang digunakan selama simulasi dapat dilihat pada Tabel 1.

32 Tabel 1. Nilai konstanta yang digunakan dalam simulasi

pendugaan temperatur udara dalamgreenhouse,

Simbol Nilai

Absc1 0.032 (Lunde, 1980) Absc2 0.092 (Lunde, 1980)

Abss 0.65 (www. its. berkeley. edu) Abssens 0.33 (Bot, 2001)

Ca 1 kJ/m3K (www. Hukseflux.com)

Cc 2184 kJ/m3K (www. hukseflux.com) Cf 1940 kJ/m3K (www. hukseflux.com)

EP 4 m

Ems 0.95

hf 7 W/m2C (Bot, 2001)

hv 3 W/m2C (Bot, 2001)

ks 1.28 W/m K (www. hukseflux.com)

L 20 m

LAT 6.33 LS

LGT 106.42 BT

RP 7.346 m

SBC 5.67E-08

SW 7.5 m

TBL 31.5oC

THc 0.0047 m

TZ 105

Tc0 18.8oC

Tf0 24.4oC

Tin0 20.6oC

Tranc 0.69 (Setyoningrum, 2001)

Tz10 27.9oC

W 7.5 m

z0 0.065 m

z1 0.315 m

Hasil keluaran simulasi kemudian dibandingkan dengan hasil pengukuran. Hasil keluaran program dapat dilihat pada Lampiran 5. Grafik perbedaan temperatur hasil simulasi dengan hasil pengukuran dapat dilihat pada Gambar 13 sampai dengan Gambar 18. Perbedaan antara temperatur hasil simulasi dan hasil pengukuran disajikan dalam Tabel 2 dan Tabel 3.

33 Tabel 2. Perbedaan temperatur dalam greenhouse antara hasil simulasi dengan hasil pengukuran tanggal 21– 23 Juni 2006 dengan cuaca berawan dan hujan,

Waktu

lokal 21 Juni 2006 22 Juni 2006 23 Juni 2006

S P S-P S P S-P S P S-P

6:00 21.49 20.9 0.6 21.74 21.9 0.2 21.65 21.1 0.6

7:00 22.26 22.3 0.0 22.66 22.8 0.1 22.46 22.9 0.4

8:00 23.25 26.8 3.6 24.27 26.9 2.7 23.55 25.9 2.3

9:00 25.69 30.5 4.8 26.78 30.0 3.2 26.05 29.8 3.7

10:00 30.04 35.2 5.2 30.25 33.3 3.0 29.88 32.6 2.7

11:00 33.83 34.6 0.8 33.65 34.7 1.0 33.55 33.2 0.3

12:00 36.67 37.1 0.4 35.96 35.6 0.4 36.02 35.2 0.8

13:00 38.43 38.2 0.3 37.13 37.0 0.1 36.63 34.8 1.8

14:00 37.82 39.9 2.1 36.89 37.1 0.2 36.94 37.2 0.3

15:00 35.30 35.4 0.1 34.10 34.5 0.4 34.42 34.4 0.0

16:00 32.23 32.6 0.3 30.49 28.6 1.9 30.57 27.7 2.8

17:00 29.56 30.2 0.6 27.71 23.2 4.5 28.49 28.4 0.1

18:00 27.71 28.4 0.7 25.98 22.8 3.2 26.93 26.8 0.1

Min 21.5 20.9 0.0 21.7 21.9 0.1 21.7 21.1 0.0

Max 38.4 39.9 5.2 37.1 37.1 4.5 36.9 37.2 3.7

Rata-rata 30.5 32.0 1.6 30.1 30.5 1.5 30.0 30.3 1.3

Tabel 3. Perbedaan temperatur dalam greenhouse antara hasil simulasi dengan hasil pengukuran tanggal 24 Juni, 26 juni dan 30 Juni 2006 dengan cuaca cerah,

Waktu

lokal 24 Juni 2006 26 Juni 2006 30 Juni 2006

S P S-P S P S-P S P S-P

6:00 21.66 21.0 0.7 21.65 18.9 2.8 21.63 20.1 1.5

7:00 22.41 22.5 0.1 22.40 21.0 1.4 22.30 21.5 0.8

8:00 23.86 26.8 3.0 23.34 25.9 2.5 23.90 26.1 2.2

9:00 27.48 30.0 2.5 27.14 29.1 2.0 26.92 29.5 2.5

10:00 31.44 31.7 0.2 31.57 32.0 0.5 31.10 34.4 3.3

11:00 35.07 33.5 1.6 31.73 33.6 1.9 34.76 34.1 0.7

12:00 37.36 32.5 4.9 36.65 34.5 2.2 36.14 33.7 2.5

13:00 38.30 36.0 2.3 39.26 35.2 4.0 38.58 35.2 3.3

14:00 38.10 35.9 2.2 40.37 35.5 4.9 38.53 37.5 1.1

15:00 36.01 34.9 1.1 38.20 35.5 2.7 36.14 36.3 0.2

16:00 32.35 32.0 0.4 33.18 31.7 1.5 33.68 34.0 0.3

17:00 29.21 27.7 1.5 29.96 29.2 0.8 31.02 30.1 0.9

18:00 27.31 26.2 1.1 27.83 27.5 0.3 29.13 27.4 1.7

Min 21.7 21.0 0.1 21.7 18.9 0.3 21.6 20.1 0.2

Max 38.3 36.0 4.9 40.4 35.5 4.9 38.6 37.5 3.3

Rata-rata 31.1 30.4 1.7 31.3 30.2 2.2 31.2 31.0 1.6

Ket: S = simulasi P = pengukuran

34 15 20 25 30 35 40 45 6 :0 0 7 :0 0 8 :0 0 9 :0 0 1 0 :0 0 1 1 :0 0 1 2 :0 0 1 3 :0 0 1 4 :0 0 1 5 :0 0 1 6 :0 0 1 7 :0 0 1 8 :0 0 Pukul (WIB) T in ( o C ) Tin simulasi Tin pengukuran

Dari Tabel 2 dan Tabel 3 dapat dilihat bahwa perbedaan rata-rata temperatur antara hasil simulasi dengan hasil pengukuran pada tanggal 21 Juni, 22 Juni dan 23 Juni 2006 yang mewakili data cuaca berawan dan hujan adalah sebesar 1.3 - 1.6 oC, sedangkan pada tanggal 24 Juni, 26 Juni dan 30 Juni 2006 yang mewakili data cuaca cerah menunjukkan perbedaan rata-rata sebesar 1.6 - 2.2 oC, sehingga simulasi ini dianggap cukup baik dan dapat digunakan untuk semua data cuaca baik pada saat cerah, berawan maupun hujan.

Gambar 13. Perbandingan antara temperatur hasil simulasi dengan hasil pengukuran tanggal 21 Juni 2006 dengan cuaca berawan.

Gambar 14. Perbandingan antara temperatur hasil simulasi dengan hasil pengukuran tanggal 22 Juni 2006 dengan cuaca berawan dan hujan.

15 20 25 30 35 40 45 6 :0 0 7 :0 0 8 :0 0 9 :0 0 1 0 :0 0 1 1 :0 0 1 2 :0 0 1 3 :0 0 1 4 :0 0 1 5 :0 0 1 6 :0 0 1 7 :0 0 1 8 :0 0 Pukul (WIB) T in ( o C ) Tin simulasi Tin pengukuran

35 Gambar 15. Perbandingan antara temperatur hasil

simulasi dengan hasil pengukuran tanggal 23 Juni 2006 dengan cuaca berawan dan hujan.

Gambar 16. Perbandingan antara temperatur hasil simulasi dengan hasil pengukuran tanggal 24 Juni 2006 dengan cuaca cerah. 15 20 25 30 35 40 45 6 :0 0 7 :0 0 8 :0 0 9 :0 0 1 0 :0 0 1 1 :0 0 1 2 :0 0 1 3 :0 0 1 4 :0 0 1 5 :0 0 1 6 :0 0 1 7 :0 0 1 8 :0 0 Pukul (WIB) T in ( oC ) Tin simulasi Tin pengukuran 15 20 25 30 35 40 45 6 :0 0 7 :0 0 8 :0 0 9 :0 0 1 0 :0 0 1 1 :0 0 1 2 :0 0 1 3 :0 0 1 4 :0 0 1 5 :0 0 1 6 :0 0 1 7 :0 0 1 8 :0 0 Pukul (WIB) T in ( oC ) Tin simulasi Tin pengukuran

36 Gambar 17. Perbandingan antara temperatur hasil

simulasi dengan hasil pengukuran tanggal 26 Juni 2006 dengan cuaca cerah.

Gambar 18. Perbandingan antara temperatur hasil simulasi dengan hasil pengukuran tanggal 30 Juni 2006 dengan cuaca cerah.

C. VALIDASI MODEL SIMULASI PINDAH PANAS

Pengujian keakuratan hasil simulasi dilakukan dengan menganalisis garis regresi yang terbentuk pada hubungan linear antara temperatur udara hasil simulasi dengan hasil pengukuran. Temperatur hasil simulasi akan semakin akurat apabila koefisien intersep-nya (a) mendekati nol dan gradiennya (b) mendekati 1.

15 20 25 30 35 40 45 6 :0 0 7 :0 0 8 :0 0 9 :0 0 1 0 :0 0 1 1 :0 0 1 2 :0 0 1 3 :0 0 1 4 :0 0 1 5 :0 0 1 6 :0 0 1 7 :0 0 1 8 :0 0 Pukul (WIB) T in ( o C ) Tin simulasi Tin pengukuran 15 20 25 30 35 40 45 6 :0 0 7 :0 0 8 :0 0 9 :0 0 1 0 :0 0 1 1 :0 0 1 2 :0 0 1 3 :0 0 1 4 :0 0 1 5 :0 0 1 6 :0 0 1 7 :0 0 1 8 :0 0 Pukul (WIB) T in ( oC ) Tin simulasi Tin pengukuran

37 Gambar 19 menunjukkan hubungan antara temperatur udara hasil simulasi dengan hasil pengukuran. Persamaan regresi yang terbentuk adalah Y= 0.86666X – 0.39864, sedangkan koefisien regresinya sebesar 0.8583. Hal ini menunjukkan bahwa hasil simulasi cukup akurat karena gradiennya mendekati satu dan intersep-nya mendekati nol.

Perbedaan temperatur hasil simulasi dengan hasil pengukuran disebabkan penggunaan koefisien pindah panas konveksi pada lantai (hf) yang

tidak berubah selama simulasi. Padahal dalam kenyataan koefisien tersebut akan selalu berubah setiap saat karena laju perpindahan panas yang terjadi tidak akan pernah tetap. Selain itu juga penggunaan konstanta yang banyak mengambil mengambil dari literatur.

Gambar 19. Hubungan linear antara temperatur hasil simulasi dengan hasil pengukuran.

D. PENGEMBANGAN MODELARTIFICIAL NEURAL NETWORK(ANN)

Penelitian ini menggunakan Artificial Neural Network (ANN) dengan algoritma backpropagation. ANN di training dengan data input, dan akan menghasilkan output berupa weight (pembobot) yang menghubungkan antarainput layer,hidden layerdanoutput layer.

Ada enam parameter yang digunakan sebagai data input dalam

training ANN, yaitu: kecepatan angin (m/s2), radiasi matahari (W/m2), temperatur penutup greenhouse, temperatur udara di luar greenhouse,

y = 0,8666x + 3,9864 R2= 0,8583 20,0

25,0 30,0 35,0 40,0 45,0

20,00 25,00 30,00 35,00 40,00 45,00

Tinpengukuran (oC)

in

38 temperatur permukaan lantai dan temperatur lapisan dalam tanah, sedangkan

outputyang diharapkan adalah temperatur udara di dalamgreenhouse.

Training dilakukan sebanyak 20 000 iterasi dengan memasukkan nilai eta (konstanta laju pembelajaran) bernilai antara 0–0.9, dalam penelitian ini dipilih 0.9, nilai alfa (konstanta momentum) bernilai 0 – 0.9, dan dipilih 0.6 dan nilai temp (konstanta persamaan sigmoid) sebesar 1 untuk semua

training. Jumlah layer yang digunakan sebanyak tiga layer yaitu input layer

sebanyak 6 noda, hidden layer sebanyak 6 noda dan output layer sebanyak satu noda. Sehingga jumlah pembobot yang dihasilkan adalah 42 buah.

Data yang didapatkan dari hasil pengukuran sebanyak 657 data. Data tersebut kemudian dibagi menjadi dua set data yaitu satu set datatraining

sebanyak 438 data dan satu set data validasi sebanyak 219 data. Pemilihan data training harus memperhatikan nilai data yaitu harus ada nilai minimum dan maksimum data, sedangkan pemilihan data validasi harus mengambil nilai diantara nilai minimum dan maksimum data. Data training dan data validasi selengkapnya dapat dilihat pada Lampiran 6 dan Lampiran 7.

Hasiltrainingdengan pengulangan sebanyak 20 000 iterasi diperoleh nilai RMSE sebesar 1.691005 E-04. Nilai pembobot yang dihasilkan jaringan pada saat nilai error tersebut digunakan untuk pendugaan temperatur udara dalam greenhouse. Nilai pembobot yang dihasilkan dari training ANN dapat dilihat pada Lampiran 9.

E. VALIDASI MODELARTIFICIAL NEURAL NETWORK(ANN)

Proses validasi merupakan pengujian kinerja jaringan ANN terhadap contoh data yang belum pernah diberikan dalam training. Validasi dilakukan setelah mendapatkan nilai RMSE yang cukup kecil. Nilai RMSE yang diperoleh sebesar 1.691005 E-04. Nilai tersebut sudah cukup kecil sehingga model ANN dapat dikatakan berhasil. Hal ini juga berarti bahwa jaringan ANN telah di-trainingdengan baik.

Hubungan antara temperatur udara hasil pengukuran dan temperatur udara hasil pendugaan ANN dapat dilihat pada Gambar 20. Dari grafik tersebut diperoleh persamaan regresi berupa Y = 0.9866X + 0.495, sedangkan

39 nilai koefisien determinasi sebesar 0.9706. Berdasarkan persamaan tersebut didapat koefisien intersep yang mendekati nol yaitu sebesar 0.495, dan gradien yang mendekati satu yaitu sebesar 0.9866. Dilihat dari nilai koefisien intersep, gradien dan koefisien determinasi yang dihasilkan, dapat dikatakan bahwa model ANN telah berhasil.

Gambar 20. Grafik hubungan temperatur udara dalam

greenhouse antara hasil pengukuran dengan hasil pendugaan menggunakan ANN.

Berdasarkan nilai koefisien intersep, gradien garis regresi dan koefisien determinasi dari model ANN yang lebih besar dari pada model simulasi, maka dapat dikatakan bahwa model ANN lebih akurat dibandingkan dengan model simulasi. Hal ini disebabkan pada simulasi hanya digunakan persamaan kesetimbangan panas yang sederhana dan banyak digunakan konstanta yang diambil dari literatur.

y = 0,9866x + 0,495 R2= 0,9706

15 17 19 21 23 25 27 29 31 33 35 37 39 41

15 17 19 21 23 25 27 29 31 33 35 37 39 41 Hasil pengukuran (oC)

Lampiran 7. (Lanjutan)

94 34.6 0 0 34.9 31.88 39.4 31.6

95 34.3 0.7 0 33.2 32.01 38.7 31.5

96 26 0 0 22.6 25.12 33.4 31.6

97 20.1 0 0 17.9 20.94 24.4 30.5

98 22.3 0 82.2 20.1 20.79 25.5 31.8

99 23 0 77.58 20.1 21.43 25.7 31.8

100 23.8 0 85.22 20.3 21.94 26 31.8

101 24.1 0 187.81 20.8 22.3 26.3 31.6

102 28 0 445.72 27.4 25.13 29.4 31.3

103 28.7 0 494 28.4 25.51 30.2 31.2

104 29.5 0 508.96 29.7 26 30.9 31.1

105 30.3 1 554.67 30.6 26.53 33.1 31.3

106 34 1.7 833.47 39.9 30.23 38.2 31.1

107 33.2 0 855.77 41.7 30.99 37.1 31.3

108 34.1 1.7 813.73 39.5 30.99 37.9 31

109 33.5 0.3 733.57 39.3 30.86 39.5 31

110 35.6 0 807.64 39.7 30.74 40.8 31.3

111 34.9 0 857.43 40.7 33.29 41 31.2

112 35 2 846.6 41.1 34.82 40.8 30.8

113 35.2 1.6 873.59 41.5 34.82 40.6 31

114 35.6 1 737.11 41.4 33.67 41.1 30.8

115 36.7 0 581.63 38.3 35.96 41.8 31.2

116 36.3 1.1 438.75 36.7 35.33 41.2 31.2

117 35.6 2.1 421.24 35.8 37.11 40.4 31.3

118 32.9 1.5 163.93 31.9 34.56 35.2 31.6

119 31.7 0 123.63 31.5 34.18 36.7 31.8

120 30.8 0 94.79 30.4 33.8 36.2 31.8

121 27.4 0 0 25.9 30.84 33.9 32.4

122 20.1 0 0 18.3 20.27 24.6 31.1

123 21.9 0 96.78 19.3 20.92 25.4 32

124 22.7 0 114.58 19.9 21.3 25.6 31.9

125 23.6 0.9 152.87 20.5 21.69 25.9 31.4

126 27.2 2.1 400.16 25.8 24.62 28.3 31.3

127 28.6 1.8 431.98 27.2 25.64 29.4 31.4

128 28.7 0 479.46 28.3 25.89 30.1 31.2

129 32.2 1 789.34 38.7 30.23 36.7 31.2

130 33.9 0 812.1 40.3 30.74 37.9 31.1

131 34.2 0 806.39 40.9 30.86 39.8 31

132 34.9 1.9 848.01 40.7 31.63 42 30.9

133 34.7 2.4 845.51 41.3 31.88 43.2 30.8

134 35.8 1.7 856.57 40.6 31.63 43.6 30.8

135 36 2.5 806.11 40.6 32.39 44.5 30.9

136 37.1 0 760.67 42 33.29 44.5 31.1

137 36.8 1 751.25 41.5 32.9 42.3 31.1

138 35.3 0.6 426.01 36.5 32.27 40.9 31.3

139 35 0.7 393.77 35.6 32.52 39.8 31.3

140 34.9 0.5 347.44 35.4 31.88 39.7 31.6

Lampiran 7. (Lanjutan)

142 32.7 0 146.72 32.5 31.88 38.4 31.5

143 32.4 0.7 160.74 31.9 31.12 37.9 31.6

144 19.9 0 5.21 17.9 19.85 24.3 32.4

145 20.1 0 11.46 18.3 20.16 24.7 31.9

146 20.4 0 19.92 18.7 20.45 24.7 32

147 25 4.9 112.3 22.5 22.32 26.7 31.8

148 25.4 4.9 125.05 23.6 22.83 27.3 31.7

149 26.6 2.8 135.57 24 23.34 27.8 31.6

150 28.8 0 183.83 28.4 25.51 30.2 31.3

151 29.4 0 307.91 30.4 26.02 30.9 31.5

152 29.7 0 531.85 30.6 26.66 31.2 31.4

153 30.5 1 570.92 30.7 26.66 33.9 31.6

154 33.8 0 746.95 37.6 28.57 38.1 31.4

155 33.1 0 753.28 37.8 28.7 38.5 31.2

156 32 0.6 786.27 37.2 29.08 39.8 31.3

157 34.7 0 920.74 42.3 30.86 43.3 31.1

158 35.9 1.5 891.97 41.5 31.5 44.1 31.1

159 35.9 0.8 906.63 42.4 31.5 44.8 31.2

160 36.3 1.5 751.07 42.2 32.01 43.2 31.1

161 36.7 0.3 751.55 42.1 30.99 43.3 31.1

162 36.2 1.3 451.66 37.1 31.88 40.4 31.6

163 34.5 0.1 390.94 37.1 31.37 40.2 31.7

164 35.2 1.1 341.53 36.5 31.25 39.4 32

165 33.8 0.8 283.71 34.6 30.99 39 31.9

166 30.8 0 46.51 29.6 29.46 35.7 31.8

167 30 0.7 57.19 29.1 28.95 35.2 31.9

168 29.7 1.4 28.04 28.3 28.7 34.8 32.1

169 21.7 0.8 33.29 19.8 20.92 26.1 32.1

170 22.1 0.8 40.94 19.9 20.92 25.8 32.2

171 22.3 0 44.13 19.8 21.05 25.7 32.2

172 23.1 0 54 20.2 21.43 26 32.1

173 23.6 0 62.29 20.6 21.81 26.2 32.3

174 33.5 0 618.2 34.5 28.31 36.8 31.8

175 34.3 0.2 630.98 36.1 28.57 38.1 31.7

176 35.2 1.2 677.35 36.3 28.95 36.6 31.5

177 34.5 0.3 672.38 38.3 29.72 39.1 31.7

178 36.2 0.5 749.68 40.3 30.99 42.7 31.3

179 37 1.6 756.54 41.3 30.86 41.6 31.3

180 36.7 0.9 820.38 42.1 31.88 44 31.6

181 37.1 0 820.41 42.3 31.88 40.6 31.4

182 38.2 0.7 789.3 43.3 32.65 46.3 31.3

Lampiran 7. (Lanjutan)

190 30.2 0.4 42.06 28.6 28.44 35.5 31.7

191 29.9 1.7 38.07 28.2 28.19 35.3 31.7

192 29.6 0.3 16.41 27.3 27.8 35 31.6

193 29.1 1 13.86 26.9 27.55 34.5 31.7

194 28.9 0.5 8.54 26.3 27.28 34.2 31.6

195 25.9 0 109.92 23.2 22.83 27.2 32

196 26.6 0 118.58 23.9 23.34 27.7 31.8

197 26.4 0 130.37 24.9 24.11 28.1 31.9

198 27.5 0 137.53 25.9 24.36 28.2 31.9

199 28.5 0 440.68 27.9 25.13 29.3 31.8

200 29.1 0 488.9 28.6 26.02 30.1 31.8

201 29.1 0 529.68 29 26.28 31 31.8

202 32.2 4.9 864.03 39.2 29.21 36.8 31.1

203 33.6 4.9 869.29 40.1 29.46 38.1 31.2

204 34 4.9 912.78 39.4 29.97 39.3 31.5

205 35.7 0 832.83 41.1 30.61 41.6 31.4

206 33.7 1.2 881.92 39.3 30.48 42.6 31.3

207 35.7 1.5 930.35 40.7 29.59 41.2 31.3

208 33.6 0.6 903.29 41.6 30.86 42.8 31.2

209 34.5 0.4 885.72 40.5 30.48 39.4 31.4

210 35.5 0.1 729.06 39.4 31.63 42.1 31.2

211 33.6 1.1 280.9 36.3 31.12 40.8 31.4

212 33.4 2 255.86 34.8 30.74 39.9 31.2

213 33.8 0 264.23 35.3 30.99 39.8 31.5

214 35 0 550.62 36.9 31.25 41.2 31.6

215 30.7 0 100.11 29.5 29.21 36.3 31.9

216 29.8 1.5 96.6 29 28.95 35.8 31.9

217 28.1 0 7.55 25.8 27.93 33.6 32.4

218 27.7 0 4.32 25.5 27.42 33.4 32.6

Lampiran 8. Temperatur hasil validasi ANN.

No.

T in hasil pengukuran

T in hasil pendugaan

ANN No.

T in hasil pengukuran

T in hasil pendugaan

ANN No.

T in hasil pengukuran

T in hasil pendugaan

ANN

1 21.9 22.32052 38 28.8 28.75094 75 26.7 26.81492

2 22.4 22.71698 39 29.7 29.53009 76 24.3 23.18599

3 22.8 22.93251 40 30.2 30.93528 77 25.9 23.63013

4 24.3 24.34239 41 31.5 31.60613 78 25.6 23.67907

5 24.9 24.84608 42 32.6 31.00569 79 29.9 31.11453

6 26.9 26.59007 43 35.7 35.65314 80 30.8 31.96578

7 28.2 28.27076 44 33.6 34.39402 81 35.3 34.11914

8 28.7 29.25559 45 35.2 35.01778 82 34.4 34.97951

9 30.9 31.4802 46 33.6 34.6572 83 34.8 34.49504

10 32.5 32.51396 47 34.8 35.30725 84 35.7 35.39762

11 33.2 34.10773 48 35.4 35.85622 85 34 35.81772

12 34.6 34.56624 49 35 35.54921 86 35.8 36.25395

13 35.6 35.45708 50 36.4 35.95469 87 35.8 37.09909

14 36.7 35.56726 51 34.7 35.43 88 36.2 36.98847

15 35.8 35.42394 52 34.4 34.59799 89 37.3 37.06587

16 36.1 36.05544 53 32.8 33.46539 90 36.5 35.05951

17 37 35.84343 54 31.3 32.30817 91 35.1 34.45835

18 37.2 35.967 55 28.2 30.46089 92 35.3 33.88731

19 36.5 36.10927 56 27.5 28.21501 93 35.7 33.58442

20 36.4 35.72977 57 27.3 27.91745 94 34.6 33.44617

21 35.7 35.24369 58 22.5 22.73036 95 34.3 32.89364

22 34.5 34.43446 59 22.8 22.87399 96 26 25.88437

23 33.2 33.6678 60 23.6 23.46432 97 20.1 20.25773

24 32.3 33.62526 61 24.2 24.07995 98 22.3 21.93872

25 28.6 30.25395 62 29.6 29.69421 99 23 22.17756

26 26.2 27.69915 63 30.2 30.31955 100 23.8 22.55289

27 24.4 25.89121 64 30 30.61419 101 24.1 23.37779

28 23.3 24.36416 65 31.9 32.36482 102 28 28.3713

29 23.2 24.72739 66 33.2 33.59977 103 28.7 29.02684

30 22.8 23.60975 67 33.8 34.82923 104 29.5 29.81016

31 21.1 21.81197 68 34.3 35.18411 105 30.3 30.69951

32 22.5 22.70429 69 35.9 35.67017 106 34 34.72354

Lampiran 8. (lanjutan)

No.

T in hasil pengukuran

T in hasil pendugaan

ANN No.

T in hasil pengukuran

T in hasil pendugaan

ANN No.

T in hasil pengukuran

T in hasil pendugaan

ANN

112 35 36.09071 148 25.4 25.60573 184 38.5 36.78875

113 35.2 36.06608 149 26.6 25.87199 185 35.4 34.60408

114 35.6 36.24723 150 28.8 28.78378 186 32.8 33.87911

115 36.7 36.05856 151 29.4 30.0745 187 33.4 33.56922

116 36.3 35.63419 152 29.7 30.33602 188 34.2 33.8539

117 35.6 35.63792 153 30.5 30.85296 189 33.1 33.30027

118 32.9 33.08581 154 33.8 33.82694 190 30.2 30.05289

119 31.7 32.8401 155 33.1 33.9629 191 29.9 29.91623

120 30.8 32.22573 156 32 33.96611 192 29.6 29.16376

121 27.4 29.00991 157 34.7 35.73258 193 29.1 28.90758

122 20.1 20.24003 158 35.9 35.87997 194 28.9 28.45293

123 21.9 21.55971 159 35.9 36.10536 195 25.9 24.69498

124 22.7 22.14079 160 36.3 36.39903 196 26.6 25.35544

125 23.6 22.98645 161 36.7 36.16823 197 26.4 26.18887

126 27.2 27.55993 162 36.2 35.06355 198 27.5 26.78364

127 28.6 28.61832 163 34.5 34.87248 199 28.5 28.53488

128 28.7 29.07491 164 35.2 34.61221 200 29.1 29.18161

129 32.2 34.25476 165 33.8 33.86968 201 29.1 29.53121

130 33.9 34.84544 166 30.8 30.69545 202 32.2 34.23848

131 34.2 35.28779 167 30 30.40638 203 33.6 34.68951

132 34.9 35.61101 168 29.7 29.90341 204 34 34.55947

133 34.7 35.97941 169 21.7 21.8395 205 35.7 35.41697

134 35.8 35.73639 170 22.1 21.85437 206 33.7 34.94294

135 36 36.11737 171 22.3 21.7014 207 35.7 34.8806

136 37.1 36.57639 172 23.1 22.16815 208 33.6 35.57118

137 36.8 36.23607 173 23.6 22.57271 209 34.5 34.82732

138 35.3 34.99686 174 33.5 32.84343 210 35.5 35.45058

139 35 34.65562 175 34.3 33.60326 211 33.6 34.67937

140 34.9 34.41993 176 35.2 33.53309 212 33.4 34.08941

141 34.2 34.02737 177 34.5 34.55375 213 33.8 34.12873

142 32.7 33.00367 178 36.2 35.63275 214 35 34.83761

143 32.4 32.66093 179 37 35.80204 215 30.7 30.86807

144 19.9 19.69883 180 36.7 36.21967 216 29.8 30.67466

145 20.1 20.20551 181 37.1 35.86363 217 28.1 28.17323

146 20.4 20.56385 182 38.2 36.93916 218 27.7 27.83327

Lampiran 9. Nilai pembobot yang dihasilkan dari training ANN.

No.

Nilai pembobot

No.

Nilai pembobot

1

-0.17057

22

-0.50299

2

1.35160

23

-0.59956

3

1.30769

24

0.01798

4

0.24948

25

0.33876

5

0.46247

26

0.52520

6

-0.12180

27

0.84861

7

0.09740

28

0.62656

8

-0.22269

29

0.05250

9

-0.17258

30

0.96206

10

-0.12121

31

0.16518

11

0.31803

32

1.69610

12

0.52988

33

0.76343

13

0.56284

34

0.93425

14

0.87693

35

0.06290

15

0.78936

36

-0.11220

16

0.52982

37

1.19792

17

0.55277

38

-0.86598

18

0.32047

39

0.46040

19

-0.04790

40

-4.41193

20

0.64353

41

-0.25236