BAB VI PEMODELAN DAN RANCANG BANGUN SISTEM S I S T E M P A K A R

Transkripsi

1 BAB VI PEMODELAN DAN RANCANG BANGUN SISTEM 6.1 Model Konseptual Konfigurasi Desain Desain sistem penentuan kualitas biodiesel berbasis minyak nabati ini dirancang dan dikembangkan dalam sistem yang diberi nama SINKUAL- BIODIESEL (Desain Sistem Kualitas Biodiesel). Bagan konfigurasi model aplikasi sistem penilaian kualitas biodiesel yang dirancang dan dikembangkan disajikan pada Gambar 6.1 berikut ini. Data SISTEM MANEJEMEN BASIS PENGETAHUAN Kualifikasi Penilaian Komposisi Asam Lemak dan Asam Lemak Bebas (ALB) Kualifikasi Penilaian Kualitas Fisiko Kimia Bahan Baku Kualifikasi Penilaian Kualitas Biodiesel Kualifikasi Penilaian Kualitas Proses Produksi Biodiesel SISTEM MANEJEMEN BASIS DATA Data Pengamatan pada Proses Produksi Biodiesel Data Pembelajaran dan Testing Jaringan Syaraf Tiruan Data Bobot Tingkat Kepentingan Atribut S I S T E M P A K A R Model SISTEM MANEJEMEN BASIS MODEL Model Penilaian Kualitas Bahan Baku Sub Model Penilaian Komposisi Asam Lemak dan Asam Lemak Bebas Sub Model Penilaian Sifat Fisiko Kimia Bahan Baku Model Penilaian Kualitas Proses Produksi Biodiesel Sub Model Penilaian Kualitas Karakteristik Mutu Sub Model Penilaian Kualitas di Titik Proses Model Penilaian Kualitas Pengemasan dan Penyimpanan Sub Model Penilaian Kualitas Pengemasan Sub Model Penilaian Kualitas Penyimpanan Model Statistical Process Control Model Jaringan Syaraf Tiruan Sistem Pengolahan Terpusat Sistem Manajemen Dialog Pengguna Gambar 6.1 Konfigurasi Model Aplikasi Sistem 87

2 88 Berdasarkan konfigurasi model aplikasi program SINKUAL-BIODIESEL yang disajikan pada Gambar 6.1 diatas terbagi dalam enam kelompok yaitu: sistem manajemen basis data, sistem manajemen basis pengetahuan, sistem pakar, sistem pengetahuan basis model, sistem pengolahan terpusat dan sistem manajemen dialog. SINKUAL-BIODIESEL yang dirancang mengintegrasikan metode jaringan syaraf tiruan untuk memprediksi kualitas dan metode sistem pakar untuk membangun kaidah rule sistem pengambilan keputusannya. Kedua sistem tersebut disimulasikan dengan perangkat-lunak MatLab rumusan strategi peningkatan kualitas biodiesel dirancang menggunakan Expert Choice Basis data untuk pembelajaran (training) jaringan syaraf tiruan dibuat menggunakan program Microsoft Notepad 5.1. sedangkan pembobotan entropy masing-masing karakteristik tingkat kepentingan menggunakan Microsoft Excel Kerangkan model SINKUAL-BIODIESEL secara keseluruhan, berurutan dapat dilihat pada Gambar 6.2 dibawah ini. Data Pengamatan : Suhu & Waktu Transesterifikasi, Suhu & Lama Separasi, Volume Air & Lama Pencucian. Pembuatan Bagan Kendali Shewhart Prediksi JST periode produksi yang akan datang SPC Berdasarkan Data Hasil Prediksi Atribut Syarat Mutu Bahan Baku dan Biodiesel Pembobotan dengan Metode Entropy Penetapan Atribut Penilaian Kualitas Biodiesel Penilaian dan Prediksi Kualitas dengan Expert Sistem Implementasi dan Analisis Hasil Keluaran Sistem Penetapan Kriteria Pengendalian Kualitas Pembobotan AHP Rumusan Strategi Gambar 6.2 Kerangka Model Secara Global

3 89 Pada Gambar 6.3 berikut ini menyajikan diagram alir deskriptif permodelan SINKUAL-BIODIESEL yang memberikan gambaran alur sistem yang dibuat sehingga akan membantu dalam membangun dan mengembangkan sistem. MULAI INPUT : 1. Syarat mutu Bahan Baku minyak nabati (CPO dan Jarak) dan Biodiesel. Standar Nasional, Standar Internasional. 2. Spesifikasi mutu bahan baku dan biodiesel di industri 3. Penilaian tingkat kepentingan atribut berdasarkan pakar Perhitungan Bobot Entropy untuk Atribut Penilaian Kualitas Bahan Baku, Proses Produksi OUTPUT : Nilai Bobot Masing-masing Atribut Penilaian Kualitas INPUT : 1. Data pengamatan Proses : Transesterifikasi, Separasi dan Pencucian, 2. Batas spesifikasi atas-bawah untuk data pengamatan Proses. 3. UCL dan LCL untuk data pengamatan proses. Pembuatan Bagan Shewhart Variabel: Bagan X dan R OUTPUT : Analisis Keragaman Proses INPUT : 1. Pembobotan prioritas berdasarkan Entropy 2. Analisis Statistical Process Control (SPC) 3. Literatur 4. Pakar (Industri, Akademisi, Birokrat) Penentuan Atribut Penilaian Kualitas A Gambar 6.3 Diagram Alir Deskriptif Permodelan SINKUAL-BIODIESEL

4 90 A OUTPUT : Atribut Penilaian Kualitas Biodiesel INPUT : 1. Data Pengujian Laboratorium Bahan Baku yang Dipergunakan 2. Data Pengujian Laboratorium Biodiesel yang Dihasilkan INPUT : 1. Data Training dan Testing JST 2. Data Parameter JST 3. Prediksi Keragaman Proses Penilaian Kualitas Biodiesel OUTPUT : Hasil Penilaian Kualitas BIodiesel INPUT : 1. Analisis Implementasi Sistem dengan menggunakan data Aktual 2. Elemen Peningkatan Kualitas 3. Bobot masing-masing elemen dari setiap level Perhitungan Bobot OUTPUT : 1. Prioritas elemen dari setiap level 2. Penjabaran program Perencanaan Peningkatan kualitas Biodiesel Selesai Lanjutan Gambar 6.3 Diagram Alir Deskriptif Permodelan SINKUAL-BIODIESEL Desain Basis Data Data merupakan fakta atau apapun yang dapat dipergunakan sebagai input dalam menghasilkan suatu informasi. Data dapat berupa data suara, teks, video, gambar yang bisa berupa hasil diskusi, pengambilan keputusan, perhitungan dan pengukuran dan lain-lain.

5 91 Dalam sistem yang dibangun ini terdiri dari beberapa sumber data, yakni: standar mutu nasional (SNI), standar mutu international (SI), spesifikasi dan pengukuran di industri, akuisisi pakar dan referensi dari pustaka. Hubungan antara data yang digunakan dapat dilihat pada Gambar Data SNI Bahan Baku (lemak nabati) 2. Data SNI Biodiesel Standar Nasional Indonesia (SNI) Standar International (SI) BASISDATA SISTEM PENILAIAN KUALITAS HACCP Titik kritis proses: 1. Titik kritis transesterifikasi 2. Titik kritis separasi 3. Titik kritis pencucian Pakar Data bobot atribut bahan baku dan biodiesel Spesifikasi Pustaka Spesifikasi dan pengukuran di industri Data bobot atribut bahan baku dan biodiesel 1. PT. EAI 2. PT. Eterindo Gambar 6.4 Diagram Hubungan Sumber Data dalam Basisdata Kerangka Model Pada konfigurasi model aplikasi program terdiri atas beberapa sistem, diataranya sistem pengolahan terpusat, sistem manajemen basis data, sistem manajemen basis pengetahuan, sistem pakar, sistem basis model dan sistem manajemen basis dialog. 1. Sistem Pengolahan Terpusat Sistem ini merupakan bagian penting dari program yang berfungsi sebagai terminal pengaturan atau pengelola dan penghubung sistem-sistem yang lain yang terintegrasi pada program. 2. Sistem Manajemen Basis Data Merupakan pusat penyimpanan data yang akan diolah atau dipanggil maupun setelah data tersebut diolah. Data-data yang terdapat dalam basis data diantaranya adalah data keragaman proses dan titik kritis, data training dan

6 92 testing untuk prediksi jaringan syaraf tiruan (JST), data bobot kepentingan atribut kualitas. 3. Sistem Manajemen Basis Pengetahuan Merupakan basis pengetahuan untuk membangun sistem pakar dan membuat aturan-aturan (rule). Basis pengetahuan ini diperoleh dari akuisisi pengetahuan para pakar yang mewakili praktisi, akademisi dan birokrasi, pengetahua dari literatur dan jurnal. 4. Sistem Pakar Merupakan pengembangan dan pemanfaatan basis pengetahuan yang berupa mesin inferensi yang merupakan alat penalaran bagi sistem yang memanipulasi dan mengarahkan pengetahuan untuk mencapai solusi atau kesimpulan akhir dari fakta-fakta yang ada. Pada Gambar 6.5 berikut ini menyajikan tahapan pembentukan sistem pakar. Mulai Akuisisi pengetahuan Representasi pengetahuan Pengembangan mesin inferensi Identifikasi Masalah Mencari sumber pengetahuan Implementasi Pengujian Pengujian human expert Sumber: Marimin, 2005 Selesai Gambar 6.5 Tahapan pembentukan sistem pakar

7 93 5. Sistem Manajemen Basis Model Merupakan alat analisis yang diperlukan oleh sistem, dimana melalui model-model tersebut dapat diperolah hasil penilaian dan prediksi kualitas yang dapat digunakan dalam proses pengambilan keputusan strategi pengendalian kualitas. Pada SINKUAL-BIODIESEL terdiri atas model penilaian kualitas bahan baku, model penilaian kualitas proses, model penilaian kualitas pengemasan dan penyimpanan, model statistical process control (SPC), dan model jaringan syaraf tiruan (JST). 6. Sistem Manajemen Basis Dialog Merupakan interface atau penghubung antara sistem pengolahan terpusat dengan pengguna SINKUAL-BIODIESEL untuk menentukan dan juga memprediksi kualitas biodiesel yang dihasilkan berdasarkan keragaman nilai titik kritis yang ada pada proses sebelumnya yang dalam hal ini menggunakan metode jaringan syaraf tiruan propagasi mundur (back propagation). 6.2 Rancang Bangun Sistem Definisi SINKUAL-BIODIESEL Pada pembahasan ini menjabarkan tentang tujuan dan fungsi perancangan dan pengembangan SINKUAL-BIODIESEL serta spesifikasi pengguna (user) kebutuhannya. 1. Tujuan Pengembangan Sistem Tujuan pengembangan sistem ini adalah untuk membuat suatu prototipe yang dapat membantu dan mempermudah suatu pekerjaan, terutama pada bidang pengendalian mutu (quality control/qc) dalam pengambilan keputusan mengenai kualitas suatu produk yang dalam hal ini adalah biodiesel. Sistem ini dirancang dan dikembangkan dengan prinsip kecerdasan buatan (artificial intelegent) untuk membuat sistem yang cerdas dengan metode sistem pakar (expert system) untuk menyusun aturan-aturan penalaran dalam mengambil kesimpulan dari fakta-fakta yang ada. Sedangakan metode jaringan syaraf tiruan digunakan untuk memprediksi keluaran sistem yang

8 94 akan datang dalam hal ini mutu biodiesel berdasarkan data-data atribut produksi sebelumnya. Sehingga sistem ini dapat menggantikan keberadaan manusia terutama seorang pakar, atau setidaknya dapat menghemat waktu para pakar yang terbatas dan mahal sehingga lebih ekonomis. 2. Fungsi Sistem Fungsi dari sistem ini adalah sebegai berikut: Menyimpan dan memanipulasi (editing) data hasil pengujian laboratorium dan pengamatan di laboratorium dan industri biodiesel.. Melakukan penilaian kualitas dan memprediksi kualitas produksi biodoesel periode berikutnya berdasarkan data pengujian, data keragaman proses dan data spesifikasi standar mutu biodiesel. Menyimpan kembali, menampilkan dan mencetak data hasil penilaian kualitas biodiesel yang telah dianalisis. Memberikan saran-saran dan tindakan yang perlukan terhadap hasil penilaian yang dilakukan. 3. Kebutuhan Sistem dan Penggunanya (user) Sebelum melakukan penilaian dan prediksi, beberapa hal yang perlu dipenuhi oleh pengguna dalam sistem ini adalah: Kebutuhan sistem adalah data-data atribut penilai kualitas biodiesel yang diperoleh dari hasil pengukuran laboratorium dan pengamatan di industri mulai dari kandungan asam lemak, karakteristik bahan baku, karakteristik proses, juga data spesifikasi standar mutu biodiesel. Kebutuhan pengguna adalah 1) membutuhkan sistem yang dapat melakukan penilaian kualitas dan prediksi berdasarkan data-data yang diinputkan pada sistem, sehingga dapat memudahkan dan menghemat waktu pengguna atau pakar, 2) membutuhkan antar muka (interface) dari sistem yang mudah dipahami dan dioperasikan (user friendly) dalam melakukan penilaian dan pengambilan keputusan.

9 95 Dari sistem yang dikembangkan ini diharapkan dapat meningkatkan efisiensi dan efektifitas dalam pengambilan keputusan terutama pada bidang pengawasan mutu biodiesel Desain Sistem SINKUAL-BIODIESEL yang dikembangkan terdiri dari tiga komponen desain utama yakni desain input, proses dan desain output sistem. 1. Desain Input Pada bagian ini dikembangkan antar muka (interface) sistem yang sederhana namun mudah dipahami oleh pengguna (user), sehingga akan memberikan kemudahan bagi pengguna dalam memasukkan data-data yang terdiri atas: Data teknikal berupa data pengamatan titik kritis proses selama beberapa kali produksi yang asumsikan masing-masing sebanyak 20 data. Desain input yang digunakan adalah: 1) input yang diperoleh dari data teknikal yang telah diperoleh sebelumnya, 2) data yang diperoleh dari data teknikal yang baru atau hasil prediksi JST. Indikator kualitas berupa batas bawah (LSL) dan batas atas (USL) yang digunakan pada saat prediksi penilaian berlangsung. Data fundamental, dapat berupa: 1) data variabel berupa data input berupa jawaban terbuka atas nilai-nilai atribut penilaian proses, 2) data qualifier berupa fakta input berbentuk pilihan, seperti baik, normal atau buruk, jawaban atas qualifier ini disebut value. 2. Desain Proses Pada bagian ini merupakan berikutnya setelah bahan baku memenuhi standar kriteria untuk tahapan proses. Desain proses pada SINKUAL-BIODIESEL ini terdiri atas tiga tahapan proses. a. Proses pra-analisis Sub-proses pemeriksaan jenis minyak nabati yang menjadi bahan baku pembuatan biodiesel, terdiri atas atribut (kadar asam palmitat, asam lenoleat, asam oleat dan asam stearat).

10 96 Sub-proses pemeriksaan kadar asam lemak bebas (ALB) dalam persen sehingga dapat ditentukan berapa tahap proses esterifikasi dilakukan. b. Proses penilaian bahan baku Proses ini terdiri atas dua sub-proses, yaitu: Sub-proses pemeriksaan kandungan senyawa pengotor (KSP) terdiri atas atribut (kadar asam lemak bebas, kandungan air dan sedimen dan warna minyak). Sub-proses pemeriksaan sifat fisika kimia bahan baku yang terdiri atas atribut (massa jenis, viskositas, kadar asam, iodium, penyabunan). c. Proses penilaian kualitas proses Pada tahapan ini proses terdiri atas empat sub-proses, yaitu: Sub-proses pemeriksaan karateristik mutu biodiesel (KMB) terdiri atas dua komponen kualitas yakni kualitas persyaratan dengan atribut (kadar fosfor, viskositas biodiesel dan angka setana), kemudian kualitas rendemen dengan atribut (kadar metil ester, kadar gliserol total dan kadar gliserol bebas). Sub-Proses pemeriksaan titik kritis transesterifikasi (TKT) yang terdiri atas atribut suhu dan lama waktu proses transesterifikasi dilakukan. Sub-Proses pemeriksaan titik kritis separasi (TKS) yang terdiri atas atribut suhu dan lama waktu proses separasi dilakukan. Sub-Proses pemeriksaan titik kritis pencucian (TKP) yang terdiri atas atribut suhu dan perbandingan antara volume air dan minyak yang dipergunakan selama proses ini dilakukan. d. Proses penilaian kualitas pengemasan dan penyimpanan Pada tahapan ini proses terdiri atas dua sub-proses, yaitu: Sub-proses pemeriksaan kualitas pengemasan yang terdiri atas atribut (tingkat keamanan kontener, kebersihan wadah, kekuatan wadah, kedap udara, tidak tembus cahaya, bahan wadah). Sub-proses pemeriksaan kualitas penyimpanan yang terdiri atas atribut (suhu penyimpanan, dan waktu atau lama penyimpanan).

11 97 Pada keseluruhan proses diatas data yang yang tercakup dalam faktor teknikal diolah menggunakan jaringan syaraf tiruan. Arsitektur jaringan yang digunakan pada penelitian ini adalah backpropagasi (propagasi balik) yang memiliki keunggulan dalam hal prediksi dengan karateristik sebagai berikut: Proses pembelajaran (training) jaringan adalah pembelajaran yang terawasi (supervised learning) karena menggunakan himpunan data input dan output yang sudah diketahui. Pencatatan statistik dilakukan selama proses pembelajaran untuk mengukur performasi jaringan menggunakan metode trial and error, sehingga akan diperoleh performasi jaringan dengan error terkecil mendekati nol. Fungsi aktivasi yang digunakan pada penelitian ini adalah sigmoid bipolar (tansig), sigmoid biner (logsig) dan linear. Level jaringan yang dipakai adalah jaringan syaraf multilayer yang terdiri atas layer input, layer tersembunyi (hidden) dan layer output. Testing, dilakukan pada performansi terbaik dari jaringan dengan bobot jaringan yang telah ditetapkan. Pengujian dilakukan menggunakan data baru yang belum pernah digunakan sehingga jaringan akan menggunakan nilai bobot hasil pembelajarannya untuk memetakan data pengujian dengan performansi terbaiknya. Hal ini disebut dengan kemanpuan jaringan dalam melakukan generalisasi. Inisialisasi bobot menggunakan metode Nguyen-Widrow, metode ini akan menginisialisasi bobot-bobot lapisan dengan nilai antara -0,5 hingga 0,5. bobot dari lapisan input ke lapisan tersembunyi terus diperbaiki selama proses pembelajaran sehingga dapat memetakan data input dengan target secara tepat dengan error minimum. Penentuan iterasi atau epoch adalah satu siklus yang melibatkan seluruh pola data pembelajaran. Pada penelitian ini ditentukan banyak iterasi yang dilakukan pada proses pembelajaran adalah 1000 epoch, jumlah ini diperkirakan cukup dan dapat menghasilkan performasi jaringan yang baik. Lebih lanjut proses prediksi menggunakan JST ini akan dibahas lebih detail pada sub bahasan

12 98 Pada tahapan output proses ini merupakan tahapan menampilkan hasil penilaian atau pemeriksaan secara keseluruhan mulai dari pra-analisis, proses pemeriksaan bahan baku, proses pemeriksaan kualitas proses, hingga proses pengemasan dan penyimpanan. Prediksi dengan JST akan menghasilkan output yang digunakan sebagai input dalam sistem penilaian titik kritis proses. Seluruh tahapan proses SINKUALBIODIESEL ditampilkan dengan program simulasi MatLab 7.01 terdiri dari beberapa windows (menu tampilan). Sehingga dapat memudahkah pengguna (user) dalam melakukan penilaian dan mengetahui hasil prediksi yang dilakukan. Beberapa metode analisis yang juga dipergunakan dalam sistem ini adalah: a. Bagan Kendali Shewhart Kelebihan atau informasi yang diperoleh dari penggunaan bagan kendali shewhart adalah: Keragaman dasar dari karakteristik mutu Kekonsistenan penampilan (performance) Tingkat rata-rata dari karakteristik mutu. Peta kendali shewhart digunakan untuk melihat apakah data hasil prediksi berada dalam kendali proses atau tidak dengan menentukan nilai batas atas (upper class limit, UCL) dan batas bawah (lower class limit, LCL), sehingga dapat ditentukan apakah penilaian kualitas sudah baik dengan ketentuan sebagai berikut: Data dikatakan baik jika berada di dalam batas kendali atas (BKA) dan batas kendali bawah (BKB). Data dikatakan buruk jika berada di luar batas kendali atas (BKA) dan batas kendali bawah (BKB). Batas spesifikasi (USL-LSL) hasil prediksi jaringan syaraf tiruan (JST) diisikan oleh user sesuai spesifikasi dari perusahaan. Berikut ini batasan nilai atas dan bawah yang dapat dilihat pada Gambar 6.6 dibawah ini.

13 99 Daerah Penerimaan Daerah Penolakan Daerah Penolakan LSL LCL UCL USL Keterangan: USL = upper specification limit LSL = lower spesification limit Gambar 6.6 Penggambar Bagan Kendali Shewhart 3. Desain Output Pada interface output terdapat beberapa fasilitas program diantaranya adalah untuk menampilkan grafik, menyimpan hasil prediksi, cetak hasil prediksi, mengedit hasil prediksi kembali ke menu sebelumnya atau keluar dari program. Bagan kualifikasi penilaian kualitas biodiesel (SINKUAL-BIODIESEL) disajikan pada Gambar 6.7 dengan menggunakan jaringan syaraf tiruan untuk memprediksi nilai keragaman proses. Hasil prediksi ini dapat dimunculkan (performasi) dalam beberapa tampilan, yaitu: Error, data hasil pengujian yang ditampilkan adalah nilai error dan jumlah epoh yang dilakukan. Training regresi, data hasil pengujian yang ditampilkan adalah nilai error, jumlah epoh, nilai korelasi dan persamaan regresi. Testing regresi, data hasil pengujian yang ditampilkan adalah nilai error, jumlah epoh, nilai korelasi dan persamaan regresi. Time series, data hasil pengujian ditampilkan dalam bentuk grafik nilai batasan dari data pengamatan, data prediksi, batas spesifikasi, batas kontrol, rata-rata prediksi, UCL, LCL, mean dan standar deviasi.

14 100 Proses pra-analisis Sub-proses pemeriksaan persentase asam-asam lemak Sub-proses pemeriksaan kadar asam lemak bebas Jenis minyak nabati Baik Normal Buruk Ditolak 1. Turunkan kadar ALB (test FFA) 2. Lakukan proses esterifikasi (pretreatment) Diterima Grade A Grade B Lanjut ke proses transesterifikasi Prediksi Jaringan Syaraf Tiruan (JST) Kualitas proses buruk, perlu dilakukan analisis seluruh proses, perbaiki kualitas dan produksi Ditolak Proses penilaian kualitas bahan baku Sub-proses penilaian kandungan senyawa pengotor Sub-proses penilaian sifat fisiko kimia bahan baku Proses penilaian kualitas proses Sub-proses penilaian karakteristik mutu biodiesel Sub-proses pemeriksaan titik kritis proses transesterifikasi Sub-proses pemeriksaan titik kritis proses separasi Sub-proses pemeriksaan titik kritis proses pencucian Proses penilaian kualitas pengemasan dan penyimpanan Sub-proses penilaian kualitas pengemasan Sub-proses penilaian kualitas Baik Normal Buruk Baik Normal Buruk Baik Normal Buruk Diterima Grade A Grade B Pertahankan kualitas dan produksi dan tingkatkan kualitas dan produksi Gambar 6.7 Bagan kualifikasi SINKUAL-BIODIESEL Prediksi Kualitas dengan Jaringan Syaraf Tiruan Arsitektur jaringan yang dipergunakan adalah multilayer. Arsitektur jaringan ini memiliki keunggulan dalam hal prediksi atau peramalan nilai. Proses pembelajaran adalah backpropagation bersifat pembelajaran terawasi supervised learning karena pembelajaran jaringan menggunakan data

15 101 input dan data output yang sudah diketahui kemudian jaringan akan mengatur sendiri nilai bobot masing-masing layer dari jaringan tersebut dengan nilai error minimum. Standar pengaturan (setting default) yang digunakan pada pengembangan SINKUAL-BIODIESEL ini adalah: Arsitektur jaringan adalah [5 5 1], yakni : 5 neuron pada layer input, 5 neuron pada layer hidden dan 1 neuron pada layer output. Fungsi aktivasi yang digunakan adalah fungsi sigmoid bipolar (tansig), fungsi sigmoid biner (logsig) dan fungsi linear (purelin). Kriteria error yang digunakan adalah MSE (mean square error). Laju pembelajaran (α) = 0,005; error goal atau minimum error = 0,0001; dan maksimum epoch (satu siklus yang melibatkan seluruh pola data pembelajaran atau training) = 1000 epoch. 1. Penentuan Arsitektur Jaringan (hidden layer). Menentukan arsitektur jaringan yang optimal dengan nilai error yang sangat kecil mendekati nol dilakukan dengan prinsip trial and error pada berbagai jumlah neuron pada lapisan tersembunyi (hidden layer). Karakteristik jaringan yang digunakan adalah : Lapisan input = 5 layer Lapisan output = 1 layer Laju pembelajaran = 0,005 Momentum = 0,9 Maksimum epoh = 1000 epoh Fungsi transfer = Tansig Minimum error = 0,0001

16 102 Untuk menentukkan jumlah lapisan tersembunyi (hidden layer) yang terbaik untuk jaringan ini juga dilakukan dengan metode trial and error. Hasil pengujian yang dilakukan ditunjukkan pada Tabel 31 berikut ini. Tabel 31. Pemilihan Jumlah Lapisan Tersembunyi (hidden layer) Jumlah Neuron Lapisan Tersembunyi Kriteria error error 9,4054e-005 9,28419e-005 9,61229e-005 epoch MSE korelasi 0,9999 0,9999 0,9999 regresi 1,0289 x + (-1,781) 1,0285 x + (-1,762) 1,0292 x + (-1,799) Berdasarkan pada hasil yang diperoleh dari hasil pengujian trial and error yang dapat dilihat pada Tabel 31 diatas menunjukkan bahwa jumlah lapisan tersembunyi (hidden layer) yang memberikan performasi jaringan yang paling baik dengan error minimum dan epoh terkecil adalah 5 unit lapisan tersebunyi dengan minimum error atau 9,28419e-005 dalam 336 epoh. Jumlah lapisan (layer) yang optimal pada lapisan tersembunyi tidak dapat dinyatakan dengan metode yang pasti melainkan dengan trial and error serta tergantung pada pengalaman perancang dalam membangun arsitektur jaringan syarat tiruan. Jadi arsitektur jaringan yang digunakan pada sistem penilaian kualitas biodiesel ini adalah sebagai berikut: Arsitektur jaringan = 5 (input), 5 (hidden), dan 1 (output) Laju pembelajaran = 0,005 Momentum = 0,9 Maksimum epoh = 1000 epoh Fungsi transfer = Tansig Minimum error = 0,0001 Kriteria error = MSE (mean square error)

17 103 Untuk menentukkan fungsi aktivasi yang terbaik untuk jaringan ini juga dilakukan dengan metode trial and error. Hasil pengujian yang dilakukan ditunjukkan pada Tabel 32 berikut ini. Tabel 32. Pemilihan Fungsi Aktivasi Berdasarkan Nilai Error Kriteria error Tansig Logsig Linear error 9,28419e-005 9,97879e-005 0, MSE epoch korelasi 0,9999 0,9994 0,7473 regresi 1,0285 x + (-1,762) 1,0197 x + (-1,151) 0,7068 x + 18,840 Berdasarkan pada hasil yang diperoleh dari hasil pengujian trial and error yang dapat dilihat pada Tabel 28 diatas menujukkan bahwa dengan jaringan dengan 5 unit lapisan tersembunyi memperoleh nilai error terkecil pada fungsi aktivasi tansig (fungsi sigmoid bipolar). 2. Penentuan laju pembelajaran (learning rate) dan momentum. Untuk mempercepat kinerja operasi jaringan syaraf tiruan terutama jaringan dengan algoritma backpropagasi (propagasi balik) yang cenderung memiliki kinerja yang cukup lambat, maka ditambahkan beberapa parameter tambahan, yakni dengan memberikan variasi nilai laju pembelajaran (learning rate) dan nilai momentum. Laju pembelajaran yang sangat kecil membuat proses pembelajaran jaringan sangat lambat, namum jika terlalu besar proses pembelajaran akan berisolasi atau menyebar sehingga perlu dilakukan pengujian sebab laju pembelajaran menakar besarnya penyesuaian pada bobot ketika dilakukan proses pembelajaran. Penggunaan momentum akan membuat jaringan melakukan penyesuaian bobot yang lebih besar selama koreksinya memiliki arah yang sama dengan pola yang ada.

18 104 Nilai laju pembelajaran dan momentum jaringan yang baik ditentukan dengan cara trial and error terhadap beberapa nilai laju pembelajaran dan momentum yang menggunakan fungsi aktivasi tansig. Hasil pengujian yang dilakukan ditunjukkan pada Tabel 29 dengan asitektur jaringan adalah Arsitektur jaringan = 5 (input), 5 (hidden), dan 1 (output) Maksimum epoh = 1000 epoh Fungsi transfer = Tansig Minimum error = 0,0001 Kriteria error = MSE (mean square error) Tabel 33. Hasil pengujian terhadap nilai laju pembelajaran dan momentum dengan fungsi aktivasi sigmoid bipolar (tansig) Learning Rate Momentum MSE Error Epoch 0,005 0,9 9,2842e ,05 0,7 9,9695e ,001 0,7 0, ,01 0,9 0, ,1 0,7 0, Berdasarkan pada hasil pengujian pada Tabel 33 diatas menujukkan fungsi aktivasi tansig (fungsi sigmoid bipolar) nilai error terkecil 9,2842e-05 dengan epoh 336 pada nilai laju pembelajaran 0,005 dan mementum 0,9. Tabel 34. Hasil pengujian terhadap nilai laju pembelajaran dan momentum dengan fungsi aktivasi sigmoid biner (logsig) Learning Rate Momentum MSE Error Epoh 0,005 0, e ,05 0,7 0, ,001 0,7 0, ,01 0,9 9,989e ,1 0,7 0,

19 105 Berdasarkan pada hasil pengujian pada Tabel 34 diatas menujukkan fungsi aktivasi logsig (fungsi sigmoid biner) memberikan performansi terbaik dengan nilai error terkecil 9,989e-05 dengan epoh 500 pada nilai laju pembelajaran 0,01 dan momentum 0,9. Tabel 35. Hasil pengujian terhadap nilai laju pembelajaran dan momentum dengan fungsi aktivasi linear Learning Rate Momentum MSE Error Epoh 0,005 0,9 0, ,05 0,7 0, ,001 0,7 0, ,01 0,9 0, ,1 0,7 0, Berdasarkan pada hasil pengujian pada Tabel 35 diatas menujukkan fungsi aktivasi linear (fungsi linear) memberikan performansi terbaik dengan nilai error terkecil 0, dengan epoh 1000 pada nilai laju pembelajaran 0,001 dan momentum 0,7. Struktur jaringan syaraf tiruan yang paling optimal dari beberapa variasi jumlah node pada layer input, layer hidden, layer ouput, laju pembelajaran, momentum dan fungsi aktivasi yang digunakan pada perancangan sistem prediksi penilaian kualitas biodiesel (SINKUAL-BIODIESEL) dan kriteria pembelajaran JST yang digunakan pada penelitian ini disajikan pada Tabel 36. Tabel 36. Struktur JST Sistem Penilaian Kualitas Biodiesel Karakteristik Jumlah unit lapisan input Jumlah unit lapisan tersembunyi Jumlah unit lapisan output Fungsi aktivasi Laju pembelajaran 0,005 Jumlah epoh 336 Spesifikasi 5 unit 5 unit 1 unit Sigmoid bipolar (tansig) Momentum 0,9 Minimum error 0,0001 (1E-004)

20 Proses Penilaian SINKUAL-BIODIESEL Tahapan representasi pengetahuan dilakukan dalam bentuk kaidah-kaidah. Kaidah ini digunakan untuk mengolah fakta yang ada untuk dapat menarik kesimpulan. Basis pengetahuan secara sistematis dapat disajikan dalam bentuk kaidah-kaidah aturan yang dinyatakan dalam bentuk if-then dengan if adalah premis atau fakta dan then adalah konklusi atau kesimpulan. Jika terdapat beberapa kaidah maka dapat dihubungkan dengan bentuk AND. Contohnya: 1. if fakta is X then Y 2. if F 1 is K and F 2 is L and F 3 is M... then Z is...n. Input data yang terdiri atas nilai-nilai atribut karateristik bahan baku serta proses, terkelompok dalam sub-sub proses penilaian atau pemeriksaan. Kemudian input data yang diberikan dilewatkan pada kaidah (rule) yang telah dibuat hingga diperoleh suatu kesimpulan pada masing-masing sub-proses. Setelah itu sistem akan menggabungkan dan menghubungkan kesimpulan yang diperoleh sehingga akan diperoleh kesimpulan akhir yang merupakan hasil akhir dari sistem penilaian kualitas yang dilakukan. Berikut ini kaidah-kaidah yang dibangun pada masingmasing sum proses yang dapat dilihat pada Tabel 37 dibawah ini. Tabel 37. Kaidah (rule) Pada Masing-masing Sub-proses Sistem Penilaian Kualitas Biodiesel (SINKUAL-BIODIESEL) No Sub-Proses 1. Sub-proses pemeriksaan jenis minyak nabati berdasarkan kandungan asam lemak bahan baku (...CpraolahJenisBiodiesel\hitung.m) 2. Sub-proses pemeriksaan kadar asam lemak bebas (ALB) dalam bahan baku untuk menentukan tahapan proses. (...CpraolahAsamLemakBebas\hitung.m) 3. Sub-proses pemeriksaan kandungan senyawa pengotor (KSP) bahan baku, yang terdiri dari kadar asam lemak bebas, kandungan air dan sedimen dan warna bahan baku. (...RuleBahanbakuKandunganSenyawaPengotor.m) 4. Sub-proses pemeriksaan sifat fisika kimia bahan baku yang terdiri atas atribut massa jenis, viskositas, kadar asam, kadar iodium, kadar penyabunan. (...RuleBahanbakuFisikoKimia.m) Jumlah Rule 8 rule 9 rule 27 rule 243 rule

21 107 Lanjutan Tabel 37 No Sub-Proses 5. Rule penilian bahan baku yang terdiri dari : (...RuleBahanbakuKandunganSenyawaPengotor.m) dan (...RuleBahanbakuFisikoKimia.m) 6. Sub-proses pemeriksaan karateristik mutu biodiesel berdasarkan persayaratan terdiri atas atribut kadar fosfor, viskositas dan angka setana. (...RuleProsesKarakteristikMutuBiodieselPersyaratan.m) 7. Sub-proses pemeriksaan karateristik mutu biodiesel berdasarkan Rendemen terdiri atas kadar metil ester, kadar gliserol total dan kadar gliserol bebas. (...RuleProsesKarakteristikMutuBiodieselRendemen.m) 8. Rule Penilaian karateristik mutu biodiesel (KMB) yaitu : (...RuleProsesKarakteristikMutuBiodieselPersyaratan.m) dan(..ruleproseskarakteristikmutubiodieselrendemen.m) 9. Sub-Proses pemeriksaan titik kritis transesterifikasi (TKT) yang terdiri atas atribut suhu dan lama waktu proses transesterifikasi dilakukan. (...RuleProsesTitikKritisTransesterifikasi.m) 10. Sub-Proses pemeriksaan titik kritis separasi (TKS) terdiri atas atribut suhu dan lama waktu proses separasi dilakukan (...RuleProsesTitikKritisSeparasi.m) 11. Sub-Proses pemeriksaan titik kritis pencucian (TKP) yang terdiri atas atribut suhu dan jumlah air yang dipergunakan selama proses ini dilakukan. (...RuleProsesTitikKritisPencucian.m) 12. Rule Penilian Kualitas Proses yang terdiri dari : (...RuleProsesKarakteristikMutuBiodiesel.m), (...RuleProsesTitikKritisTransesterifikasi.m), (...RuleProsesTitikKritisSeparasi.m) dan (...RuleProsesTitikKritisPencucian.m) 13. Sub-proses pemeriksaan kualitas pengemasan yang terdiri atas atribut tingkat keamanan kontener, kebersihan wadah, kekuatan wadah, kedap udara, tidak tembus cahaya, bahan. (...RuleSimpananPengemasan.m) 14. Sub-proses pemeriksaan kualitas penyimpanan yang terdiri atas atribut suhu penyimpanan, dan waktu atau lama penyimpanan. (...RuleSimpananPenyimpanan.m) 15. Rule Penilian Pengemasan dan Penyimpanan terdiri dari : (...RuleSimpananPengemasan.m) dan (...RuleSimpananPenyimpanan.m) Jumlah Rule 9 Rule 27 Rule 27 Rule 9 rule atau JST 9 rule atau JST 9 rule atau JST 81 Rule 729 rule 9 rule 9 Rule

22 108 Kaidah if then rule faktor fundamental ini dapat dilihat pada lampiran 20. Strategi penalaran dan pelacakan kaidah penilaian kualitas biodiesel dapat dilihat pada lampiran 21 dan 22. Kualifikasi penilaian masing-masing proses yang dilakukan diperoleh dari hasil perhitungan dan akuisisi pakar. Nilai-nilai proses meliputi proses penilaian kualitas bahan baku, penilaian kualitas proses dan penilaian kualitas penyimpanan dan pengemasan. Batasan-batasan kualifikasi masing-masing proses tersebut dapat dilihat pada tabel-tabel dibawah ini. Tabel 38. Kualifikasi penilaian kualitas bahan baku Kualifikasi Batasan nilai Diterima dengan Grade A > 14 Diterima dengan Grade B Ditolak < 12 Tabel 39. Kualifikasi penilaian kualitas proses Kualifikasi Batasan nilai Diterima dengan Grade A > 30 Diterima dengan Grade B Ditolak < 24 Tabel 40. Kualifikasi penilaian kualitas pengemasan dan penyimpanan Kualifikasi Batasan nilai Diterima dengan Grade A > 14 Diterima dengan Grade B Ditolak < 12

23 Implementasi SINKUAL-BIODIESEL Pada pengembangan SINKUAL-BIODIESEL ini menggunakan perangkatkeras dan perangkat lunak dengan spesifikasi sebagia berikut: 1. Perangkat-keras (hardware), terdiri dari: Processor Intel Pentium IV 2.0 GH, VGA 64 MB, Memory DDR 256 MB, Harddisk 40 GB, CD-ROM 52Xmax, printer Canon PIXMA ip 2100, dan lain-lain. 2. Perangkat-lunak (software), terdiri dari: OS. Windows XP SP.1, MatLab 7.0.1, Microsoft Office 2003, Microsoft Notepad, Microsoft Visio 2003, dll. Intergrasi dan pengujian sistem yang terdiri atas sistem pakar dan jaringan syaraf tiruan dilakukan untuk mengetahui apakah sistem beroperasi dengan baik. Pengujian performa sistem menggunakan data aktual dari lapangan terutama data keragaman proses suhu, waktu dan jumlah air yang digunakan Integrasi dan Pengujian Sistem Proses integrasi sistem pakar dan jaringan syaraf tiruan dengan model full integration. Pada penelitian ini output yang diperoleh dari jaringan syaraf tiruan (JST) ditransformasikan ke dalam sistem pakar. Selanjutnya sistem pakar akan mengolah hasil tersebut untuk menghasilkan keputusan akhir. Dalam penelitian ini, validasi terhadap JST dilakukan dengan mengecek output yang telah dibangun terhadap data target yang telah ditetapkan sebelumnya. Hasil proses belajar menunjukkan bahwa jaringan memiliki nilai 0, ini berarti bahwa kesesuian output jaringan dan output target sangat tinggi. Nilai ini menunjukkan bahwa nilai output yang dihasilkan oleh jaringan dapat mempresentasikan data keragaman proses (proses transesterifikai, separasi dan pencucian) yang terjadi berdasarkan data aktual. Oleh karena itu dapat dikatakan bahwa jaringan yang telah dibangun adalah valid.

24 Pengoperasian Sistem SINKUAL-BIODIESEL Sistem ini dikembangkan dengan perangkat-lunak Matlab yang tidak memiliki ekstensi file *.exe tapi memiliki keunggulan dalam hal komputasi dan simulasi, sehingga untuk menjalankan operasi SINKUAL-BIODIESEL perlu menginstall terlebih dahulu program Matlab pada komputer. Langkah-langkah untuk mengoperasikan program SINKUAL-BIODIESEL yang dikembangkan adalah: 1. Jalankan program Matlab yang telah diinstall dengan membukanya dari start program atau clik shortcut pada dekstop monitor. Gambar 6.8 Menu Utama Matlab Tentukan folder atau current directory tempat program disimpan pada harddisk komputer. Secara default program tersimpan di directory C:\MATLAB701\work\... sinkual_biodiesel

25 111 Gambar 6.9 Menu folder atau current directory Matlab 3. Jalankan file biodieseldlg.m hingga masuk ke menu utama dari program SINKUAL-BIODIESEL. Gambar 6.10 Menu Utama SINKUAL-BIODIESEL

26 112 Pada gambar diatas terlihat bahwa panel pra-analisis sudah aktif sedangkan panel analisis belum aktif, hal ini dikarenakan program ini berjalan secara berurutan. Panel analisis aktif jika proses pra-analisis telah selesai dilakukan seperti pada Gambar 6.11 dibawah ini. Gambar 6.11 Panel Analisis SINKUAL-BIODIESEL Pada gambar diatas terlihat bahwa setelah proses pra-analisisi untuk jenis dan kadar ALB bahan baku selesai dan baik untuk diproses maka panel analisis akan aktif. Penilaian kualitas yang dapat dilakukan adalah: 1. Penilaian kualitas bahan baku 2. Penilaian kualitas proses (transesterifikasi, sepeparasi dan pencucian) yang menggunakan prediksi JST. 3. Penilaian kualitas pengemasan dan penyimpanan. 4. Untuk masuk ke panel proses tekan tombol ID untuk mengisi identitas dan keterangan lainnya setelah itu tekan OK, seperti terlihat pada Gambar 6.12 berikut ini.

27 113 Gambar 6.12 Form Identitas Proses Analisis Bahan Baku SINKUAL-BIODIESEL 5. Setelah pengisian form ID maka tombol analisa bahan baku akan aktif, tekan pada tombol Analisa tersebut hingga masuk ke menu analis bahan baku seperti dapat kita lihat pada Gambar Demikian juga dengan proses-proses yang lain setelah proses sebelumnya selesai tombol analisis proses berikutnya akan aktif seperti yang dapat kita lihat pada Gambar 6.14 dan Proses penilaian kualitas bahan baku Gambar 6.13 Menu proses penilaian kualitas bahan baku

28 114 Proses penilaian kualitas proses Gambar 6.14 Menu proses penilaian kualitas proses Proses prediksi jaringan syaraf tiruan (JST) terhadap titik kritis proses transesterifikasi, separasi dan pencucian. Tekan tombol Neural network hingga masuk ke menu JST seperti dapat kita lihat pada Gambar Gambar 6.15 Menu utama proses prediksi jaringan syaraf tiruan

29 115 Jika data untuk prediksi pada masing-masing titik kritis sudah ada, kita bisa membukanya dengan menekan tombol file, buka file data yang pada folder data dalam exstensi *,txt. Setelah data siap tekan tombol new sehingga proses training akan berjalan. jika ingin memasukkan data baru tekan tombol editor dan terbuka windows microsoft notepad kemudian isikan data keragaman baru untuk prediksi, simpan data tersebut. Setelah data siap tekan tombol new sehingga proses training akan berjalan. Selama training performansi kinerja JST dapat ditampilkan dalam bentuk grafik error, reggression, time series, target-output dataset, dan lainya. Hasil penilaian dengan prediksi dengan JST dapat diperoleh dengan menekan tombol get pada Gambar 6.16 sebelumnya. Gambar 6.16 Menu proses prediksi jaringan syaraf tiruan dengan performansi error

30 116 Gambar 6.17 Menu proses prediksi jaringan syaraf tiruan dengan performansi reggression Gambar 6.18 Hasil prediksi JST performansi target-output dataset

31 117 Gambar 6.19 Menu proses prediksi jaringan syaraf tiruan dengan performansi time series Prediksi JST baru memberikan keluaran ( Baik, Normal, Buruk ) dan tombol OK baru aktif setelah kita memasukkan nilai batas atas (USL) dan nilai batas bawah (LSL) pada performansi time series.

32 118 Proses penilaian kualitas pengemasan dan penyimpanan Gambar 6.20 Menu proses penilaian kualitas proses pengemasan dan penyimpanan Proses penilaian kualitas pengemasan merupakan pengisian data dalam bentuk qualifier ( Baik, Normal, Buruk ) atau radio button seperti pada Gambar 6.20 di atas. Sedangkan untuk penilaian kualitas penyimpanan merupakan pengisian data aktual (variable) yang diperoleh dari lapangan berupa suhu dan lama penyimpanan biodiesel. 6. Hasil akhir proses penilaian kualitas secara keseluruhan dapat diperoleh dengan menekan tombol overall. Hasil penilaian juga memberikan saran atas kualitas biodiesel yang diperoleh, seperti yang dapat dilihat pada Gambar 6.21 dibawah ini.

33 119 Gambar 6.21 Menu proses akhir penilaian kualitas biodiesel Hasil penilaian ini dapat disimpan dengan mengklik biodiesel pada menu toolbar dan pilih save. 7. Untuk keluar dari sistem ini klik pada tombol keluar pada Gambar 6.21 diatas hingga masuk ke menu dialog seperti pada Gambar 6.22 kemudian klik tombol OK. Gambar 6.22 Menu keluar SINKUAL-BIODIESEL