Prediksi Kebutuhan Arus Proteksi Pada Underground Impressed Current Cathodic Protection (ICCP) dengan Menggunakan Artificial Neural Network

  Prediksi Kebutuhan Arus Proteksi Pada Underground Impressed Current Cathodic Protection (ICCP) dengan Menggunakan Artificial Neural Network SIDANG TUGAS AKHIR

  Jurusan Teknik Material dan Metalurgi

RIFQI AULIA TANJUNG (2711 100 071)

  Outline Data yang dimiliki dan digunakan dalam Kesimpulan dari

  P penelitian dan juga data tersebut pengujian yang

  E didistribusi dilaksanakan Data

  N Kesimpulan

  D A H Simulasi dan Analisa Penjelasan

  U Penjelasan bagaimana simulasi Apa itu Artificial Neural Network

  L dilaksanakan dan bagaimana dan bagaimana Pengembangan metode baru untuk menghitung kebutuhan arus proteksi pada system ICCP Permasalahan | Tujuan

  N A Model ANN kebutuhan arus proteksi

  U

• Pengaruh struktur dan pengulangan pengujian ANN
• Akurasi model yang dihasilkan

  UL

• H A

  Batasan Masalah

  Fact 1 Fact 2

  Fact 3 Penelitian kebutuhan arus Pengaruh lingkungan proteksi ICCP telah dilakukan terhadap kebutuhan arus Penelitian tersebut belum sebelumnya dan telah proteksi ICCP telah dilakukan menggunakan Artificial

  N memiliki rumus perhitungan oleh Pratama dan Intelligent

  A di masing masing kondisi Ardiansyah pada tahun 2014

  U UL Fact 4

  Fact 5 Fact 6

  H A Satu-satunya peneilitian berbasi ANN yang

  Penggunaan ANN lebih mengandung bidang korosi Ilustrasi kerja otak manusia yang diditiru oleh ANN AN JELAS

  Struktur neural network AN

  1 JELAS = ( )

  1 + Cara belajar neural network dalam AN JELAS

  Variabel yang biasanya digunakan pada model artificial neural network Tipe

  Layer Akurasi

  AN Training

  Perceptron Algorithm JELAS

PARAMETER COATING

KEBUTUH LAMA PROTEKSI MATERIAL KEASAMAN (PH)

AN ARUS (HOURS) PROTECTED AREA

  AISI 1045 Steel pH: 11, 7, 3 0%, 92%, 96%, 97%, 98%, Lingkaran dan persegi 24 jam hingga 184 jam dengan

  Target 99%, 100% interval 8 jam

  API 5L B Grade Steel pH: 11, 9, 7, 5, 3

  E S MATERIAL A JUMLAH LAMA KEBUTUHAN

PH

  SUDUT % COATING PROSES ARUS B LINGKUNGAN

  GORES (JAM) PROTEKSI Luas %Fe %C %Mn %Cr %Mo %others Permukaan TA A

  2105 Data E

  2080 Data Training

  25 Data Testing S A B TA A Dilakukan agar tidak terjadi dinamisasi data yang dapat mengurangi performa NN dalam belajar − =

  E −

  S A B TA Sehingga seluruh data yang A Halaman utama MATLAB® R2014a SI LA U M

  Tampilan jendela “nntool”, Neural Network Data Manager SI LA U M

  Tampilan jendela import, Neural Network Data Manager SI LA U M

  Tampilan jendela Create Network, Neural Network Data Manager SI LA U M

  Tampilan jendela Network, Neural Network Data Manager SI LA U M

  Tampilan jendela Train, Neural Network Data Manager SI LA U M

  Tampilan jendela Train, Neural Network Data Manager SI LA U M

  Dilakukan untuk mengembalikan nilai hasil simulasi menjadi nilai aslinya = H × −

• E S A B TA

  Sehingga seluruh data yang berada A

  HA SI L Berikut rata-rata hasil simulasi ANN di setiap jumlah neuron dalam pengulangan sebanyak sepuluh kali

  

18

  30 1 0.100 0.244 0.224 0.172 0.185 0.174 0.141 0.199 0.174 0.149 0.118 0.143 0.136 0.126 0.148 0.132 0.167 0.137 0.183 0.178 0.129 0.151 0.139 0.157 0.166 0.190 0.182 2 0.025 0.160 0.115 0.042 0.051 0.017 0.020 0.041 0.042 0.024 0.021 0.014 0.011 0.011 0.011 0.023 0.050 0.021 0.030 0.031 0.022 0.026 0.013 0.022 0.028 0.045 0.037 3 0.075 0.289 0.188 0.130 0.119 0.070 0.051 0.115 0.045 0.062 0.037 0.034 0.042 0.028 0.034 0.046 0.112 0.065 0.072 0.076 0.134 0.056 0.051 0.062 0.082 0.098 0.104 4 0.091 0.048 0.046 0.040 0.051 0.094 0.055 0.101 0.068 0.071 0.064 0.077 0.070 0.084 0.085 0.091 0.029 0.083 0.089 0.030 0.068 0.088 0.097 0.094 0.085 0.088 0.067 5 0.125 0.053 0.109 0.056 0.053 0.092 0.103 0.116 0.077 0.125 0.100 0.084 0.086 0.120 0.120 0.109 0.049 0.118 0.121 0.053 0.122 0.117 0.125 0.125 0.123 0.118 0.083 6 0.030 0.022 0.020 0.003 0.030 0.016 0.008 0.016 0.028 0.035 0.025 0.012 0.022 0.013 0.025 0.026 0.018 0.030 0.018 0.018 0.014 0.028 0.036 0.030 0.026 0.027 0.015 7 0.068 0.017 0.003 0.003 0.035 0.043 0.026 0.045 0.024 0.032 0.052 0.035 0.052 0.052 0.049 0.032 0.023 0.035 0.051 0.031 0.016 0.030 0.059 0.056 0.052 0.048 0.037 8 0.014 0.014 0.003 0.003 0.013 0.016 0.006 0.015 0.020 0.016 0.026 0.009 0.025 0.018 0.018 0.012 0.008 0.013 0.018 0.016 0.008 0.013 0.020 0.018 0.014 0.018 0.019 9 0.089 0.031 0.033 0.003 0.033 0.056 0.067 0.069 0.047 0.084 0.066 0.086 0.082 0.093 0.085 0.053 0.030 0.066 0.080 0.048 0.048 0.085 0.079 0.071 0.080 0.083 0.096 10 0.026 0.020 0.009 0.003 0.022 0.021 0.005 0.024 0.028 0.028 0.026 0.023 0.034 0.028 0.025 0.013 0.012 0.021 0.023 0.018 0.014 0.021 0.030 0.026 0.021 0.026 0.028

  29

  28

  27

  26

  25

  24

  23

  22

  21

  20

  19

  17

  Target NEURON

  16

  15

  14

  13

  12

  11

  10

  9

  8

  7

  6

  5

  11 0.400 0.394 0.339 0.368 0.369 0.402 0.399 0.391 0.389 0.408 0.398 0.409 0.405 0.393 0.382 0.393 0.370 0.379 0.378 0.377 0.376 0.388 0.390 0.382 0.376 0.374 0.378 12 0.038 0.243 0.150 0.103 0.104 0.058 0.061 0.103 0.057 0.045 0.032 0.042 0.046 0.042 0.040 0.041 0.092 0.067 0.076 0.060 0.085 0.065 0.056 0.052 0.068 0.108 0.109 13 1.250 0.659 0.797 0.808 0.765 0.927 0.937 0.857 1.003 0.981 1.052 1.033 1.061 1.016 1.064 1.030 0.971 0.944 0.945 0.993 0.958 0.986 0.983 1.003 0.984 0.907 0.913 14 0.175 0.352 0.230 0.217 0.244 0.180 0.182 0.212 0.160 0.177 0.169 0.171 0.165 0.170 0.168 0.170 0.193 0.193 0.188 0.174 0.193 0.192 0.175 0.178 0.181 0.207 0.219 15 0.020 0.103 0.037 0.040 0.046 0.017 0.029 0.049 0.031 0.022 0.017 0.013 0.023 0.006 0.017 0.015 0.032 0.019 0.039 0.024 0.025 0.024 0.019 0.015 0.016 0.030 0.015 16 0.300 0.152 0.170 0.236 0.224 0.281 0.264 0.232 0.219 0.259 0.299 0.309 0.279 0.238 0.313 0.298 0.253 0.174 0.276 0.271 0.247 0.236 0.274 0.278 0.263 0.247 0.153 17 0.047 0.127 0.051 0.076 0.078 0.054 0.049 0.062 0.064 0.045 0.038 0.037 0.052 0.038 0.036 0.037 0.064 0.032 0.062 0.055 0.053 0.059 0.051 0.046 0.042 0.059 0.036 18 0.125 0.104 0.076 0.141 0.101 0.114 0.116 0.122 0.101 0.115 0.112 0.094 0.114 0.092 0.121 0.105 0.112 0.104 0.117 0.112 0.113 0.097 0.118 0.105 0.110 0.117 0.101

  HA SI L Berikut akurasi hasil simulasi ANN di setiap jumlah neuron dalam pengulangan sebanyak sepuluh kali

  24% 36% 24% 32%

  24% 44% 24% 28%

  36% 32% 44% 32%

  28% 40% 32% 28%

  36% 44% 44% 40% 40%

  30% 40% 50% 60% 70% 80% 90% 100%

  A ku ra si R a ta -ra ta 53% 53% 60% 60%

  73% 73% 67% 67% 80% 87% 87% 87%

  73% 80% 80% 67% 73%

  67% 73% 73% 73% 80% 80% 73% 73% 73%

  

30%

40%

50%

60%

70%

80%

90%

100%

  Ak u ra si rat a -r at a

  HA SI L Berikut akurasi hasil simulasi ANN di setiap jumlah neuron per simulasi

  28% 28% 26% 29% 37%

  36% 41% 32% 39%

  37% 29% 31% 33%

  38% 41% 36% 28%

  20% 30% 40% 50% 60% 70% 80% 90% 100%

  A k ur a si (% )

  Akurasi Linear (Akurasi) 32% 37%

  45% 44% 69% 58%

  61% 62% 70% 75%

  74% 76% 67% 74%

  68% 48% 63%

  67% 58% 58% 63% 75% 77%

  68% 68% 58%

  30% 40% 50% 60% 70% 80% 90% 100%

  A k ur a si (% ) akurasi Linear (akurasi)

  HA SI L Berikut akurasi hasil simulasi ANN pada material AISI 1045

  1 %

  8 %

  5

  8 %

  4

  3 %

  5

  8 %

  3

  5 %

  5

  7 %

  2

  1 % 7 %

  2

  2

  3 %

  Akurasi Linear (Akurasi)

  A K U R A S I ( % )

  y = 0.0065x + 0.106 30% 40% 50% 60% 70% 80% 90% 100%

  9 %

  1

  3 ,

  4 %

  2

  9 ,

  2

  5 %

  2

  8 ,

  2

  6

  6

  3

  3 %

  A k u ra si (% )

  

30%

40%

50%

60%

70%

80%

90%

100%

  2 % y = 0.0124x + 0.3376

  5

  7 %

  6

  1 %

  6

  5 %

  7

  1 %

  7

  1 %

  5

  4

  2 %

  5 %

  3

  7 % 6 %

  5

  8 %

  2

  7 %

  5

  3 %

  6

  3 %

  6

  8 %

  6

  5 %

  7 ,

  ,

  2 %

  7 ,

  1

  8 %

  2

  6 ,

  1

  4 %

  2

  5 ,

  1

  5 %

  2

  4 ,

  1

  2

  3 %

  3 ,

  1

  5 %

  1

  ,

  3 %

  2

  1 ,

  1

  6 %

  1

  ,

  5 %

  6 %

  2

  1

  2

  2

  9 %

  2

  6 ,

  2

  9 %

  1

  5 ,

  2

  7 %

  1

  4 ,

  3 %

  1

  3 ,

  3 %

  8 ,

  2

  2 ,

  2

  4 %

  2

  1 ,

  2

  %

  5 %

  2

  9 ,

  1

  7 %

  2

  Akurasi Linear (Akurasi)

• – AK U RASI

  28, 43% 29, 31%

  9 1 0 1 1 1 2 1 3 1 4 1 5 1 6 1 7 1 8 1 9 2 0 2 1 2 2 2 3 2 4 2 5 2 6 2 7 2 8 2 9

  8

  7

  6

  5

  2

  3

  5

  4 x + .2

  6

  y = .0

  26, 44% 27, 45%

  IL

  24, 35% 25, 32%

  22, 37% 23, 47%

  20, 28% 21, 33%

  18, 47% 19, 45%

  16, 50% 17, 39%

  13, 34% 14, 45% 15, 45%

  11, 27% 12, 21%

  9, 37% 10, 37%

  7, 21% 8, 18%

  5, 11% 6, 14%

  rik u t ak u ras i ha sil si m u la si AN N pa da m a te ria l A P

  JU ML A H N E U R O N Ak u ra si Lin ear ( A k u ras i)

• 00
• 03 -02
• 02

  -02

• 02 -02
• 02
• – m ean squared erro r

  5

  16

  15

  14

  13

  12

  11

  10

  9

  8

  7

  6

  3.82E-03

  IL

  2.96E-03

  2.57E-03

  5.63E-03

  1.23E-02

  1.38E-02

  9.78E-03

  8.65E-03

  1.73E-02

  1.45E-02

  1.94E-02

  3.21E-02

  rik u t m e a n s qua re d e rr o r d a ri se ti a p m od e l

  O 17 JU M LA H N m se

  S

  IMP UL A N Berikut akurasi hasil simulasi ANN pada material API 5L grade B

  1. Tipe : Supervised FeedForward Backpropagation

  2. Algoritma : Levenberg-Marquardt Backpropagation

  3. Jumlah Layer : 1 (Perceptron)- 1 (Hidden)- 1 (Output)

  4. Jumlah Node : 11 - n - 1

• Allan, G., Yang, R., Fotheringham, A., & Mather, R. (2001). Neural modelling of polypropylene fiber processing: predicting the structure and propertiess and identifying the control parameters for specified fiber. Journal of Materials Science 36, 3113-3118.
• Ardiansyah, F. P. (2014). Pengaruh Ph Tanah Dan Variasi Cacat Gores Lapis Lindung Terhadap Kebutuhan Arus
>Bishop, C. M. (1995). Neural network for pattern recognition. Oxford: Oxford University Press.
• Fausett, L. V. (1994). Fundamentals of neural networks (1st ed.). Englewood Cliffs, NJ: Prentice Hall.
• Hafezi, R., Shahrabi, J., & Hadavandi, E. (2011). A bat-neural network multi-agent system (BNNMAS) for stock priceprediction: Case study of DAX stock price. Aplied Soft Computing, 196-210.
• Haykin, S. S. (1998). Neural Networks : a comprehensive foundation (2nd ed.). Upper Saddle River, NJ: Prentice Hall.
• Mänttäri, J., & Larsson, J. (2011). Applications of Artificial Neural Networks in Games. School of Innovation, Design and Engineering. Västerås: Mälardalen University.

  ft ar P us ta k a • Aleksander, I., & Morton, H. (1990). An introduction to neural computing. London: Chapman & Hall.

  Proteksi Sistem Impressed Current Cathodic Protection (Iccp) Pada Baja Aisi 1045. Surabaya: Jurusan Teknik Material dan Metalurgi ITS.

  Prediksi Kebutuhan Arus Proteksi Pada Underground Impressed Current Cathodic Protection (ICCP) dengan Menggunakan Artificial Neural Network SIDANG TUGAS AKHIR

  Jurusan Teknik Material dan Metalurgi