6 Prinsip pindah panas antara bangunan dan lingkungan sekitarnya
yang dikembangkan oleh Soegijanto 1999 dapat juga digunakan untuk greenhouse
. Pindah panas yang terjadi dalam greenhouse dengan 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. SIMULASI GREENHOUSE
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, yaitu input
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 dengan training-nya.
Salah satu metode training ANN 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:
1. Inisialisasi pembobot weight
8 Mula-mula pembobot dipilih secara acak, kemudian setiap sinyal
input diberikan ke dalam noda pada input layer, lalu sistem akan mengirim
sinyal ke noda pada hidden layer.
Gambar 2. Struktur ANN Backpropagation. 2. Perhitungan nilai aktivasi
Setiap noda pada hidden layer dihitung nilai net input-nya dengan cara menjumlahkan seluruh hasil perkalian antara noda input X
i
dengan pembobotnya V
ij
, sebagaimana dalam persamaan berikut:
n i
ij i
ij
V X
Z
1
………...……. 1
Jika setiap noda pada lapisan ini telah menerima nilai net input, langkah selanjutnya adalah memasukkan nilai net input pada setiap noda ke dalam
fungsi aktivasi fungsi sigmoid berikut:
exp 1
1
ij
Z ij
Z f
………...……. 2
dengan : konstanta fungsi sigmoid.
X
i
Xn V
ij
Z
ij
Y
k
W
jk
Input layer
Hidden layer
Output layer
9 Z
j
= fZ
ij
………...……. 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 T
k
= nilai target yang diberikan dalam training ANN Y
k
= output dari hasil perhitungan pada jaringan
Pada setiap
lapisan dilakukan
perubahan pembobot
dengan menggunakan aturan delta rule. Perubahan pembobot dari hidden layer ke
output layer sesuai dengan persamaan:
W
jk
=
k
Z
j
………...……. 6
dimana W
jk
= perubahan nilai pembobot W
ij
= laju pembelajaran
k
= galat output ke k Z
j
= fungsi sigmoid
Perubahan pembobot dari hidden layer ke input layer sesuai dengan persamaan:
Vij =
j
X
i
………...……. 7
10 Sehingga nilai perbaikan pembobot dapat dibuat dalam persamaan berikut:
W
jk
baru = W
jk
lama + W
jk
………...……. 8 V
ij
baru = V
ij
lama + V
ij
………...……. 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: W
jk
baru =
k
Z
j
+ β W
jk
lama ………...……. 10
V
ij
baru =
j
Xi + β V
ij
lama …...…...……. 11
dengan β adalah 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 dan output, 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:
RMSE = n
Tk Yk
2
………...……. 12
11 dimana:
Y
k
= nilai prediksi jaringan T
k
= 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 contoh input-output yang
hampir sama dengan contoh set input-output yang diberikan selama training
.
III. PENDEKATAN TEORITIS