BAB III METODOLOGI PENELITIAN. Pelaksanaan penelitian ini, memerlukan banyak hal yang harus

Transkripsi

1 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

2 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

3 A Mengelompokkan Data Input: Persentase Agregat Lolos Ayakan 200, 50, 30, 8, 4 dan ½ inch Mengelompokkan Data Output: Stabilitas Marshall Persentase Agregat Pecah Kadar Aspal 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

4 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

5 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

6 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

7 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

8 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

9 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

10 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 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

11 langkah-langkah pengolahan data dengan menggunakan nilai optimum pada neuron 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

12 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

13 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

14 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

15 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

16 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

17 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

18 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

19 1. Neuron 3 Plot Performance ( ) Gambar 4.15 Tampilan menu Performance Plot Regression ( ) Gambar 4.16 Tampilan menu Regression 91

20 2. Neuron 6 Plot Performance ( ) Gambar 4.17 Tampilan menu Performance Plot Regression ( ) Gambar 4.18 Tampilan menu Regression 92

21 3. Neuron 8 Plot Performance ( ) Gambar 4.19 Tampilan menu Performance Plot Regression ( ) Gambar 4.20 Tampilan menu Regression 93

22 4. Neuron 10 Plot Performance ( ) Gambar 4.21 Tampilan menu Performance Plot Regression ( ) Gambar 4.22 Tampilan menu Regression 94

23 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 Mu mu_inc mu_dec Goal MSE R RTP3-1 1,5 1,5 0,5 0, ,4472 0,79666 RTP3-2 1,5 1,5 0,5 0,1 816,6777 0,74154 RTP3-3 1,5 1,5 0,5 0,1 679,0016 0,78633 RTP3-4 1,5 1,5 0,5 0, ,0222 0,84508 RTP3-5 1,5 1,5 0,5 0,07 554,4336 0,74741 RTP3-6 0, ,1 0,09 785,2044 0,75697 RTP3-7 1,5 1,5 0,5 0, ,857 0,74871 RTP ,01 0,98 0,9 1846,1233 0,43501 Tabel 4.2 Hasil simulasi pada jaringan dengan neuron 6 pada hidden layer Neuron 6 Network mu mu_inc mu_dec Goal MSE R RTP ,98 1,01 0, ,3184 0,37214 RTP ,9 1,1 0,4 2059,296 0,58904 RTP ,9 1,1 0, ,2144 0,79846 RTP ,9 1,1 0, ,4768 0,58438 RTP ,9 1,1 0, ,0234 0,82297 RTP ,9 1,1 0, ,3908 0,7187 RTP ,9 1,1 0, ,7852 0,78031 RTP ,9 1,1 0,1 3422,7654 0, RTP ,9 1,1 0,11 665,6303 0,81164 RTP ,9 1,1 0,11 996,412 0,

24 Tabel 4.3. Hasil simulasi pada jaringan dengan neuron 8 pada hidden layer Neuron 8 Network mu mu_inc mu_dec Goal MSE R RTP ,98 1,01 0, ,8411 0,80861 RTP ,98 1,01 0,09 584,3256 0,83348 RTP ,98 1,01 0, ,1638 0,67157 RTP ,98 1,01 0, ,7647 0,50727 RTP ,98 1,01 0,09 585,9638 0,87115 RTP ,98 1,01 0, ,0807 0,73667 RTP ,98 1,01 0,1 2140,5424 0,70036 RTP ,98 1,01 0, ,4416 0,56359 RTP8-9 0,001 0, ,4145 0,72516 Tabel 4.4 Hasil simulasi pada jaringan dengan neuron 10 pada hidden layer Neuron 10 Network mu mu_inc mu_dec Goal MSE R RTP10-1 1,5 1,01 0, ,5106 0,67434 RTP10-2 1,5 1,01 0,99 0, ,4697 0,45994 RTP10-3 1,5 1,01 0,99 0, ,5171 0,13369 RTP10-4 1,5 1,01 0,99 0, ,3123 0,66727 RTP10-5 1,5 1,01 0,99 0, ,0975 0,46626 RTP10-6 1,5 1,01 0,99 0, ,589 0,75627 RTP10-7 1,5 1,01 0,99 0, ,5529 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

25 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

26 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

27 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

28 Sampel Output Sampel Output Sampel Output

29 2. Neuron 6 Tabel 4.6 Hasil Output Neuron 6 Sampel Output Sampel Output Sampel Output

30 Sampel Output Sampel Output Sampel Output

31 3. Neuron 8 Tabel 4.7 Hasil Output Neuron 8 Sampel Output Sampel Output Sampel Output

32 Sampel Output Sampel Output Sampel Output

33 4. Neuron 10 Tabel 4.8 Hasil Output Neuron 10 Sampel Output Sampel Output Sampel Output

34 Sampel Output Sampel Output Sampel Output

35 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 = ), 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 = ), akan disajikan pada tabel

36 Tabel 4.9 Data Aktual Stabilitas Marshall Dengan Data Simulasi Neuron 8 Data Aktual Data Simulasi Neuron 8 Sampel Output Sampel Output

37 Data Aktual Data Simulasi Neuron 8 Sampel Output Sampel Output

38 Data Aktual Data Simulasi Neuron 8 Sampel Output Sampel Output

39 Data Aktual Data Simulasi Neuron 8 Sampel Output Sampel Output

40 Data Aktual Data Simulasi Neuron 8 Sampel Output Sampel Output

41 Data Aktual Data Simulasi Neuron 8 Sampel Output Sampel Output

42 IV.3.6. Grafik Perbandingan Antara Data Aktual Dengan Hasil Simulasi Neuron 8 114

43 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= ) 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

44 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