20
Tabel 5 . Dissolve oxygen DO hasil pengamatan No
Waktu WIB Oksigen Terlarut DO
A1 A2
B1 B2
C1 C2
1 10.00
7.4 7.1
7.3 5.4
6.3 5.7
2 14.00
6.8 7
6.8 5
6.7 6.6
3 17.00
6.7 7
6.6 4.9
6.5 6.2
Data suhu yang diperoleh sejauh ini masih belum memenuhi syarat kolam bagi ikan menurut Susanti 2010 yaitu 25
o
C-30
o
C. Akan tetapi dari hasil pengamatan di lapangan di kolam yang berlokasi di daerah Sawah Baru, Darmaga rata-rata suhu air pada saat siang hari dengan ketinggian air
40 cm dengan kondisi cerah berkisar antara 30
o
C-33
o
C. Dengan suhu seperti yang diperoleh di kolam petani masih memungkinkan ikan untuk dapat hidup didalamnya, selain itu ikan memiliki sifat
poikilotermis sehingga fluktuasi suhunya akan mengikuti perubahan suhu medianya.
4.3 Pendugaan Suhu Air Kolam Dengan
Artificial neural network
Pemrograman simulasi dengan Artificial neural network menggunakan bahasa pemrograman Visual Basic
. Program pendugaan dengan model Artificial neural network menggunakan algoritma backpropagation
. Bagan proses program tampak pada Gambar 14. Data masukan yang digunakan berjumlah enam buah yaitu waktu pukul, suhu udara luar
o
C, RH , kecepatan angin ms, intensitas cahaya lux, dan suhu air pada saat t pukul. Layar
tersembunyi yang digunakan berjumlah 1 lapis berupa 12 neuron. Output yang diharapkan adalah suhu air pada saat t+1. Data-data hasil pengukuran disusun sehingga dapat diolah menggunakan
program artificial neural network. Pembuatan model pengembangan pendugaan suhu air kolam berjumlah 6 buah ANN, yang
pertama adalah ANN dengan ketinggian air kolam 15 cm tertutup plastik bening, kedua adalah ANN dengan ketinggian air kolam 35 cm tertutup plastik bening, ketiga adalah ANN dengan ketinggian air
15 cm tertutup plastik biru, keempat adalah ANN dengan ketinggian air 35 cm tertutup plastik biru, kelima adalah ANN dengan ketinggian air 15 cm tanpa penutup, dan keenam adalah ANN dengan
ketinggian air 35 cm tanpa penutup.
Gambar 14. Bagan proses program Training ANN dengan
data hasil pengamatan
Data pembobot weight Validasi ANN dengan
data baru
Data suhu air kolam hasil validasi ANN
Data pendugaan suhu air kolam pembenihan hasil training ANN
21
4.4 Training ANN
Data-data yang digunakan dalam simulasi ANN untuk menduga suhu air kolam adalah hasil pengukuran selama percobaan. Pengambilan data training dilakukan selama 188 jam meliputi hari
hujan dan hari cerah. Data training dapat dilihat pada Lampiran 4, 5, 6, 7, 8, dan 9. Terdapat 6 buah data training ANN yaitu training untuk A1, A2, B1, B2, C1, dan C2.
Proses training ANN dilakukan dengan memberikan masukan data input nn.txt. File ini berisi data jumlah data jumlah input layer x
i
, hidden layer z
i
, output layer y, dan seluruh data pengukuran yang ditulis sedemikian rupa agar dapat dibaca sebagai input dalam program
Backpropagatiion Neural network. Data-data hasil training disimpan dalam menu file berekstensi txt
.txt. Grafik perbandingan error hasil training dengan beberapa iterasi dapat dilihat pada Gambar 15.
Dari grafik tersebut dapat dilihat bahwa nilai error semakin kecil pada iterasi ke 200000. Sehingga untuk perhitungan selanjutnya akan dipakai hasil bobot dari iterasi sebanyak 200000.
Gambar 15. Grafik perubahan error hasil training ANN dengan beberapa iterasi 2
4 6
8 10
2 6
1 1
4 1
8 4
8 1
2 1
6 2
E rr
o r
Jumlah iterasi
A1
1.8 2
2.2 2.4
2.6 2.8
4 8
1 2
1 6
2 6
1 1
4 1
8
E rr
o r
Jumlah iterasi
A2
2 4
6 8
2 6
1 1
4 1
8 4
8 1
2 1
6 2
E rr
o r
Jumlah iterasi
B1
1 2
3 4
5 6
2 6
1 1
4 1
8 4
8 1
2 1
6 2
E rr
o r
Jumlah iterasi
B2
1 2
3 4
5
2 6
1 1
4 1
8 4
8 1
2 1
6 2
E rr
o r
Jumlah iterasi
C1
1 2
3 4
5
2 6
1 1
4 1
8 4
8 1
2 1
6 2
E rr
o r
Jumlah iterasi
C2
22
Dari hasil training, diperoleh beberapa kemungkinan nilai bias input, bobot input, bias output, dan bobot output. Data pembobot disimpan dalam file weight.txt. Salah satu contoh data pembobot
ANN terlihat pada Lampiran 10. Nilai error data training sampai 200000 iterasi untuk A1 sebesar 5.678, A2 sebesar 1.987, B1 sebesar 4.146, B2 sebesar 3.596, C1 sebesar 2.496, dan C2
sebesar 2.988.
4.5 Validasi
