Prediksi Kerusakan Motor Induksi Menggunakan Metode Jaringan Saraf Tiruan Backpropagation ”.
PREDIKSI KERUSAKAN MOTOR INDUKSI MENGGUNAKAN
METODE JARINGAN SARAF TIRUAN
BACKPROPAGATION
TESIS
Oleh
HERDIANTO
097034029/TE
FAKULTAS TEKNIK
UNIVERSITAS SUMATERA UTARA
MEDAN
(2)
PREDIKSI KERUSAKAN MOTOR INDUKSI MENGGUNAKAN METODE JARINGAN SARAF TIRUAN
BACKPROPAGATION
TESIS
Untuk Memperoleh Gelar Magister Teknik dalam Program Studi Magister Teknik Elektro pada Fakultas Teknik Universitas Sumatera Utara
Oleh HERDIANTO 097034029/TE
FAKULTAS TEKNIK
UNIVERSITAS SUMATERA UTARA MEDAN
(3)
Judul Tesis : PREDIKSI KERUSAKAN MOTOR INDUKSI MENGGUNAKAN METODE JARINGAN SARAF TIRUAN BACKPROPAGATION
Nama Mahasiswa : Herdianto Nomor Induk : 097034029
Program Studi : Magister Teknik Elektro
Menyetujui Komisi Pembimbing:
(Prof. Dr.Ir. Usman Baafai) (Dr. Benny B.Nst, Dipl.Ing.M.Eng)
Ketua Anggota
Sekretaris Program Studi Dekan,
(Drs. Hasdari Helmi, MT) (Prof.Dr.Ir. Bustami Syam, MSME)
(4)
Telah Diuji pada Tanggal : 16 Juli 2013
PANITIA PENGUJI TESIS
Ketua : Prof. Dr. Ir. Usman Baafai
Anggota : 1. Dr. Benny B. Nasution, Dipl.Ing, M.Eng 2. Prof. Dr. Tulus, M.Si
(5)
ABSTRAK
Motor induksi (MI) adalah alat listrik yang mengubah energi listrik menjadi energi mekanik berupa tenaga putar. Motor induksi banyak dipakai sebagai penggerak untuk mengerjakan banyak proses di industri. Meskipun MI cukup handal tetapi dapat saja mengalami kerusakan total pada saat beroperasi. Kerusakan total pada motor induksi pada saat mendukung proses produksi dapat menyebabkan rendahnya mutu barang jadi yang dihasilkan sampai berhentinya proses produksi itu sendiri. Untuk menghindari kerusakan total pada motor induksi, pada penelitian ini digunakan metode jaringan saraf tiruan dengan algoritma backpropagation untuk memprediksi kerusakan yang akan terjadi pada motor induksi khususnya pada stator untuk 1 hari ke depan. Agar dapat digunakan untuk memprediksi kerusakan motor induksi khususnya pada stator dengan tingkat akurasi di atas 85% jaringan saraf tiruan harus memiliki struktur jaringan yang optimal. Maka pada penelitian yang telah dilakukan penelitian dititik beratkan pada pencarian struktur jaringan saraf tiruan yang optimal berdasarkan pola data pelatihan seperti mencari jumlah time delay, hidden layer, node hidden layer, nilai konstanta learning rate dan momentum. Dari hasil pengujian yang telah dilakukan bahwasanya jaringan saraf tiruan mampu memprediksi kerusakan motor induksi khususnya pada stator untuk satu hari ke depan dengan tingkat akurasi mencapai 90%.
Kata-kata kunci : Motor induksi, jaringan saraf tiruan, struktur jaringan optimal, memprediksi.
(6)
ABSTRACT
Induction motor (IM) is electric equipment which changes electric energy to mechanical energy as a revolving power. It is frequently used as a drive for doing many processes in industry. Even though it is reliable, it can be totally broken when it is operating. The total damage of induction motor, while it is supporting the process of production, can cause the low quality of the product until the process of the production stops. To avoid the induction motor being totally damaged, the method of artificial nerve grid with back-propagation algorithm was used in this research to predict the damage which will occur in induction motor, especially in the stator for the following day. In order to be used to predict the damage in the induction motor, especially in the stator with the accuracy above 85%, the artificial nerve grid must have optimal grid structure. Therefore, this research was emphasized on the searching for the optimal structure of artificial nerve grid, based on the pattern of training data, such as searching for the amount of time delay, hidden layer, node hidden layer, constant value of learning rate, and momentum. From the result of test, it was found that the artificial nerve grid was able to predict the damage in the induction motor, especially in the stator for the following day with 90% of the level of accuracy.
(7)
KATA PENGANTAR
Puji dan syukur kehadirat Allah SWT, atas berkat rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan tesis yang berjudul: “
Prediksi Kerusakan Motor Induksi Menggunakan Metode Jaringan Saraf Tiruan Backpropagation ”.
Pada kesempatan ini, penulis mengucapkan terima kasih kepada Bapak Prof. Dr. Ir. Usman Baafai selaku ketua pembimbing, Bapak Dr. Benny B. Nasution, Dipl. Ing, M.Eng dan Bapak Ir.Pernantin Tarigan, MSc selaku anggota komisi pembimbing yang dengan penuh sabar, arif dan bijaksana memberikan bimbingan, dorongan, petunjuk serta arahan kepada penulis. Ucapan terima kasih juga penulis sampaikan kepada Bapak Prof. Dr.Tulus, M.Si dan Bapak Dr. Poltak Sihombing, M.Kom selaku pembanding utama tesis ini yang banyak memberikan saran dan masukan demi kesempurnaan penulisan tesis ini. Dan yang terakhir ucapan terima kasih penulis sampaikan kepada keluarga, teman penulis seluruh staf pengajar dan karyawan Program Studi Magister Teknik Elektro yang telah banyak memberikan semangat dan perhatian serta toleransi sehingga tesis ini dapat terselesaikan.
Penulis menyadari masih ada kekurangan dalam tulisan tesis ini, oleh sebab itu penulis sangat mengharapkan saran dan kritikan yang bersifat membangun demi kesempurnaan tesis ini sehingga harapan penulis agar tulisan ini dapat memenuhi
(8)
persyaratan yang diperlukan untuk suatu tesis dalam Program Studi Magister Teknik Elektro Fakultas Teknik Universitas Sumatera Utara dapat tercapai.
Akhir kata penulis mengucapkan banyak terima kasih dan semoga tesis ini dapat berguna bagi kita semua. Amin.
Medan, Agustus 2013 Hormat saya,
(9)
DAFTAR RIWAYAT HIDUP
Saya yang bertanda tangan di bawah ini,
Nama : Herdianto
Tempat/Tanggal Lahir : Helvetia, 08 April 1977
Jenis Kelamin : Laki-laki
Agama : Islam
Bangsa : Indonesia
Alamat : Jl. Setia Budi No.12 Pasar 2 Helvetia
Menerangkan dengan sesungguhnya, bahwa:
PENDIDIKAN
1. Tamatan S1 Sistem Komputer UNPAB Tahun 2008 2. Tamatan D3 Teknik Komputer UNPAB Tahun 2004 3. Tamatan STM Negeri 2 Medan Tahun 1995 4. Tamatan SMP Negeri 14 Medan Tahun 1992 5. Tamatan SD Swasta Karya Bakti Tahun 1989
PEKERJAAN
(10)
Demikian riwayat hidup ini saya buat dengan sebenarnya untuk dapat dipergunakan sebagaimana mestinya.
Medan, 20 Agustus 2013 Tertanda,
(11)
DAFTAR ISI
Halaman
ABSTRAK ... i
ABSTRACT ... ii
KATA PENGANTAR ... iii
DAFTAR ISI ... vii
DAFTAR TABEL ... xi
DAFTAR GAMBAR ... xii
BAB 1 PENDAHULUAN ... 1
1.1. Latar Belakang Masalah ... 1
1.2. Perumusan Masalah ... 6
1.3. Batasan Masalah ... 6
1.4. Tujuan Penelitian ... 6
1.5. Manfaat Penelitian ... 6
1.6. Sistematika Penulisan ... 7
BAB 2 TINJAUAN PUSTAKA ... 8
2.1. Pengertian Prediksi ... 8
2.1.1.Teknik Prediksi ... 8
(12)
2.1.1.2. Prediksi Kuantitatif ... 9
2.2. Prediksi Kerusakan Motor Induksi ... 9
2.3. Motor Induksi ... 10
2.3.1. Konstruksi Umum Motor Induksi Satu Fasa ... 12
2.3.2. Prinsip Kerja Motor Induksi Satu Fasa ... 14
2.3.3. Jenis Kerusakan Motor Induksi ... 16
2.3.4. Penyebab Kerusakan Stator Motor Induksi ... 18
2.3.5. Parameter Untuk Memprediksi Kerusakan Stator Motor Induksi ... 22
2.3.5.1. Arus ... 22
2.3.5.2. Temperatur ... 25
2.4. Jaringan Saraf Tiruan ... 27
2.4.1. Otak Manusia ... 27
2.4.2. Komponen Jaringan Saraf Tiruan ... 28
2.4.3. Arsitektur Jaringan Saraf Tiruan ... 30
2.4.4. Arsitektur Jaringan Saraf Tiruan Backpropagation ... 32
2.4.5. Bobot ... 34
2.4.6. Bias ... 35
2.4.7. Epoch ... 35
2.4.8. Learning Rate ... 35
2.4.9. Toleransi Error ... 36
(13)
2.6. Algoritma Pembelajaran ... 37
2.7. Algoritma Pembelajaran Backpropagation Standar ... 38
2.7.1. Algoritma pelatihan ... 39
2.7.2. Algoritma aplikasi ... 41
2.8. Variasi Pembelajaran Backpropagation ... 42
2.8.1. Momentum ... 43
2.8.2. Perubahan Bobot Berkelompok ... 43
BAB 3 METODE PENELITIAN ... 44
3.1. Rancangan Penelitian ... 44
3.2. Variabel yang Diamati ... 61
BAB 4 HASIL DAN PEMBAHASAN ... 62
4.1. Pengujian Mencari Time Delay ... 62
4.1.1. Pengujian Time Delay 2 Hari ... 64
4.1.2. Pengujian Time Delay 3 Hari ... 65
4.1.3. Pengujian Time Delay 4 Hari ... 66
4.1.4. Pengujian Time Delay 5 Hari ... 67
4.2. Pengujian Mencari Jumlah Hidden Layer ... 68
4.3. Pengujian Mencari Nilai Learning Rate ... 72
4.4. Pengujian Mencari Nilai Momentum ... 73
4.5. Pengujian Hasil Pelatihan ... 75
4.5.1. Error Hasil Pelatihan ... 75
(14)
4.5.3. Diuji Dengan Pola Yang Tidak Pernah Dikenali ... 79
BAB 5 KESIMPULAN DAN SARAN ... 81
5.1. Kesimpulan ... 81
5.2. Saran ... 81
DAFTAR PUSTAKA ... 83
(15)
DAFTAR TABEL
Nomor Judul Halaman
1. 1 Daftar Penelitian Terkait ... 3
2. 1 Klasifikasi Jenis Isolasi Stator ... 26
2. 2 Istilah Nama Antara JST Dengan Jaringan Saraf Biologis ... 28
3. 1 Menunjukkan Besar Arus Terhadap Kondisi Motor Induksi ... 46
3. 2 Menunjukkan Nilai Temperatur Terhadap Kondisi Motor Induksi ... 49
3. 3 Kombinasi Nilai Arus Dan Temperatur Terhadap Kondisi Motor Induksi . 49 4.1 MSE Hasil Pelatihan Time Delay 2 Hari Dengan 1 Hidden Layer ... 65
4.2 MSE Hasil Pelatihan Time Delay 3 Hari Dengan 1 Hidden Layer ... 66
4.3 MSE Hasil Pelatihan Time Delay 4 Hari Dengan 1 Hidden Layer ... 67
4.4 MSE Hasil Pelatihan Time Delay 5 Hari Dengan 1 Hidden Layer ... 68
4.5 MSE Hasil Pelatihan Mencari Jumlah Node Pada Hidden Layer Ke-2 ... 70
4.6 MSE Hasil Pelatihan Mencari Jumlah Node Pada Hidden Layer Ke-3 ... 71
4.7 MSE Hasil Pelatihan Mencari Jumlah Node Pada Hidden Layer Ke-4 ... 72
4.8 MSE Hasil Pelatihan Dari Learning Rate 0,1 – 0,9 ... 73
4.9 MSE Hasil Pelatihan Dari Momentum 0,1 – 0,9 ... 74
4. 10 Perbandingan Antara Target Dengan Hasil Prediksi Pada Pola Pelatihan ... 77
(16)
DAFTAR GAMBAR
Nomor Judul Halaman
2. 1 Tipe Motor Induksi ... 11
2. 2 Bagian-Bagian Rotor ... 12
2. 3 Isolasi Kertas Yang Ditempatkan Pada Alur Laminasi ... 13
2. 4 Konstruksi Motor Induksi Satu Fasa ... 13
2. 5 Torsi Arah Maju Dan Torsi Arah Mundur ... 15
2. 6 Persentase Kerusakan Motor Induksi ... 16
2. 7 Permukaan Kumparan Stator Dalam Keadaan Baik (a) Dan Rusak (b) ... 18
2. 8 Permukaan Kumparan Stator Yang Rusak Akibat Panas Berlebih ... 19
2. 9 Permukaan Kumparan Stator Yang Rusak Akibat Tegangan Lebih ... 20
2. 10 Permukaan Kumparan Stator Yang Rusak Akibat Mekanik ... 21
2. 11 Permukaan Kumparan Stator Yang Rusak Akibat Keadaan Lingkungan Yang Lembab ... 21
2. 12 Rangkaian Listrik Motor Split Permanen Kapasitor ... 23
2. 13 Jaringan Saraf Secara Biologis ... 27
2. 14 Struktur Node Jaringan Saraf Tiruan ... 29
2. 15 JST Dengan 3 Lapisan ... 29
2. 16 Bentuk Jaringan Saraf Tiruan Dengan Lapisan Tunggal ... 30
2. 17 Bentuk JST Dengan Banyak Lapisan... 31
(17)
2. 19 JST Backpropagation Dengan Satu Lapisan Tersembunyi ... 33
2. 20 Fungsi Sigmoid Biner ... 37
3. 1 Bentuk Pola Data Arus Motor Induksi Dari Kondisi Baik Hingga Rusak... 45
3. 2 Bentuk Pola Data Arus Motor Induksi Dalam Kondisi Baik ... 46
3. 3 Bentuk Pola Data Arus Motor Induksi Dalam Kondisi Sedang... 47
3. 4 Bentuk Pola Data Arus Motor Induksi Dalam Kondisi Buruk ... 47
3. 5 Pola Data Temperatur Motor Induksi Dari Kondisi Baik Hingga Rusak ... 48
3. 6 Pola Data Temperatur Yang Telah Dilakukan Proses Normalisasi ... 51
3. 7 Pola Data Temperatur Motor Induksi Dalam Kondisi Baik ... 51
3. 8 Pola Data Temperatur Motor Induksi Dalam Kondisi Sedang ... 52
3. 9 Pola Data Temperatur Motor Induksi Dalam Kondisi Buruk ... 52
3. 10 Bentuk Jaringan Saraf Tiruan Dengan 96 Input (Time Delay 2 Hari) ... 54
3. 11 Bentuk Jaringan Saraf Tiruan Dengan 144 Input (Time Delay 3 Hari) ... 55
3. 12 Bentuk Jaringan Saraf Tiruan Dengan 192 Input (Time Delay 4 Hari) ... 55
3. 13 Bentuk Jaringan Saraf Tiruan Dengan 240 Input (Time Delay 5 Hari) ... 56
3. 14 Bentuk Jaringan Saraf Tiruan Untuk Mencari Jumlah Hidden Layer ... 57
3. 15 Bentuk Jaringan Saraf Tiruan Mencari Jumlah Node Hidden Layer ... 58
4. 1 Keberdekatan Hasil Prediksi Dengan Target Pada Pola Pelatihan ... 76
4. 2 Keberdekatan Hasil Prediksi Dengan Target Pada Pola Uji ... 79
(18)
(19)
ABSTRAK
Motor induksi (MI) adalah alat listrik yang mengubah energi listrik menjadi energi mekanik berupa tenaga putar. Motor induksi banyak dipakai sebagai penggerak untuk mengerjakan banyak proses di industri. Meskipun MI cukup handal tetapi dapat saja mengalami kerusakan total pada saat beroperasi. Kerusakan total pada motor induksi pada saat mendukung proses produksi dapat menyebabkan rendahnya mutu barang jadi yang dihasilkan sampai berhentinya proses produksi itu sendiri. Untuk menghindari kerusakan total pada motor induksi, pada penelitian ini digunakan metode jaringan saraf tiruan dengan algoritma backpropagation untuk memprediksi kerusakan yang akan terjadi pada motor induksi khususnya pada stator untuk 1 hari ke depan. Agar dapat digunakan untuk memprediksi kerusakan motor induksi khususnya pada stator dengan tingkat akurasi di atas 85% jaringan saraf tiruan harus memiliki struktur jaringan yang optimal. Maka pada penelitian yang telah dilakukan penelitian dititik beratkan pada pencarian struktur jaringan saraf tiruan yang optimal berdasarkan pola data pelatihan seperti mencari jumlah time delay, hidden layer, node hidden layer, nilai konstanta learning rate dan momentum. Dari hasil pengujian yang telah dilakukan bahwasanya jaringan saraf tiruan mampu memprediksi kerusakan motor induksi khususnya pada stator untuk satu hari ke depan dengan tingkat akurasi mencapai 90%.
Kata-kata kunci : Motor induksi, jaringan saraf tiruan, struktur jaringan optimal, memprediksi.
(20)
ABSTRACT
Induction motor (IM) is electric equipment which changes electric energy to mechanical energy as a revolving power. It is frequently used as a drive for doing many processes in industry. Even though it is reliable, it can be totally broken when it is operating. The total damage of induction motor, while it is supporting the process of production, can cause the low quality of the product until the process of the production stops. To avoid the induction motor being totally damaged, the method of artificial nerve grid with back-propagation algorithm was used in this research to predict the damage which will occur in induction motor, especially in the stator for the following day. In order to be used to predict the damage in the induction motor, especially in the stator with the accuracy above 85%, the artificial nerve grid must have optimal grid structure. Therefore, this research was emphasized on the searching for the optimal structure of artificial nerve grid, based on the pattern of training data, such as searching for the amount of time delay, hidden layer, node hidden layer, constant value of learning rate, and momentum. From the result of test, it was found that the artificial nerve grid was able to predict the damage in the induction motor, especially in the stator for the following day with 90% of the level of accuracy.
(21)
BAB 1 PENDAHULUAN
1.1. Latar Belakang Masalah
Motor induksi (MI) adalah alat listrik yang mengubah energi listrik menjadi energi mekanik yang berupa tenaga putar [1]. Motor induksi banyak dipakai sebagai penggerak untuk mengerjakan banyak proses di industri seperti menggerakkan
blower (penghasil angin) berkapasitas besar yang dipakai untuk pembakaran di dalam tungku peleburan, menggerakkan conveyor (pengangkut bahan), menggerakkan pompa air untuk sirkulasi air pendingin dan lain-lain. Meskipun MI cukup handal tetapi pada kenyataannya dapat saja mengalami banyak masalah pada saat beroperasi yang menyebabkan kerusakan total pada motor induksi tersebut [2].
Kerusakan total motor induksi pada saat berlangsungnya proses produksi dapat mengakibatkan rendahnya mutu barang jadi yang dihasilkan hingga sampai berhentinya proses produksi itu sendiri. Untuk mengatasi hal ini telah dilakukan teknik monitoring terhadap MI, baik secara konvensional maupun digital. Teknik monitoring konvensional untuk motor induksi pada umumnya merupakan kombinasi dari beberapa peralatan mekanik dan listrik [2],[3] di mana penginderaan terhadap variabel-variabel motor induksi dilakukan dengan peralatan mekanik yang memiliki banyak keterbatasan dalam mendeteksi kerusakan pada MI seperti kerusakan pada isolasi stator [2],[3]. Sedangkan pada teknik monitoring digital untuk melakukan penginderaan terhadap variabel-variabel MI telah menggunakan sensor untuk
(22)
2
selanjutnya diubah menjadi bentuk digital oleh analog to digital converter (ADC) lalu dimasukkan ke dalam komputer atau mikrokontroler [2],[4],[5].
Teknik monitoring konvensional dan digital di dalam melakukan pendeteksian kerusakan pada motor induksi menggunakan metode rule based [2],[3] sehingga hanya dapat mendeteksi kerusakan MI pada kondisi yang telah ditentukan. Selanjutnya teknik monitoring MI dikembangkan dengan menggunakan artificial intelegent (AI), seperti yang telah dilakukan pada penelitian [6],[7],[8],[9],[10], [11],[12],[13], sehingga teknik monitoring MI tidak hanya dapat mendeteksi tetapi dapat juga memprediksi kerusakan MI, di mana salah satu metode yang dapat digunakan adalah jaringan saraf tiruan (JST). Tetapi pada teknik monitoring MI menggunakan JST seperti pada penelitian [8],[9],[10], variabel yang dimonitoring adalah arus dan kecepatan sedangkan metode JST digunakan untuk mendeteksi kerusakan bearing dan stator pada MI belum memprediksi.
Jadi inilah yang menjadi alasan utama mengapa peneliti mencoba menggunakan metode JST untuk memprediksi kerusakan MI khususnya pada stator untuk 1 hari ke depan dan variabel yang digunakan adalah arus dan temperatur.
Beberapa penelitian mengenai deteksi kerusakan motor induksi telah dilakukan di mana perbedaan sistem yang telah ada dengan yang akan dilakukan dapat dilihat pada Tabel 1. 1 berikut:
(23)
Tabel 1. 1 Daftar Penelitian Terkait
Penulis Judul Penelitian Pembahasan Tahun
M. Sudha dan P. Anbalagan [5]
A protection scheme for three fasa
induction motor form incipient fault using embedded controller Penelitian ini membahas penggunaan mikrokontroller PIC 16F877 untuk melakukan monitoring dan melindungi motor induksi dari kerusakan total. Metode yang digunakan untuk mendeteksi
kerusakan MI adalah
rule based. 2009 Ibrahim Sefa, Ilhami Colak, Askin Bektas, Ramazan Bayindir [2]
Fault detection and protection of induction motors using sensors
Untuk melakukan monitoring dan melindungi motor induksi dari kerusakan total menggunakan ADC dan PLC (programmable logic
controller) agar
variabel- variabel yang diukur seperti tegangan, arus, temperatur,
kecepatan dapat ditampilkan nilainya pada layar monitor.
2008
(24)
4
Penulis
Sri R. Kolla, Shawn
D.Altman [7]
Judul Penelitian
Artifial neural network based fault identification scheme implementation for a three- fasa induction motor
Pembahasan
Di mana metoda yang dipakai untuk mendeteksi
kerusakan MI adalah
rule based.
Pada penelitian ini menjelaskan
implementasi dan pengujian
menggunakan
metode jaringan saraf tiruan untuk mendeteksi
kerusakan motor induksi. Di mana variabel yang dimonitor arus dan tegangan. Tahun 2007 H.Celik, I.Sefa, S. Dermibas, I.Colak [3]
On line protection sistem for induction motors
Pada penelitian ini membahas cara memonitoring dan melindungi motor induksi dari kerusakan total sehingga banyak membutuhkan ADC eksternal. Di mana
metode yang digunakan untuk mendeteksi
kerusakan pada MI adalah rule based.
2005 Tabel 1.1 Daftar Penelitian Terkait (Sambungan) Hal: 3
(25)
Penulis
Sui Oi Yee, Mo-Yuen Chow Peter M. Mangun [8]
Judul Penelitian
A neural network approach to real time condition monitoring of induction motor Pembahasan Penelitian ini membahas cara mendeteksi kerusakan motor induksi khususnya pada bearing dan stator menggunakan metode jaringan saraf tiruan. Di mana
variabel yang dimonitor arus dan kecepatan.
Tahun
1991
Herdianto Prediksi kerusakan motor induksi menggunakan metoda jaringan saraf tiruan (backpropagation)
Pada penelitian yang akan dilakukan metode jaringan saraf tiruan saraf tiruan dengan algoritma pembelajaran
backpropagation
digunakan untuk memprediksi kerusakan MI khususnya pada stator untuk 1 hari ke depan. Di mana variabel yang digunakan adalah
arus dan temperatur.
2013 Tabel 1.1 Daftar Penelitian Terkait (Sambungan) Hal: 4
(26)
6
1.2. Perumusan Masalah
Berdasarkan latar belakang masalah yang telah diuraikan di atas, maka penulis merumuskan masalah pada penelitian ini adalah sebagai berikut: bagaimana menerapkan teknologi jaringan saraf tiruan dengan algoritma pembelajaran
backpropagation untuk memprediksi kerusakan motor induksi khususnya pada stator untuk 1 hari ke depan.
1.3. Batasan Masalah
Adapun batasan masalah pada penelitian ini adalah:
a. Motor induksi yang digunakan jenis 1 fasa 220 volt 125 watt. b. Kerusakan motor induksi yang diprediksi hanya stator.
c. Variabel yang digunakan untuk memprediksi ialah arus dan temperatur. d. Metode pembelajaran yang digunakan hanya backpropagation.
1.4. Tujuan Penelitian
Tujuan dari penelitian ini adalah memperoleh struktur jaringan saraf tiruan yang optimal dengan algoritma pembelajaran backpropagation untuk memprediksi kerusakan stator pada motor induksi.
1.5. Manfaat Penelitian
Beberapa manfaat yang dapat diperoleh dengan adanya penelitian mengenai prediksi kerusakan motor induksi menggunakan metode jaringan saraf tiruan dengan algoritma pembelajaran backpropagation yaitu apabila hasil penelitian ini diterapkan,
(27)
diharapkan dapat menghindari terganggunya proses produksi di industri, memperpanjang usia motor induksi, membantu pihak pemeliharaan disuatu industri dalam menganalisis kerusakan dari motor induksi serta membantu menentukan jadwal pemeliharaan terhadap motor induksi itu sendiri.
1.6. Sistematika Penulisan
Tesis ini terdiri dari lima bab, dengan penjelasan tiap-tiap bab sebagai berikut:
BAB 1 : PENDAHULUAN, pada bab ini berisi tentang latar belakang masalah, perumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian
serta sistematika penulisan.
BAB 2 : TINJAUAN PUSTAKA, bab ini menjelaskan tentang teori pendukung yang digunakan pada prediksi kerusakan MI seperti pengertian prediksi, prediksi kerusakan MI, motor induksi, JST, fungsi aktivasi, algoritma pembelajaran, algoritma pembelajaran backpropagation standar.
BAB 3 : METODE PENELITIAN, bab ini memberikan penjelasan mengenai rancangan penelitian dan variabel yang diamati.
BAB 4 : HASIL DAN PEMBAHASAN, bab ini menjelaskan mengenai pengujian
yang dilakukan selama penelitian seperti pengujian mencari time delay, jumlah hidden layer, nilai learning rate, nilai momentumdan pengujian
hasil pelatihan.
BAB 5 : KESIMPULAN DAN SARAN, bab ini berisi kesimpulan dari hasil pembahasan masalah dan saran-saran berkenaan dengan tesis ini.
(28)
BAB 2
TINJAUAN PUSTAKA
2.1. Pengertian Prediksi
Prediksi adalah suatu proses memperkirakan secara sistematis tentang sesuatu yang paling mungkin terjadi di masa depan berdasarkan informasi masa lalu dan sekarang yang dimiliki, agar kesalahannya (selisih antara sesuatu yang terjadi dengan hasil perkiraan) dapat diperkecil. Prediksi tidak harus memberikan jawaban secara pasti kejadian yang akan terjadi, melainkan berusaha untuk mencari jawaban sedekat mungkin yang akan terjadi [14].
2.1.1. Teknik Prediksi
Berdasarkan teknik yang digunakan untuk memprediksi maka prediksi dapat dibagi menjadi dua bagian yaitu prediksi kualitatif dan prediksi kuantitatif [14].
2.1.1.1. Prediksi Kualitatif
Prediksi kualitatif didasarkan atas data kualitatif pada masa lalu. Metoda kualitatif digunakan jika data masa lalu dari variabel yang akan diprediksi tidak ada, tidak cukup atau kurang dipercaya. Hasil prediksi yang dibuat sangat tergantung pada individu yang menyusunnya. Hal ini penting karena hasil prediksi tersebut ditentukan berdasarkan pemikiran yang bersifat judgement atau opini, pengetahuan dan pengalaman dari penyusunnya. Oleh karena itu metode kualitatif ini disebut juga
(29)
2.1.1.2. Prediksi Kuantitatif
Prediksi kuantitatif didasarkan atas data kuantitatif pada masa lalu. Hasil prediksi yang dibuat sangat tergantung pada metode yang dipergunakan dalam prediksi tersebut. Dengan metoda yang berbeda akan diperoleh hasil prediksi yang berbeda. Hal yang perlu diperhatikan dari penggunaan metoda tersebut adalah baik tidaknya metoda yang digunakan dan sangat ditentukan dari penyimpangan antara hasil prediksi dengan kenyataan yang terjadi. Metoda yang baik adalah metoda yang memberikan nilai-nilai perbedaan atau penyimpangan yang mungkin. Prediksi kuantitatif hanya dapat digunakan apabila terdapat tiga kondisi sebagai berikut:
a. Adanya informasi tentang keadaan yang lain.
b. Informasi tersebut dapat dikuantifikasikan dalam bentuk data.
c. Dapat diasumsikan bahwa pola yang lalu akan berkelanjutan pada masa yang akan datang.
2.2. Prediksi Kerusakan Motor Induksi
Prediksi kerusakan motor induksi adalah suatu proses memperkirakan secara sistematis keadaan baik, sedang, buruk yang akan terjadi pada motor induksi pada waktu yang akan datang berdasarkan data yang diperoleh pada saat itu dengan pertimbangan data masa lalu. Waktu yang dimaksud di sini dapat direpresentasikan sebagai (jam, hari, minggu, bulan, tahun). Tetapi pada penelitian ini jangka waktu prediksi yang digunakan adalah hari karena untuk meningkatkan akurasi prediksi. Sedangkan prediksi kerusakan motor induksi dapat dipersempit dengan memilih salah
(30)
10
satu jenis kerusakan yang sering terjadi pada motor induksi seperti kerusakan pada
bearing, statorataurotor.
2.3. Motor Induksi
Motor induksi adalah alat listrik yang mengubah energi listrik menjadi energi mekanik yang berupa tenaga putar [1]. Dikatakan motor induksi karena rotor berputar bukan karena mendapat energi listrik secara langsung dari jala-jala listrik tetapi karena adanya induksi dari kumparan stator. Berdasarkan jumlah fasa tegangan listrik yang pada umumnya digunakan, motor induksi dibedakan menjadi 2 (dua) yaitu motor induksi satu fasa dan tiga fasa.
Motor induksi satu fasa banyak digunakan pada rumah tangga dan industri sebagai penggerak karena konstruksinya yang sederhana, bekerja sesuai dengan suplai tegangan PLN 220 VAC dan bekerja dengan daya yang kecil < 1400 watt karena faktor-faktor tersebut maka motor induksi satu fasa ini banyak dipakai pada peralatan rumah tangga seperti kipas angin, kompresor, pompa air, lemari es, mesin cuci, air condition (AC) dan lain-lain. Sedangkan motor induksi tiga fasa pada umumnya digunakan di industri yang memerlukan daya yang besar seperti elevator, chiller, mixer, blower, hammer, conveyor, crane. Karena begitu banyaknya jenis motor induksi yang ada di pasaran seperti yang terdapat pada Gambar 2.1 dan hal ini tidak didukung dengan ketersediaan sarana dan prasarana yang dimiliki oleh peneliti maka pada penelitian ini motor induksi yang digunakan jenis satu fasa split
(31)
Gambar 2. 1 Tipe Motor Induksi [15] AC MOTOR
UNIVERSAL
DC MOTOR
Separately excitation Compound excitation Permanent magnet Series excitation Paralel/shunt excitation Synchronous Asynchronous Squirrel cage Single phase Three phase Linear Synchronous Asynchronous Wound rotor Bulk
rotor Hysterisis
Repulsion Permanent magnet Induction Permanent magnet Reluctance Start capasitor Shaded pole Split Permanent capasitor Two value capasitor Sallent Poles Wound field Wound rotor Squirrel cage Reluctance Radian Permanent magnet Surface magnet
(32)
12
2.3.1. Konstruksi Umum Motor Induksi Satu Fasa
Konstruksi motor induksi satu fasa pada umumnya terdiri dari dua bagian yaitu: stator dan rotor seperti pada Gambar 2.4. Rotor adalah bagian motor induksi yang berputar seperti rotor (inti rotor), poros rotor, sirip pendingin seperti pada Gambar 2.2. Poros rotor adalah coran tembaga atau aluminium dalam satu lempeng dengan inti rotor. Pada ujung inti rotor biasanya dilengkapi dengan sirip yang berfungsi sebagai pendingin [16].
Gambar 2. 2 Bagian-Bagian Rotor [16]
Sedangkan stator adalah bagian motor induksi yang tidak bergerak seperti inti stator seperti pada Gambar 2.3. Stator terdiri atas tumpukan laminasi inti yang memiliki alur dan menjadi tempat kumparan kawat tembaga yang telah dilapisi isolasi tipis dililitkan yang berbentuk silinder. Setiap elemen laminasi inti dibentuk dari lembaran besi dan setiap lembaran besi memiliki beberapa alur dan lubang
Laminasi rotor (inti rotor) Sirip pendingin
Cincin Aluminium
(33)
p d
pengikat un diisolasi den
Gamb Inti (lamin
ntuk menyat ngan kertas u
bar 2. 3 Isol
Gambar stator nasi inti)
tukan inti. A untuk mengh
lasi Kertas Y
2. 4 Konstr
Alur pada hindari hubu
Yang Ditemp
ruksi Motor
laminasi int ungan singka
patkan Pada
Induksi Satu
ti tersebut n at [16].
Alur Lamin
u Fasa [17]
nantinya ak
asi [16] kan
(34)
14
2.3.2. Prinsip Kerja Motor Induksi Satu Fasa
Adapun prinsip kerja dari motor induksi satu fasa split permanen kapasitor adalah sebagai berikut [1]: Pada motor induksi satu fasa ketika kumparan stator dialiri arus dari jala-jala listrik maka pada kumparan stator tidak menimbulkan fluks magnit putar tetapi menghasilkan fluks magnit bolak-balik disekitar kumparan stator tersebut hal ini yang menyebabkan motor induksi tidak dapat berputar pada waktu start. Fluks magnit bolak-balik ini menghasilkan fluks pulsasi yang besar kecilnya tergantung pada sudut ruang dan fluks pulsasi ini bukan fluks yang berputar terhadap ruang. Proses terjadinya fluks pulsasi tersebut dapat dijelaskan dengan Persamaan Euler.
………..………..(2. 1) Sehingga Φmcosθ dapat ditulis
……….. (2. 2)
……….(2. 3)
Di mana Φ adalah amplitudo fluks magnit, sehingga jumlah dari kedua komponen fluks magnit tersebut merupakan fluks resultan atau fluks pulsasi yang besarnya adalah:
……….(2. 4)
Komponen dari kedua fluks magnit tersebut bergerak berlawanan arah dengan kecepatan sudut (ωt) yang sama, tentunya akan menghasilkan torsi yang sama
(35)
d r T d m D m d m dan berlawa resultan dari Torsi resulta
TR p
dengan arah mundur hal Dengan me menyebabka dapat dilaku maka terjadi
anan arah (to i fluks magn
Gambar 2. 5
an (TR) yang
pada dasarn h maju atau m
ini yang m enggunakan
an motor ber ukan dengan i beda fasa a
orsi arah maj nit yang berg
5 Torsi Ara
g dihasilkan o
nya mempu mundur. Pad menyebabkan sedikit ten rputar arah m
cara memas antara arus k
ju dan torsi a gerak arah m
ah Maju Dan
oleh torsi ma TR =
unyai kema da waktu sta
n motor indu naga yang d
maju atau mu sang kapasit kumparan uta
arah mundur maju dan mun
n Torsi Arah
aju (Tf) dan
Tf + Tb ……
mpuan untu
art, besar tor uksi tetap sa digerakkan undur. Penam tor secara se
ama dan kum
r). Gambar 2 ndur.
h Mundur [17
torsi mundu ………
uk mengge rsi maju sam aja diam (ti dengan alat mbahan alat ri dengan ku mparan bantu
2.5 merupak
7]
ur (Tb) adalah
…………(2. rakkan mot ma dengan to
idak berputa t bantu dap
bantu terseb umparan ban u sebesar 90
kan h: 5) tor rsi ar). pat but ntu 00.
(36)
A k m y s 2 b k a Akibat beda kumparan st menjadi bes yang lebih b
split. 2.3.3. Jenis
Berd bahwasanya kategori den 12 % lain-la
a. Kerusak Terjadin kompon
a fasa (θ) y tator akan m sar pula. Ole
besar dengan
s Kerusakan dasarkan pe a kerusakan y
ngan persent ain seperti ter
Gambar 2
kan Bearing nya keausan nen tersebut.
yang besar in menjadi bes eh karena it n arus start
Motor Induk enelitian da
yang sering tase kerusak rlihat pada G
2. 6 Persent
n pada beari . Hal ini dap
Stator 38% Rotor 10% La la 12
ni, maka flu ar dan deng tu motor kap lebih kecil
ksi
an survei y terjadi pada an 40 % pad Gambar 2.6. tase Kerusak ing merupak pat disebabka ain-ain 2%
Motor
uks magnit p gan sendirin pasitor dapa dibandingka
yang telah motor induk da bearing, 3
kan Motor In
kan tanda tel an karena ad Bearin 40%
Induksi
putar yang d nya gaya pu at memberik an motor fas
dilakukan ksi dapat dib 38% stator,
nduksi [19]
lah terjadi k danya baut p ng
%
dihasilkan ol utar rotor ak kan gaya put sa tunggal ti
[11],[18],[1 bagi menjad
10% rotor d
kerusakan pa pengikat mot 16 leh kan tar ipe 19] i 4 dan ada tor
(37)
induksi yang kendor sehingga menimbulkan getaran yang berlebih, lamanya pemakaian, kondisi lingkungan kerja (panas, berdebu), beban kerja yang berlebih dan terjadi ketidak seimbangan jarak celah udara antara rotor dengan stator. Untuk mengetahui kerusakan pada bearing dapat digunakan beberapa parameter seperti getaran, suara, arus stator.
b. Kerusakan Stator
Kerusakan yang terjadi stator dapat dikarenakan rusaknya laminasi inti stator, isolasi kawat tembaga dan isolasi stator. Hal ini dapat disebabkan oleh temperatur motor induksi yang terlalu tinggi, tegangan listrik yang berlebih dan tidak stabil, terjadi kerusakan pada sistem mekanik seperti bearing telah yang aus, serta dapat dikarenakan kondisi lingkungan yang lembab, kotor atau berdebu. Adapun beberapa parameter yang dapat digunakan untuk mengetahui kerusakan pada stator seperti fluks magnet, kecepatan, getaran, suara, daya keluaran, tegangan, arus, temperatur, tetapi pada penelitian ini peneliti menggunakan arus dan temperatur.
c. Kerusakan Rotor
Bentuk kerusakan yang terjadi pada rotor seperti pecahnya bagian-bagian dari rotor. Hal ini dapat disebabkan getaran, temperatur motor induksi yang terlalu tinggi, tegangan listrik yang berlebih dan tidak stabil. Untuk mengetahui kerusakan pada rotor dapat digunakan beberapa parameter seperti getaran, suara, kecepatan.
(38)
18
Bentuk kerusakan lainnya yang dapat terjadi pada motor induksi seperti terjadi ketidakseimbangan jarak celah udara antara rotor dengan stator. Hal ini lebih disebabkan karena kesalahan manufaktur (proses pembuatan di pabrik). Untuk mengetahui jenis kerusakan seperti ini dapat digunakan beberapa parameter seperti getaran, suara, kecepatan, daya keluaran.
2.3.4. Penyebab Kerusakan Stator Motor Induksi
Stator merupakan bagian dari motor induksi yang tidak bergerak, meskipun stator ini tidak bergerak tetapi dapat saja mengalami kerusakan. Sebagai bahan perbandingan untuk membedakan antara kumparan stator yang bagus dengan yang telah rusak, dapat dilihat dari Gambar 2.7 yang merupakan bentuk permukaan dari kumparan stator dalam keadaan bagus dan rusak.
(a) (b)
(39)
Kerusakan yang terjadi pada kumparan stator dapat disebabkan oleh 4 hal, yaitu [13]:
a. Panas
Panas yang menyebabkan kerusakan pada stator dapat ditimbulkan dari lamanya operasional MI sendiri dan panas yang melebihi batas yang diijinkan, di mana setiap kenaikan temperatur 10 0C dari panas yang ditimbulkan karena operasional MI dapat menyebabkan berkurangnya setengah dari kondisi isolasi stator. Sedangkan panas yang melebihi batas yang diijinkan dapat disebabkan oleh tegangan yang tidak stabil dan rusaknya kipas pendingin pada MI. Bentuk permukaan dari kumparan stator yang rusak akibat panas yang berlebih seperti yang ditunjukkan pada Gambar 2.8.
(40)
20
b. Listrik
Hal-hal yang termasuk dalam kelistrikan yang dapat menyebabkan kerusakan stator seperti corona dan tegangan berlebih. Bentuk permukaan kumparan stator yang rusak akibat tegangan berlebih dapat dilihat pada Gambar 2.9.
Gambar 2. 9 Permukaan Kumparan Stator Yang Rusak Akibat Tegangan Lebih [20]
c. Mekanik
Terjadinya gesekan antara rotor dengan stator merupakan salah satu bentuk kerusakan stator yang disebabkan karena faktor mekanik. Hal ini dapat terjadi karena bearing yang telah aus, poros rotor yang tidak lurus dan baut pengikat inti stator yang kendor. Gambar 2.10 menunjukkan permukaan kumparan stator yang rusak akibat terjadi gesekan antara rotor dan stator.
(41)
Gambar 2. 10 Permukaan Kumparan Stator Yang Rusak Akibat Mekanik [20] d. Keadaan Lingkungan
Beberapa penyebab kerusakan pada stator karena keadaan lingkungan seperti MI dioperasikan di tempat yang panas, lembab, berdebu dan lain-lain. Bentuk permukaan kumparan stator yang rusak akibat motor induksi dioperasikan pada lingkungan yang lembab ditunjukkan seperti pada Gambar 2.11.
Gambar 2. 11 Permukaan Kumparan Stator Yang Rusak Akibat Keadaan Lingkungan Yang Lembab [20]
(42)
22
2.3.5. Parameter Untuk Memprediksi Kerusakan Stator Motor Induksi
Ada 11 parameter yang dapat digunakan untuk memprediksi kerusakan stator yaitu fluks magnet, tegangan, arus, temperatur, getaran, suara, kecepatan, celah udara, daya keluaran, analisis gas, dan analisis sirkuit motor [13]. Tetapi karena keterbatasan peralatan, waktu dan biaya maka parameter yang digunakan untuk memprediksi kerusakan stator MI pada penelitian ini hanya 2 yaitu arus dan temperatur.
2.3.5.1. Arus
Untuk mengetahui gejala kerusakan yang akan terjadi pada kumparan stator dapat dilakukan dengan mengamati besarnya arus listrik yang mengalir pada kumparan stator dengan cara melakukan pengukuran. Besar kecilnya arus listrik yang mengalir pada kumparan stator sangat dipengaruhi perubahan beban motor induksi, panas, tegangan lebih, mekanik dan kondisi lingkungan. Untuk menghindari kerusakan total pada stator maka sebagai acuan yang digunakan pada penelitian ini dengan mengacu pada batas nominal arus yang mengalir pada kumparan stator MI berdasarkan data spesifikasi yang terdapat pada name plate yang ada motor induksi tersebut. Jika arus yang mengalir ke kumparan stator melebihi batas nonimal yang ditetapkan, kondisi ini menunjukkan bahwasanya telah terjadi yang abnormal pada MI. Arus yang lebih ini berdampak pada meningkatnya temperatur MI, mengurangi nilai tahanan kumparan stator yang dapat menyebabkan putusnya kawat lilitan kumparan stator.
Motor induksi yang digunakan pada penelitian ini jenis split permanen kapasitor. Dilihat dari segi konstruksinya, MI jenis split permanen kapasitor sama
(43)
dengan motor induksi 3-fasa, bedanya terletak pada kumparan statornya yang hanya ada satu fasa dan dilakukan penambahan satu kapasitor yang terhubung seri dengan kumparan bantu, seperti pada Gambar 2.12 [17].
Gambar 2. 12 Rangkaian listrik motor split permanen kapasitor [17]
Besar daya input dapat dihitung dengan Persamaan 2.6 [1]
P =
V
t*
IL * Cos φ ……….(2. 6)P = daya input (watt) Vt = tegangan jala-jala (volt)
IL = arus yang masuk ke kumparan utama dan bantu (amper)
Cos φ = factor daya
Tegangan jala-jala
Rotor
Kumparan utama
Kumparan bantu
Kapasitor IU
IB
ZU
ZB
Xc
XB
Xu
Vt
(44)
24
φ = …………..………..(2. 7)
arc tg = nilai inverse tangen
XU = reaktansi induktif pada kumparan utama (ohm) XC = reaktansi kapasitip pada kapasitor (ohm)
XB = reaktansi induktif pada kumparan bantu (ohm)
RU = tahanan murni pada kumparan utama (ohm)
RB = tahanan murni pada kumparan bantu (ohm)
Besarnya arus listrik yang mengalir ke kumparan utama dapat dihitung dengan menggunakan Persamaan 2.8 [1]:
=
….………..(2. 8) IU = arus yang mengalir pada kumparan utama (amper)ZU = impedansi pada kumparan utama (ohm)
………..(2. 9) jXU = reaktansi induktif pada kumparan utama (ohm)
di mana dapat diperoleh dengan menggunakan Persamaan 2.10
………(2. 10) f = frekuensi tegangan jala-jala (Hertz)
l = induktansi kumparan utama (Henry)
Di mana besarnya arus listrik yang mengalir ke kumparan bantu dapat dihitung dengan menggunakan Persamaan 2.11 [1]:
(45)
= ……….(2. 11) IB = arus yang mengalir pada kumparan bantu (amper)
ZB = impedansi pada kumparan bantu (ohm)
……….(2. 12) jXB = reaktansi induktif pada kumparan bantu (ohm)
jXC = reaktansi kapasitif pada kapasitor (ohm)
di mana dapat diperoleh dengan menggunakan Persamaan 2.13 [1]
………(2. 13) sedangkan dapat diperoleh dengan menggunakan Persamaan 2.14 [1]
……….……….(2. 14) C = kapasitansi kapasitor yang digunakan (Farad)
Sehingga
………..(2. 15)
2.3.5.2. Temperatur
Salah satu faktor yang dapat mempengaruhi kondisi dari isolasi stator adalah temperatur. Selain dapat mengurangi umur ketahanan dari isolasi stator tersebut, temperatur yang tinggi dapat juga menyebabkan terbakarnya isolasi stator jika melebihi batas ketahanan panas dari jenis isolasi yang digunakan sehingga menyebabkan terjadinya kerusakan total dari motor induksi. Tabel 2.1 menunjukkan klasifikasi jenis isolasi stator yang digunakan motor induksi.
(46)
26
Tabel 2. 1 Klasifikasi jenis isolasi stator [21] Jenis isolasi stator Batas temperatur
A B F H R
105o C 130o C 155o C 180o C 220o C
Untuk itu perlu dilakukan pengukuran temperatur pada kumparan stator MI baik dengan cara menggunakan sensor temperatur seperti termokopel, LM 35, PTC atau pengukuran temperatur dilakukan secara manual dengan cara mengukur nilai tahanan kumparan stator MI. Besarnya kenaikan temperatur pada motor induksi ketika beroperasi sebanding dengan lamanya operasi MI tersebut dan dapat diketahui dengan mengukur tahanan kumparan utama dan bantu sebelum dan sesudah dioperasikan beberapa jam MI dengan menggunakan Persamaan 2.16 [22]:
……….(2. 16)
RC = tahanan kumparan utama dan bantu sebelum dioperasikan (Ohm)
Rh = tahanan kumparan utama dan bantu sesudah dioperasikan (Ohm)
α = Koefisien tahanan kawat tembaga (0,00428 Ohm / 0 C)
t
1 = temperatur awal motor induksi (0 C)(47)
2.4. Jaringan Saraf Tiruan
Jaringan saraf tiruan (neural network) merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah tiruan di sini digunakan karena jaringan saraf ini meniru cara kerja jaringan saraf biologis dan diimplementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran [23].
2.4.1. Otak Manusia
Otak manusia berisi berjuta-juta sel saraf yang bertugas mengolah informasi. Tiap-tiap sel saraf bertugas seperti suatu prosesor sederhana dan saling berinteraksi sehingga mendukung kemampuan kerja otak manusia. Gambar 2.13 menunjukkan contoh jaringan saraf secara biologis.
(48)
28
Setiap neuron menerima sinyal input dari neuron yang lain melalui dendrit
dan mengirimkan sinyal yang dihasilkan inti sel melalui axon. Axon dari neuron
biologis bercabang-cabang dan berhubungan dengan dendrit dari neuron lainnya dengan cara mengirimkan sinyal input melalui sinapsis. Di mana sinapsis merupakan unit fungsional yang terletak di antara 2 buah neuron umpamanya neuron 1 dan 2. Dan nilai yang terdapat pada sinapsis dapat berkurang dan bertambah tergantung dari seberapa besar tingkat propagasi yang diterimanya [25]. Tabel 2.2 istilah nama antara jaringan saraf biologis dengan jaringan saraf tiruan (JST).
Tabel 2. 2 Istilah Nama Antara JST Dengan Jaringan Saraf Biologis [25]
Jaringan saraf tiruan Jaringan saraf biologis
Node atau unit
Input Output
Bobot
Neuron Dendrit
Axon Sinapsis
2.4.2. Komponen Jaringan Saraf Tiruan
Ada beberapa tipe jaringan saraf tiruan, namun demikian hampir semuanya memiliki komponen-komponen yang sama. Jaringan saraf tiruan disusun dengan asumsi yang sama seperti jaringan saraf biologis yakni terdiri dari beberapa node dan adanya hubungan antara node. Sinyal informasi yang terdapat di antara 2 buah node
diteruskan melalui sebuah hubungan dan setiap hubungan antara 2 buah node
mempunyai nilai bobot lalu dengan menggunakan fungsi aktivasi nilai keluaran node
(49)
d s p o m Pada dengan laye
sebelum dan pada JST ak
output mel menunjukka
Bobot
G a JST node-n er node. Nod
n sesudahny kan diramba
alui lapisan an JST denga
Ga
Gambar 2. 14
node akan d
de-node pad ya kecuali lap
atkan lapisan n tersembun an 3 lapisan.
ambar 2. 15
4 Struktur N
dikumpulkan da satu lapis apisan input
n ke lapisan nyi seperti .
JST Denga
Node Jaringa n dalam lap san akan dih dan output. n, mulai dar
tampak p
n 3 Lapisan
an Saraf Tiru pisan (layer) hubungkan d Informasi y ri lapisan inp
ada Gamba
[24]
uan [24] ) yang diseb dengan lapis yang diberik
put ke lapis ar 2.15 ya
but san kan san ang
(50)
30
2.4.3. Arsitektur Jaringan Saraf Tiruan
Hubungan antar node dalam jaringan saraf tiruan mengikuti pola tertentu tergantung dari arsitektur jaringan saraf tiruan yang digunakan. Pada dasarnya ada 3 macam arsitektur jaringan saraf tiruan yaitu [24]:
e. Jaringan saraf tiruan dengan lapisan tunggal
Jaringan saraf tiruan dengan satu lapisan tunggal hanya memiliki satu lapisan dengan bobot-bobot terhubung. Jaringan ini hanya menerima input kemudian mengolahnya menjadi output tanpa harus melalui lapisan tersembunyi seperti pada Gambar 2.16. Dengan kata lain ciri jaringan ini hanya mempunyai satu lapisan input dan output, tidak mempunyai lapisan tersembunyi.
(51)
b. Jaringan saraf tiruan dengan banyak lapisan
Jaringan saraf tiruan dengan banyak lapisan memiliki satu atau lebih lapisan yang terletak diantara lapisan input dan lapisan output (memiliki satu atau lebih lapisan tersembunyi). Umumnya terdapat lapisan bobot diantara 2 lapisan bersebelahan seperti pada Gambar 2.17.
(52)
32
c. Jaringan saraf tiruan dengan lapisan kompetitif
Arsitektur pada jaringan saraf tiruan ini memiliki bentuk yang berbeda, di mana antar node dapat saling berhubungan. Gambar 2.18 merupakan bentuk jaringan saraf tiruan dengan lapisan kompetitif.
Gambar 2. 18 Bentuk JST Dengan Lapisan Kompetitif [24]
2.4.4. Arsitektur Jaringan Saraf Tiruan Backpropagation
Di dalam jaringan saraf tiruan dengan backpropagation setiap node yang berada di lapisan input terhubung dengan setiap node pada lapisan tersembunyi dan setiap node pada lapisan tersembunyi juga terhubung dengan setiap node pada lapisan
(53)
output [25]. Untuk lebih jelasnya arsitektur JST backpropagation dapat dilihat pada Gambar 2.19.
Gambar 2. 19 JST Backpropagation Dengan Satu Lapisan Tersembunyi[25]
Jaringan saraf tiruan dengan algoritma pembelajaran backpropagation terdiri dari banyak lapisan (multilayer neural network) yaitu:
(54)
34
1. Lapisan input hanya 1. Pada lapisan input terdapat node Xi, i = 1, 2, ..., n. ( n =
jumlah node dalam lapisan input).
2. Lapisan tersembunyi (hidden layer) minimal 1. Seperti halnya lapisan input pada lapisan tersembunyi juga berisi node mulai dari Zj, j = 1, 2, ..., p (p = jumlah node
pada lapisan tersembunyi untuk 1 lapisan). Tetapi pada lapisan tersembunyi ini dapat saja terdiri dari beberapa lapisan tersembunyi.
3. Lapisan output hanya 1 buah. Lapisan ini terdiri dari nodeoutput mulai dari Yk, k
= 1, 2, ..., m (m = jumlah node pada lapisan output). V0j adalah bias untuk node
Zj pada lapisan tersembunyi dan W0k adalah bobot untuk node Yk pada lapisan
output. Bias V0j dan W0k sama seperti bobot di mana output bias ini selalu
bernilai 1. Vij adalah bobot yang menghubungkan antara node Xi pada lapisan
input dengan node Zj pada lapisan tersembunyi, sedangkan Wjk adalah bobot
yang menghubungkan antara node Zj pada lapisan tersembunyi dengan node Yk
lapisan output.
2.4.5. Bobot
Bobot dipakai untuk menentukan nilai sebuah node dan terletak di antara 2 (dua) lapisan, baik antara lapisan input dengan lapisan tersembunyi atau antara lapisan tersembunyi dengan lapisan output dan mempunyai nilai tertentu. Pada saat awal pelatihan nilai bobot diatur agar berada pada nilai acak yang kecil misalnya di antara -0,5 sampai 0,5 lalu nilai bobot ini diperbaharui setiap proses epoch pada waktu pelatihan.
(55)
2.4.6. Bias
Bias juga dipakai untuk menentukan nilai sebuah node tetapi hanya pada node
pada lapisan tersembunyi dan output. Bias ini selalu bernilai 1 tetapi nilai bobotnya berbeda dan pada awal pelatihan diberi dengan nilai acak yang kecil antara -0,5 sampai 0,5 lalu nilai bobot ini juga diperbaharui setiap proses epoch pada waktu pelatihan.
2.4.7. Epoch
Epoch adalah pengulangan yang terjadi pada proses pelatihan di dalam
jaringan saraf tiruan dalam memperbaiki error. Pengulangan ini akan terus berlangsung hingga toleransi error (MSE) pelatihan atau nilai epoch yang ditetapkan telah tercapai.
2.4.8. Learning Rate
Learning rate (α) merupakan sebuah parameter pembelajaran di dalam jaringan saraf tiruan backpropagation yang digunakan untuk mempercepat proses pelatihan dan bernilai antara 0 sampai 1. Jika jaringan saraf tiruan menggunakan learning rate
mendekati 0 maka proses pelatihan membutuhkan waktu yang lebih lama dalam mencapai performance jaringan saraf tiruan yang diinginkan tetapi terkadang baik jika dipakai pada proses aplikasi. Sebaliknya jaringan saraf tiruan menggunakan
learning rate mendekati 1 maka proses pelatihan membutuhkan waktu yang lebih cepat dalam mencapai performance jaringan saraf tiruan yang diinginkan tetapi terkadang tidak baik jika dipakai pada proses aplikasi.
(56)
36
2.4.9. Toleransi Error
Toleransi error merupakan sebuah nilai pembatas yang ditetapkan oleh user agar selisih target dengan keluaran jaringan saraf tiruan (MSE) dalam proses pelatihan tidak sampai 0. Hal ini bertujuan untuk menghindari overtraining yang menyebabkan jaringan saraf tiruan mengambil sifat memorilisasi akibatnya ketika hasil pelatihan diuji dengan pola data yang tidak pernah dikenali maka jaringan saraf tiruan akan memberikan hasil yang jauh berbeda dari target yang diharapkan.
2.5. Fungsi Aktivasi
Fungsi aktivasi digunakan untuk menentukan keluaran pada node. Ada beberapa fungsi aktivasi yang sering digunakan dalam jaringan saraf tiruan seperti fungsi undak biner, bipolar, linear (identitas), saturating linear, symmetric saturating linear, sigmoid biner dan sigmoid bipolar.
Karena keluaran jaringan saraf tiruan yang diinginkan pada penelitian ini antara 0 sampai 1 maka fungsi aktivasi yang digunakan adalah sigmoid biner dan fungsi aktivasi ini mempunyai hubungan yang sederhana antara nilai fungsi pada suatu titik dengan turunannya sehingga mengurangi beban komputasi selama pelatihan [23]. Bentuk grafik dari fungsi sigmoid biner dapat dilihat seperti pada Gambar 2.20 sedangkan fungsi dari sigmoid biner dirumuskan sebagai [23]:
……….(2. 17)
dengan turunan:
(57)
Gambar 2. 20 Fungsi Sigmoid Biner [24] 2.6. Algoritma Pembelajaran
Salah satu bagian terpenting dari konsep jaringan saraf tiruan adalah terjadinya proses pembelajaran. Tujuan utama dari proses pembelajaran adalah melakukan pengaturan terhadap bobot-bobot yang ada pada jaringan saraf tiruan, sehingga diperoleh bobot akhir yang tepat sesuai dengan pola data yang dilatih [25]. Pada dasarnya ada 2 metode pembelajaran, yaitu metode pembelajaran terawasi (supervised) dan metode pembelajaran yang tak terawasi (unsupervised).
a. Pembelajaran terawasi
Pada jaringan saraf tiruan yang menerapkan metode pembelajaran terawasi maka
output yang diharapkan telah ditetapkan. Contoh: jaringan saraf tiruan yang digunakan untuk prediksi, pengenalan huruf, pola gerbang logika.
(58)
38
b. Pembelajaran tak terawasi
Sedangkan jaringan saraf tiruan yang menerapkan metode pembelajaran tak terawasi tidak memerlukan target output. Pada metode ini, tidak ditentukan hasil yang seperti apakah yang diharapkan selama proses pembelajaran. Metode pembelajaran seperti ini sangat cocok untuk pengelompokan pola.
Tetapi ada hal lain yang perlu dipertimbangkan dalam pembelajaran jaringan saraf tiruan yakni tercapainya keseimbangan antara kemampuan memorilisasidengan generalisasi. Yang dimaksud memorilisasi adalah kemampuan jaringan saraf tiruan memberikan respon yang sempurna terhadap semua pola yang pernah dilatihkan. Sedangkan generalisasi adalah kemampuan jaringan saraf tiruan memberikan respon yang bisa diterima terhadap pola-pola input yang serupa (namun tidak identik) dengan pola-pola yang sebelumnya telah dipelajari. Hal ini sangat bermanfaat ketika jaringan saraf tiruan diberikan pola input yang belum pernah dilatihkan maka jaringan saraf tiruan tetap akan memberikan respon (keluaran) yang paling mendekati [25].
2.7. Algoritma Pembelajaran Backpropagation Standar
Backpropagation merupakan algoritma pembelajaran yang terawasi dan metode yang sangat baik dalam menangani pengenalan pola-pola kompleks yang menggunakan gradient descent untuk memperkecil total error kuadrat (MSE) hasil komputasi pada proses pelatihan [23], [25]. Jadi inilah yang menjadi alasan utama peneliti mencoba menggunakan JST dengan algoritma pembelajaran backpropagation untuk dijadikan metoda untuk memprediksi kerusakan motor induksi khususnya pada
(59)
stator untuk satu hari ke depan. Algoritma pembelajaran dengan backpropagation
standar dapat dibagi menjadi 2 bagian:
2.7.1. Algoritma pelatihan
Adapun langkah-langkah algoritma pelatihan adalah sebagai berikut [25]:
Langkah a. Inisialisasi bobot bias ke lapisan hidden (V0j), output (W0k), dan bobot
input (Vij), output (Wjk) seperti pada Gambar 2.19 dengan nilai acak
yang cukup kecil antara -0,5 sampai 0,5. Lalu ditentukan nilai learning rate (α) antara 0 sampai 1, toleransi error dan jumlah maksimal epoch
jika menggunakan toleransi error dan banyaknya epoch sebagai kondisi berhenti.
Langkah b. Selanjutnya dilakukan proses pengulangan dari langkah c – j hingga nilai MSE (mean square error) yang diperoleh dari hasil pelatihan lebih kecil dari nilai toleransi error yang ditentukan atau epoch telah tercapai. Langkah c. Untuk setiap pasangan pola akan dilakukan proses pelatihan, dengan
melakukan langkah ke- d sampai langkah ke-i.
Tahap maju
Langkah d. Setiap node Xi, i = 1, 2, ..., n pada lapisan input meneruskan sinyal input
tersebut ke semua node Zj, j = 1, 2, ..., p pada lapisan tersembunyi yang
ada di atasnya.
Langkah e. Setiap node Zj, j = 1, 2, ..., p pada lapisan tersembunyi menjumlahkan
(60)
40
dengan bobot bias V0j lalu dengan menggunakan fungsi aktivasinya
dihitung sinyal outputnya:
∑ ………..(2. 19)
selanjutnya sinyal output tersebut dikirim ke semua node ke lapisan di atasnya (lapisan output).
Langkah f. Setiap node Yk, k = 1, 2, ..., m pada lapisan output menjumlahkan
sinyal input Zj, j = 1, 2, ..., p dari lapisan tersembunyi dengan
bobotnya Wjk dan ditambahkan dengan bobot bias W0k lalu dengan
menggunakan fungsi aktivasinya dihitung sinyal outputnya:
∑ ……….(2. 20)
Tahap mundur
Langkah g. Setiap node Yk, k = 1, 2, ..., m pada lapisan output menerima pola target
tk lalu informasi kesalahan pada lapisan output δk dihitung. δk dikirim ke
lapisan di bawahnya Zj, j = 1, 2, ..., p dan digunakan untuk menghitung
besar koreksi bobot ∆Wjk dan bias ∆W0k antara lapisan tersembunyi
dengan lapisan output:
′ ∑ …………..(2. 21)
∆ ………..(2. 22)
∆ ………..(2. 23) Di mana adalah nilai konstanta learning rate yang ditetapkan.
Langkah h. Setiap node Zj, j = 1, 2, ..., p di lapisan tersembunyi dilakukan
(61)
digunakan untuk menghitung besar koreksi bobot dan bias ∆Vij dan ∆V0j
antara lapisan input dan lapisan tersembunyi.
∑ ′ ∑ ………..(2. 24)
∆
………..(2. 25)
∆ ……….(2. 26)
Update bobot
Langkah i. Setiap node pada lapisan output Yk, k = 1, 2, ..., m dilakukan perubahan
bobot dan bias sehingga bobot dan bias yang baru menjadi:
∆ ……….(2. 27)
∆ ………(2. 28)
setiap node pada lapisan tersembunyi Zj, j = 1, 2, ..., p dilakukan
perubahan bobot dan bias sehingga bobot dan bias yang baru menjadi:
∆ ………(2. 29)
∆ ………(2. 30)
Langkah j. Selanjutnya dilakukan pengujian untuk kondisi berhenti dengan cara membandingkan hasil MSE yang diperoleh dari pelatihan dengan nilai toleransi error jika lebih kecilatau maksimal epoch pada proses pelatihan telah sesuai dengan nilai maksimal epoch yang ditetapkan pada langkah a.
2.7.2. Algoritma aplikasi
Langkah a. Inisialisasi bobot. Bobot ini diambil dari bobot (V0j, Vij, W0k, Wjk)
(62)
42
Langkah b. Untuk setiap pasangan input, dilakukan langkah ke- c sampai ke- e. Langkah c. Setiap node input Xi menerima sinyal input pengujian Xi dan
meneruskan sinyal Xi ke semua node Zj pada lapisan di atasnya (unit
tersembunyi).
Langkah d. Setiap node di lapisan tersembunyi Zj dihitung sinyal outputnya dengan
menggunakan fungsi aktivasi terhadap penjumlahan sinyal input Xi
dengan bobot Vij dan ditambah dengan bias V0j.
∑ ……….(2. 31) Lalu sinyal output dari lapisan tersembunyi kemudian dikirim ke semua
node pada lapisan di atasnya.
Langkah e. Pada setiap node output Yk dihitung sinyal outputnya dengan
menggunakan fungsi aktivasi terhadap penjumlahan sinyal input dari lapisan tersembunyi Zj dengan bobot Wjk ditambah bias W0k.
∑ ……….(2. 32)
2.8. Variasi Pembelajaran Backpropagation
Untuk mempercepat proses pelatihan maka algoritma pelatihan pada
backpropagation standar dapat dilakukan perubahan baik dari model
backpropagation yang digunakan atau pun cara update bobot seperti dengan
(63)
2.8.1. Momentum
Pada backpropagation standar perubahan bobot pada algoritma pelatihan didasarkan atas gradient yang terjadi untuk pola data yang dimasukkan saat itu. Metoda perubahan bobot seperti ini dapat menyebabkan JST terjebak pada suatu daerah yang dinamakan titik minimum lokal atau global karena adanya pola data yang sangat berbeda, hal ini berakibat pada lambatnya proses pelatihan. Untuk mengatasi hal ini maka dilakukan modifikasi terhadap perubahan bobot yang didasarkan atas gradient pola terakhir dan pola sebelumnya atau dikenal nama momentum. Di mana simbol momentum adalah µ dan bernilai antara 0 sampai 1 sehingga perubahan bobot dapat dihitung dengan Persamaan 2.33 dan 2.34 [23]:
∆ ∆ ………(2. 33)
dan
∆ ∆ ………(2. 34)
Di mana t adalah epoch.
2.8.2. Perubahan Bobot Berkelompok
Variasi lain yang dapat dilakukan untuk memodifikasi perubahan bobot yaitu dengan cara mengubah bobotnya sekaligus setelah semua pola data yang dimasukkan. Di mana semua pola data yang dimasukkan dilakukan langkah d – h dari algoritma pelatihan backpropagation standar. Selanjutnya dilakukan proses update bobot dengan cara menambahkan semua ∆ dan ∆ yang diperoleh [23].
(64)
BAB 3
METODE PENELITIAN
3.1. Rancangan Penelitian
Adapun langkah-langkah yang dilakukan pada penelitian ini agar metode jaringan saraf tiruan backpropagation dapat diterapkan untuk memprediksi kerusakan stator MI untuk 1 hari ke depan adalah sebagai berikut:
1. Menentukan jangka waktu prediksi
Jangka waktu prediksi pada penelitian ini hanya dibatasi hanya sampai 1 hari ke depan karena berdasarkan analisis peneliti jika jangka waktu prediksi diperpanjang sampai beberapa hari ke depan dikhawatirkan akurasi prediksinya tidak baik sehingga jika nantinya diterapkan kurang mempunyai arti sehingga peneliti memutuskan pada penelitian ini jangka waktu prediksi ditetapkan hanya sampai 1 hari ke depan.
2. Mengumpulkan data untuk pelatihan
Data yang dibutuhkan untuk melakukan pelatihan diperoleh dari pengukuran variabel-variabel MI (arus dan temperatur) dari 1 (satu) buah MI. Di mana nilai variabel-variabel motor induksi tersebut nantinya akan dikirim ke komputer melalui port serial dan dilakukan penyimpanan nilai variabel MI setiap 1 jam. Dari hasil pengukuran yang telah dilakukan mulai motor induksi dalam kondisi baik hingga rusak bahwasanya arus motor induksi berada pada nilai 0,68 – 0,93 ampere ( A) seperti pada Gambar 3.1 sedangkan untuk temperatur berada pada
(65)
nilai 30 – 110 0C seperti terlihat pada Gambar 3.5.
Gambar 3. 1. Bentuk Pola Data Arus Motor Induksi Dari Kondisi Baik Hingga Rusak
Selanjutnya dilakukan klasifikasi kondisi motor induksi berdasarkan arus, di mana acuan yang digunakan untuk menyatakan kondisi motor induksi dalam kondisi baik berdasarkan data spesifikasi yang terdapat pada name plate motor induksi tersebut yaitu arus nominal sebesar 0,76 A untuk kondisi sedang ketika motor induksi dibebani hingga 108 % dari arus nominal sedangkan kondisi buruk ketika motor induksi dibebani hingga 117 % dari arus nominal. Besarnya persentase arus berdasarkan data pengukuran yang diperoleh dengan pertimbangan penelitian [5], [8],[22] seperti yang ditunjukkan pada Tabel 3.1.
0 200 400 600 800 1000 1200 1400 1600 1800
0.65 0.7 0.75 0.8 0.85 0.9 0.95 1
Pola Data Arus
A
(66)
46
Tabel 3. 1 Menunjukkan Besar Arus Terhadap Kondisi Motor Induksi
Besar arus Kondisi motor induksi
0,00 – 0,76 A 0,76 – 0,82 A 0,82 – 0,89 A
Baik Sedang
Buruk
Bentuk pola arus motor induksi dalam kondisi baik, sedang dan buruk seperti pada Gambar 3.2, 3.3 dan 3.4.
Gambar 3. 2 Bentuk Pola Data Arus Motor Induksi Dalam Kondisi Baik
0 200 400 600 800 1000 1200
0.68 0.7 0.72 0.74 0.76 0.78 0.8 0.82 0.84 0.86
Pola Data Arus Motor Induksi Dalam Kondisi Baik A
(67)
Gambar 3. 3 Bentuk Pola Data Arus Motor Induksi Dalam Kondisi Sedang
Gambar 3. 4 Bentuk Pola Data Arus Motor Induksi Dalam Kondisi Buruk
0 50 100 150 200 250 300 350 400
0.74 0.75 0.76 0.77 0.78 0.79 0.8 0.81 0.82
Pola Data Arus Motor Induksi Dalam Kondisi Sedang
0 10 20 30 40 50 60 70 80 90 100
0.76 0.78 0.8 0.82 0.84 0.86 0.88
Pola Data Arus Motor Induksi Dalam Kondisi Buruk
A
A
Jam
(68)
48
Bentuk pola data temperatur motor induksi dari kondisi baik hingga rusak seperti Gambar 3.5.
Gambar 3. 5 Pola Data Temperatur Motor Induksi Dari Kondisi Baik Hingga Rusak Sedangkan klasifikasi kondisi motor induksi berdasarkan temperatur, di mana acuan yang digunakan untuk menyatakan kondisi motor induksi dalam kondisi baik berdasarkan data spesifikasi yang terdapat pada name plate motor induksi tersebut tetapi karena pada jenis motor induksi yang digunakan pada penelitian ini tidak mencantumkan batas temperatur kerja maka acuan yang digunakan dengan melihat
name plate pada motor induksi yang lain. Sedangkan klasifikasi untuk kondisi
0 200 400 600 800 1000 1200 1400 1600 1800
30 40 50 60 70 80 90 100 110
Pola Data Temperatur Motor Induksi Dari Kondisi Baik Hingga Rusak
0
C
(69)
sedang dan buruk berdasarkan data pengukuran yang diperoleh dengan pertimbangan penelitian [22] seperti yang ditunjukkan pada Tabel 3.2.
Tabel 3. 2 Menunjukkan Nilai Temperatur Terhadap Kondisi Motor Induksi
Nilai temperatur Kondisi motor induksi 0 – 60 0C
61 – 80 0C 81 – 94 0C
Baik Sedang
Buruk
Jadi karena pada penelitian ini menggunakan 2 variabel, maka keputusan akhir untuk menyatakan kondisi dari motor induksi dengan menggunakan kombinasi kedua variabel arus dan temperatur berdasarkan data pengukuran yang diperoleh dan analisis peneliti seperti pada Tabel 3.3.
Tabel 3. 3 Kombinasi Nilai Arus Dan Temperatur Terhadap Kondisi Motor Induksi
Variabel Kondisi motor induksi
Arus Temperatur Buruk Buruk Buruk Sedang Sedang Sedang Baik Baik Baik Buruk Sedang Baik Buruk Sedang Baik Buruk Sedang Baik Rusak Buruk Buruk Buruk Sedang Sedang Sedang Baik Baik
(70)
50
3. Menormalisasi data input.
Data hasil pengukuran yang nilainya tidak sesuai dengan output fungsi aktivasi yang digunakan yaitu 0 sampai 1 dilakukan proses normalisasi. Normalisasi ini bertujuan untuk menghindari agar nilai turunan dari fungsi aktivasinya tidak jatuh pada nilai yang sangat kecil. Karena hal ini dapat menyebabkan lambatnya proses pelatihan. Pada penelitian ini normalisasi data dilakukan dengan menggunakan Persamaan 3.1 [27]:
……….…(3.1)
Ni = data ke – i yang telah dinormalisasi
Xi = data ke – i yang akan dinormalisasi
Xmin = nilai terendah dari data pengukuran.
Xmax = nilai tertinggi dari data pengukuran.
Data hasil pengukuran yang dinormalisasi pada penelitian ini hanya data temperatur karena nilai sebenarnya dari temperatur yang terukur berada di antara 30 – 110 oC sehingga tidak sesuai dengan keluaran fungsi aktivasi yang digunakan yaitu sigmoid biner yang bernilai antara 0 – 1. Bentuk pola data temperatur motor induksi dari mulai kondisi baik hingga buruk yang telah dilakukan proses normalisasi seperti pada Gambar 3.6.
(1)
Hari 31 Hari 32 Hari 33 Hari 34 Hari 35 Hari 36 Hari 37 Hari 38 Hari 39 Hari 40 0.7400 0.7400 0.7400 0.7600 0.7400 0.7600 0.7600 0.7400 0.7400 0.7400 0.4375 0.4125 0.4500 0.4625 0.4375 0.4875 0.5625 0.5500 0.5250 0.5125 0.7400 0.7400 0.7400 0.7600 0.7400 0.7600 0.7600 0.7400 0.7400 0.7400 0.4375 0.4250 0.4500 0.4750 0.4500 0.5375 0.5750 0.5500 0.5250 0.5125 0.7600 0.7400 0.7600 0.7600 0.7400 0.7600 0.7600 0.7400 0.7600 0.7400 0.4500 0.4250 0.4375 0.4750 0.4500 0.5750 0.5625 0.5375 0.5375 0.5250 0.7400 0.7400 0.7600 0.7600 0.7400 0.7770 0.7600 0.7400 0.7400 0.7400 0.4375 0.4250 0.4375 0.4750 0.4500 0.5750 0.5625 0.5375 0.5375 0.5250 0.7400 0.7400 0.7400 0.7600 0.7400 0.7600 0.7400 0.7400 0.7400 0.7400 0.4375 0.4250 0.4500 0.4750 0.4500 0.5625 0.5750 0.5375 0.5375 0.5250 0.7400 0.7400 0.7400 0.7400 0.7400 0.7400 0.7600 0.7400 0.7400 0.7400 0.4125 0.4000 0.4375 0.4625 0.4500 0.5375 0.5625 0.5250 0.5250 0.5125 0.7400 0.7200 0.7400 0.7600 0.7400 0.7400 0.7400 0.7400 0.7400 0.7400 0.4125 0.4125 0.4375 0.4625 0.4500 0.5375 0.5500 0.5125 0.5125 0.5125 0.7400 0.7200 0.7400 0.7400 0.7400 0.7400 0.7400 0.7400 0.7400 0.7400 0.4125 0.4000 0.4375 0.4500 0.4500 0.5375 0.5500 0.5125 0.5125 0.5125 0.7200 0.7200 0.7400 0.7400 0.7400 0.7400 0.7400 0.7400 0.7400 0.7400 0.4000 0.4000 0.4250 0.4500 0.4500 0.5375 0.5500 0.5000 0.5125 0.5125 0.7400 0.7200 0.7400 0.7400 0.7400 0.7400 0.7400 0.7400 0.7400 0.7400 0.3875 0.4125 0.4250 0.4500 0.4375 0.5375 0.5500 0.5000 0.5125 0.5125 0.7400 0.7400 0.7400 0.7400 0.7400 0.7600 0.7600 0.7400 0.7400 0.7400 0.4000 0.4000 0.4250 0.4500 0.4375 0.5250 0.5500 0.5125 0.5250 0.5125 0.7200 0.7200 0.7200 0.7400 0.7400 0.7600 0.7600 0.7400 0.7400 0.7400 0.4125 0.3875 0.4375 0.4625 0.4375 0.5375 0.5375 0.5125 0.5125 0.5250 0.7400 0.7200 0.7400 0.7400 0.7600 0.7600 0.7600 0.7400 0.7400 0.7400 0.4000 0.4000 0.4375 0.4375 0.4375 0.5375 0.5375 0.5125 0.5125 0.5250 0.7200 0.7400 0.7400 0.7400 0.7400 0.7600 0.7600 0.7400 0.7600 0.7400 0.3875 0.4000 0.4375 0.4500 0.4250 0.5375 0.5375 0.5250 0.5125 0.5250 0.7400 0.7400 0.7400 0.7400 0.7400 0.7600 0.7600 0.7400 0.7400 0.7400 0.4000 0.4000 0.4375 0.4375 0.4250 0.5250 0.5500 0.5125 0.5125 0.5250 0.7200 0.7400 0.7400 0.7400 0.7200 0.7400 0.7600 0.7400 0.7400 0.7400 0.4000 0.4000 0.4250 0.4375 0.4375 0.5250 0.5375 0.5125 0.5000 0.5250 0.7400 0.7200 0.7200 0.7400 0.7400 0.7600 0.7400 0.7400 0.7200 0.7400 0.3875 0.3875 0.4250 0.4250 0.4125 0.5125 0.5250 0.5000 0.4875 0.5125 0.7200 0.7200 0.7400 0.7200 0.7200 0.7600 0.7400 0.7200 0.7400 0.7400 0.3875 0.4000 0.4250 0.4250 0.4250 0.5250 0.5125 0.5000 0.4875 0.5000 0.7400 0.7400 0.7400 0.7400 0.7400 0.7400 0.7600 0.7400 0.7400 0.7400 0.3875 0.3875 0.4250 0.4375 0.4250 0.5125 0.5375 0.5125 0.5000 0.5125 0.7400 0.7200 0.7400 0.7400 0.7400 0.7400 0.7400 0.7400 0.7400 0.7400 0.3875 0.3875 0.4250 0.4250 0.4375 0.5250 0.5375 0.5125 0.4875 0.5000 0.7400 0.7200 0.7400 0.7400 0.7400 0.7400 0.7400 0.7400 0.7400 0.7400 0.4000 0.4125 0.4375 0.4375 0.4500 0.5375 0.5375 0.5125 0.4875 0.5375 0.7400 0.7400 0.7400 0.7400 0.7400 0.7600 0.7800 0.7400 0.7400 0.7400 0.4125 0.4375 0.4500 0.4250 0.4625 0.5375 0.6000 0.5125 0.4875 0.5250 0.7400 0.7400 0.7585 0.7400 0.7400 0.7400 0.7400 0.7400 0.7400 0.7400 0.4125 0.4375 0.4625 0.4375 0.4750 0.5625 0.6250 0.5250 0.4875 0.5375 0.7400 0.7400 0.7600 0.7400 0.7600 0.7600 0.7955 0.7400 0.7400 0.7400 0.4250 0.4625 0.4750 0.4500 0.4875 0.5750 0.6250 0.5375 0.5125 0.5500 Target 0.9 0.9 0.9 0.9 0.9 0.9 0.9 0.9 0.9 0.9
(2)
Hari 41 Hari 42 Hari 43 Hari 44 Hari 45 Hari 46 Hari 47 Hari 48 Hari 49 Hari 50 0.7400 0.7600 0.7800 0.7400 0.7600 0.7600 0.7600 0.7600 0.7600 0.7955 0.5500 0.5625 0.6875 0.6500 0.6875 0.6750 0.7000 0.6875 0.7125 0.7750 0.7400 0.7600 0.7800 0.7600 0.7600 0.7600 0.7400 0.7600 0.7600 0.8200 0.5500 0.5750 0.6875 0.6625 0.7125 0.6750 0.6875 0.6875 0.7125 0.7750 0.7400 0.8000 0.7800 0.7400 0.7600 0.7600 0.7400 0.7600 0.7800 0.7955 0.5625 0.6000 0.7000 0.6625 0.7000 0.6750 0.6875 0.7000 0.7125 0.7750 0.7400 0.7400 0.7800 0.7400 0.7600 0.7600 0.7600 0.7400 0.7955 0.7955 0.5500 0.6000 0.7000 0.6625 0.7000 0.6750 0.6750 0.7000 0.7500 0.7500 0.7600 0.7400 0.7800 0.7400 0.7600 0.7600 0.7600 0.7600 0.8200 0.7955 0.5625 0.5625 0.7000 0.6875 0.6875 0.6875 0.6875 0.7000 0.7625 0.7625 0.7400 0.7400 0.7600 0.7400 0.7400 0.7400 0.7600 0.7400 0.7955 0.7955 0.5375 0.5500 0.6625 0.6375 0.6625 0.6625 0.6625 0.6750 0.7500 0.7375 0.7400 0.7400 0.7600 0.7400 0.7400 0.7400 0.7400 0.7800 0.7955 0.7955 0.5375 0.5500 0.6375 0.6375 0.6750 0.6625 0.6500 0.6750 0.7625 0.7375 0.7400 0.7400 0.7600 0.7400 0.7400 0.7600 0.7400 0.7600 0.7955 0.7955 0.5250 0.5500 0.6375 0.6375 0.6750 0.6625 0.6500 0.6750 0.7625 0.7375 0.7400 0.7400 0.7400 0.7400 0.7400 0.7400 0.7400 0.7400 0.7955 0.7800 0.5250 0.5500 0.6500 0.6375 0.6750 0.6750 0.6500 0.6625 0.7500 0.7250 0.7400 0.7400 0.7400 0.7400 0.7400 0.7400 0.7400 0.7400 0.7955 0.7955 0.5375 0.5500 0.6375 0.6500 0.6750 0.6625 0.6500 0.6750 0.7375 0.7250 0.7400 0.7400 0.7600 0.7400 0.7400 0.7600 0.7400 0.7600 0.7800 0.7955 0.5375 0.5375 0.6500 0.6375 0.6625 0.6375 0.6375 0.6625 0.7375 0.7250 0.7400 0.7400 0.7600 0.7600 0.7600 0.7400 0.7400 0.7400 0.7955 0.7955 0.5375 0.5500 0.6500 0.6375 0.6625 0.6750 0.6500 0.6750 0.7250 0.7250 0.7400 0.7400 0.7400 0.7600 0.7600 0.7400 0.7400 0.7600 0.7800 0.7800 0.5375 0.5500 0.6625 0.6500 0.6625 0.6750 0.6625 0.6750 0.7250 0.7250 0.7400 0.7400 0.7600 0.7600 0.7600 0.7600 0.7400 0.7600 0.7600 0.7800 0.5375 0.5500 0.6500 0.6500 0.6750 0.6750 0.6625 0.6500 0.7125 0.7125 0.7400 0.7600 0.7600 0.7400 0.7400 0.7600 0.7400 0.7600 0.7800 0.7800 0.5500 0.5500 0.6500 0.6375 0.6625 0.6625 0.6625 0.6750 0.7000 0.7125 0.7400 0.7400 0.7600 0.7400 0.7400 0.7600 0.7600 0.7600 0.7800 0.7600 0.5500 0.5375 0.6500 0.6375 0.6500 0.6750 0.6625 0.6750 0.7125 0.7000 0.7400 0.7400 0.7400 0.7400 0.7400 0.7400 0.7400 0.7400 0.7800 0.7600 0.5375 0.5375 0.6625 0.6375 0.6375 0.6625 0.6625 0.6625 0.7125 0.7000 0.7400 0.7400 0.7600 0.7400 0.7400 0.7400 0.7400 0.7600 0.7800 0.7800 0.5250 0.5250 0.6500 0.6375 0.6375 0.6625 0.6125 0.6625 0.7125 0.7000 0.7400 0.7400 0.7400 0.7400 0.7600 0.7600 0.7400 0.7600 0.7800 0.7800 0.5250 0.5375 0.6500 0.6500 0.6500 0.6750 0.6625 0.6875 0.7250 0.7000 0.7400 0.7400 0.7400 0.7600 0.7400 0.7400 0.7400 0.7400 0.7955 0.7800 0.5250 0.5375 0.6500 0.6625 0.6375 0.6625 0.6500 0.6750 0.7250 0.7000 0.7400 0.7600 0.7400 0.7600 0.7400 0.7400 0.7400 0.7400 0.7800 0.7800 0.5125 0.6250 0.6375 0.6750 0.6375 0.6500 0.6500 0.6750 0.7375 0.7125 0.7400 0.7600 0.7400 0.7600 0.7400 0.7400 0.7600 0.7400 0.7955 0.7600 0.5375 0.6750 0.6375 0.6875 0.6625 0.6500 0.6625 0.6750 0.7500 0.7250 0.7400 0.7600 0.7400 0.7600 0.7600 0.7400 0.7600 0.7600 0.7955 0.7800 0.5000 0.6750 0.6375 0.7000 0.6625 0.6625 0.6750 0.6875 0.7500 0.7250 0.7600 0.7600 0.7400 0.7600 0.7600 0.7585 0.7800 0.7600 0.7800 0.7800 0.5625 0.6875 0.6500 0.7000 0.6750 0.6875 0.7000 0.7125 0.7625 0.7250 Target 0.9 0.9 0.5 0.5 0.5 0.5 0.5 0.5 0.1 0.1
(3)
Hari 51 Hari 52 Hari 53 Hari 54 Hari 55 Hari 56 Hari 57 Hari 58 Hari 59 Hari 60 0.7800 0.7955 0.7955 0.7800 0.7955 0.7955 0.7955 0.7955 0.7955 0.7955 0.7375 0.7625 0.7625 0.7250 0.7625 0.7375 0.7625 0.7750 0.7875 0.7750 0.7955 0.7955 0.7955 0.7800 0.7955 0.7955 0.7955 0.7955 0.7955 0.7955 0.7375 0.7625 0.7625 0.7250 0.7625 0.7500 0.7625 0.7750 0.8000 0.7875 0.7955 0.7955 0.7955 0.7800 0.7955 0.7800 0.7955 0.7955 0.7955 0.8140 0.7375 0.7500 0.7625 0.7250 0.7750 0.7750 0.7750 0.7750 0.7875 0.7750 0.7800 0.7800 0.7955 0.7800 0.7955 0.7955 0.7955 0.7955 0.7955 0.7955 0.7375 0.7375 0.7500 0.7250 0.7750 0.7875 0.7750 0.7750 0.7875 0.7750 0.7800 0.7955 0.7955 0.7800 0.8140 0.7955 0.7800 0.7955 0.7955 0.7800 0.7250 0.7375 0.7500 0.7125 0.7500 0.7875 0.7625 0.7750 0.7750 0.7625 0.7800 0.7955 0.7955 0.7600 0.7955 0.7955 0.7955 0.7955 0.7955 0.7955 0.7250 0.7250 0.7375 0.7125 0.7500 0.7750 0.7500 0.7625 0.7750 0.7625 0.7800 0.7800 0.7955 0.7600 0.7955 0.7800 0.7955 0.7800 0.7955 0.7955 0.7250 0.7375 0.7500 0.7125 0.7500 0.7625 0.7375 0.7750 0.7750 0.7500 0.7800 0.7800 0.7800 0.7800 0.7770 0.7800 0.7800 0.7955 0.7955 0.7800 0.7250 0.7250 0.7500 0.7125 0.7375 0.7500 0.7375 0.7625 0.7750 0.7500 0.7800 0.7800 0.7955 0.7800 0.7800 0.7800 0.7800 0.7955 0.7955 0.7800 0.7250 0.7250 0.7375 0.7125 0.7250 0.7750 0.7375 0.7625 0.7625 0.7500 0.7800 0.7800 0.7800 0.7800 0.7955 0.7800 0.7955 0.7800 0.7955 0.7600 0.7250 0.7250 0.7125 0.7125 0.7125 0.7375 0.7250 0.7500 0.7375 0.7375 0.7800 0.7800 0.7600 0.7800 0.7800 0.7800 0.7600 0.7800 0.7800 0.7800 0.7250 0.7125 0.7125 0.7000 0.7125 0.7125 0.7125 0.7500 0.7375 0.7250 0.7800 0.7800 0.7600 0.7600 0.7955 0.7800 0.7800 0.7800 0.7800 0.7800 0.7250 0.7000 0.7000 0.6875 0.7125 0.7000 0.7250 0.7500 0.7250 0.7250 0.7800 0.7800 0.7600 0.7600 0.7800 0.7600 0.7800 0.7800 0.7800 0.7800 0.7125 0.7000 0.7000 0.6875 0.7000 0.7000 0.7125 0.7250 0.7250 0.7250 0.7600 0.7800 0.7600 0.7600 0.7585 0.7600 0.7600 0.7800 0.7800 0.7600 0.7000 0.7000 0.6875 0.6750 0.7000 0.7000 0.7000 0.7250 0.7250 0.7125 0.7600 0.7600 0.7600 0.7600 0.7600 0.7600 0.7600 0.7800 0.7800 0.7600 0.7000 0.7000 0.6875 0.6750 0.6875 0.7000 0.7000 0.7250 0.7250 0.7000 0.7800 0.7600 0.7600 0.7600 0.7800 0.7800 0.7800 0.7800 0.7800 0.7600 0.6875 0.7000 0.6750 0.6750 0.6875 0.7000 0.7000 0.7250 0.7250 0.7000 0.7600 0.7600 0.7600 0.7600 0.7800 0.7600 0.7800 0.7800 0.7600 0.7600 0.6875 0.6875 0.6750 0.6750 0.7000 0.7000 0.7000 0.7250 0.7125 0.7000 0.7600 0.7600 0.7600 0.7600 0.7600 0.7600 0.7600 0.7600 0.7800 0.7600 0.6875 0.6875 0.6875 0.6750 0.7000 0.7000 0.6875 0.7500 0.7250 0.7000 0.7800 0.7600 0.7600 0.7585 0.7600 0.7800 0.7800 0.7955 0.7800 0.7800 0.7000 0.6875 0.6875 0.7000 0.7000 0.7125 0.7250 0.7375 0.7375 0.7125 0.7600 0.7800 0.7600 0.7585 0.7800 0.7800 0.7800 0.7800 0.7800 0.7800 0.7125 0.7000 0.7000 0.7125 0.7125 0.7500 0.7375 0.7375 0.7375 0.7250 0.7600 0.7600 0.7800 0.7800 0.7600 0.7800 0.7800 0.7955 0.7955 0.7800 0.7250 0.7125 0.7125 0.7250 0.7250 0.7500 0.7375 0.7500 0.7500 0.7375 0.7800 0.7955 0.7800 0.7800 0.7800 0.7955 0.7955 0.7955 0.7955 0.7800 0.7375 0.7250 0.7250 0.7375 0.7250 0.7375 0.7625 0.7625 0.7500 0.7500 0.7800 0.7955 0.7800 0.7955 0.7955 0.7955 0.7955 0.7955 0.7800 0.7955 0.7500 0.7500 0.7250 0.7500 0.7125 0.7500 0.7625 0.7500 0.7625 0.7625 0.7955 0.7955 0.7600 0.7955 0.7800 0.7955 0.8140 0.7955 0.7955 0.7955 0.7500 0.7625 0.7250 0.7500 0.7250 0.7625 0.7750 0.7375 0.7750 0.7750 Target 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1 0.1
(4)
Hari 61 Hari 62 Hari 63 0.7955 0.7800 0.8100 0.7750 0.7750 0.7875 0.7955 0.7955 0.7955 0.7875 0.7875 0.8000 0.7955 0.7955 0.7955 0.7875 0.7750 0.7875 0.7955 0.7955 0.7955 0.7750 0.7750 0.7750 0.7955 0.7955 0.7800 0.7625 0.7625 0.7625 0.7800 0.7955 0.7800 0.7750 0.7500 0.7625 0.7800 0.7955 0.7800 0.7625 0.7750 0.7500 0.7955 0.7955 0.7955 0.7625 0.7500 0.7625 0.7955 0.7600 0.7955 0.7500 0.7625 0.7375 0.7955 0.7955 0.7955 0.7500 0.7375 0.7500 0.7800 0.7800 0.7800 0.7375 0.7375 0.7500 0.7800 0.7800 0.7800 0.7250 0.7375 0.7375 0.7800 0.7800 0.7800 0.7250 0.7250 0.7375 0.7800 0.7800 0.7800 0.7125 0.7250 0.7250 0.7600 0.7800 0.7800 0.7125 0.7125 0.7250 0.7600 0.7800 0.7800 0.7125 0.7125 0.7125 0.7800 0.7800 0.7600 0.7125 0.7125 0.7125 0.7600 0.7800 0.8100 0.7125 0.7250 0.7500 0.7800 0.7600 0.7955 0.7250 0.7250 0.7500 0.7800 0.7800 0.7955 0.7250 0.7250 0.6750 0.7800 0.7955 0.7955 0.7500 0.7500 0.8000 0.7955 0.7955 0.8100 0.7375 0.7750 0.8000 0.7955 0.7955 0.8100 0.7625 0.7750 0.8250 0.7955 0.7955 0.8100 0.7750 0.7750 0.8375 Target 0.1 0.1 0.1
(5)
(6)