VALIDASI MODEL SIMULASI PINDAH PANAS PENGEMBANGAN MODEL ARTIFICIAL NEURAL NETWORK ANN

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 7 :0 8 :0 9 :0 1 :0 1 1 :0 1 2 :0 1 3 :0 1 4 :0 1 5 :0 1 6 :0 1 7 :0 1 8 :0 Pukul WIB T in o C Tin simulasi Tin pengukuran 15 20 25 30 35 40 45 6 :0 7 :0 8 :0 9 :0 1 :0 1 1 :0 1 2 :0 1 3 :0 1 4 :0 1 5 :0 1 6 :0 1 7 :0 1 8 :0 Pukul WIB T in o C 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 h f 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 MODEL ARTIFICIAL 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 antara input layer, hidden layer dan output layer. Ada enam parameter yang digunakan sebagai data input dalam training ANN, yaitu: kecepatan angin ms 2 , radiasi matahari Wm 2 , temperatur penutup greenhouse, temperatur udara di luar greenhouse, y = 0,8666x + 3,9864 R 2 = 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 T in pengukuran o C in o 38 temperatur permukaan lantai dan temperatur lapisan dalam tanah, sedangkan output yang diharapkan adalah temperatur udara di dalam greenhouse. 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 data training 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. Hasil training dengan 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 MODEL ARTIFICIAL NEURAL NETWORK ANN