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