34
5 10
15 20
25 30
35 40
45
06. 00
07. 00
08. 00
09. 00
10 .0
11. 00
12. 00
13 .0
14. 00
15. 00
16. 00
17. 00
18 .0
Waktu WIB T
e m
p er
at u
r C
Tin simulasi Tin pengukuran
Gambar 15. Perbandingan antara temperatur hasil simulasi dengan hasil pengukuran tanggal 30 Mei 2007
dengan cuaca cerah.
5 10
15 20
25 30
35 40
45
06. 00
07. 00
08. 00
09. 00
10 .0
11 .0
12 .0
13 .0
14. 00
15. 00
16. 00
17. 00
18. 00
Waktu WIB T
e mp
er at
u r
o
C
Tin simulasi Tin pengukuran
Gambar 16. Perbandingan antara temperatur hasil simulasi dengan hasil pengukuran tanggal 1 Juni 2007
dengan cuaca berawan dan hujan.
V.3 Validasi Simulasi Pindah Panas dalam Greenhouse
Pengolahan data hasil pengukuran di lapangan diolah dengan simulasi program pindah panas. Simulasi tersebut telah memasukkan semua faktor
yang menyebabkan terjadinya pindah panas. Data hasil simulasi tersebut kemudian dibandingkan dengan hasil pengukuran di lapangan.
35 Gambar 19 menunjukkan hubungan linier antara temperatur hasil
simulasi dan temperatur hasil pengukuran. Persamaan regresi yang terbentuk adalah y = 0.9064x + 3.2891. Nilai R
2
adalah 0.6411. Simulasi dapat dikatakan cukup akurat karena intersepnya mendekati nol dan gradien masih
mendekati satu. Berikut grafik hubungan linier antara hasil pengukuran dan hasil simulasi.
y = 0.9064x + 3.2891 R
2
= 0.6411
10 20
30 40
10 20
30 40
Tin Pengukuran
o
C Ti
n S imu
la s
i
o
C
Gambar 17. Hubungan linear antara temperatur hasil pendugaansimulasi dengan hasil pengukuran.
Setelah diketahui, garis regresi, kemudian dihitung nilai Average Percetage of Defiation
APD. Nilai APD yang didapatkan adalah 9.531 . Nilai ini menunjukkan rata-rata penyimpangan hasil simulasi terhadap
trendline. Untuk nilai APD yang menunjukkan rata-rata penyimpangan
hasil simulasi terhadap garis y = x didapatkan nilai 9.744 .
V.4 Simulasi Artificial Neural Network ANN
Selain menggunakan simulasi program, pendugaan temperatur di
dalam greenhouse juga menggunakan program Artificial Neural Network.
Dengan menggunakan multilayer feedforward
sehingga mampu
36 menyelesaikan persoalan dengan tingkat kesulitan yang lebih tinggi.
Program ini dapat menunjukkan nilai pendugaan temperatur di dalam greenhouse
sebagai output dengan memasukkan data kecepatan angin, temperatur udara di sekitar greenhouse, radiasi sinar matahari, temperatur
atap greenhouse, temperatur permukaan tanah dan temperatur tanah pada kedalaman 0.315 m sebagai input. Model ANN ini telah dikembangkan oleh
Nuryawati 2006. Dari hasil pendugaan tersebut dapat diketahui bahwa hasil pendugaan
suhu dengan ANN menunjukkan nilai yang lebih tinggi dari pada suhu pengukuran. Dari ketiga model variasi data training dan validasi, model II
memiliki nilai bias yang paling mendekati nol yakni -0.150. Nilai bias pada model I dan III masing-masing adalah -0.177 dan -0.629. Pada nilai bias ini,
angka menunjukkan tingkat kecocokan hasil pendugaan dengan hasil pengukuran sedangkan tanda negatif menjukkan bahwa hasil pendugaan
lebih besar daripada hasil pengukuran. Untuk pendugaan dengan empat input, didapatkan nilai bias 0.170. Nilai bias cukup kecil sehingga dapat
dikatakan bahwa hasil pendugaan cukup baik. Kemudian dilakukan simulasi dengan menggunakan hanya empat data
input yaitu data kecepatan angin, temperatur udara di sekitar greenhouse,
radiasi sinar matahari dan kelembaban udara. Simulasi ini dilakukan agar dapat menduga temperatur greenhouse dengan data yang bisa didapatkan
dari stasiun klimatologi. Pendugaan dilakukan dengan model II. Berdasarkan nilai bias, diketahui bahwa pendugaan temperatur di
dalam greenhouse dengan menggunakan ANN pengembangan Nuryawati 2006 lebih baik dibandingkan dengan menggunakan empat data input.
Namun, input untuk model yang dikembangkan Nuryawati tidak mudah didapatkan. Pada input yang digunakan Nuryawati harus diukur temperatur
atap, temperatur permukaan tanah dan lapisan tanah pada kedalaman 0.315 m. Pada model dimana empat data input yang berupa data kecepatan angin,
temperatur udara di sekitar greenhouse, radiasi sinar matahari dan kelembaban udara, data bisa didapatkan di stasiun klimatologi.
37
V.4 Validasi Artificial Neural Network ANN
