ISSN 1979-2409 Pemrosesan Awal Data Runtun Watu Hasil Penguuran Untu Identifiasi Sistem Tungu Sinter Degussa (Dede Sutarya) PEMROSESAN AWAL DATA RUNTUN WAKTU HASIL PENGUKURAN UNTUK IDENTIFIKASI SISTEM TUNGKU SINTER DEGUSSA Dede Sutarya Pusat Tenologi Bahan Baar Nulir Badan Tenaga Nulir Nasional, Serpong, Banten, Indonesia, 15313 dedes@batan.go.id ABSTRAK Pemrosesan awal data merupaan langah penting dan ritis serta memilii dampa besar pada eberhasilan analisis atau penggunaan selanjutnya dari data. Data hasil penguuran yang terbebas dari noise tida pernah dapat diperoleh dalam penguuran menggunaan sensor dilaboratorium proses imia atau fisia arena adanya noise yang timbul dari efe termodinamia dan uantum. Selain itu noise juga terjadi arena esalahan transmisi, loasi memori yang rusa, dan esalahan timing pada onversi analog e digital. Pada maalah ini dilauan penelitian dan esperimen untu mencari parameter optimal penapisan noise spie (outlier) menggunaan median filter pada data runtun watu input-output hasil auisisi proses sintering. Dari hasil esperimen diperoleh parameter optimal median filter untu data runtun watu input output proses sintering adalah dengan lebar jendela pergeseran N=25. Parameter tersebut menghasilan rasio sinyal terhadap noise (SNR) yang cuup tinggi dengan rerata 3,6685 dan rerata esalahan uadrat (MSE) rendah dengan rerata 0,0352 dengan tetap mempertahanan bentu asli punca sinyal. Dengan demiian data hasil pemrosesan awal data dapat digunaan pada proses selanjutnya yaitu identifiasi sistem menggunaan teni cerdas dengan efisien dan aurat. Kata Kunci Pemrosesan awal data, runtun watu, median filter, sintering ABSTRACT Data preprocessing is an important and critical step and have a huge impact on the success of the analysis or the subsequent use of the data. Measurement data with free of noise can never be obtained from the sensor measurement in chemical or physical process laboratory due to the noise arising from thermodynamics and quantum effects. In addition, noise also occurs because of a transmission error, faulty memory location, and timing errors at the analog to digital conversion. In this paper carried out research and experiments to find the optimal parameters for filtering spies noise (outliers) using a median filter on input-output time series data that obtained from the data acquisition of the sintering process. From the experimental results obtained that median filter optimal parameter is using moving windows size N=25. These parameters produce sufficiently high Signal to Noise Ratio (SNR) with the average of 3.6685 and a low Mean Square Error (MSE) with the average of 0.0352 while maintaining the shape of the original signal peas on the data. Thus the results of data preprocessing can be used in the next step of the data usage i.e. for system identification using intelligent technique efficiently and accurately. Keywords Data preprocessing, time series, median filtering, sintering I. PENDAHULUAN Identifiasi sistem adalah ilmu tentang bagaimana membangun model matemati dari sistem dinamis melalui pengamatan terhadap data input-output dari sistem. Tahapan awal dalam identifiasi sistem adalah merancang esperimen yang tepat 1
No. 16/Tahun IX. April 2016 ISSN 1979-2409 sehingga data yang diperoleh berisi informasi masimum tentang proses. Selanjutnya data yang diperoleh mengalami beberapa teni pemrosesan awal untu menghilangan efe gangguan yang tida diinginan, hal Ini aan meningatan efisiensi dari proses identifiasi. Dalam paper ini aan dilauan studi untu tahapan awal dalam identifiasi sistem seperti yang di sebutan diatas. Untu mendapatan data input-output dari proses, maa pada tungu sinter Degussa ditambahan sensor-sensor untu menguur parameter proses yang emudian diauisisi oleh sebuah modul sistem auisisi data dan disimpan sebagai database proses. Data mentah hasil penguuran yaitu parameter input dan output proses sintering terlebih dahulu melalui tahapan pemrosesan awal data (data preprocessing), sebelum digunaan sebagai bahan untu memodelan prilau sistem dalam identifiasi sistem tungu sinter. Data hasil auisisi yang terbebas dari noise (outlier) tida pernah dapat diperoleh dalam penguuran menggunaan sensor dilaboratorium proses imia atau fisia arena beberapa jenis noise yang timbul dari efe termodinamia dan uantum tida mungin dihilangan. Penggunaan luas omputer dalam instrumentasi proses imia dan fisia serta flesibilitas pemrograman perangat luna membuat penggunaannya untu detesi noise dan filtering [1], pembersihan data outlier [2-4], median filtering [5,6], dan penghalusan data (smoothing) [7,8] banya di implementasian dengan hasil yang cuup memuasan. Oleh arena itu maa pemerosesan awal terhadap data runtun watu (time series) hasil auisisi data proses sintering aan diawali dengan proses filtering data outlier menggunaan median filter, emudian dilanjutan dengan melauan normalisasi terhadap data. Hal ini dilauan untu menjaga aurasi dan etepatan analisis pada proses identifiasi sistem. Pemrosesan awal data (data preprocessing) merupaan teni data mining yang melauan pengubahan data mentah menjadi format yang lebih dimengerti. Data real sering tida lengap, tida onsisten, dan atau urang dalam perilau tertentu, dan emunginan mengandung banya gangguan (noise). Data preprocessing menyiapan data mentah untu diproses lebih lanjut sesuai ebutuhan. Diagram umum pemrosesan awal data diperlihatan pada Gambar 1. Walaupun demiian dalam prate belum tentu semua tahapan dalam pemrosesan awal data digunaan, hal ini tergantung dari ebutuhan dan ondisi data mentah yang ada. 2
ISSN 1979-2409 Pemrosesan Awal Data Runtun Watu Hasil Penguuran Untu Identifiasi Sistem Tungu Sinter Degussa (Dede Sutarya) Gambar 1. Diagram umum pemrosesan awal data runtun watu II. METODE AKUISISI DAN PRE-PROCESSING DATA A. Data auisisi proses sintering Antar mua instrumen penguuran analitis menggunaan omputer (PC) untu auisisi data saat ini telah menjadi fasilitas standar laboratorium modern. Untu mendapatan data I/O (input-output) dari proses, maa pada tungu sinter harus ditambahan sensor-sensor untu menguur parameter proses yang emudian diauisisi oleh sebuah modul sistem auisisi data, seperti yang diperlihatan pada Gambar 2. Data yang diperoleh emudian disimpan sebagai database proses. Selanjutnya database tersebut aan digunaan sebagai bahan untu memodelan prilau sistem dalam identifiasi sistem tungu sinter menggunaan teni cerdas. Gambar 2. Diagram sistem auisisi data untu menguur I/O proses sintering 3
No. 16/Tahun IX. April 2016 ISSN 1979-2409 Pada awal proses sintering, setelah pelet uranium diosida (UO 2 ) dimasuan e tungu sinter dan setting parameter pada omputer endali dilauan, proses pemanasan dimulai dengan mengaliran gas nitrogen terlebih dahulu sampai temperatur auto-ignition hidrogen terlewati (diatas 580⁰C). Setelah itu emudian hidrogen dialiran edalam ruang baar tungu sampai temperatur 1700⁰C, emudian dilauan penahanan pada temperatur tersebut selama 3-4 jam dan dilanjutan dengan proses pendinginan hingga 580⁰C, gas atmosfir proses emudian diganti embali dengan nitrogen. Karena adanya perangat-perangat yang emunginan menjadi sumber nosie serta reasi imia dan fisia dalam proses sintering sehingga dibutuhan sensorsensor yang memilii arateristi husus untu penggunaan gas berbahaya seperti hidrogen. Selain itu instalasi sistem auisisi data terutama sensor yang bersinggungan langsung dengan hidrogen perlu pengujian dan alibrasi husus menyangut tingat ebocoran dan euatan material terhadap gas hidrogen. Pemasangan sensor sensor pada sistem pemipaan gas hydrogen memerluan isolasi yang memadai dengan tingat ebocoran tida melebihi 1x10-9 lpm [9] dengan demiian pengujian tingat ebocoran pada sambungan perlu dilauan dengan teliti setelah instalasi sistem auisisi data selesai dilauan. Program ausisi data di embangan dengan software LabVIEW, omputer endali ditempatan seitar 20m dari tungu sinter menggunaan omuniasi RS-485 untu menghindari bahaya yang mungin terjadi selama proses esperimen. Penempatan sistem ausisi data pada panel endali sinter memanfaatan ruang yang telah disediaan oleh pabrian untu pengembangan sistem, sehingga disain dan sistem eselamatannya sudah dipertimbangan dengan matang oleh pabrian. Penggunaan abel dan omponen sistem dengan ualitas dan isolasi terhadap noise yang memadai sangat penting, selain untu ualitas data yang aan diperoleh tetapi juga terait dengan eselamatan selama proses pengambilan data yang cuup lama yaitu seitar 36 jam untu satu silus proses. Dari data mentah (raw data) hasil auisisi proses sintering yang yang terdiri dari 73.000 data, emudian diambil sebanya 25.000 sampel data proses yang menggunaan atmosfir hydrogen untu dilauan pre-processing. 25.000 data I/O tersebut diperlihatan pada Gambar 3 dan Gambar 4. Parameter input proses sintering yaitu; Temperatur input hidrogen (T in ), Teanan input hidrogen (P in ), Laju alir input hidrogen (Q in ), Daya pemanas (W h ), dan 4
ISSN 1979-2409 Pemrosesan Awal Data Runtun Watu Hasil Penguuran Untu Identifiasi Sistem Tungu Sinter Degussa (Dede Sutarya) Temperatur air pendingin (T CW ). Sedangan paremeter output proses yaitu; Temperatur output hidrogen (T out ) dan Laju alir output hidrogen (Q out ). Data mentah parameter I/O hasil penguuran proses sintering terlebih dahulu melalui tahapan pemrosesan awal data (data preprocessing). Dengan melihat ondisi data mentah (raw data) yang diperoleh, pemrosesan awal yang dibutuhan adalah proses penapisan atau filtering untu menghilangan outlier dan normalisasi pada data sebelum digunaan. Gambar 3. Data parameter input hasil penguuran sebanya 25.000 sampel. Gambar 4. Data parameter output hasil penguuran sebanya 25.000 sampel. 5
No. 16/Tahun IX. April 2016 ISSN 1979-2409 B. Membersihan outlier data menggunaan median filter Outlier adalah data hasil pengamatan yang memilii penyimpangan secara signifian dari sebagian besar pengamatan. Outlier tersebut mungin disebaban oleh lonjaan sinyal (spie), esalahan penguuran sensor, noise yang di aibatan peralatan proses, degradasi peralatan instrumen atau berhubungan dengan esalahan manusia. Outlier pada data aan menyebaban analisa terhadap data menjadi tida berguna arena outlier dapat menyebaban etida sesuaian spesifiasi model, estimasi parameter menjadi bias bahan menghasilan esimpulan analisa yang salah. Oleh arena itu untu mengatasi masalah data outlier tersebut digunaan median filter dalam mendetesi dan menghapusan outlier yang didasaran pada jendela data yang bergera (moving window) pada data runtun watu (time series). Penjelasan tentang prinsip erja median filter adalah sebagai beriut. Dengan asumsi bahwa pembangitan outlier dapat dijelasan oleh model outlier aditif yang populer pada robust-time series analisis [2,10] sebagai beriut y x o. (1) dimana y adalah urutan data hasil penguuran, x adalah urutan data nominal yang ita inginan dan O menggambaran urutan data yang berisi outlier. Nilai-nilai urutan O di asumsian menjadi nol ecuali untu asus watu sesaat dengan nilai O yang jauh lebih besar dibandingan dengan variasi nominal yang terlihat dalam data. Pencarian nilai periraan x didasaran pada pengamatan data saat ini dan sebelumnya y - j untu j 0. Secara husus data, y, N - 1 dan y - j disimpan dalam jendela data W dengan lebar N. W y N 1, y N 2,..., y. (2) Nilai data dalam jendela emudian disusun berdasaran peringat untu mendapatan R y (1) y(2)... y( N ), (3) 6
ISSN 1979-2409 Pemrosesan Awal Data Runtun Watu Hasil Penguuran Untu Identifiasi Sistem Tungu Sinter Degussa (Dede Sutarya) dan median m y dari urutan R dihitung sebagai y m y(( N 1) / 2) ( y( N / 2) y( N / 21) ) / 2 untu N ganjil untu N genap (4) Nilai median m y menyediaan referensi data nominal sebagai ompensasi data saat ini y, emudian di evaluasi dengan menentuan jara d antara y dan m y. d y y (5) m Jia jara ini melebihi ambang batas yang ditentuan yaitu T 0, maa y dinyataan sebagai outlier dan menggantinya dengan nilai predisi mendapatan urutan data setelah difilter f dengan persamaan beriut m y untu f y y pred jia d jia d T T (6) C. Normalisasi data Normalisasi merupaan tahapan terahir dalam pemrosesan awal data. Tujuan normalisasi data adalah untu memastian bahwa distribusi statisti nilai untu setiap I/O dalam jaringan saraf tiruan yang aan digunaan untu identifiasi sistem mendeati seragam. Selain itu, nilai-nilai harus disala untu menyesuaian dengan masuan neuron dalam jaringan saraf tiruan (neural networs). Metode normalisasi data yang digunaan dalam penelitian ini adalah sala linear dimana data aan diubah dalam range -1 sampai 1 atau 0 sampai 1 sesuai dengan fungsi atifasi yang digunaan pada neuron input. Fungsi normalisasi linear didefinisian sebagai beriut. X i, 0 sampai1 X X i max X X min min, (7) 7
No. 16/Tahun IX. April 2016 ISSN 1979-2409 X i, 1 sampai1 X X i X max max X 2 X 2 min min (8) dimana X i adalah titi data e-i yang aan dinormalisasi, X max merupaan nilai terbesar dari seluruh data, dan X min merupaan nilai terecil dari seluruh data. Ketia jaringan saraf tiruan selesai diuji dengan data testing pada tahapan identifiasi sistem, output yang dihasilan harus di de-normalisasi. Jia normalisasi dapat sepenuhnya diembalian e nilai asalnya dengan sediit atau tida ada ehilangan dalam aurasi, maa hal tersebut tida menjadi masalah. Namun, jia normalisasi tergannggu oleh nilai yang tida diinginan dalam data (outlier), maa output nilai yang sama dengan outlier aan dianggap sebagai nilai sebenarnya, namun jia nilai tersebut dapat diterima untu apliasi yang diinginan, maa metode normalisasi dapat diataan cuup reversibel. III. HASIL DAN PEMBAHASAN Proses untu menghapus outlier pada data runtun watu, input dan output hasil esperimen proses sintering dilauan dengan memvariasian uuran jendela N yang bertujuan untu mencari uuran jendela yang tepat atau optimal yang menghasilan peningatan rasio sinyal terhadap gangguan (SNR) yang terbai. Untu mencapai hal tersebut variasi uuran jendela yang digunaan adalah 15, 25, 35, 65 dan 115. Pada penelitian ini bentu sinyal asli terutama punca sinyal sangat penting sehingga aan dicari lebar jendela filter yang optimal dengan menentuan riteria ratarata uadrat esalahan (MSE) terendah dan rasio sinyal terhadap noise (SNR) yang paling tinggi. MSE dan SNR dihitung menggunaan persamaan beriut. MSE 1 N N n0 ( V ( n) V R ( n)) 2 (9) N 2 VR ( n) n0 SNR log 10 (10) N 2 S ( n) n0 R 8
ISSN 1979-2409 Pemrosesan Awal Data Runtun Watu Hasil Penguuran Untu Identifiasi Sistem Tungu Sinter Degussa (Dede Sutarya) dimana N adalah jumlah data runtun watu, V(n) adalah sinyal asal sebelum difilter, V R (n) adalah sinyal hasil reonstrusi setelah difilter, dan S R (n) merupaan perbedaan antara sinyal asal dan sinyal hasil reonstrusi setelah difilter. Hasil perhitungan MSE dan SNR untu data input dan output setelah difilter untu menghilangan data outlier diperlihatan pada Tabel 1. Tabel 1. Hasil perhitungan MSE dan SNR setelah difilter Data T in P in Q in W h T cw T out Q out Kriteria Lebar jendela median filter (N) 5 15 25 35 65 115 MSE 1.5e-03 1.8e-03 2.0e-03 2.1e-03 2.4e-03 2.8e-03 SNR 5.8172 5.7498 5.7152 5.6897 5.6276 5.5611 MSE 4.2e-03 1.3e-02 1.1e-02 1.2e-02 1.3e-02 1.3e-02 SNR 3.5832 3.0973 3.1670 3.1278 3.0826 3.0915 MSE 2.3e-02 1.1e-01 1.5e-01 1.7e-01 1.3e-01 1.2e-01 SNR 2.9895 2.3323 2.1777 2.1166 2.2470 2.3323 MSE 1.3e-05 1.5e-05 1.7e-05 2.0e-05 2.9e-05 5.0e-05 SNR 4.2084 4.1291 4.0774 4.0216 3.8602 3.6201 MSE 4.7e-03 5.4e-03 6.1e-03 7.1e-05 1.2e-02 2.4e-02 SNR 5.1087 5.0460 4.9906 4.9245 4.7045 4.4015 MSE 2.2e-03 2.8e-03 3.3e-03 3.6e-03 4.4e-03 5.3e-03 SNR 5.7314 5.6146 5.5516 5.5063 5.4223 5.3423 MSE 1.2e-02 4.3e-02 7.4e-02 8.9e-02 1.1e-01 1.2e-01 SNR 3.7693 3.2229 2.9847 2.9048 2.8099 2.7497 Pada Tabel 1 terlihat bahwa variasi lebar jendela pada median filter semain besar maa MSE nai yang diiuti oleh penurunan SNR dengan ata lain semain besar uuran jendela maa inerja filter semain progresif tetapi deformasi aan semain besar terhadap sinyal aslinya. Walaupun demiian tergantung dari arater sinyal aslinya seperti pada data input P in (lihat Tabel 1), MSE dan SNR flutuatif pada perubahan lebar jendela filter. Oleh arena itu dalam pemilihan uuran jendela pengamatan visual dan engineering judgment penting dilauan untu melihat sinyal setelah proses filtering. 9
No. 16/Tahun IX. April 2016 ISSN 1979-2409 Gambar 5 Scater plot data laju alir hidrogen, data original dan stelah difilter dengan uuran jendela N=25. Bagian a, b, c merupaan outlier dalam data. Berdasran hasil perhitungan MSE dan SNR seperti diperlihatan Tabel 1, serta pengamatan visual terhadap data asli dan hasil filtering maa diputusan bahwa uuran jendela pergeseran optimal adalah N=25 untu pemrosesan awal data proses sinter. Dengan parameter tersebut menghasilan SNR yang cuup tinggi dengan rerata 3,6685 dan MSE rendah dengan rerata 0,0352 dengan tetap mempertahanan bentu asli punca sinyal. Untu menggambaran potensi outlier pada data, Gambar 5 memperlihatan potensi outlier pada data laju alir hidrogen setelah difilter dengan uuran jendela N=25. Gambar 6 memperlihatan data mentah (raw data) hasil penguuran dan data setelah difilter dengan median filter optimal untu output temperatur dan laju alir hidrogen. Dengan menggunaan lebar jendela pergeseran optimal median filter yang diperoleh maa semua data I/O hasil penguuran aan difilter dengan parameter tersebut dan dilanjutan dengan normalisasi data menggunaan persamaan (7) atau (8) sesuai dengan fungsi ativasi yang aan digunaan pada tahapan proses identifiasi sistem menggunaan teni cerdas. 10
ISSN 1979-2409 Pemrosesan Awal Data Runtun Watu Hasil Penguuran Untu Identifiasi Sistem Tungu Sinter Degussa (Dede Sutarya) Gambar 6 Scater plot data temperatur dan laju alir hidrogen, data original dan stelah difilter dengan uuran jendela N=25. IV. KESIMPULAN Pemrosesan awal data runtun watu hasil auisisi data proses sintering telah dilauan. Pemrosesan awal data yang dilauan adalah panapisan atau penghapusan spie nosie (outlier) pada data runtun watu menggunaan median filter. Dari hasil esperimen untu mencari parameter optimal median filter diperoleh uuran jendela pergeseran optimal adalah N=25. Dengan menggunaan uuran jendela N=25 diperoleh nilai rerata SNR yang cuup tinggi yaitu 3,6685 dan MSE rendah dengan rerata 0,0352 dengan tetap mempertahanan bentu asli punca sinyal. SNR tinggi dan MSE rendah menunjuan bahwa deformasi yang terjadi pada data rendah, sehingga yang difilter benar-benar merupaan spie noise (outlier). Noise (outlier) pada data aan menyebaban estimasi parameter menjadi bias bahan menghasilan esimpulan analisa yang salah. Dengan menggunaan parameter optimal yang diperoleh data hasil pemrosesan awal data dapat digunaan pada proses selanjutnya yaitu identifiasi sistem menggunaan teni cerdas dengan efisien dan aurat. 11
No. 16/Tahun IX. April 2016 ISSN 1979-2409 UCAPAN TERIMAKASIH Penulis mengucapan terimaasih epada Agus Sartono D.S., Sugeng Rianto, Mugiyono dan Ade Mahpudin atas duungan tenis selama pelasanaan esperimen dan auisisi data dalam penelitian ini. DAFTAR PUSTAKA [1] Bhausaheb Shinde, A.R. Dani," Noise Detection and Removal Filtering Techniques in Medical Images", International Journal of Engineering Research and Applications, Vol. 2, Issue 4, p.311-316, July-August 2012 [2] P.H. Menold, R.K. Pearson, F. Allg ower," Online outlier detection and removal", Proceedings of the 7th Mediterranean Conference on Control and Automation (MED99) Haifa, Israel - June 28-30, p.1110-1133, 1999. [3] R. Ganguli," Noise and outlier removal from jet engine healt signal using weighted FIR median hybrid filter", Mechanical Systems and Signal Processing, 16(6), p.967 978, 2002. [4] Hancong Liu, Sirish Shah, Wei Jiang," On-line outlier detection and data cleaning", Elsevier, Computers and Chemical Engineering, 28, p.1635 1647, 2004. [5] Lin Yin, Ruiang Yang," Weighted Median Filters: A Tutorial", IEEE Transactions on Circuit and System: Analog and Digital Signal Processing, Vol. 43, No. 3, p. 157-192, March 1996. [6] Ruiang Yang, d," Optimal Weighted Median Filterin Under Structural Constraints", IEEE Transactions on Signal Processing, Vol. 43, No. 3, p. 591-604, March 1995. [7] H. Hwang and R. A. Haddad," Adaptive Median Filters: New Algorithms and Results", IEEE Transactions on Image Processing, Vol. 4, No. 4, p. 499-502, April 1995. [8] Ronald W. Schafer," What Is a Savitzy-Golay Filter", IEEE Signal Processing Magazine, p.111-117, July 2011. [9] NFPA Standard, NFPA 2: Hydrogen Technologies Code, 2016 [10] Martin, R. and V. Yohai,"Influence Functionals for Time Series," Ann. Statist., 14, p. 781-818,1986 12