DISAIN JARINGAN SYARAF TIRUAN UNTUK PREDIKSI KUALITAS GULA KRISTAL PUTIH
DI INDONESIA
EVANILA SILVIA
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2007
DISAIN JARINGAN SYARAF TIRUAN UNTUK PREDIKSI KUALITAS GULA KRISTAL
EVANILA SILVIA
Tesis sebagai salah satu syarat untuk memperoleh gelar Magister Sains pada Program Studi Teknologi Industri Pertanian
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2007
PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI
Dengan ini saya menyatakan bahwa tesis “Disain Jaringan Syaraf Tiruan untuk Prediksi Kualitas Gula Kristal Putih” adalah karya saya sendiri dengan arahan komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini.
Bogor,
Agustus 2007
Evanila Silvia NRP. F351030171
ABSTRACT
In this research, an Artificial Neural Network (ANN) based expert system for sugar’s quality prediction was developed by two learning’s methods, backpropagation (BP) and Learning Vector Quantization (LVQ). This system was designed and developed using the software of Matlab 7.0.1 in a menu of simple interface called “SQP”. The constructing of the data’s input for ANN based on the fundamental parameters of sugar’s processing by using some expert’s advices and QFD’s method, consisting of the product’s attribute quality and the relevant process characteristics, so this system be able to assess of sugar’s quality with more effective and efficient. The SPC‘s method is used as a monitoring tool for variety of the process that had been carried out so that the users could use the result as a reference to take action in process improvement. Based on the “trial and error” test of ANN’s training process, the best network performance for BP and LVQ learning’s method obtained. The best network performance for BP was showed by the MSE score of 0.0098684 at the second epoch and the regression’s coefficient was 1.0, when the system used linear’s activation function, Levenberg-Marquadt’s algorithm training, the momentum score was 0.05 and the minimum error was 0.01 with the network architecture of [35 20 1], that is, 35 neurons in an input layer, 20 neurons in a hidden layer dan 1 neuron in an output layer. The architecture network of LVQ that gave the best performance is the system with the MSE score was 0 at the second epoh and the regression’s coefficient 1.0, where’s the LVQ1 training algorithm, the learning rate score 0.1 and the minimum error 0.0001 with the network architecture [35 10 3], that is, 35 neurons in an input layer, 10 neurons in a competitive layer dan 3 neurons in an output layer were used in this system. The implementation of this system was carried out using actual data obtained from PT.PG.Subang which started from 31 Mei 2005 until 8 Agustus 2005. The result of SQP assessment either based on BP and LVQ prediction showed that most of the sugar in the PT. PG. Subang production are in the first quality although in some observation periods there are some sugar in the second quality. Based on BP prediction, there are 61 periods showed the first quality’s sugar and 9 periods showed the second quality’s sugar from all 70 observation periods, whereas in LVQ prediction there are 62 periods showed the first quality’s sugar and 8 periods showed the second quality’s sugar from all 70 observation periods. Keywords :
sugar’s prediction quality, neural network, fundamental parameters of sugar’s processing, process monitoring
RINGKASAN
EVANILA SILVIA. Disain Jaringan Syaraf Tiruan untuk Prediksi Kualitas Gula Kristal Putih. Dibimbing oleh MARIMIN, MACHFUD dan MUHAMMAD ZEIN NASUTION. Tingginya tingkat persaingan di dunia industri menuntut setiap perusahaan termasuk industri gula untuk selalu menjaga dan meningkatkan kualitas produknya. Salah satu penyebab rendahnya kualitas gula nasional adalah pengawasan dan pengujian kualitas di pabrik gula belum efektif dan efisien. Selama ini jumlah parameter yang diamati dalam analisa kualitas gula terlalu banyak karena dilakukan hampir disetiap tahap produksi. Selain itu pabrik gula juga tidak dapat dengan cepat menentukan tingkat kualitas gula yang dihasilkan karena pabrik gula harus mengirimkan sampel produk untuk diuji kualitasnya ke Laboratorium Pengujian Mutu Gula dan Bahan Pembantu Pusat Penelitian Perkebunan Gula Indonesia (LPMGBP-P3GI) di Pasuruan – Jawa Timur, sehingga tindakan perbaikan tidak dapat dilakukan dengan segera. Untuk itu perlu dilakukan pengembangan sistem prediksi kualitas gula kristal putih berdasarkan pengamatan pada beberapa aktivitas proses inti agar dapat menjamin kualitas produk selalu terjaga dan tindakan perbaikan proses dapat segera dilakukan. Sistem ini dibangun dengan menggunakan Jaringan Syaraf Tiruan (JST) dalam sebuah interface yang mudah dipahami yang disebut Sugar Quality Prediction (SQP). Algoritma pembelajaran JST yang digunakan adalah Backpropagation (BP) dan Learning Vector Quantization (LVQ). Klasifikasi kualitas gula mengacu pada SNI Gula Kristal Putih (GKP) 013140.3-2001 yang menyatakan bahwa GKP terbagi atas 3 kelas yaitu GKP I, GKP II dan GKP III. Atribut-atribut yang menentukan kualitas gula menurut SNI tersebut, yaitu : (1) warna; (2) berat jenis butir/BJB; (3) susut pengeringan; (4) polarisasi; (5) gula pereduksi; (6) abu konduktiviti; (7) kandungan bahan asing tidak larut/kotoran; (8) bahan tambahan makanan/SO2 dan (9) kandungan cemaran logam. Pengembangan sistem prediksi kualitas GKP dengan menggunakan JST memerlukan pemilihan dan penentuan data atribut kualitas GKP dan kaitannya dengan karakteristik proses produksi. Atribut kualitas dan kaitannya dengan karakteristik proses tersebut didasarkan pada pendapat pakar yang memberikan penilaian dengan teknik perbandingan berpasangan (pairwise comparison). Hasil analisis pendapat pakar dijadikan input untuk analisis metode QFD (Cohen, 1995 dan Gaspersz, 2001) agar memperoleh tingkat kepentingan antar atribut kualitas dan hubungan keterkaitannya dengan karakteristik (aktivitas) proses produksi yang signifikan mempengaruhi kualitas gula. QFD merupakan salah satu alat untuk mengetahui keinginan konsumen dan menterjemahkannya ke dalam aktivitas proses yang harus diprioritaskan penanganannya oleh perusahaan (Day, 1993 dan Breyfogle, 1999). Setelah dibentuk data input JST yang terdiri dari data pelatihan dan pengujian maka dilanjutkan dengan perancangan dan pencarian arsitektur jaringan terbaik. Berdasarkan arsitektur jaringan tersebut dilakukan proses pelatihan dengan menggunakan data pelatihan yang tersedia, jika disain JST menunjukkan akurasi yang tinggi atau toleransi error sesuai yang diinginkan maka dilanjutkan proses pengujian untuk menguji apakah sistem mampu melakukan prediksi kualitas dengan baik. Kemudian sistem diimplementasikan pada data aktual, jika hasil prediksi menunjukkan kualitas produk tidak sesuai dengan yang
ditetapkan perusahaan maka perlu dilakukan pemantauan proses agar pergeseran proses yang terjadi dapat segera dilakukan tindakan perbaikan. Lima atribut kualitas utama berdasarkan perbandingan berpasangan (pairwise comparison) gabungan pendapat pakar adalah polarisasi (0.253), warna (0.231), susut pengeringan (0.115), besar jenis butir (0.102), kandungan bahan asing tidak larut (0.081) dan kandungan SO2 (0.081). Lima karakteristik proses yang memiliki hubungan keterkaitan paling besar dengan atribut kualitas menurut pendapat pakar adalah stasiun gilingan (0.103), pemurnian (0.225), penguapan (0.248), masakan (0.219) dan putaran (0.114). Berdasarkan lima atribut utama dan lima karakteristik proses terpilih maka proses-proses inti yang dijadikan variabel data input JST adalah : HK NPP, HK NM, % brix NPP, % pol NPP, sabut % tebu, imbibisi % tebu, tekanan hidrolik gilingan 1, tekanan hidrolik gilingan 2, tekanan hidrolik gilingan 3, tekanan hidrolik gilingan 4, nira mentah % tebu, suhu nira keluar (juice heater I), suhu nira keluar (juice heater II), pH nira keluar defekator I, pH nira keluar defekator II, pH nira mentah tersulfitir, pH nira kental tersulfitir, dosis kapur tohor, dosis belerang, suhu nira keluar (juice heater III), brix nira kental penguapan, suhu uap pemanas dan vacuum badan akhir, lama masakan A, lama masakan C, lama masakan D, HK masakan A, HK masakan C, HK masakan D, tekanan vacuum pan, tekanan exhaust steam, HK gula C, HK gula DI, HK gula DII dan HK gula A. Sistem SQP menggunakan disain JST dengan arsitektur jaringan BP dan LVQ yang terbaik berdasarkan trial and error pada proses pelatihan. Arsitektur jaringan BP terbaik adalah dengan konfigurasi 35 neuron pada lapisan input, 20 neuron pada hidden layer dan 1 neuron pada lapisan output atau [35 20 1], fungsi aktivasi purelin, algoritma training trainlm, momentum 0.05, set goal error 0.01 dan set jumlah epoh 1000 dimana nilai MSEnya 0.0098684 pada epoh ke-2 dan R bernilai 1.000. Arsitektur jaringan LVQ terbaik adalah dengan konfigurasi 35 neuron pada lapisan input, 10 neuron pada competitive layer dan 3 neuron pada lapisan output, algoritma training yang dipilih adalah learnlv1, learning rate 0.1, set goal error 0.0001 dan set jumlah epoh 1000, dimana nilai MSEnya adalah 0 pada epoh ke-2 dan R bernilai 1.000. Proses pengujian sistem SQP menunjukkan hasil output memiliki kesesuaian yang tinggi terhadap target yang telah ditentukan. Implementasi SQP menggunakan data aktual periode 2005 menunjukkan bahwa berdasarkan prediksi BP selama 70 periode terdapat 61 periode yang dihasilkan GKP berkualitas 1 dan sebanyak 9 periode berkualitas 2, sedangkan prediksi dengan LVQ menunjukkan bahwa selama 70 periode terdapat 62 periode dimana GKP yang dihasilkan berkualitas 1 dan sebanyak 8 periode berkualitas 2. Hal ini menunjukkan sistem dapat mengelompokkan ke dalam kelas-kelas kualitas GKP. Pemantauan proses dilakukan pada proses-proses yang mempengaruhi atribut polarisasi karena polarisasi memiliki bobot yang paling besar sehingga perlu diprioritaskan. Hasil pemantauan proses produksi menggunakan bagan kendali Individual – Moving Range (I-MR) menunjukkan bahwa beberapa periode pada HK NPP, HK NM, % brix NPP, % pol NPP, tekanan hidrolik gilingan 1, tekanan hidrolik gilingan 2, tekanan hidrolik gilingan 3, tekanan hidrolik gilingan 4, lama masakan A, lama masakan C, lama masakan D, tekanan vacuum pan, HK gula DII dan HK gula A berada diluar batas kendali 3-Sigma. Ketidakterkendalian proses akan mempengaruhi kesinambungan kualitas GKP yang dihasil. Ketidakterkendalian proses dapat disebabkan oleh beberapa faktor yaitu (1) variasi bahan baku, (2) lemahnya prosedur, (3) operator yang tidak terlatih dan (4) pemeliharaan alat dan mesin. Kata Kunci : prediksi kualitas gula kristal putih, JST, proses-proses inti dan pemantauan proses.
© Hak cipta milik Institut Pertanian Bogor, tahun 2007 Hak cipta dilindungi Undang-undang 1. Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumber. a. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik atau tinjauan suatu masalah. b. Pengutipan tidak merugikan kepentingan yang wajar IPB. 2. Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis dalam bentuk apa pun tanpa izin IPB.
KATA PENGANTAR
Alhamdulillahirobbil’ alamin, puji dan syukur penulis panjatkan kepada Allah SWT atas segala karunia-Nya sehingga penulisan penelitian yang berjudul ”Disain Jaringan Syaraf Tiruan untuk Prediksi Kualitas Gula Kristal Putih” ini berhasil diselesaikan. Selama proses penulisan penelitian ini penulis banyak mendapat bantuan dan bimbingan dari berbagai pihak baik secara langsung maupun tidak langsung. Untuk itu penulis bermaksud menyampaikan ungkapan terima kasih kepada : •
Bapak Prof. Dr. Ir. Marimin, M.Sc; Bapak Dr. Ir. Machfud, MS dan Bapak Ir. Muhammad Zein Nasution, M.App.Sc, atas bimbingan dan arahannya.
•
Bapak Harsono, Bapak Indaryanto, Bapak Sudarsono, Bapak Priyatno, Bapak
Dudung,
Bapak
Jumadi,
Bapak
Kaprawi
dan
seluruh
staf
PT. PG. Rajawali II Unit Pabrik Gula Subang yang telah banyak membantu memberikan informasi dan masukan yang berharga. •
Mama, papa dan Lia atas segala doa, pengorbanan dan kasih sayang yang berlimpah.
•
Sahabatku Wiwid, Hilda, Evy, Elvi dan Zendi yang banyak memberikan bantuan, motivasi dan semangat juang selama ini.
•
Kak Supri, Mas Tarno, Uni, Mbak Nunung, Teh Iph, Winnie, Ibu Nurul, Mas Fajar, Fitri, Mbak Jum, Ratna, Fitria, Yeni, Titin, Budi, Umi, Tini, Selly dan Tamaria yang telah banyak memberi bantuan.
•
Semua pihak yang telah banyak membantu dan tidak dapat disebutkan satu per satu. Penulis menyadari bahwa dalam penulisan penelitian ini masih banyak
terdapat kekurangan tetapi semoga dapat bermanfaat bagi kita semua.
Bogor,
Agustus 2007
Evanila Silvia
i
RIWAYAT HIDUP
Penulis dilahirkan di Palembang pada tanggal 26 Oktober 1977 dari ayah Elfian Sab’i S.Sos dan ibu Suryati Mukti, S.Sos. Penulis merupakan putri kedua dari tiga bersaudara. Pendidikan sarjana ditempuh di Program Studi Teknik Pertanian, Jurusan Teknologi Pertanian, Fakultas Pertanian, Universitas Sriwijaya, lulus pada tahun 2001. Pada tahun 2003, penulis diterima di Program Studi Teknologi Industri Pertanian pada Sekolah Pascasarjana Institut Pertanian Bogor. Penulis pernah bekerja di Perkebunan Kelapa Sawit Cipta Futura pada tahun 2002 dan ditempatkan di Desa Muara Enim, Sumatera Selatan.
ii
DAFTAR ISI
Halaman DAFTAR TABEL..............................................................................................
vi
DAFTAR GAMBAR .........................................................................................
viii
DAFTAR LAMPIRAN.......................................................................................
ix
I.
PENDAHULUAN .....................................................................................
1
A. Latar Belakang...................................................................................
1
B. Tujuan Penelitian ...............................................................................
3
C. Ruang Lingkup Penelitian..................................................................
4
D. Manfaat Penelitian .............................................................................
4
LANDASAN TEORI .................................................................................
5
A. Konsep Kualitas.................................................................................
5
B. Quality Function Deployment (QFD)..................................................
7
1. Pengertian QFD ...........................................................................
7
2. Tahapan QFD ..............................................................................
7
3. Keuntungan QFD .........................................................................
8
4. Matrik House of Quality ...............................................................
8
C. Gula ...................................................................................................
10
1. Kriteria Kualitas Gula ...................................................................
11
2. Proses Pengolahan Gula .............................................................
13
a. Stasiun Gilingan.....................................................................
13
b. Stasiun Pemurnian.................................................................
13
c. Stasiun Penguapan................................................................
19
d. Stasiun Masakan (Kristalisasi)...............................................
21
e. Stasiun Putaran .....................................................................
24
f.
Stasiun Penyelesaian ............................................................
24
D. Jaringan Syaraf Tiruan ......................................................................
25
1. Perkembangan Jaringan Syaraf ..................................................
25
2. Jaringan Syaraf Biologi................................................................
25
3. Struktur Dasar Jaringan Syaraf Tiruan ........................................
26
4. Metode Pembelajaran JST ..........................................................
29
1. Backpropagation ....................................................................
29
II.
iii
