RANCANGAN PROSES TRAINING UNTUK MENDUKUNG PENENTUAN KUALITAS AIR MINUM KEMASAN

Transkripsi

1 RANCANGAN PROSES TRAINING UNTUK MENDUKUNG PENENTUAN KUALITAS AIR MINUM KEMASAN Erfant Fatkhyah Jurusan Teknk Informatka, Fakultas Teknolog Industr, Insttut Sans & Teknolog AKPRIND Yogyakarta Emal: ABSTRAK Ar mnum kemasan harus memenuh standar baku yang telah dtentukan Penentuan kualtas ar mnum kemasan salah satunya menggunakan metode jarngan syaraf truan yang d dalamnya terdapat proses tranng dan proses penentuan kualtas ar mnum kemasan tersebut Peneltan n memaparkan rancangan proses tranng, hasl dar proses tranng berupa bobot akhr, bobot akhr n yang dpergunakan dalam proses penentuan kualtas ar mnum kemasan Proses tranng dlakukan dengan nla α dan θ yang berbeda-beda Dar proses tranng yang dlakukan, dperoleh bobot akhr yang dapat dgunakan pada proses untuk menentukan kualtas ar mnum kemasan yang sesua dengan standar baku mutu ar mnum kemasan Ar mnum kemasan dnyatakan layak untuk dkemas dan dkonsums apabla memenuh standar baku mutu ar mnum kemasan Kata kunc : proses tranng, ar mnum kemasan, jarngan syaraf truan PENDAHULUAN Kebutuhan ar mnum kemasan sudah menjad kebutuhan pokok bag masyarakat, terutama masyarakat perkotaan Berbaga merek ar mnum kemasan dapat menjad plhan bag masyarakat dalam memlh dan mengkonsums ar mnum kemasan tersebut, tetap tdak semua ar mnum kemasan termasuk kategor ar mnum yang sehat dan aman, ar mnum kemasan yang sehat dan aman harus memenuh standar baku mutu ar mnum yang dcek secara berkala Standar baku mutu ar mnum merupakan standar dalam menentukan kualtas ar mnum kemasan yang sehat dan aman untuk dkonsums Proses pengolahan ar mnum kemasan melalu tahapan yang sudah dtentukan oleh prosedur pengolahan ar mnum kemasan Unsur-unsur dalam ar dukur dan dcek, kemudan dproses sesua ketentuan pemrosesan ar mnum kemasan dan dkemas dalam kemasan yang sesua ketentuan kemasan ar mnum, sehngga menghaslkan ar mnum kemasan yang berkualtas Salah satu cara membantu proses penentuan kualtas ar mnum kemasan adalah dengan menggunakan model jarngan syaraf truan, yang d dalamnya terdapat proses tranng dan proses penentuan ar mnum kemasan Proses tranng n sangat bermanfaat untuk proses selanjutnya, karena proses tranng menghaslkan bobot akhr yang akan dpaka pada proses penentuan kualtas ar mnum kemasan Peneltan n hanya membahas rancangan proses tranng yang dpergunakan dalam model jarngan syaraf truan Pada proses tranng terdapat pemasukan data unsur-unsur dalam ar, normalsas, dan feedfoward yang akhrnya dperoleh bobot akhr, yang akan dpergunakan dalam proses penentuan Peneltan n bertujuan membuat rancangan proses tranng yang merupakan salah satu proses dalam metode jarngan syaraf truan untuk penentuan kualtas ar mnum dalam kemasan Peneltan n menggunakan beberapa tahapan dalam membuat rancangan proses tranng, yatu: preprocessng, yatu menyapkan data yang terdr dar 20 (dua puluh) unsur yang terkandung dalam ar (TDs, PH, Kekeruhan ar, warna ar, bau ar, rasa ar, Bes, Mangan, zat organk, Fluorda, Boron, Arsen, Bakter bentuk Kol, Salmonella, Ntrat, Ntrt, Tmbal, Kadmum, Sellenum, dan Klor bebas), lalu dlakukan normalsas data yang memetakan data menjad nla antara 0 dan 1 Tahapan selanjutnya membuat arstektur proses tranng dengan metode sngle layer perceptron, menentukan nput, bobot awal, learnng rate, threshold dan target Pembuatan dagram alr data merupakan tahapan berkutnya, dan terakhr merancang antar muka untuk proses tranng tersebut Peneltan-peneltan yang mendukung rset rancangan proses tranng untuk mendukung penentuan kualtas ar mnum kemasan adalah mplementas Jarngan Syaraf Truan Mult-Layer Perceptron Feedfoward dengan Hdden Layer Tunggal pada prakraan cuaca (Ukkas, 2005), peneltan tentang jarngan syaraf truan prakraan cuaca n menggunakan mult-layer perceptron feedfoward dengan algortma pembelajaran yang dgunakan adalah propagas balk dan adanya proses pembelajaran (tranng) dlakukan dengan metode terbmbng (supervsed learnng) dengan parameter B-294

2 berupa data-data cuaca selama kurun waktu tertentu Proses pembelajaran n dlakukan berulangulang (teras) pada objek nput yang dplh, sehngga suatu saat pada proses pembelajaran apabla telah dperoleh nla output dar nput-nput dengan target nla yang dberkan, maka pembelajaran dhentkan Bustam, dkk (2006) menelt permukaan ar setap harnya d sunga bedup, Sarawak, dengan menggunakan metode Mult Layer Perceptron (MLP) Neural Networks dan Probablstc Neural Networks (PNN), metode n dgunakan untuk mengklasfkaskan kualtas ar dengan contoh d tempat dan waktu yang berbeda, ada 7 (tujuh) tempat d jalur utama sunga, dambl d saat ar rendah, normal dan tngg dalam kurun waktu , dkelompokkan dalam 5 (lma) klas dengan faktor yang dukur DO, COD, NH 2, Hydroxy benzene, CN, As, Hg, Cr +6,Pb dan Cd Peneltan lan tentang predks parameter kualtas ar sunga Johor yang dlakukan oleh Najah, dkk (2009), dengan parameter conductvty, Total Dssolved Sold (TDs), Turbdty dan total sold, dengan menggunakan metode MLP (Mult Layer Perceptron) Peneltan-peneltan d atas, memperlhatkan bahwa dalam model jarngan syaraf truan terdapat proses tranng yang dapat dgunakan untuk mendukung metode perceptron dalam mempredks atau mendeteks maupun mengdentfkas suatu permasalahan yang nantnya dapat dambl kesmpulan atau solus METODE Proses tranng dalam peneltan n menggunakan model jarngan syaraf truan dengan metode sngle layer perceptron yang dpaka untuk mendukung penentuan kualtas ar dalam kemasan, bahwa ar mnum tersebut nantnya dapat danggap layak untuk dkemas atau tdak layak dkemas Input proses tranng berupa 20 (dua puluh) unsur-unsur ar dan output berupa bobot akhr yang dpergunakan pada proses selanjutnya yatu proses penentuan Salah satu model Jarngan Syaraf Truan yang serng dgunakan untuk pembelajaran adalah metode perceptron, yang merupakan metode pembelajaran dengan pengawasan dalam sstem jarngan syaraf Metode pelathan perceptron merupakan suatu metode pelathan yang lebh kuat dar metode Hebb Prosedur dalam pelathan tersebut terutama dalam teras dapat membuat output dar bobot menjad konvergen (Fausett, 1994) Model jarngan terdr atas beberapa unt nput (dtambah sebuah bas), dan memlk sebuah unt output Hanya fungs aktvas bukan suatu fungs bner (atau bpolar), tetap memlk kemungknan nla -1, 0 atau 1 Metode perceptron secara umum adalah salah satu model dalam jarngan syaraf truan dengan lapsan tunggal (sngle layer) yang bobot-bobot dan basnya dapat dlath untuk menghaslkan vektor nput yang bersesuaan Metode perceptron termasuk dalam salah satu bentuk model jarngan syaraf truan yang sederhana Metode perceptron basanya dgunakan untuk mengklasfkaskan suatu tpe pola tertentu yang serng dkenal dengan stlah pemsahan secara lnear Pada dasarnya metode perceptron pada model jarngan syaraf dengan satu lapsan memlk bobot yang bsa datur dengan suatu nla ambang Algortma yang dgunakan oleh aturan perceptron n akan mengatur parameterparameter bebasnya melalu proses pembelajaran Fungs aktvas dbuat sedemkan rupa sehngga terjad pembatasan antara daerah postf dan daerah negatf Teknk pelathan yang akan dgunakan basanya dsebut the perceptron learnng rate Metode n banyak yang memanfaatkannya, karena kemampuannya dalam melakukan generalsas dar vektor-vektor lathannya, lalu bekerja dengan koneks-koneks tersebar secara acak Metode perceptron menghtung output yang dhaslkannya menggunakan persamaan berkut n : x * w b 0 (1) Keterangan : x adalah vektor nput yang dmasukkan ke dalam jarngan w adalah vektor bobot b adalah bas Arstektur jarngan syaraf truan sngle layer perceptron, yang terdr dar lapsan nput, bobot, maupun lapsan output Pada peneltan n jumlah nput ada 20 node dan 1 node output B-295

3 x 1 w 1 x 2 w 2 x 3 w 3 y x 4 w 4 w 20 x 20 Nla Input Lapsan Input Lapsan Output Nla Outpu Gambar 1 Arstektur jarngan syaraf truan sngle layer perceptron Algortma pelathan perceptron adalah msalkan s sebaga vektor masukan, t adalah target keluaran, α adalah learnng rate, θ adalah nla threshold (Krstanto, 2004) Adapun algortma untuk pelathan perceptron sebaga berkut : Langkah 0 : Insalsas semua bobot dan bas (umumnya w=b=0) Set laju pembelajaran α ( 0 < α 1) (untuk penyederhanaan set α =1) Langkah 1 : Selama konds berhent benla FALSE atau selama ada elemen vektor masukan yang respon unt keluarannya tdak sama dengan target (y t), lakukan langkahlangkah 2 6 Langkah 2 : Untuk setap pasangan (s, t), kerjakan langkah 3 5 Pada langkah n epoh = epoh + 1 Epoh akan berhent jka y = t Langkah 3 : Set aktvas unt masukan x = s ( = 1,, n) Langkah 4 : Htung respon untuk unt output : net x w b (2) 1 jka net > f(x) = 0 jka - net (3) -1 jka net Langkah 5 : Perbak bobot dan bas pola jka terjad kesalahan, jka y t, maka : w ( baru) w ( lama) * t * x (4) b ( baru) b( lama) * t Jka tdak, maka : w ( baru) w ( lama) (5) b( baru) b( lama) Langkah 6 : Test konds berhent, jka tdak terjad perubahan bobot pada epoh tersebut, maka konds berhent akan bernla TRUE, namun jka mash terjad perubahan, maka konds berhent akan bernla FALSE Ar mnum kemasan yang sehat dapat dlhat secara fsk, kma dan mkrobolog Secara fsk, ar yang sehat dapat dlhat dar kejernhannya, ar tdak berbau, dan ar tdak berasa, sedangkan secara kmaw, ar mnum kemasan yang sehat memlk kadar ph-nya netral dan kandungan mneralmneralnya terbatas dan secara mkrobolog, ar mnum kemasn yang sehat tdak mengandung E col B-296

4 dan salmonela Pengukuran kualtas ar mnum kemasan menggunakan alat yang sesua untuk masngmasng unsur dalam ar mnum kemasan tersebut, msalnya untuk mengetahu TDs pada ar dgunakan alat yang dnamakan TDs meter, untuk mengetahu PH atau keasaman/kebasaan ar dapat dukur dengan menggunakan alat pengukur PH dgtal, dan sebaganya Unsur-unsur yang terkandung dalam ar jumlahnya cukup banyak, hanya saja untuk mendapatkan kualtas ar mnum kemasan yang bak terdapat 34 (tga puluh empat) unsur-unsur ar yang harus sesua dengan standar baku mutu ar mnum Pada peneltan n dambl 20 (dua puluh) unsur-unsur ar saja yang harus sesua dengan SNI (Standar Nasonal Indonesa) dengan pertmbangan bahwa ke-20 (kedua puluh) unsur-unsur tersebut mendukung karakterstk ar d wlayah DIY (sumber ar mnum kemasan dalam peneltan berada d wlayah Sleman), 20 (dua puluh) unsur-unsur ar mnum tersebut adalah: keadaan secara fsk ada 3 krtera uj, yatu: bau, rasa, dan warna, PH, kekeruhan, zat yang terlarut (TDs/Total Dssolved sold), zat Organk (angka KM n O 4 ), Ntrat (sebaga NO 3 ) dan Ntrt (sebaga NO 2 ), Fluorda (F), Bes (Fe), Mangan (Mn), Klor bebas (Cl 2 ), Boron (B), Selenum (Se), Tmbal (Pb), Kadmum (Cd), Cemaran Arsen, serta cemaran mkroba, yang hanya dambl 2 krtera uj, yatu: bakter bentuk kol dan salmonella PEMBAHASAN Analsa proses proses tranng ada beberapa langkah, yatu: langkah pertama: sebelum ke proses tranng terlebh dahulu data dnormalsas, tahap n menjalankan transformas data dalam bentuk normalsas ke nla spesfk dalam batas nla 0 dan 1 Semua data dtransformas, kecual bau ar, rasa ar, dan salmonella, karena nla data tersebut hanya 0 dan 1, nla 0 untuk berbau, berasa dan postf (ada salmonella), sedangkan nla 1 untuk tdak berbau, tdak berasa, dan negatf (tdak ada salmonella) Proses transformas n serng dsebut dengan pemetaan yang bertujuan agar konvergens lebh cepat tercapa, jka nla rata-rata dar nput data tranng mendekat nol Pemetaan n dlakukan untuk menyapkan nput dan target dengan menggunakan mn-max normalzaton Cara mn-max normalsas dplh, agar data berada pada nterval 0-1, hal n berkatan dengan fungs aktvas yang dgunakan yatu fungs threshold bpolar Data-data yang ada dalam faktor tersebut sebelum menjad nput pada jarngan terlebh dahulu dlakukan normalsas, agar data-data tersebut berada pada nterval 0-1 Cara n dsarankan oleh LeCun, dkk (1998), yang menunjukkan bahwa konvergens umumnya akan lebh cepat tercapa jka nla rata-rata dar nput data tranng mendekat nol Rumus mn-max normalzaton sepert yang dperkenalkan oleh Berry dan Lnnof (2000), dengan rumus d bawah n : N Mn N ' ( New _ Max New _ Mn) New _ Mn (6) Max Mn Keterangan : N : nla pemetaan N : nla orgnal Mn : nla batas terendah Max : nla batas tertngg New_Max : nla batas terbesar dalam pemetaan New_Mn : nla batas terkecl dalam pemetaan Langkah kedua: settng nla awal untuk bas, bobot, learnng rate, dan threshold Langkah ketga: proses feedfoward, menghtung respon untuk unt output Langkah keempat: proses perceptron, memperbak bobot dan bas sampa tercapa konds y = t Bobot akhr akan dpergunakan pada proses penentuan kualtas Proses tranng jarngan dmula dengan melakukan data pre-processng untuk mempersapkan data tranng ke dalam bentuk data nput yang sap dmasukkan ke dalam jarngan Selanjutnya nsalsas parameter-parameter Fungs aktvas yang dgunakan adalah fungs threshold bpolar yang nlanya berada pada nterval [-1,1] Hasl normalsas data nput dperoleh dengan B-297

5 menggunakan rumus mn-max normalzaton Selanjutnya jarngan dlath dengan menggunakan parameter yang telah dtentukan Proses tranng merupakan proses teras dan peng-update-an bobot yang terus berjalan apabla output tdak sama dengan target (y t) Proses pelathan dmula dengan pembacaan nsalsas bobot Data ar yang telah dnormalsas kemudan dlath secara feedfoward (umpan maju), sampa teras berhent yatu pada saat output sama dengan target (y = t) Proses n dlakukan secara berulang hngga konds berhent bernla true (tdak terjad perubahan bobot) Nla bobot akhr yang dperoleh selanjutnya dgunakan pada proses penentuan Proses tranng dawal dengan normalsas data nput ke dalam nterval [0,1], selanjutnya dproses secara umpan maju (feedforward) oleh jarngan, sehngga menghaslkan suatu output Error yang dperoleh dar selsh antara output jarngan dengan data target kemudan dperceptron hngga menghaslkan suatu bobot baru Proses peng-update-an bobot berlangsung hngga selama output tdak sama dengan target Dagram alr data (DFD) untuk proses tranng dapat dlhat pada gambar 2 User 11 Normalsa s data tranng Range [0,1] 12 feed forward Nla bobot Fle bobot 13 Perceptron Bobot baru Fle bobot Bobot akhr Gambar 2 Data Flow Dagram Proses Tranng Rancangan user nterface merupakan bagan yang sangat pentng, karena software yang memlk knerja handal tetap tdak famlar, maka software tersebut akan tdak banyak berguna Desan antar muka proses tranng kualtas ar mnum kemasan dkembangkan pada perangkat lunak menggunakan sstem yang user frendly Aplkas untuk jarngan syaraf truan model perceptron n sudah berbass GUI, d dalamnya terdapat con-con yang dapat mempermudah user dalam pemakaan aplkas dan membuat menark aplkas perangkat lunak n Antar muka jendela proses tranng dapat dlhat pada gambar 3, bers tamplan data awal, tamplan hasl normalsas, tamplan hasl proses tranng, serta tamplan komentar pendukung Rancangan antar muka settng dapat dlhat pada gambar 4, yang merupakan antar muka sebelum proses jarngan syaraf truan, dpergunakan untuk menyettng awal nla bas, learnng rate, dan threshold B-298

6 Data tranng Hasl normalsas Hasl normalsas Hasl tranng Komentar pendukung Gambar 3 Rancangan antar muka jendela proses Bas : Learnng rate : Threshold : OK Batal Gambar 4 Rancangan antar muka settng KESIMPULAN Rancangan proses tranng untuk mendukung penentuan kualtas ar mnum kemasan n mash berupa konsep, yang selanjutnya dapat dsusun dengan bahasa pemrograman, sehngga dapat berfungs dengan bak dan mendukung proses penentuan kualtas ar mnum kemasan secara menyeluruh Peneltan n hanya rancangan proses tranng, sehngga mash dapat dkembangkan ke rancangan proses penentuan, sehngga menjad satu kesatuan aplkas yang lengkap DAFTAR PUSTAKA Bustam, RA, Bessah, N, Muhammad MS, 2006, Artfcal Neural Network for Daly Water Level Estmaton, Engneerng e-transacton, Unversty of Malaya vol 1, No 1 March 2006 pp 7-12 Fausett, L, 1994, Fundamentals of Neural Networks Archtectures, Algorthms, and Applcatons, Prentce Hall Inc, New Jersey Krstanto A, 2004, Jarngan Syaraf Truan (Konsep Dasar, Algortma dan Aplkas), Penerbt Gava Meda, Yogyakarta Kusumadew, S, 2003, Artfcal Intellgence (Teknk dan Aplkasnya), Graha Ilmu, Yogyakarta Le Cun, Y, Bottou, L, Orr, GB, Muller, K R, 1998 Effcent BackProp, Neural Networks: trcks of the trade, Sprnger, akses 30 maret 2011 Najah, A, Elshafe, A, Karm, O A, Jaffar, O, 2009, Predcton of Johor Rver Water Qualty Parameters Usng Artfcal Neural Networks, European Journal of Scentfc Research, ISSN X Vol 28 No 3 (2009), pp , EuroJournals Publshng, Inc, akses 5 Januar 2010 Ukkas, M I, 2005, Implementas Jarngan Syaraf Truan Mult-Layer Perceptron Feedfoward dengan Hdden Layer Tunggal pada prakraan cuaca,tess, Program Stud Ilmu Komputer FMIPA UGM, Yogyakarta B-299