5
Menutupi kolam pada malam hari menjadi strategi yang lebih efektif karena hal ini mengurangi terjadinya kondensasi dan penggunaan energi konvensional secara serempak. Dalam teknologi solar
pasif sistem , dimana konveksi dan penyerapan surya langsung oleh air berdasarkan prinsip mekanisme
transfer panas, rumah kaca adalah teknologi utama yang digunakan. Dalam Fuller 2007 dijelaskan resirkulasi tangki di greenhouse polietilen dapat bertukar panas dan massa melalui berbagai
mekanisme konduksi, radiasi, konveksi dan evaporasi dengan lantai struktural sekitarnya, permukaan dan tertutup massa udara Gambar 1.
Gambar 1. Mekanisme pindah panas dan massa antara tangki dan struktur Fuller 2007 Dalam sistem kolam greenhouse, sistem dibagi menjadi empat lapisan internal cover, udara
internal, air dan tanah dan tiga batas lapisan langit, udara eksternal dan tanah dibawahnya. Interaksi antara lapisan melibatkan transfer panas melalui konveksi, pertukaran panas laten, radiasi termal,
radiasi matahari dan konduksi. Radiasi matahari mencapai cover, air dan dasar kolam. Pertukaran radiasi termal terjadi di antara permukaan air dan cover, dan sebagian udara di langit, dan di antara
cover
dan langit. Konduksi panas berlangsung secara eksklusif antara tanah dan lapisan tanah di bawahnya. Konveksi dan transfer panas laten terjadi antara udara dan permukaan air, dan cover
permukaan dalam dan luar, serta dari internal ke udara luar, yang disebabkan oleh kebocoran ventilasi atau udara.
2.4 Artificial neural network
Menurut Rudiyanto et al. 2004 diacu dalam Murniwaty 2008, Artificial neural network ANN merupakan sebuah sistem pemrosesan informasi yang mempunyai karakteristik dasar
menyerupai jaringan saraf bologis. Bentuk karakteristik dasar itu adalah : pertama ANN terdiri dari beberapa elemen pemrosesan dasar neuron yang menerima masukan dari beberapa neuron yang
berada di depannya. Kedua, nilai masukan sinyal akan dikalikan dengan pembobot keterhubungan antar neuron, dan dijumlahkan secara menyeluruh dari semua masukan, dan nilai ini disebut nilai total
masukan neuron. Ketiga, apabila nilai total masukan neuron melebihi ambang batas tertentu, maka neuron tersebut akan mengirim sinyal keluaran kepada semua neuron yang berhubungan dengannya.
Keempat, pembobot keterhubungan antar neuron dapat diubah melalui proses pembelajaran. Berdasarkan arsitektur keterhubungan antar neuron, terdapat single layer feedforward dan
multilayer feedforward ANN. Multilayer feedforward lebih mampu menyelesaikan persoalan dengan
tingkat kesulitan yang tinggi, mempunyai satu atau lebih layar neuron diantara input layer dan output layer
, yang disebut dengan hidden layer. Multilayer feedforward neural networks dan
6
backpropagation terdiri dari 3 layer, yaitu input layer, hidden layer, dan output layer. Input layer
mempunyai n noda. Hidden layer mempunyai h noda. Output layer mempunyai m noda. Notasi yang dipakai adalah sebagai berikut:
x
i
Vektor masukan di mana i = 1,2,3,…n
v
ji
Pembobot penghubung input layer dengan hidden layer dimana i = 1,2,3,…n dan j = 1,2,3,…n
w
kj
Pembobot penghubung hidden layer dengan output layer dimana k = 1,2,3,...n
x
p
data input training di mana p = 1,2,3,…p
y
p j
Output pada hidden layer unit ke-j dengan input xp
z
p k
Output pada output layer unit ke-k
t
p k
Target output
f Fungsi aktivasi
Struktur ANN Backpropagation diperlihatkan pada Gambar 2.
Gambar 2. Struktur ANN Backpropagation. Dalam aplikasi ANN jumlah iterasi pelatihan merupakan faktor penting yang mempengaruhi
kekuatan model model robustness. Overtraining dan undertraining dapat terjadi apabila iterasi training terlalu sedikit dan terlalu banyak. Laju pelatihan learning rate dan momentum diperlukan
dalam ANN untuk mencapai kondisi optimal. Kondisi yang diinginkan dari suatu ANN adalah galat yang kecil hingga mencapai minimum global bukan minimum lokal. Paterson 1995 diacu dalam
Murniwati 2008 menyatakan bahwa koefisien laju pelatihan η dalam delta rule secara umum menentukan ukuran penyesuaian pembobot yang dibuat pada tiap-tiap iterasi dan karena itu
mempengaruhi laju konvergensi. Apabila pemilihan laju pelatihan terlalu besar maka untuk mencapai konvergensi akan lebih lambat daripada penurunan error langsung, sebaliknya laju pelatihan yang
terlalu kecil penurunan error akan melaju sangat kecil sehingga butuh waktu yang lama untuk mencapai konvergensi.
Algoritma pembelajaran ANN backpropagation menurut Rudiyanto et al 2004 adalah sebagai berikut:
1. Inisialisasi pembobot
Pembobot awal pada ANN diberi nilai secara acak. Nilai acak ini biasanya berkisar 1-1 atau 0-1.
7
2. Perhitungan nilai aktivasi
Perhitungan feedforward dimulai dengan menjumlahkan hasil perkalian input Xi dengan pembobot Vji
. Dan menghasilkan Hj yang merupakan nilai input ke fungsi aktivasi hidden layer. Kemudian output
Yj pada hidden layer unit j merupakan hasil fungsi aktivasi f dengan masukan Hj. Hal ini diformulasikan
dalam: =
= ∑
= ∑
= ∑
∑ dengan fungsi aktivasi berupa fungsi sigmoid sebagai berikut:
= 1
dimana β adalah gain atau slope fungsi sigmoid konstanta. 3.
Pelatihan pengkoreksian nilai pembobot Pelatihan nilai pembobot pada ANN dilakukan dengan mengurangimenurunkan total error system
untuk semua data melalui koreksi pembobot. Rata-rata total error system merupakan error output untuk semua pasang data training. Perubahan total error system dapat ditulis sebagai berikut:
= ∑
2 dimana E adalah sebagai berikut:
= ∑ −
3 Pengkoreksi pembobot antara output layer dan hidden layer dan antara hidden layer dan input layer
berturut-turut ditulis sebagai berikut: ∆
+ = −
+ ∆ 4
∆ +
= − + ∆ t
5 dimana α adalah momentum konstanta 0α1
Proses perhitungan pembobot antara output layer dan hidden layer dilakukan dengan persamaan berikut:
= + ∆
+ +
6 dan pebobot antara hidden layer dan input layer dilakukan dengan persamaan berikut:
= + ∆
+ 7
4. Pengulangan
Keseluruhan proses ini dilakukan pada setiap contoh dan setiap iterasi. Proses pemberian contoh atau pasangan input-output, perhitungan nilai aktifasi dan pembelajaran dengan mengkoreksi pembobot
dilakukan terus menerus sampai didapatkan nilai pembobot dengan nilai total error system mencapai minimum global.
8
III. METODOLOGI PENELITIAN
