Penentuan Nilai Stabilitas Marshall Dengan Menggunakan Artificial Neural Network Chapter III V
BAB III
METODOLOGI PENELITIAN
III.1 Diagram Alur (Flowchart)
Pelaksanaan penelitian ini, memerlukan banyak hal yang harus
diperhatikan sebagai persiapan dalam melakukan penelitian. Tujuannya agar
memperkecil (meminimalisir) kesalahan dalam pengerjaan dari awal hingga akhir.
Metode penelitian disusun untuk memberikan kemudahan dalam pelaksanaan
sebuah penelitian sehingga berjalan lebih tepat efektif dan efisien. Tahapan
prosedur pelaksanaan ini tergambar dalam suatu bagan alir metode penelitian
yang terdapat pada gambar 3.1. Pengambilan data pada penelitian ini dilakukan di
Laboratorium Jalan Raya AMP Karya Murni Patumbak. Bahan-bahan yang
diambil berupa data agregat, stabilitas marshal dan kadar aspal yang diambil dari
PT. Karya Murni Perkasa, Patumbak.
Sesuai dengan bagan alir dibawah, cara dalam pengambilan data dilakukan
pada Pabrik Asphalt Mixing Plant, PT. Karya Murni Perkasa dengan mengambil
data marshall test dan data extraction test. Dan program Artificial Neural Network
digunakan untuk mencari nilai stabilitas marshall dari masing – masing sistem
yang telah dirancang.
73
Universitas Sumatera Utara
Mulai
Studi Literatur
Pemilihan
Lokasi AMP
Pengumpulan Data Dari AMP Karya Murni,
yaitu:
Data Nilai Marshall Test:
1. Persentase Agregat Lolos
Ayakan 200, 50, 30, 8, 4
dan ½ inch
2. Persentase Agregat Pecah
3. Stabilitas Marshall
Data Nilai Extraction Test:
1. Kadar Aspal
A
74
Universitas Sumatera Utara
A
Mengelompokkan Data Input:
Mengelompokkan Data Output:
Persentase Agregat Lolos
Ayakan 200, 50, 30, 8, 4 dan
½ inch
Persentase Agregat Pecah
Kadar Aspal
Stabilitas Marshall
Praproses Data
Pengolahan Data Stabilitas Marshall dengan Program Artificial Neural Network
Perbandingan Stabilitas Marshall AMP Karya Murni dengan Artificial
Neural Network
Kesimpulan Dan Saran
Selesai
Gambar 3.1 Diagram Flowchart
75
Universitas Sumatera Utara
III.2 Persiapan Penelitian
Tahap yang pertama dilakukan adalah pemeriksaan properties aspal beton
dengan pen.60/70 dan agregat yang digunakan. Semua pengujian sesuai dengan
standar pengujian bahan yang mengacu pada SNI (Standart Nasional Indonesia)
dan ASTM (American Society For Testing Material). Untuk pengujian bahan
bitumen atau aspal, pada penelitian ini digunakan aspal penetrasi 60/70 dari Iran
yang di dapat dari AMP Karya Murni Perkasa.
Cara pengumpulan data:
Data yang diambil pada AMP tersebut adalah data:
Persentase agregat lolos ayakan nomor 200, 50, 30, 8, 4 dan
½ inch.
Persentase agregat hancur.
Kadar aspal
Stabilitas marshall.
Sampel yang diambil sebanyak 110 sampel.
III.3 Pengembangan Model Artificial Neural Network
Stabilitas marshall dari sebuah campuran aspal beton bergantung pada
berbagai jenis kriteria, termasuk bentuknya, gradasi agregat, dan tipe aspal. Untuk
mengembangkan model ini, harus memiliki data input dan data output. Adapun
data input-nya, yaitu:
Persentase agregat yang lolos ayakan nomor 200, 50, 30, 8, 4, dan ½ inch.
Persentase agregat pecah.
Kadar aspal.
76
Universitas Sumatera Utara
Dan sebagai data output-nya yaitu:
Stabilitas marshall.
Sebelumnya, nomor neuron lapisan input adalah 8 dan neuron lapisan
output adalah 1. Fungsi aktivasi yang digunakan adalah fungsi aktivasi tangent
sigmoid untuk neuron hidden layer dan fungsi aktivasi linier untuk output layer.
Data input dan output telah di normalisasi antara -1 dan 1 untuk meningkatkan
keberhasilan dari jaringan.
Dalam rangka menginvestigasi nilai optimum dari neuron hidden layer,
kemampuan penyamarataan jaringan telah diperkirakan. Berdasarkan pelatihan
error yang berbeda pada setiap jaringan, dengan sebuah nilai yang ditetapkan
pada hidden layer. Pada penelitian ini ditetapkan neuron 3, 6, 8 dan 10 yang
digunakan pada hidden layer.
Nilai optimum pada hidden layer didapatkan dengan cara memasukkan
nilai – nilai parameter yang telah ditentukan, kemudian men-train data input dan
data output. Terdapat dua parameter yang digunakan, yaitu:
1. Parameter untuk membuat jaringan.
Yang terdiri dari:
Tipe Jaringan (network type)
Fungsi Pelatihan (training function)
Fungsi Penyesuaian (adaption learning function)
Fungsi Hasil (performance function)
Nomor Lapisan (number of layers)
Bagian (properties for)
77
Universitas Sumatera Utara
Nomor neuron (number of neurons)
Fungsi Aktivasi (transfer function)
2. Parameter untuk melatih jaringan.
Yang terdiri dari:
Show Window
Show Command Line
Show
Epochs
Time
Goal
Min. Grad
Max. Fail
Mu
Mu dec
Mu inc
Mu max
Nilai – nilai yang digunakan pada parameter tersebut dibagi 2, yaitu
dengan nilai asumsi yang mengarah ke pengurangan tingkat error dan nilai
default yang memang sudah ada pada program.
Pengolahan data dilakukan dengan menggunakan parameter-parameter
yang akan mengarah pada pengurangan tingkat error. Karena semakin kecil
tingkat error yang terjadi akan membuat hasil prediksi semakin mendekati
nilai aktualnya dan kinerjanya semakin bagus.
78
Universitas Sumatera Utara
BAB IV
HASIL DAN PEMBAHASAN
IV.1 Persiapan Data
IV.1.1 Data Marshall Test dan Extraction Test
Data Marshall Test dan Extraction Test merupakan data utama yang
diperlukan pada penelitian ini. Data ini digunakan untuk menjalankan program
Artificial Neural Network dengan cara mengelompokkan data menjadi dua bagian
yaitu data input dan data output. Data Marshall Test dan Extraction Test yang
digunakan adalah data persentase agregat yang lolos ayakan No. 200, 50, 30, 8, 4
dan ½ inch, persentase agregat hancur, stabilitas marshall dan kadar aspal.
Adapun datanya dapat dilihat pada lampiran.
Dalam melakukan penelitian ini, data yang digunakan harus terlebih
dahulu dikelompokkan menjadi data input dan data output. Program Artificial
Neural Network memiliki prosedur yang harus ditaati, sehingga proses
pengolahan data yang dilakukan dapat mencapai suatu hasil yang diinginkan.
Adapun data yang dikelompokkan dalam data input dan data output yaitu:
1. Data input
Persentase agregat yang lolos ayakan No. 200, 50, 30, 8, 4, dan ½ inch
Persentase agregat hancur
79
Universitas Sumatera Utara
Kadar aspal
2
Data output
Stabilitas Marshall
IV.2 Perhitungan Nilai Stabilitas Marshall Dengan Program Artificial Neural
Network
Pada penelitian ini akan dilakukan perhitungan nilai stabilitas marshall
dengan menggunakan program Artificial Neural Network. Perhitungan nilai
stabilitas marshall ini akan menggunakan langkah-langkah perhitungan yang
berdasarkan proses pengelolaan data pada program Artificial Neural Network.
Data dikelola dengan menggunakan berbagai macam jenis nilai neuron yang
terdapat pada Hidden Layer dan berbagai jenis parameter fungsi dan nilai.
IV.2.1 Variasi Parameter Untuk Desain Artificial Neural Network
Dalam perencanaan ini ada beberapa parameter desain yang divariasikan
yaitu berupa parameter untuk membuat jaringan dan parameter nilai untuk melatih
jaringan. Sebelum data di input dan target yang diimplementasikan ke dalam
jaringan saraf tiruan harus terlebih dahulu memasukkan nilai parameterparameternya. Definisi dari parameter-parameter tersebut telah dijelaskan pada
Bab sebelumnya, pada Bab II. Adapun parameter-parameter beserta nilai yang
digunakan baik dalam keadaan default maupun dalam keadaan penyesuaian
jaringan, yaitu:
1. Parameter untuk membuat jaringan.
Tipe Jaringan (Network Type)
80
Universitas Sumatera Utara
Pada penelitian ini digunakan tipe jaringan feed forward
backpropagation.
Fungsi Pelatihan (Training Function)
Pada penelitian ini digunakan fungsi pelatihan trainlm atau train
Levenberg Marquardt Backpropagation.
Fungsi Penyesuaian Pembelajaran (Adaption Learning Function)
Pada penelitian ini digunakan fungsi penyesuaian pembelajaran
LEARNGDM.
Fungsi Hasil (Performance Function)
Pada penelitian ini digunakan fungsi MSE (Mean Square Error)
Nomor pada lapisan (Number of Layers)
Pada penelitian ini digunakan nomor pada lapisan 1.
Bagian (Properties for)
Pada penelitian ini digunakan bagian pada Layer 1.
Nomor pada neuron (Number of neuron)
Pada penelitian ini digunakan neuron yang bervariasi, yaitu neuron
3, 6, 8 dan 10.
Fungsi Aktivasi (Transfer function)
Pada penelitian ini digunakan tangent sigmoid
2. Parameter nilai untuk melatih jaringan.
Show
Pada penelitian ini digunakan nilai 25.
Epochs
Pada penelitian ini digunakan nilai epochs 100.
81
Universitas Sumatera Utara
Goal
Pada penelitian ini digunakan nilai goal yang bervariasi yang akan
ditampilkan pada proses pengolahan data.
Min_grad
Pada penelitian ini digunakan minimum gradient 1e-05.
Max_fail
Pada penelitian ini digunakan maximum fail 100.
Mu
Pada penelitian ini digunakan nilai mu yang bervariasi yang akan
ditampilkan pada proses pengolahan data.
Mu_dec
Pada penelitian ini digunakan nilai mu_dec yang bervariasi yang
akan ditampilkan pada proses pengolahan data.
Mu_inc
Pada penelitian ini digunakan nilai mu_inc yang bervariasi yang
akan ditampilkan pada proses pengolahan data.
Mu_max
Pada penelitian ini digunakan mu_max 10.000.000.000.
IV.3 Proses Running Program Artificial Neural Network
Dalam proses running program neural network, dilaksanakan sebanyak 4
variasi neuron. Untuk menentukan nilai optimum dari tiap neuron hidden layer,
neuron 3, 6, 8 dan 10 telah dipilih. Untuk menginvestigasi nilai optimum tersebut,
dilakukan dengan cara pelatihan error yang berbeda pada setiap jaringan. Berikut
82
Universitas Sumatera Utara
langkah-langkah pengolahan data dengan menggunakan nilai optimum pada
neuron 3.
1. Buka program Matlab, lalu masukkan data input dan data target ke menu
Workspace, lalu ketikkan “nntool” pada menu Command Window.
Gambar 4.1 Tampilan Awal Program Matlab
2.
Lalu tekan enter, maka akan keluar window program Neural
Network.
83
Universitas Sumatera Utara
Gambar 4.2 Tampilan Awal Neural Network
3.
Klik Import, lalu masukkan data input dan data target
sebagai pengenalan terhadap jaringan.
Gambar 4.3 Tampilan menu Import to Network/Data Manager
4.
Kembali ke menu Neural Network, kemudian klik New.
Gambar 4.4 Tampilan Menu Neural Network/Data Manager
84
Universitas Sumatera Utara
5.
Masukkan parameter-parameter untuk membuat jaringan.
Gambar 4.5 Tampilan Menu Create Network or Data
6.
Kemudian klik Create, lalu tutup menu Create Network or
Data. Klik network 1, maka akan muncul menu “Network: network 1”
yang berisi menu view, train, simulate, adapt, reinitialize weights dan
view/edit weights. Pada menu View dapat kita lihat gambar proses
pengolahan data input = 8, hidden layer = 3, output layer = 1 dan output =
1.
85
Universitas Sumatera Utara
Gambar 4.6 Tampilan menu View
7.
Klik menu Train, lalu masukkan data input dan data target
pada submenu Training Info sebagai data yang akan diproses.
Gambar 4.7 Tampilan Menu Train, Training Info
8.
Klik submenu Training Parameters, lalu masukkan nilai
parameter yang telah ditentukan untuk mengolah data.
Gambar 4.8 Tampilan submenu Training Parameters
86
Universitas Sumatera Utara
9.
Klik menu Simulate, kemudian masukkan data input.
Gambar 4.9 Tampilan menu Simulate
10.
Klik menu Adapt, masukkan data input dan data target.
Gambar 4.10 Tampilan menu Adapt
87
Universitas Sumatera Utara
11.
Kembali ke menu Train, bagian Training Parameters lalu
klik Train Network. Maka akan muncul proses training Neural Network.
Gambar 4.11 Tampilan menu Neural Network Training (nntraintool)
12.
Klik menu Plots Performance.
88
Universitas Sumatera Utara
Gambar 4.12 Tampilan menu Performance
13.
Klik menu Plots Regression.
Gambar 4.13 Tampilan menu Regression
14.
Hasil simulasi diperlihatkan pada window Neural Network,
pada bagian menu Output Data yang bernama network1_outputs.
Gambar 4.14 Tampilan menu network1_outputs
89
Universitas Sumatera Utara
Network1_outputs menunjukkan hasil data dalam bentuk baris yang
jumlahnya sama dengan jumlah data target yang diproses, yaitu sebanyak
110 data. Data tersebut kemudian harus diklasifikasikan dalam bentuk
kolom agar lebih mudah diperiksa.
IV.3.1 Proses Pengolahan Data
Proses pengolahan data dilakukan dengan cara melakukan training
beberapa kali untuk mendapatkan nilai keakuratan terhadap jaringan. Setelah
dilakukan running Neural Network, maka proses pengolahan data pada neuron 3,
6, 8 dan 10 akan ditampilkan dalam bentuk hasil optimumnya, yaitu dalam bentuk
performance dan regression sebagai berikut:
90
Universitas Sumatera Utara
1.
Neuron 3
Plot Performance (1278.0222)
Gambar 4.15 Tampilan menu Performance
Plot Regression (0.84508)
Gambar 4.16 Tampilan menu Regression
91
Universitas Sumatera Utara
2.
Neuron 6
Plot Performance (520.0234)
Gambar 4.17 Tampilan menu Performance
Plot Regression (0.82297)
Gambar 4.18 Tampilan menu Regression
92
Universitas Sumatera Utara
3.
Neuron 8
Plot Performance (585.9638)
Gambar 4.19 Tampilan menu Performance
Plot Regression (0.87115)
Gambar 4.20 Tampilan menu Regression
93
Universitas Sumatera Utara
4.
Neuron 10
Plot Performance (1150.5529)
Gambar 4.21 Tampilan menu Performance
Plot Regression (0.77488)
Gambar 4.22 Tampilan menu Regression
94
Universitas Sumatera Utara
IV.3.2 Tabel Hasil Simulasi Artificial Neural Network
Tingkat keakuratan hasil kinerja Neural Network dilihat dari nilai
regression tertinggi pada tiap neuron yang telah diolah, kemudian dipilih nilai
yang tertinggi antar semua neuron tersebut. Maka hasil dari proses pengolahan
data pada neuron 3, 6, 8 dan 10 ini, beserta nilai parameternya, dapat kita lihat
secara ringkas dan jelas pada tabel hasil simulasi berikut ini:
Tabel 4.1 Hasil simulasi pada jaringan dengan neuron 3 pada hidden layer
Neuron 3
Network
RTP3-1
RTP3-2
RTP3-3
RTP3-4
RTP3-5
RTP3-6
RTP3-7
RTP3-8
Mu
mu_inc
mu_dec
Goal
MSE
R
1,5
1,5
1,5
1,5
1,5
0,001
1,5
2
1,5
1,5
1,5
1,5
1,5
10
1,5
1,01
0,5
0,5
0,5
0,5
0,5
0,1
0,5
0,98
0,14
0,1
0,1
0,11
0,07
0,09
0,099
0,9
1169,4472
816,6777
679,0016
1278,0222
554,4336
785,2044
711,857
1846,1233
0,79666
0,74154
0,78633
0,84508
0,74741
0,75697
0,74871
0,43501
Tabel 4.2 Hasil simulasi pada jaringan dengan neuron 6 pada hidden layer
Neuron 6
Network
RTP6-1
RTP6-2
RTP6-3
RTP6-4
RTP6-5
RTP6-6
RTP6-7
RTP6-8
RTP6-9
RTP6-10
mu
2
2
2
2
2
2
2
2
2
2
mu_inc mu_dec
0,98
0,9
0,9
0,9
0,9
0,9
0,9
0,9
0,9
0,9
1,01
1,1
1,1
1,1
1,1
1,1
1,1
1,1
1,1
1,1
Goal
MSE
R
0,099
0,4
0,97
0,097
0,098
0,099
0,098
0,1
0,11
0,11
2570,3184
2059,296
1136,2144
830,4768
520,0234
1277,3908
815,7852
3422,7654
665,6303
996,412
0,37214
0,58904
0,79846
0,58438
0,82297
0,7187
0,78031
0,0017493
0,81164
0,73053
95
Universitas Sumatera Utara
Tabel 4.3. Hasil simulasi pada jaringan dengan neuron 8 pada hidden layer
Neuron 8
Network
RTP8-1
RTP8-2
RTP8-3
RTP8-4
RTP8-5
RTP8-6
RTP8-7
RTP8-8
RTP8-9
mu
mu_inc
mu_dec
Goal
MSE
R
2
2
2
2
2
2
2
2
0,001
0,98
0,98
0,98
0,98
0,98
0,98
0,98
0,98
0,1
1,01
1,01
1,01
1,01
1,01
1,01
1,01
1,01
10
0,08
0,09
0,091
0,091
0,09
0,092
0,1
0,095
0
1063,8411
584,3256
1002,1638
6063,7647
585,9638
635,0807
2140,5424
4097,4416
1549,4145
0,80861
0,83348
0,67157
0,50727
0,87115
0,73667
0,70036
0,56359
0,72516
Tabel 4.4 Hasil simulasi pada jaringan dengan neuron 10 pada hidden layer
Neuron 10
Network
RTP10-1
RTP10-2
RTP10-3
RTP10-4
RTP10-5
RTP10-6
RTP10-7
mu
1,5
1,5
1,5
1,5
1,5
1,5
1,5
mu_inc mu_dec
1,01
1,01
1,01
1,01
1,01
1,01
1,01
0,99
0,99
0,99
0,99
0,99
0,99
0,99
Goal
MSE
R
0
0,08
0,08
0,08
0,093
0,093
0,08
516,5106
5646,4697
8072,5171
1562,3123
3900,0975
1778,589
1150,5529
0,67434
0,45994
0,13369
0,66727
0,46626
0,75627
0,77488
Dapat dilihat bahwa nilai optimum dari Regression didapatkan dengan cara
melakukan training lebih dari sekali.
Pada neuron 3 didapatkan nilai optimum pada training ke 4.
Pada neuron 6 didapatkan nilai optimum pada training ke 5.
Pada neuron 8 didapatkan nilai optimum pada training ke 5.
Pada neuron 10 didapatkan nilai optimum pada training ke
7.
96
Universitas Sumatera Utara
IV.3.3 Grafik Hasil Simulasi Artificial Neural Network
Hasil simulasi dalam bentuk grafik ditampilkan pada gambar berikut:
1.
Grafik Neuron 3
Sumber: Hasil Analisa Neural Network
Gambar 4.23 Grafik simulasi R dengan MSE pada Neuron 3
2.
Grafik Neuron 6
97
Universitas Sumatera Utara
Sumber: Hasil Analisa Neural Network
Gambar 4.24 Grafik simulasi R dengan MSE pada Neuron 6
3.
Grafik Neuron 8
Sumber: Hasil Analisa Neural Network
Gambar 4.25 Grafik simulasi R dengan MSE pada Neuron 8
4.
Grafik Neuron 10
Sumber: Hasil Analisa Neural Network
98
Universitas Sumatera Utara
Gambar 4.26 Grafik simulasi R dengan MSE pada Neuron 10
IV.3.4 Hasil Output Artificial Neural Network Terhadap Nilai Stabilitas Marshall
1.
Neuron 3
Tabel 4.5 Hasil Output Neuron 3
Sampel
Output
Sampel
Output
Sampel
Output
1
972.7755
20
996.469
39
946.6931
2
984.8252
21
970.4521
40
981.1758
3
946.4951
22
918.8292
41
964.9638
4
895.3639
23
972.5433
42
936.2512
5
957.4963
24
1009.247
43
951.03
6
999.7147
25
959.2012
44
1001.011
7
934.6977
26
946.8678
45
987.5201
8
957.5186
27
965.1251
46
933.8337
9
949.2787
28
908.5479
47
948.0767
10
960.569
29
938.6159
48
920.9908
11
946.9696
30
1009.27
49
998.8845
12
935.7027
31
954.7295
50
998.8676
13
910.4317
32
980.2862
51
970.8169
14
1009.024
33
927.6026
52
910.8527
15
967.3287
34
956.0626
53
1006.897
16
889.2307
35
950.092
54
1012.359
17
939.6726
36
927.7577
55
965.4192
18
916.7173
37
986.624
56
871.131
99
Universitas Sumatera Utara
19
961.9529
Sampel
Output
Sampel
Output
58
926.6068
77
949.5818
59
928.2738
78
60
974.9916
61
38
894.104
57
973.4782
Sampel
Output
97
915.184
926.6165
98
1002.809
79
952.3017
99
949.2924
960.3823
80
887.4779
100
927.9504
62
985.3966
81
1003.134
101
956.9081
63
942.8165
82
958.5389
102
908.7585
64
960.1124
83
941.1051
103
912.7141
65
1021.492
84
980.0136
104
927.1526
66
902.6269
85
937.2603
105
933.9925
67
999.8901
86
923.0633
106
976.5398
68
897.6899
87
904.9968
107
927.4739
69
949.9317
88
1009.356
108
954.9753
70
983.6259
89
964.8843
109
944.2132
71
944.7293
90
924.3667
110
979.0692
72
998.7795
91
936.8659
73
1007.137
92
912.6781
74
985.9674
93
996.0306
75
947.6703
94
989.3691
76
1018.988
95
964.4988
96
906.269
100
Universitas Sumatera Utara
2.
Neuron 6
Tabel 4.6 Hasil Output Neuron 6
Sampel
Output
Sampel
Output
Sampel
Output
1
961.3377
21
987.0165
41
952.079
2
994.373
22
911.5633
42
949.1443
3
947.0049
23
989.2195
43
952.7238
4
911.7651
24
1006.833
44
1001.083
5
929.7006
25
970.0717
45
993.4866
6
980.4573
26
919.6662
46
932.112
7
922.3223
27
974.1541
47
946.2471
8
950.159
28
899.9881
48
938.4483
9
926.3012
29
907.4608
49
998.5662
10
983.0853
30
990.1048
50
1001.412
11
948.5219
31
974.9864
51
968.7088
12
942.5692
32
949.1293
52
916.984
13
900.9001
33
919.9138
53
1004.609
14
1006.335
34
964.1119
54
1008.425
15
967.6672
35
944.5912
55
988.6363
16
879.8411
36
981.9585
56
875.9971
17
929.6231
37
976.9898
57
982.4094
18
927.4258
38
915.524
58
957.928
19
1003.836
39
946.2876
59
923.9738
101
Universitas Sumatera Utara
20
996.8831
40
994.9928
60
994.5639
Sampel
Output
Sampel
Output
Sampel
Output
61
979.5294
81
998.261
101
990.2952
62
979.8966
82
923.005
102
914.7173
63
962.7801
83
943.0248
103
900.0378
64
965.1706
84
993.5825
104
975.3668
65
987.8879
85
939.4709
105
964.0796
66
959.3961
86
909.3895
106
977.7298
67
1001.398
87
917.7374
107
936.297
68
917.9704
88
940.3703
108
969.4366
69
943.252
89
967.4799
109
933.6258
70
989.2223
90
920.9656
110
971.1897
71
961.7453
91
948.2691
72
997.7135
92
917.1716
73
1004.95
93
1001.631
74
996.9449
94
989.4419
75
946.7973
95
975.6844
76
984.358
96
899.0809
77
944.8821
97
950.3577
78
914.5283
98
998.8446
79
938.7426
99
967.5943
80
901.8403
100
914.8376
102
Universitas Sumatera Utara
3.
Neuron 8
Tabel 4.7 Hasil Output Neuron 8
Sampel
Output
Sampel
Output
Sampel
Output
1
983.9032
21
986.3039
41
963.5462
2
990.7598
22
900.4937
42
965.1286
3
938.293
23
956.2597
43
972.1185
4
908.3912
24
1015.618
44
1019.719
5
907.3484
25
930.8078
45
1000.676
6
1019.893
26
929.6283
46
921.8054
7
927.0572
27
973.5182
47
952.4254
8
963.8618
28
906.1928
48
944.0569
9
925.7147
29
905.4932
49
1003.164
10
998.2821
30
986.2195
50
1018.723
11
956.6953
31
967.0064
51
974.2846
12
943.6564
32
953.9214
52
888.9726
13
900.2481
33
902.4732
53
1004.512
14
1019.924
34
965.7797
54
1024.005
15
964.453
35
962.428
55
942.0222
16
887.1664
36
969.4088
56
873.5778
17
941.0542
37
995.4904
57
973.0557
18
930.8002
38
914.045
58
925.3965
19
989.5069
39
951.179
59
914.7124
103
Universitas Sumatera Utara
40
994.2861
Sampel
Output
81
1027.54
981.7556
82
63
970.8811
64
952.7376
65
60
989.0363
Sampel
Output
101
968.5955
950.6603
102
889.363
83
945.1761
103
915.1298
84
992.2312
104
930.2455
992.1893
85
928.639
105
961.8772
66
972.8447
86
927.2324
106
954.8377
67
987.039
87
899.1443
107
932.6105
68
887.5727
88
951.5136
108
958.1131
69
950.015
89
964.5629
109
953.2806
70
992.5558
90
891.756
110
970.6069
71
970.5823
91
962.87
72
993.7584
92
915.3611
73
1024.13
93
986.6062
74
1006.393
94
997.2409
75
917.8348
95
930.2259
76
990.7966
96
882.6611
77
956.7685
97
946.8872
78
916.2539
98
1006.122
79
951.6032
99
931.734
80
890.3287
100
927.4797
20
1010.985
Sampel
Output
61
976.5447
62
104
Universitas Sumatera Utara
4.
Neuron 10
Tabel 4.8 Hasil Output Neuron 10
Sampel
Output
Sampel
Output
Sampel
Output
1
980.0258
21
973.2273
41
956.0154
2
992.2387
22
907.0595
42
937.7642
3
951.048
23
952.6212
43
974.2343
4
928.7661
24
1030.39
44
1001.844
5
926.9131
25
947.9651
45
974.9925
6
1001.01
26
932.0909
46
924.2017
7
924.6493
27
968.0498
47
948.1584
8
946.5227
28
912.3879
48
920.3703
9
953.5142
29
901.5314
49
998.7088
10
964.7789
30
958.3888
50
996.258
11
953.5345
31
949.7295
51
955.663
12
928.6618
32
953.7955
52
907.3465
13
941.9357
33
986.0872
53
990.6289
14
1031.864
34
951.6157
54
1028.397
15
959.8344
35
943.3258
55
971.048
16
885.8167
36
977.0436
56
873.1686
17
946.3295
37
981.3416
57
963.5467
18
909.1413
38
911.9874
58
917.2642
19
993.9135
39
948.6803
59
928.5544
105
Universitas Sumatera Utara
60
974.7635
Output
Sampel
Output
81
1022.334
101
970.2064
958.0533
82
916.1343
102
893.6227
63
978.9408
83
940.2002
103
900.9734
64
950.2249
84
980.3299
104
907.4549
65
1006.323
85
951.1695
105
949.4903
66
965.3146
86
930.015
106
948.8375
67
998.8926
87
916.0046
107
936.4099
68
898.1458
88
1029.732
108
941.9924
69
956.3029
89
953.6869
109
939.0101
70
985.6632
90
919.1917
110
958.1023
71
948.5378
91
933.0583
72
997.7266
92
901.3403
73
1000.793
93
989.8208
74
986.9329
94
1006.863
75
928.5163
95
965.0338
76
961.4525
96
892.2302
77
941.164
97
946.0007
78
902.0973
98
1030.319
79
941.6282
99
962.5831
80
906.1984
100
933.8715
40
999.2675
Output
Sampel
61
975.198
62
20
1005.809
Sampel
106
Universitas Sumatera Utara
IV.3.5 Perbandingan Nilai Stabilitas Marshall AMP Karya Murni dengan
Artificial Neural Network
Membandingkan koefisien relatif maksimum pada tabel 1 sampai 4 yang
menunjukkan bahwa kemampuan jaringan saraf tiruan telah didapatkan pada
jaringan RTP8-5 dengan 8 neuron di hidden layer (R = 0.87115), jadi nilai
optimum untuk neuron hidden layer telah dipilih yaitu neuron 8. Berdasarkan
pada penelitian ini, hasil menunjukkan bahwa kemampuan Neural Network
terhadap jaringan adalah sangat sensitif untuk pelatihan error. Maka, menentukan
kemampuan Neural Network membutuhkan desain dan latihan dari berbagai jenis
jaringan.
Perbandingan nilai aktual dari stabilitas marshall dengan nilai hasil
pengolahan data dengan Neural Network pada neuron 8 (R = 0.87115), akan
disajikan pada tabel 4.9.
107
Universitas Sumatera Utara
Tabel 4.9 Data Aktual Stabilitas Marshall Dengan Data Simulasi Neuron 8
Data Aktual
Data Simulasi Neuron 8
Sampel
Output
Sampel
Output
1
974
1
983.9032
2
959
2
990.7598
3
930
3
938.293
4
900
4
908.3912
5
915
5
907.3484
6
989
6
1019.893
7
930
7
927.0572
8
944
8
963.8618
9
944
9
925.7147
10
959
10
998.2821
11
959
11
956.6953
12
930
12
943.6564
13
900
13
900.2481
14
1003
14
1019.924
15
974
15
964.453
16
885
16
887.1664
17
944
17
941.0542
18
915
18
930.8002
108
Universitas Sumatera Utara
19
959
19
989.5069
20
989
20
1010.985
Data Aktual
Data Simulasi Neuron 8
Sampel
Output
Sampel
Output
21
959
21
986.3039
22
900
22
900.4937
23
930
23
956.2597
24
1018
24
1015.618
25
974
25
930.8078
26
944
26
929.6283
27
989
27
973.5182
28
915
28
906.1928
29
915
29
905.4932
30
1018
30
986.2195
31
974
31
967.0064
32
930
32
953.9214
33
885
33
902.4732
34
959
34
965.7797
35
944
35
962.428
36
930
36
969.4088
37
989
37
995.4904
38
900
38
914.045
39
930
39
951.179
40
974
40
994.2861
109
Universitas Sumatera Utara
Data Aktual
Data Simulasi Neuron 8
Sampel
Output
Sampel
Output
41
959
41
963.5462
42
930
42
965.1286
43
989
43
972.1185
44
1033
44
1019.719
45
974
45
1000.676
46
900
46
921.8054
47
959
47
952.4254
48
915
48
944.0569
49
1018
49
1003.164
50
1003
50
1018.723
51
974
51
974.2846
52
930
52
888.9726
53
1003
53
1004.512
54
1018
54
1024.005
55
944
55
942.0222
56
871
56
873.5778
57
959
57
973.0557
58
915
58
925.3965
59
930
59
914.7124
60
974
60
989.0363
110
Universitas Sumatera Utara
Data Aktual
Data Simulasi Neuron 8
Sampel
Output
Sampel
Output
61
959
61
976.5447
62
1003
62
981.7556
63
959
63
970.8811
64
959
64
952.7376
65
1018
65
992.1893
66
989
66
972.8447
67
989
67
987.039
68
871
68
887.5727
69
944
69
950.015
70
989
70
992.5558
71
959
71
970.5823
72
1003
72
993.7584
73
1033
73
1024.13
74
959
74
1006.393
75
930
75
917.8348
76
1018
76
990.7966
77
944
77
956.7685
78
915
78
916.2539
79
959
79
951.6032
80
885
80
890.3287
111
Universitas Sumatera Utara
Data Aktual
Data Simulasi Neuron 8
Sampel
Output
Sampel
Output
81
1048
81
1027.54
82
959
82
950.6603
83
959
83
945.1761
84
1003
84
992.2312
85
944
85
928.639
86
900
86
927.2324
87
900
87
899.1443
88
930
88
951.5136
89
915
89
964.5629
90
944
90
891.756
91
974
91
962.87
92
944
92
915.3611
93
989
93
986.6062
94
1018
94
997.2409
95
974
95
930.2259
96
871
96
882.6611
97
915
97
946.8872
98
974
98
1006.122
99
944
99
931.734
100
930
100
927.4797
112
Universitas Sumatera Utara
Data Aktual
Data Simulasi Neuron 8
Sampel
Output
Sampel
Output
101
959
101
968.5955
102
871
102
889.363
103
900
103
915.1298
104
930
104
930.2455
105
944
105
961.8772
106
974
106
954.8377
107
930
107
932.6105
108
959
108
958.1131
109
930
109
953.2806
110
989
110
970.6069
113
Universitas Sumatera Utara
IV.3.6. Grafik Perbandingan Antara Data Aktual Dengan Hasil Simulasi Neuron 8
114
Universitas Sumatera Utara
Gambar 4.27 Kurva Grafik Data Neuron 8 (hasil simulasi) dengan Data Aktual.
BAB V
KESIMPULAN DAN SARAN
V.1 Kesimpulan
Dari hasil analisis dan hasil pembahasan terhadap hasil-hasil percobaan
dapat disimpulkan beberapa hal sebagai berikut:
1. Kemampuan Artificial Neural Network pada semua jaringan untuk melatih
error merupakan suatu perhitungan yang sensitif. Seperti ditunjukkan pada
gambar 4.23 sampai 4.26 dan tabel 4.1 sampai 4.2, sebuah perubahan yang
sangat kecil pada pelatihan error (MSE) dapat menyebabkan sebuah
variasi yang besar terhadap kemampuan simulasi (R).
2. Berdasarkan perbandingan kemampuan simulasi maksimum dari gambar
4.23 sampai 4.26, kemampuan penyamarataan maksimum (R=0.87115)
telah dihasilkan pada RTP8-5 dan 8 neuron pada hidden layer.
Perbandingan kemampuan penyamarataan maksimum sebuah jaringan
telah dibuktikan pada gambar 4.23 sampai 4.26, dengan meningkatkan
angka pada neuron di hidden layer hingga mencapai 8, kemampuan
penyamarataannya juga meningkat.
3. Berdasarkan pengembangan model Artificial Neural Network dan
kesesuaian pada bentuk variasi stabilitas marshall untuk aspal beton
dengan kadar aspal, kadar agregat, dan kadar agregat hancur, maka dapat
115
Universitas Sumatera Utara
diambil kesimpulan bahwa stabilitas marshall tidak dipengaruhi oleh satu
parameter saja, tetapi berpengaruh terhadap setiap parameter atau
campuran yang membentuk aspal tersebut.
V.2 Saran
Beberapa hal yang dapat menjadi saran sehubungan dengan hasil
penelitian ini adalah sebagai berikut:
1. Penelitian ini merupakan suatu metode lain yang digunakan untuk
menentukan stabilitas marshall dengan cara meramalkan nilai stabilitas
marshall yang akan terjadi jika menggunakan parameter atau bahan
campuran yang sama.
2. Penganalisaan terhadap penggunaan neural network toolbox serta
pengaruh dari banyak faktor seperti tipe agregat, filler, penambahan zat
aditif dan angka untuk data pelatihan, dapat dijadikan sebagai penelitian
selanjutnya untuk mengembangkan Artificial Neural Network.
116
Universitas Sumatera Utara