Jurnal Teknik Sipil Pascasarjana Universitas Syiah Kuala
ISSN 2302-0253 pp. 35- 47
13 Pages
APLIKASI ARTIFICIAL NEURAL NETWORK UNTUK MEMPREDIKSI NILAI POTENSIAL KOROSI PADA BALOK BETON BERTULANG Fitriani1, Mochammad Afifuddin2, M. Ridha2 1)
Magister Teknik Sipil Program Pascasarjana Universitas Syiah Kuala Banda Aceh 2) Fakultas Teknik Universitas Syiah Kuala
Abstract: Damage to concrete structures due to corrosion of steel reinforcement can be identified and evaluated from potential value measured on the surface of the concrete. The purpose of this study is to predict the value of the potential corrosion of reinforced concrete beams by applying Artificial Neural Network (ANN). Data on laboratory test results in the form of the corrosion potential on the surface of the concrete blocks used as secondary data for the modeling. Modeling with eight input variables was done in three steps, they are training, validating and forecasting using MatLab. The resilient backpropagation (trainrp) was used for the training method. The data of 0, 4, 8, 12 and 16 weeks were selected for the training step, whereas the data of 2, 6, 10 and 14 weeks were used for validating. The step for forecasting was carried out after the suitable validation result was achieved. The average percentage difference between laboratory and ANN results were 16,10%. From the testing system which was conducted on the comparison of prediction results with the secondary data produces an average accuracy percentage of 84.13%. In the period of training, the percentage difference were obtained about 5.18% and the average accuracy were 95.05%, while for the validation was obtained the average of percentage difference about 29.66% and the average of the accuracy were 70.49%. For forecasting the fifth until the twelfth months was obtained fluctuating values as well as secondary data used in this modeling. The difference between the target ANN with the experimental results are not so different, it can be concluded that the ANN successfully predicted the corrosion potential Keywords: corrosion potential, reinforcement concrete, Artificial Neural Network (ANN), prediction Abstrak: Kerusakan struktur beton akibat korosi baja tulangan dapat diketahui dan dievaluasi dari nilai potensial yang diukur pada permukaan beton. Tujuan penelitian ini adalah untuk memprediksi nilai potensial korosi pada balok beton bertulang dengan mengaplikasikan Artificial Neural Network (ANN). Data hasil pengujian laboratorium berupa nilai potensial korosi pada permukaan balok beton digunakan sebagai data sekunder untuk permodelan. Permodelan dengan delapan variabel masukan dilakukan dalam tiga tahap, yaitu training, validasi dan forecasting menggunakan software MatLab. Metode pelatihan yang digunakan adalah resilient backpropagation (trainrp). Data dari minggu 0, 4, 8, 12 dan 16 dipilih untuk tahap training, sedangkan data minggu ke - 2, 6, 10 dan 14 digunakan untuk validasi. Forecasting dilakukan setelah hasil validasi sesuai. Diperoleh persentase selisih antara hasil laboratorium terhadap hasil ANN rata-rata sebesar 16,10%. Dari pengujian sistem yang dilakukan terhadap perbandingan hasil prediksi dengan data sekunder menghasilkan persentase keakuratan ratarata sebesar 84,13%. Pada periode training diperoleh persentase selisih sebesar 5,18% dan keakuratan rata-rata sebesar 95,05%, sedangkan untuk validasi diperoleh persentase selisih sebesar 29,66% dan keakuratan rata – rata sebesar 70,49 %. Untuk prediksi bulan ke-5 hingga bulan ke-12 diperoleh nilai yang fluktuatif sama halnya dengan data sekunder yang digunakan pada permodelan ini. Selisih antara target ANN dengan hasil eksperimen tidak jauh berbeda, maka dapat dikatakan ANN berhasil memprediksi potensial korosi. Kata Kunci : potensial korosi, beton bertulang, Artificial Neural Network (ANN), prediksi
Volume 1, No. 1, Agustus 2012
- 35
Jurnal Teknik Sipil Pascasarjana Universitas Syiah Kuala Korosi baja tulangan pada beton adalah sebuah
Pada penelitian ini, ANN diaplikasikan
proses elektrokimia. Sel korosi terbentuk
untuk memprediksi nilai potensial korosi pada
karena perbedaan konsentrasi ion dan gas di
balok beton bertulang, dalam hal ini beton
sekitar logam.
normal konvensional dan beberapa variasi
Korosi bisa terjadi jika antara anoda dan
beton busa.
katoda terdapat selisih potensial listrik. Nilai potensial
suatu
bahan
diperoleh
dengan
Dasar Teori ANN Beberapa
mengukur selisih potensial dari bahan tersebut dengan suatu elektroda baku seperti elektroda kolomel Elekrode)
jenis
SCE
(Saturated
Colomel
dan
SHE
(Standar
Hydrogen
Elektrode) dan AgCl, semakin negatif (aktif) potensial bahan semakin besar kecenderungan
Korosi baja dalam beton berperan penting dalam penentuan daya tahan struktur beton. Beberapa peneliti telah mempelajari perilaku dan
berbagai
jenis
Jaringan Syaraf Manusia (JSM), diantaranya mengenai penyimpanan informasi dan daya ingat, dimana bila suatu sinyal tertentu melalui sinapsis secara berulang-ulang, maka sinapsis tersebut menjadi lebih mampu menghantarkan sinyal pada kesempatan berikutnya. Hal ini
untuk terjadi korosi (Fontana, 1987).
korosi
tindakan
mendasari adanya proses belajar atau pelatihan (learning), jadi ANN yang akan digunakan pasti melalui proses pelatihan secara berulangulang terlebih dahulu. ANN merupakan salah satu representasi
perlindungan untuk mengendalikan korosi. Penelitian yang menerapkan ANN untuk analisis dan pemodelan korosi baja dalam beton telah banyak dilakukan, antara lain pada jurnal bertajuk Neural Network Analysis for Corrosion of Steel in Concrete (Thirumalai Parthiban dkk, 2004) dan Prediction of Onset of Corrosion in Concrete Bridge Decks Using Neural Networks and Case-Based Reasoning (Morcous, G. dan Lounis, Z., 2005). Demikian pula
Neven
Ukrainczyk
dan
Velimir
buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah buatan digunakan
karena
diimplementasikan program
struktur
pesawat.
kesimpulan
bahwa
dengan
yang
mampu
sistem
autopilot,
kendali simulasi
pesawat, komponen
- Otomotif Sistem kendali otomatis mobil.
menggunakan model ANN, tingkat kerusakan struktur beton bertulang dapat diprediksi
menggunakan
Autopilot pesawat terbang, simulasi jalur
perbaikan
diperoleh
ini
Bidang-bidang Aplikasi ANN - Aerospace
ANN untuk menentukan korosi tulangan dalam tersebut
syaraf
selama proses pembelajaran.
penerbangan,
penelitian
dengan
computer
(2004, 2005) juga menggunakan pemodelan
Dari
jaringan
menyelesaikan sejumlah proses perhitungan
Ukrainczyk dari University of Zagreb, Croatia
beton.
hal yang mendasari kerja
-
Keuangan dan perbankan
secara cepat dan akurat. Volume 1, No.1, Agustus 2012 - 36
Jurnal Teknik Sipil Pascasarjana Universitas Syiah Kuala Pendeteksian
uang
palsu,
evaluator
- ANN digunakan sebagai detektor virus
aplikasi kredit, pengidentifikasian pola-pola
komputer, penginderaan bau, dan lain-
data pasar saham.
lain.
- Pertahanan (Militer) Pengendali penelusuran
senjata,
target,
pengendali
sensor,
pengolahan
sinyal
pendeteksi
pembedaan sonar, citra
bom, objek,
radar, yang
dan
meliputi
kompresi data, ekstraksi bagian istimewa, dan penghilangan derau, pengenalan sinyal atau citra. - Elektronik Pembuatan perangkat keras yang bisa mengimplementasikan ANN secara efisien, machine vision, pengontrol
gerakan
dan
penglihatan robot, sintesis suara.
Struktur Sederhana ANN
Pada Gambar 1 tampak bahwa NN terdiri
- Broadcast
atas satuan-satuan pemroses berupa neuron a
Pencarian klip berita melalui pengenalan wajah.
sebagai output menerima input dari neuron p1, p2, p3, …, pR dengan bobot W1, W2, W3, …,
- Medis Analisis
Gambar 1.
WR. Hasil penjumlahan seluruh impuls neuron sel
kanker
payudara,
pen-
deteksian kanker kulit dan lain- lain
dibandingkan dengan nilai ambang tertentu melalui fungsi aktivasi f setiap neuron. Fungsi
- Pengenalan suara
aktivasi digunakan sebagai penentu keluaran
Pengenalan percakapan, klasiflkasi suara.
suatu neuron.
- Pengenalan tulisan Pengenalan tulisan tangan, penerjemahan
ANN backpropagation adalah metode
tulisan ke dalam tulisan latin.
yang paling sederhana dan mudah dipahami
- Matematika Alat pemodelan adalah dimana bentuk eksplisit
dari
hubungan
antara
variabel-
Selain pola dari citra diam, ANN juga untuk
mendeteksi
merubah bobot biasnya untuk mengurangi
output. Setelah pelatihan selesai, dilakukan
- Pengenalan benda bergerak
digunakan
dari metode-metode yang lain. ANN-BP akan
perbedaan antara output jaringan dan target
variabel tertentu tidak diketahui.
bisa
Algoritma Backpropagation
citra
pengujian terhadap jaringan yang telah dilatih. Pembelajaran
algoritma
jaringan
syaraf
bergerak dari video seperti citra orang yang
membutuhkan perambatan maju dan diikuti
bergerak, dan lain-lain.
dengan
perambatan
mundur.
Keduanya
dilakukan untuk semua pola pelatihan. 37 -
Volume 1, No. 1, Agustus 2012
Jurnal Teknik Sipil Pascasarjana Universitas Syiah Kuala untuk sengkang. Data potensial korosi diambil Pola Keluaran
2 minggu sekali selama empat bulan. Bentuk dan dimensi benda uji diperlihatkan pada Gambar 3.
Lapisan Tersembunyi
Tulangan Utama 4 Ø 10 mm 15 cm Tulangan Sengkang Ø 6 mm - 10 cm
Pola Masukan 20 cm 3 cm
Gambar 2.
Arsitektur jaringan backpropagation
80 cm 2 cm 76 cm
Sebuah studi yang sistematis
untuk
Gambar 3a.
Model Balok Beton Bertulang
Model Balok Beton Bertulang
mengembangkan metode yang cocok yang dapat
menerima,
mengevaluasi
data
menggunakan
menganalisa eksperimen
metode
dan dengan
backpropagation.
Metoda ini cepat dan mampu menghasilkan Gambar 3b.
output yang memiliki kesalahan minimum
Hasil Pemetaan Tulangan
Sumber : Fajri (2011)
untuk konfigurasinya. Hal ini menyebabkan pengembangan
jaringan
backpropagation
Diagram Alir Penelitian
dapat melatih dan menguji sistem, menghitung Mulai
parameter tertentu untuk kondisi yang berbeda
Studi Literatur
dan mengenali pola perilaku. Secara umum tahapan pengembangan aplikasi
Artificial
Backpropagation
Neural
Network
(ANN-PB)
seperti
data sekunder hasil penelitian laboratorium
data Training
Permodelan dengan ANN
Preprocessing
ditunjukkan pada Gambar 2. Pada penelitian ini
digunakan
metode
ANN-PB
pertimbangan metode ini sangat baik dalam menangani
Prosesing data
dengan
Inisialisasi bobot awal
Penentuan parameter
Hasil tabel & grafik
masalah pengenalan pola-pola
Run program
Pembahasan
kompleks dan non-linier [18].
Posprocessing
Kesimpulan
data Validasi
Ya
Selesai
METODOLOGI PENELITIAN
Forecasting
Data Data
Gambar 4.
yang
digunakan
Tidak
adalah
data
sekunder yang diperoleh dari penelitian Fajri (2011). Benda uji berupa balok beton busa berukuran 15cm x 20cm x 80cm dengan
Metode Penelitian
Penelitian diawali dengan studi pustaka, yaitu mengidentifikasi peubah potensial korosi beton.
Langkah
berikutnya
mempelajari
penelitian-penelitian yang pernah dilakukan
tulangan utama 4Ø10 mm dan Ø6–10 cm Volume 1, No.1, Agustus 2012 - 38
Jurnal Teknik Sipil Pascasarjana Universitas Syiah Kuala untuk mengetahui metoda yang digunakan dan ketepatan perkiraan yang telah dicapai. Dari hasil studi pustaka, lalu diidentifikasi masalah yang ada, yaitu perlunya suatu permodelan
ANN,
yang
selengkapnya
disajikan pada Gambar 5. Penentuan Pola Data dibagi menjadi data pelatihan dan pengujian. Untuk proses pembelajaran dipilih data minggu ke-0, 4, 8, 12 dan 16, sedangkan untuk proses validasi digunakan data minggu
Kedelapan variabel data tersebut adalah : 1. x1 = Beton Busa Normal, selimut beton 3 cm 2. x2 = Beton Busa Normal, selimut beton 2 cm 3. x3 = Beton Busa Fly ash, selimut beton 3 cm 4. x4 = Beton Busa Fly ash, selimut beton 2 cm 5. x5 = Beton Busa Pozzolan, selimut beton 3 cm 6. x6 = Beton Busa Pozzolan, selimut beton 2 cm 7. x7 = Beton Normal Konvensional, selimut beton 3 cm 8. x8 = Beton Normal Konvensional, selimut beton 2 cm
ke-2, 6, 10 dan minggu ke-14. Mulai
Jumlah data dalam satu periode dipakai
input data
sebagai jumlah masukan. Sebagai targetnya fungsi P
fungsi T
diambil data periode kedua setelah periode preprocessing/ normalisasi
pertama berakhir. Agar memudahkan dalam
prestd (p,t) = pn, meanp, stdp, tn, meant, stdt
input data di dalam Matlab maka data-data
net (membangun jaringan)
tersebut terlebih dahulu dientry ke dalam Microsoft Excel. Untuk tiap data dalam deret waktu, data
inisialisasi bobot set bobot (-0,5 s/d 0,5[net.{Iw,b,Lw}]) dan penentuan parameter (epoch=p1, goal=p2, lr=p3, mc=p5)
inisialisasi jaringan newff (minmax(pn), [x1 x2 x3...], {act1 act2 act3...}, trainrp)
training (net=train[net,pn, tn]) dan validasi (bn=sim[net,Qn])
tersebut ditransformasi linear ke interval [0.1, 0.9] dengan menggunakan fungsi:
Hasil output sesuai target (r1 ˜ 1)
0.8 ( x a) x' 0.1 ………….(1) ba
Ya forecasting {[Qn=trastd(N,meanp,stdp)]; [bn=sim(net,Qn)]; [b=poststd(bn,meant,stdt)]}
Input Layer BBN 3 cm
X1
BBN 2 cm
X2
U1.1
Hidden Layer 1
U2.1
Z1
Tidak
Selesai
Gambar 6.
V1.1
Bagan alir BPNN pada Matlab
Hidden Layer 2 BBF 3 cm
X3
Z2
BBF 2 cm
X4
Z3
V2.1
Z1
Z2
BBP 3 cm
X5
Z4
BBP 2 cm
X6
Z5
BNK 3 cm
X7
Z6
BNK 2 cm
X8
Z3
Output Layer
W1
W2
Y
Permodelan
dengan
Artificial
Neural
Network Permodelan dengan ANN dilakukan untuk
W3
data sekunder hasil pengujian nilai potensial
bu
bias hidden 1
korosi beton. Permodelan dilakukan dengan bv
bias hidden 2
bw
metode resilent backpropagation (RB) dan
bias output
menggunakan sofware Matlab. Permodelan Gambar 5.
39 -
Arsitektur Jaringan Prediksi Nilai Potensial Beton
Volume 1, No. 1, Agustus 2012
dimulai dengan membagi data hasil penelitian
Jurnal Teknik Sipil Pascasarjana Universitas Syiah Kuala laboratorium
ke
dalam
suatu
kelompok
dari 1 neuron dengan fungsi purelin.
variabel yang akan dipelajari polanya. 3. Inisialisasi bobot awal Pemilihan
Pembagian data Data dibagi menjadi data pelatihan dan pengujian. Aspek pembagian ditekankan
agar
jaringan
data
mendapat
harus data
pelatihan yang secukupnya dan data pengujian dapat
menguji
prestasi
pelatihan
yang
dilakukan berdasarkan nilai MSE (Mean Square Error) data pelatihan dan pengujian.
bobot
awal
sangat
mempengaruhi jaringan syaraf dalam mencapai minimum terhadap error, serta cepat tidaknya proses pelatihan menuju kekonvergenan.
Apabila
nilai
bobot
terlalu besar, maka input ke setiap lapisan tersembunyi atau lapisan output jatuh pada daerah dimana fungsi
turunan
sigmoidnya terlalu kecil, maka input ke a.
setiap lapisan tersembunyi atau lapisan
Training Untuk proses pembelajaran (training)
digunakan data sekunder hasil penelitian laboratorium. Langkah-langkah permodelan
proses pelatihan berjalan sangat lambat. Biasanya bobot awal diinisialisasi secara random dengan nilai antara -0,5 sampai
adalah sebagai berikut:
0,5 atau -1 sampai 1, atau interval lainnya.
1. Preprocessing Preprocessing
output sangat kecil, yang menyebabkan
dilakukan
untuk
menormalisasi data yang akan dilatih. dengan fungsi mean dan standar deviasi.
Untuk permodelan ini akan digunakan default Matlab yang akan memilih bobot awal pada interval -0,5 sampai 0,5.
Fungsi mean dan standar deviasi akan membawa data ke bentuk normal dengan
4. Penetapan parameter pembelajaran Parameter pembelajaran untuk setiap
mean = 0 dan standar deviasi = 1.
algoritma
perlatihan
Parameter-parameter
2. Membangun jaringan ANN dibangun dengan metode resilent backpropagation. Neural network ini terdiri atas lapisan input, 2 lapisan tersembunyi dan lapisan output. Lapisan input terdiri dari 8 neuron, lapisan
berbeda yang
beda.
ditetapkan
adalah maksimum epoch, kinerja tujuan, learning rate dan momentum. Selain parameter-parameter tersebut, parameter lainnya digunakan default dari program MatLab.
tersembunyi pertama terdiri dari 6 neuron dengan
fungsi
aktivasi
sigmoid,
sedangkan lapisan tersembunyi kedua terdiri dari 3 neuron dengan fungsi aktivasi sigmoid. Lapisan output terdiri
5. Postprocessing Postprocessing dilakukan untuk melihat kinerja jaringan. Hasil output neural network dibandingkan dengan target. Hasil
perbandingan
berupa
koefisien
Volume 1, No.1, Agustus 2012 - 40
Jurnal Teknik Sipil Pascasarjana Universitas Syiah Kuala korelasi,
apabila
koefisien
korelasi
dibentuk dengan cara melakukan iterasi
mendekati 1, maka hasil output jaringan
yang berulang-ulang secara manual pada
semakin mendekati target.
beberapa
iterasi
awal
dan
dengan
menggunakan software Matlab sampai b.
dengan iterasi-n.
Validasi Untuk
proses
pemeriksaan
(validasi)
5.
Menghitung
nilai
kesalahan
output
digunakan data minggu 2, 6, 10 dan minggu
berdasarkan target yang telah ditentukan
ke-14. Hasil kesalahan output jaringan pada
pada setiap iterasi dengan metode MSE
saat validasi tidak boleh berbeda jauh melebihi
(Mean Square Error) dan menyimpan
dari target jaringan pada saat training. Apabila
bobot optimal jaringan pada iterasi-n jika
hasil validasi tidak sesuai, maka pelatihan
tingkat error output terhadap target sudah
harus diulang hingga hasil validasi sesuai.
memenuhi syarat batas error. 6.
Melakukan
penghitungan
prediksi
/
Forecasting
peramalan nilai potensial korosi periode
Forecasting atau prediksi data baru
bulan ke-5 hingga bulan ke-12 dengan
dilakukan apabila hasil validasi telah sesuai.
nilai input minggu ke-16 (bulan ke-4)
Algoritma terbaik adalah algoritma yang
dengan menggunakan sistem optimal
memiliki koefisien korelasi yang mendekati 1
yang telah dibentuk berdasarkan ANN.
c.
pada pelatihan, dan memiliki hasil validasi sesuai dengan kesalahan terkecil.
Berikut ini adalah salah satu grafik nilai potensial korosi dari data sekunder :
Pengolahan Data Langkah-langkah pengolahan data: 1.
Melakukan proses transformasi data nilai potensial korosi balok beton bertulang periode minggu ke nol s/d minggu ke-16 untuk kemudian dijadikan input tiap 4 mingguan pada masing-masing pola yang akan dibentuk.
2.
Menentukan nilai target masing-masing
3.
Grafik Nilai Potensial Korosi Beton
Melakukan proses inisialisasi bobot input dan bobot layer awal sebelum jaringan dibentuk dengan cara randomisasi dan
4.
Gambar 7.
Busa Normal (Selimut Beton 3 cm)
pola mingguan.
Perhitungan Peramalan (forecasting) Setelah
model
terbaik
diperoleh,
melakukan proses aktivasi sigmoid biner.
selanjutnya peramalan dapat dilakukan. Hasil
Menjalankan
pembelajaran
ramalan tidak selalu akurat atau sering berbeda
(pelatihan dan pengujian) pada ANN yang
dengan keadaan sesungguhnya (data aktual).
41 -
proses
Volume 1, No. 1, Agustus 2012
Jurnal Teknik Sipil Pascasarjana Universitas Syiah Kuala Perbedaan antara ramalan dengan keadaan
16.10%
sesungguhnya
84,13%.
disebut
dengan
kesalahan
dan
rata-rata
Nilai
potensial untuk
korosi tahap
adalah pada
ramalan (forecast error), dalam hal ini diukur
permodelan
dengan mean square error dengan rumus :
(minggu ke - 0, 4, 8, 12 dan 16) umumnya
MSE
ANN
keakuratan
training
tidak jauh berbeda dengan hasil penelitian
(T arg et Output ) 2
(2)
N
laboratorium dengan persentase selisih ratarata 5.18% dan nilai keakuratannya sebesar 95.05%,
HASIL DAN DISKUSI
(minggu ke - 2, 6, 10, 14) terjadi perbedaan
Penelitian yang dilakukan menetapkan konfigurasi ANN-BP sebagai berikut : - jumlah sel lapisan tersembunyi 1
= 6
- jumlah sel lapisan tersembunyi 2
= 3
- konstanta belajar/learning rate
= 0,2
- besar galat/error
= 0.01
- jumlah epoch
= 1000
- fungsi aktivasi
sedangkan untuk tahap validasi
nilai rata-rata sekitar 29.66% dengan nilai keakuratan prediksi sebesar 70.49%. Grafik perbandingan hasil laboratorium dan ANN untuk salah satu titik pengukuran (Titik 7A - minggu 0) dan (Titik 1A-minggu 14) dapat dilihat pada Gambar 8 dan Gambar 9.
= logsig dan purelin
Data hasil testing dari jaringan syaraf harus dikembalikan ke bentuk finansial untuk dianalisis. Simulasi dilakukan baik pada periode training maupun periode testing. Dari proses pembelajaran (pelatihan & pengujian) diperoleh grafik perubahan error seperti tampak pada Gambar 11a-11f. Setelah dilakukan simulasi, output jaringan dan target
Gambar 8.
Perbandingan Hasil Lab. dan ANN dari Data Sekunder (Titik 7A – Minggu 0)
dianalisis dengan regresi linier sesuai dengan pola parameter jaringan, yang menghasilkan korelasi yang baik dimana hasil dari korelasi tersebut mendekati 1 yang berarti memiliki kecocokan hubungan antara output dan target. Hasil terbaik antara target dan output jaringan menempati posisi output jaringan(o) dan target(*) yang hampir sama. Hal ini dapat dilihat pada Gambar 12a-12f. Persentase selisih antara hasil ANN
Gambar 9. Perbandingan Hasil Lab. dan ANN dari Data Sekunder (Titik 1A – Minggu 14)
terhadap hasil laboratorium rata – rata sebesar Volume 1, No.1, Agustus 2012 - 42
Jurnal Teknik Sipil Pascasarjana Universitas Syiah Kuala Hasil peramalan untuk bulan ke-5 hingga
salah satu titik pengukuran (titik 7A) dapat
bulan ke-12 diperoleh nilai yang fluktuatif
dilihat pada Gambar 10 di bawah ini. Dalam
sama halnya dengan data sekunder yang
hal ini pemanfaatan ANN untuk aplikasi
digunakan pada permodelan ini, namun secara
praktis
umum menunjukkan peningkatan dari nilai
diandalkan.
peramalan
secara
umum
awal prediksi rata-rata berkisar antara 3% hingga 5%. Grafik hasil forecasting untuk
Gambar 10.
Grafik Nilai Potensial Korosi Beton Hasil Forecasting dari ANN (Titik 7A)
Tabel 1. Hasil forecasting (pada titik 7A) xo Titik 7A
43 -
(bulan) 4 5 6 7 8 9 10 11 12
x1 BBN 3 cm 355.33 538.13 530.28 538.08 480.93 490.13 481.12 536.02 536.37
x2 BBN 2 cm 237.33 467.62 504.43 486.07 525.65 530.61 534.26 528.78 534.58
Volume 1, No. 1, Agustus 2012
x3 BBF 3 cm 548.33 524.03 457.90 501.18 515.94 523.81 508.78 512.87 525.39
x4 BBF 2 cm 553.33 516.34 557.51 559.13 453.71 456.48 508.65 513.11 522.90
x5 BBP 3 cm 428.00 556.73 565.23 569.87 481.62 495.69 485.35 535.62 536.33
x6 BBP 2 cm 314.67 524.56 463.65 458.50 451.57 452.75 528.87 533.27 536.53
x7 BNK 3 cm 564.33 484.50 555.88 557.90 453.98 458.90 501.90 524.65 537.49
x8 BNK 2 cm 515.33 545.65 555.05 557.34 454.39 451.57 499.56 527.16 536.33
dapat
Jurnal Teknik Sipil Pascasarjana Universitas Syiah Kuala
Gambar 11a.Grafik Perubahan Error Titik 1A
Gambar 11b.Grafik Perubahan Error Titik 1B
Gambar 11c. Grafik Perubahan Error Titik 4A
Gambar 11d. Grafik Perubahan Error Titik 4B
Gambar 11e. Grafik Perubahan Error Titik 7A
Gambar 11f. Grafik Perubahan Error Titik 7B
Gambar 12a. Perbandingan Target & Output Titik 1A
Gambar 12b.Perbandingan Target & Output Titik 1B
Volume 1, No.1, Agustus 2012 - 44
Jurnal Teknik Sipil Pascasarjana Universitas Syiah Kuala
Gambar 12c.Perbandingan Target & Output Titik 4A
Gambar 12d.Perbandingan Target & Output Titik 4B
Gambar 12e. Perbandingan Target & Output Titik 7A
Gambar 12f. Perbandingan Target & Output Titik 7B
2.
KESIMPULAN DAN SARAN
Dari
dan
permodelan ANN untuk tahap training
pembahasan, maka diambil kesimpulan
(minggu ke - 0, 4, 8, 12 dan 16) umumnya
sebagai hasil akhir dari penelitian ini, saran
tidak jauh berbeda dengan hasil penelitian
dikemukakan
agar
laboratorium dengan persentase selisih
penelitian yang dilakukan oleh pihak lain
rata-rata 5,18%, sedangkan tahap validasi
dapat lebih baik lagi.
(minggu ke - 2, 6, 10, 14) diperoleh
Kesimpulan
persentase selisih sebesar 29,66%. Total
1.
hasil
pengolahan
dengan
Penerapan
jaringan
data
Nilai potensial korosi yang diperoleh dari
maksud
syaraf
untuk
rata-rata
peramalan membutuhkan waktu yang relatif
lebih
lama
karena
perlu
sebesar 16,10%. 3.
Dari pengujian sistem yang dilakukan
melakukan banyak percobaan dalam
terhadap
menetapkan jumlah hidden layer,
dengan
jumlah neuron dalam hidden layer
persentase
dan parameter-parameter pelatihan
sebesar
serta
training sebesar 95,05% dan validasi
menerapkan
teknik
pembelajaran pada jaringan yang direncanakan. 45 -
persentase selisih seluruhnya
Volume 1, No. 1, Agustus 2012
perbandingan data
sekunder
rata-rata
84,13%,
sebesar 70,49%.
hasil
nilai
dimana
prediksi
menghasilkan keakuratan untuk
data
Jurnal Teknik Sipil Pascasarjana Universitas Syiah Kuala 4.
Untuk peramalan bulan ke-5 hingga
(traincgf,
bulan ke-12 diperoleh nilai yang
dapat dibandingkan tingkat keakuratan
fluktuatif, sama halnya dengan data
secara
sekunder
pada
mengembangkan model jaringan yang lain,
permodelan ini, namun secara umum
tidak menutup kemungkinan dapat dicapai
menunjukkan peningkatan nilai rata-
hasil yang lebih baik dalam memprediksi
rata berkisar antara 3% hingga 5%.
nilai potensial korosi.
yang
digunakan
4.
traincgp,
traincgb)
keseluruhan.
sehingga
Dengan
Penelitian ini dapat dilanjutkan oleh peneliti lain dengan menggunakan ANN
Saran Penelitian dilanjutkan
ini
oleh
diharapkan
peneliti
lain,
dapat dengan
untuk
membuat
permodelan
masalah-
masalah teknik lainnya.
memperhatikan beberapa hal dan saran sebagai berikut: 1.
Salah satu kekurangan ANN adalah bila sedikit data yang digunakan pada pelatihan
maka
kemampuan
pembacaan polanya juga tidak terlalu baik.
Untuk
menghasilkan
permodelan yang lebih baik maka diperlukan lebih banyak data input sehingga hasil prediksi dapat lebih akurat. 2.
Untuk permodelan lainnya agar data sekunder yang dipakai bukan hanya berupa data potensial korosi saja, tapi juga data unsur pembentuk nilai potensial korosi, seperti kandungan klorida, faktor air semen dan lain-lain.
3.
Selain
resilient
backpropagation
(trainrp), agar dilakukan penelitian lebih lanjut dengan menggunakan metode
pelatihan
backpropagation
lainnya
jaringan seperti
metode penurunan gradien dengan momentum (traingdm), variabel laju pemahaman (traingda, traingdx), atau algoritma
gradient
conjugate
DAFTAR PUSTAKA ASTM C876-91, 1991. Half-Cell Potentials of Uncoated Reinforcing Steel in Concrete. Vol. 03.02, Current Edition Approved March 11, Published May 1991. Original Published as C p876-77. Last Previos Edition C876-87. Akbar, A., 2011. Permodelan Artificial Neural Network (ANN) Untuk Memprediksi Perilaku Profil Kanal (C) Ferosemen Dengan Konfigurasi I Yang Dibebani Lentur. Skripsi. Banda Aceh: Universitas Syiah Kuala. Bentur A., Diamond S., and Berke N.S., 1997. Stell Corrosion in Concrete. E & FN SPON. Broomfield., 1997. Corrosion of Steel in Concrete, Understanding, Investigation and Repair. London: E & FN SPON. Demuth, H., Hagan, M., and Beale, M., Neural Network Toolbox User’s Guide for Use with MATLAB 7.0 (Release 2010b)., The MathWorks Inc., 2010. (Akses 5 Maret 2012). Fajri, 2011. Studi Perilaku Korosi Tulangan pada Beton Busa dengan Pozzolan sebagai Pengganti Semen dalam Kondisi Terendam. Tesis. Banda Aceh: Universitas Syiah Kuala. Fontana M. G., and N. G. Greene., 1987. Corrosion Engineering, New York: Mc. Graw-Hill. Kusumadewi, T, 2004. Membangun Jaringan Syaraf Buatan Menggunakan Matlab dan Excel Link. Yogyakarta: Graha Ilmu. Neven Ukrainczyk and Velimir Ukrainczyk, Use of Neural Network to Evaluate Rebar Corrosion in Continental Environment. Croatia: University of Zagreb. Siang, J.J., 2005, Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab. Yogyakarta: Andi. Thirumalai P. et all., 2005. Neural Network Analysis for Corrosion of Steel in Concrete. Journal of
Volume 1, No.1 Agustus 2012
- 46
Jurnal Teknik Sipil Pascasarjana Universitas Syiah Kuala Elsevier Corrosion Science 47. Hal: 1625–1642. Wiryanto D. dan Sahari B., 2006. Simulasi Numerik Berbasis Komputer sebagai Solusi Pencegah Bahaya Akibat Kegagalan Bangunan. Seminar Nasional “Kegagalan Bangunan, Solusi dan Pencegahan”, Kampus UPH, Lippo Karawaci. Yani, E., 2005, Pengantar Jaringan Saraf Tiruan. Artikel kuliah http://trirezqiariantoro.files.wordpress.co m/2007/05/jaringan_syaraf_tiruan.pdf (Akses 29 Februari 2012)
47 -
Volume 1, No. 1, Agustus 2012
www.cementportland.blogspot.com http://lecturer.eepis-its.edu/~entin /Kecerdasan%20Buatan/Buku/Bab%208 %20Jaringan%20Syaraf%20Tiruan.pdf (Akses 29 Februari 2012). http://id.wikipedia.org/wiki/Jaringan saraf tiruan (Akses 5 Maret 2012). www.techsource.com.my Wang, X., and Xu J., The Model of Teaching Quality Evaluation Based on BP Neural Networks and Its Aplication. First International Workshop on Education Tehnology and Computer Science, 2009. Hal: 916-919.
