JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-7
1
Analisa Performansi Keandalan Pada Boiler dengan Menggunakan Metode Jaringan Syaraf Tiruan di PT. PJB Unit Pembangkit Gresik Intan Marta Kusuma, Imam Abadi, ST, MT dan Detak Yan Pratama, ST, Msc Jurusan Teknik Fisika, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya 60111 E-mail:
[email protected] Abstrak— Boiler merupakan bagian terpenting dalam sistem di PLTU. Maka dari itu keandalan pada boiler sangat perlu dilakukan, karena kinerja dari boiler sangat mempengaruhi semua sistem pada PLTU. Komponen yang digunakan dalam penelitian tugas akhir ini ada 7 komponen yaitu Air Heater 1A, Air Heater 1B, Deaerator, FDF 1A, FDF 1B, Steam Coil Air Heater, Main Burner. Pada penelitian ini menentukan nilai keandalan selain dari data maintenance yang menggunakan interval waktu, juga menggunakan data proses pada boiler saat dilakukan maintenance yaitu data proses yang paling sensitif pengaruhnya terhadap kelangsungan proses pada boiler. Karena data- data tersebut merupakan variabel proses yang paling berbahaya karena fluktuasi perubahannya sangat cepat. Data proses tersebut digunakan untuk memodelkan keandalan suatu plant berbasis pasangan data input – output. Komponen yang dimodelkan keandalan dengan pendekatan menggunakan JST yaitu Air Heater 1A dan Air Heater 1B. Data proses yang digunakan sesuai nilai TTF yang mendekati MTTF. Variable proses yang digunakan sebagai input adalah waktu, inlet air, outlet air, inlet gas, outlet gas, pressure outlet air, dan pressure outlet gas. Pemodelan JST pada komponen Air Heater 1B yaitu memiliki konfigurasi 7 input, 2 Hidden Layer, 1 Output Layer, dan 1Output, serta nilai Main Square Error adalah 0,000462. Air Heater 1B yaitu memiliki konfigurasi 7 input, 2 Hidden Layer, 1 Output Layer, dan 1Output, serta nilai Main Square Error adalah 0,00211. Kata Kunci : Boiler, Keandalan, Jaringan Syaraf Tiruan
I. PENDAHULUAN
E
fektivitas produksi kelistrikan tersebut merupakan faktor yang sangat penting karena terkait dengan hajat hidup orang banyak. Pada setiap sistem pembangkit listrik, utamanya PLTU didukung oleh unit – unit proses, meliputi utility, boiler, turbin, dan generator. Apabila setiap komponen atau unit – unit proses yang ada di dalam sistem pembangkit tersebut berkerja dalam kondisi yang baik sesuai dengan fungsinya, maka akan menghasilkan energi listrik yang optimal. Dari unit – unit tersebut, ada beberapa unit yang cukup signifikan dalam menentukan keberhasilan proses produksi energi listrik pada sistem pembangkit, signifikasi ini berkaitan dengan sentitivitas dari unit proses yang ada. Boiler merupakan salah satu diantara unit proses yang sering mengalami masalah (seperti trip / kerusakan baik major atau minor), sehingga diperlukan pemeliharaan yang lebih intensif untuk menjaga performansinya agar selalu bisa bekerja sesuai dengan target. Salah satu parameter yang dapat digunakan
untuk mengukur kinerja dari boiler adalah dengan melakukan perhitungan keandalan. Perhitungan keandalan perlu dilakukan untuk menganalisis seberapa besar peluang terjadinya kegagalan atau kerusakan terhadap boiler yang dapat mengakibatkan kegagalan proses produksi energi listrik. Beberapa penelitian sebelumnya oleh S. Lolas,O.A. Olatunbosun, telah dilakukan analisa performansi keandalan pada mesin kendaraan dengan menggunakan metode jaringan syaraf tiruan. Selain itu, perhitungan keandalan pada umumnya menghitung dari data maintenance yang berkaitan dengan interval waktu. Pada penelitian ini menentukan nilai keandalan selain dari data maintenance yang menggunakan interval waktu, dan juga menggunakan data proses pada boiler pada saat dilakukan maintenance yaitu data proses yang paling sensitif pengaruhnya terhadap kelangsungan proses pada boiler. Karena data - data tersebut merupakan variabel proses yang paling berbahaya karena fluktuasi perubahannya sangat cepat. Selain itu salah satu cara lain untuk melakukan perhitungan keandalan pada boiler, salah satu cara lain untuk menganalisis berapa besar kegagalan dan kerusakan suatu sistem ini yaitu dengan menerapkan jaringan syaraf tiruan (JST). Jaringan Syaraf Tiruan ini mengikuti struktur jaringan biologi, khususnya otak manusia yang dapat difungsikan sebagai alat perhitungan. Maka JST disini difungsikan untuk memodelkan keandalan suatu plant berbasis pasangan data input – output. II. METODOLOGI PENELITIAN Studi literatur Mencari dan mempelajari berbagai literatur seperti buku, jurnal, internet dan para pakar untuk bisa mendapatkan informasi maupun data – data yang diinginkan berkaitan dengan data maintenance dan perhitungan untuk menentukan nilai keandalan suatu system. Pengambilan data Data yang digunakan adalah data maintenance komponen pada boiler dari tahun 2001 - 2013 dan data proses pada boiler. Dari data – data yang diperoleh tersebut akan diolah dengan metode kuantitatif yang meliputi perhitungan Time To Failure dan perhitungan keandalan R(t). Untuk mengetahui distribusi yang paling baik sebagai penentuan nilai keandalan suatu sistem dalam jangka waktu tertentu menggunakan software ReliaSoft Weibull++ Version 6. Berikut pada gambar 3.1 menunjukkan langkah – langkah untuk penentuan
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-7
2
distribusi waktu antar kegagalan yaitu memasukkan nilai time to failure untuk mengetahui distribusi waktu yang paling baik. Selanjutnya mulai dilakukan uji distribusi dengan memilih option distribution wizard untuk mendapatkan parameter uji average goodness of fit (AVGOF) dimana semakin besar nilai pada kolom ini mengindikasikan ketidaksesuaian hasil uji distribusi, parameter uji average of plot fit (AVPLOT) yang menunjukkan ukuran yang digunakan untuk mengeplot nilai hasil uji distribusi dan parameter uji likelihood function (LKV), Ranking pertama adalah hasil distribusi yang cocok untuk perhitungan nilai keandalan.
Gambar 3 Hasil Distribusi Pemodelan Reliability Secara Kuantitatif Dari data maintenance dan data proses dihitung nilai keandalannya. Pada table 3.1 menunjukkan data maintenance pada Air Heater 1A dan telah ditentukan distribusi keandlannya yaitu dengan menggunakan distribusi weibull dengan dua parameter adalah sebagai berikut : Tabel 1 Hasil Keandalan pada Air Heater 1A Gambar 1 Pemasukan Data TTF
Gambar 2 Pengujian Distribusi Nilai TTF Selanjutnya menerapkan sesuai dengan distribusi yang paling baik untuk data TTF tersebut yaitu distribusi yang menunjukkan ranking 1. Pengujian distribusi yang didapatkan meliputi distribusi normal, lognormal, eksponensial 1 parameter, eksponensial 2 parameter, weibull 2 parameter, dan weibull 3 parameter. Sehingga didapatkan distribusi yang paling sesuai dan didapat parameter-parameter kegagalan dari distribusi tersebut.
Raise Date
Plan Start Date
TTF (hari)
TTF (jam)
R(t)
19/05/2001
21/05/2001
0
0
1
26/09/2001
17/10/2001
128
3072
0,997882892
27/08/2002
28/08/2002
314
7536
0,995770267
10/02/2003
24/02/2003
166
3984
0,993662114
31/05/2004
01/07/2004
462
11088
0,991558424
20/02/2009
20/02/2009
1695
40680
0,989459189
02/03/2009
02/03/2009
10
240
0,987364397
19/03/2009
19/03/2009
17
408
0,98527404
16/08/2010
16/08/2010
515
12360
0,983188109
26/08/2011
02/01/2012
365
8760
0,981106594
21/12/2012
28/12/2012
354
8496
0,979029486
13/03/2013
11/03/2013
75
1800
0,976956775
jumlah
4101
98424
Rata - rata
341,75
8202
Dari tabel di atas menunjukkan hasil kenadalan dari data maintenance untuk komponen Air Heater 1A. Sebelumnya diketahui distribusi keandalannya untuk dapat menentukan fungsi untuk keandalannya dengan menggunakan distribusi yang telah ditentukan. 1. Analisa Perhitungan Reliability Secara Kuantitatif Pada tahap ini menganalisa perhitungan keandalan yang dilakukan secara kuantitatif. 2. Perancangan Algoritma Jaringan Syaraf Tiruan Pada tahap ini dilakukan perancangan keandalan melalui pendekatan Jaringan Syaraf Tiruan. Data yang digunakan dalam perancangan keandalan dengan menggunakan Jaringan Syaraf Tiruan ini menggunakan data proses kerja boiler. Data proses yang digunakan adalah 7 komponen dari boiler antara lain : Air Heater 1A, Air Heater 1B, Deaerator, FDF 1A, FDF 1B, Steam Coil Air Heater, dan Main Burner.
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-7 3. Simulasi Pemodelan Jaringan Syaraf Tiruan Pada tahap ini dari perhitungan secara konvensional menentukan nilai keandalan dan mengaplikasikan nilai keandalan melalui pendekatan Jaringan Syaraf Tiruan dengan menggunakan software aplikasi. Komponen yang dimodelkan dengan menggunakan Jaringan Syaraf Tiruan untuk pendekatan nilai keandalan yaitu Air Heater 1A dan Air Heater 1B, Karena komponen ini yang keandaannya paling kritis dan yang paling mempengaruhi kerja dari boiler. Berikut merupakan salah sau contoh dari data proses yaitu komponen Air Heater 1B :
Tabel 2 Data Proses Air Heater 1B
3 dilihat data maintenance yang digunakan dalam tugas akhir ini adalah sebagai berikut : Tabel 3 Data Maintenance Air Heater 1A
Air Heater 1A
Raise Date
Plan Start Date
TTF (hari)
TTF (jam)
19/05/2001
21/05/2001
0
0
26/09/2001
17/10/2001
128
3072
27/08/2002
28/08/2002
314
7536
10/02/2003
24/02/2003
166
3984
31/05/2004
01/07/2004
462
11088
20/02/2009
20/02/2009
1695
40680
t
inlet air
outlet air
inlet gas
outlet gas
p outlet air
p outlet gas
R(t)
Tanggal
02/03/2009
02/03/2009
10
240
0
96
196
265
132
233
39
0,90988
10/11/10
19/03/2009
19/03/2009
17
408
2
96
196
270
132
230
35
0,90824
16/08/2010
16/08/2010
515
12360
02/01/2012
365
8760
4
97
196
265
132
235
37
0,90824
26/08/2011
6
97
196
265
132
224
38
0,90824
21/12/2012
28/12/2012
354
8496
8
86
235
340
142
602
146
0,90824
13/03/2013
11/03/2013
75
1800
10
86
235
345
143
605
143
0,90824
jumlah
4101
98424
12
86
235
345
143
607
141
0,90824
Rata - rata
341,75
8202
14
86
235
345
142
610
141
0,90824
16
89
210
315
137
358
73
0,90824
18
87
235
340
142
612
144
0,90824
20
85
235
342
142
617
144
0,90824
22
85
235
340
142
613
141
0,90824
24
95
197
270
132
239
39
0,90824
4.
5.
6.
Hasil distribusi yang paling baik pada komponen Air Heater 1A seperti tabel 4.1 di atas yaitu dengan menggunakan distribusi weibull 2 parameter. Berikut merupakan hasil grafik hubungan antara failire rate dengan Time.
Uji Validasi Pada tahap ini dilakukan validasi untuk mengetahui nilai kendalan melalui pendekatan Jaringan Syaraf Tiruan. Analisa / rekomendasi Pada tahap ini dilakukan analisa dari hasil perhitungan nilai keandalan secara manual dan yang menggunakan pendekatan Jaringan Syaraf Tiruan dengan menggunakan software. Penyusunan Laporan. Pada tahap terakhir ini disusun laporan sebagai dokumentasi dari pelaksanaan Tugas Akhir.
III. HASIL DAN PEMBAHASAN Pada bab ini akan menjelaskan tentang data- data yang digunakan dalam pengerjaan Tugas Akhir ini. Selain itu juga menjelaskan tentang perhitungan secara kuantitatif yang telah didapat. Selanjutnya menganalisa hasil dari pengerjaan tugas akhir ini untuk dapat menjawab permasalahan serta tujuan yang ada pada Tugas Akhir ini. Data Maintenance Data maintenance yang digunakan yaitu data kerusakan dari boiler yang terdiri dari beberapa komponen, diantaranya adalah Air Heater 1A, Air Heater 1B, Deaerator, FDF 1A, FDF 1B, Steam Coil Air Heater, dan Main Burner. Dapat
Grafik 1 Antara Failure Rate dengan Time Dari grafik hubungan antara failure Rate dengan Time dapat dilihat bahwa semakin bertambahnya waktu, maka nilai laju kegagalan (failure rate) akan semakin besar. Karena semakin lama suatu komponen atau mesin akan bertambah besar kegagalannya dan semakin lama tidak sesuai dengan nilai set poin yang diinginkan. Selanjutnya dapat dilihat hasil plot Probability Density Function pada komponen Air Heater 1A adalah sebagai berikut :
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-7
4 Dari hasil perhitungan keandalan pada komponen Air Heater 1A yang menggunakan distribusi weibull 2 parameter dengan nilai ß = 0,7583 dan ɳ = 8375,701. Dapat dilihat grafik hubungan antara nilai keandalan dengan waktu adalah sebagai berikut : Air Heater 1A
1 0.95
R(t)
0.9 0.85 0.8
Grafik 2 Probability Density Function
0.75 0.7
Dari hasil grafik di atas menunjukkan plot Probability Density Function (PDF) pada komponen Air Heater 1A, menunjukkan bahwa kemungkinan komponen ini akan mengalami kegagalan pada interval waktu 6000jam sampai 30000 jam. Maka artinya komponen Air Heater 1A ini pada waktu t – 6000 jam operasi. Setelah didapatkan data maintenance serta penentuan distribusi sesuai nilai TTF, selanjutnya menentukan nilai kendalannya sesuai dengan distribusi yang telah didapatkan. Untuk distribusi normal menggunakan fungsi kehandalan seperti pada persamaan 2.2 yaitu sebagai berikut :
R (t ) = 1 − Φ (
t−µ
σ
)
Untuk distribusi weibull menggunakan fungsi kehandalan seperti pada persamaan 2.10 yaitu sebagai berikut :
t − γ β R(t ) = exp− η Hasil perhitungan keandalan tiap komponen boiler dengan distribusi yang telah ditentukan adalah sebagai berikut: Tabel 4 Nilai Keandalan pada Air Heater 1A dengan distribusi weibull parameter 2
0
200
400
600
800
1000 1200 Waktu (Jam)
1400
1600
1800
2000
Grafik 3 Nilai Keandalan dengan Waktu Hasil grafik 4.6 di atas yang menunjukkan hubungan antara nilai keandalan dengan waktu pada komponen Air Heater 1A, menunjukkan bahwa penurunan keandalan akan terjadi seiring berjalannya waktu. Penurunan nilai keandalan pada grafik di atas dapat terlihat jelas pada saat waktu t = 1160 jam dengan nilai keandalan sebesar 0,799849005. Tabel 5 Nilai Keandalan pada Air Heater 1B dengan menggunakan distribusi normal t
R(t)
µ
δ
0
0,90988
5314,2851
3979,759
2
0,90824
5314,2851
3979,759
4
0,90824
5314,2851
3979,759
6
0,90824
5314,2851
3979,759
8
0,90824
5314,2851
3979,759
10
0,90824
5314,2851
3979,759
12
0,90824
5314,2851
3979,759
14
0,90824
5314,2851
3979,759
16
0,90824
5314,2851
3979,759
18
0,90824
5314,2851
3979,759
t
R(t)
ß
η
20
0,90824
5314,2851
3979,759
0
1
0,7583
8375,701
22
0,90824
5314,2851
3979,759
2
0,997883
0,7583
8375,701
24
0,90824
5314,2851
3979,759
4
0,99577
0,7583
8375,701
26
0,90824
5314,2851
3979,759
6
0,993662
0,7583
8375,701
28
0,90824
5314,2851
3979,759
8
0,991558
0,7583
8375,701
10
0,989459
0,7583
8375,701
12
0,987364
0,7583
8375,701
14
0,985274
0,7583
8375,701
16
0,983188
0,7583
8375,701
18
0,981107
0,7583
8375,701
20
0,979029
0,7583
8375,701
22
0,976957
0,7583
8375,701
Dari tabel 5 di atas adalah nilai keandalan pada komponen Air Heater 1B yang menggunakan distribusi normal dengan nilai µ = 5314,2851 dan nilai δ = 3979,759. Berikut dapat dilihat pada grafik 4.7 yaitu hubungan antara nilai keandalan terhadap waktu pada komponen Air Heater 1B :
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-7
5
Air Heater 1B 0.95
R(t)
0.9
0.85
0.8
0.75
0
200
400
600
800
1000 1200 Waktu (Jam)
1400
1600
1800
2000
Grafik 4 Nilai Keandalan dengan Waktu Dari hasil grafik hubungan antara nilai keandalan dengan waktu pada komponen Air Heater 1B, menunjukkan bahwa penurunan keandalan akan terjadi seiring berjalannya waktu. Penurunan secara perlahan untuk nilai keandalan pada grafik di atas dimulai pada waktu t = 1956 jam dengan nilai keandalan sebesar 0,79955. Setelah didapatkan hasil keandalan pada tiap – tiap komponen boiler, selanjutnya akan melakukan pendekatan perhitungan keterandalan dengan menggunakan jaringan syaraf tiruan dengan logika backpropagation. Data yang digunakan adalah pasangan data dari data proses yang ada pada boiler dengan nilai keandalan dengan menggunakan data maintenance sebelumnya adalah sebagai berikut : Tabel 6 Data Proses Air Heater 1A t
inlet air
outlet air
inlet gas
outlet gas
p outlet air
p outlet gas
R(t)
Tanggal
0
99
235
318
137
430
112
1
16/08/2010
2
99
234
319
135
439
111
0,997883
4
99
230
320
136
432
110
0,99577
6
100
233
321
132
437
111
0,993662
8
98
240
318
133
423
108
0,991558
10
99
244
318
137
420
111
0,989459
12
98
200
318
137
419
111
0,987364
14
99
235
320
132
419
106
0,985274
16
100
235
320
132
424
110
0,983188
18
101
236
317
135
425
112
0,981107
20
99
233
316
135
434
112
0,979029
22
99
237
320
136
431
109
0,976957
24
100
235
320
132
433
110
0,974888
Dari data proses pada tabel 6 di atas yaitu pada komponen Air Heater 1A. Data proses tersebut digunakan untuk pasangan input dan output mengetahui nilai keandalan dengan pendekatan menggunakan jaringan saraf tiruan. Berikut adalah hasil pemodelan dengan mengguanakan jaringan saraf tiruan pada komponen Air Heater 1A.
Gambar 5 Hasil Pemodelan Jaringan Saraf Tiruan Pada Komponen Air Heater 1A Hasil pemodelan dengan menggunakan jaringan saraf tiruan pada komponen Air Heater 1A seperti gambar di atas adalah pemodelan untuk pendekatan nilai keandalan pada komponen Air Heater 1A. Pemodelan ini menggunakan 7 input dari data proses pada komponen Air Heater 1A yang meliputi waktu, inlet air, outlet air, inlet gas, outlet gas, pressure outlet air, pressure outlet gas. Serta 1output yaitu nilai keandalan (R(t)) yang didapatkan dari perhitungan secara kuantitatif sebelumnya. Hasil pemodelan jaringan saraf tiruan ini yaitu dengan 2 neuron, 2 Hidden Layer, 6 iterasi sudah dapat mencapai target dengan baik dan dengan hasil nilai MSE (Mean Square Error) sebesar 0,000462. Serta dapat dilihat hasil grafik untuk Train, Validation, dan Test untuk padangan data Input dan Output pada pemodelan ini adalah sebagai berikut pada gambar 6 :
Gambar 6 Grafik Hasil Training, Validation, dan Testing Selanjutnya dapat dilihat hasil regresi untuk data – data yang telah dilatih, divalidasi, dan dicoba pada gambar 7 sebagai berikut :
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-7
6 1 2 1 4 1 6 1 8 2 0
0,993 0 0,992 1 0,991 3 0,990 5 0,989 7
1 2 1 4 1 6 1 8 2 0
98 99 10 0 10 1 99
20 0 23 5 23 5 23 6 23 3
31 8 32 0 32 0 31 7 31 6
13 7 13 2 13 2 13 5 13 5
41 9 41 9 42 4 42 5 43 4
1 0.99 0.98 0.97 0.96 0.95 0.94 0.93 0.92 0.91 0.9
11 1 10 6 11 0 11 2 11 2
0,982 6 0,980 1 0,980 4 0,982 6 0,981 8
0,0104 0,0120 0,0109 0,0079 0,0079
R(t) kuantitatif R(t) JST
0 2 4 6 8 101214161820 Gambar 7 Grafik Training Regression Hasil grafik training regression di atas menunjukkan data yang dilatih sesuai dengan target yang diinginkan yang ditunjukkan dengan nilai R = 0,99823, data yang divalidasi juga sesuai target yaitu dengan nilai R = 0,99793, serta data yang ditest juga sesuai dengan target yang diinginkan dengan nilai R = 0,99839. Untuk regresi keseluruhan juga dapat dilihat sesuai dengan target yang diinginkan yaitu dengan R = 0,99822. Dari pemodelan dengan menggunakan jaringan saraf tiruan yang telah dibuat, dapat dilakukan uji validasi hubungan antara nilai keandalan yang dilakukan secara perhitungan kuantitatif dengan pendekatan menggunakan jaringan saraf tiruan, dapat dilihat pada tabel 7 sebagai berikut : Tabel 7 Hasil Validasi antara perhitungan secara kuantitatif dengan pemodelan menggunakan JST pada komponen Air Heater 1A. I n
Out
t
R(t)
t
T In Air
0
1
0
99
2
99
4
99
6
10 0
8
98
1 0
99
2 4 6 8 1 0
0,998 2 0,996 9 0,995 8 0,994 8 0,993 9
Out JST
In
T Ou t Air
T In Ga s
T Ou t Ga s
p Ou t Air
p Ou t Ga s
23 5 23 4 23 0 23 3 24 0 24 4
31 8 31 9 32 0 32 1 31 8 31 8
13 7 13 5 13 6 13 2 13 3 13 7
43 0 43 9 43 2 43 7 42 3 42 0
11 2 11 1 11 0 11 1 10 8 11 1
Devia si R(t) R(t) 0,984 4 0,983 4 0,983 6 0,981 7 0,981 3 0,983 6
0,0156 0,0148 0,0133 0,0141 0,0135 0,0103
Gambar 8 Grafik Hasil Validasi Antara Perhitungan Kuantitatif dengan Pendekatan JST Pada tabel 7 dan grafik 8 di atas menunjukkan hasil perhitungan nilai keandalan secara kuantitatif dengan pemodelan nilai keandalan menggunakan pendekatan jaringan saraf tiruan pada komponen Air Heater 1B. Hasil validasi antara kedua metode yang digunakan dalam penelitian ini menunjukkan bahwa hasil perhitungan keandalan dengan menggunakan jaringan saraf tiruan memiliki nilai yang cukup dekat dengan hasil yang diperoleh dari pendekatan kuantitatif. Berdasarkan 11 data yang digunakan, selisih tertinggi sebesar 0,0156 pada saat t ke 0 jam atau waktu pertama, sedangkan selisih terendah sebesar 0,079 pada saat t ke 18 dan 20 jam. IV. KESIMPULAN Kesimpulan yang didapat dari hasil penelitian ini adalah sebagai berikut : 1. Dari 7 komponen pada boiler, komponen yang memiliki hasil keandalan yang paling baik adalah komponen Air Heater 1B, sedangkan hasil keandalan yang paling kurang baik adalah kompoen Steam Coil Air Heater, hal itu dapat dilihat dari grafik keandalan terhadap waktu. 2. Pemodelan untuk komponen Air Heater 1A dengan Jaringan Syaraf Tiruan memiliki konfigurasi 7 input, 2 Hidden Layer, 1 Output Layer, dan 1Output, dengan 6 iterasi sudah dapat mencapai target yang diinginkan dengan nilai Main Square Error adalah 0,000462. Selanjunya pemodelan untuk komponen Air Heater 1B dengan Jaringan Syaraf Tiruan memiliki konfigurasi 7 input, 2 Hidden Layer, 1 Output Layer, dan 1Output, dengan 6 iterasi sudah dapat mencapai target yang diinginkan dengan nilai Main Square Error adalah 0,00211.
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2013) 1-7 V. UCAPAN TERIMA KASIH Terima kasih kepada seluruh dosen dan staff pengajar jurusan Teknik Fisika yang telah memberikan ilmunya, kepada seluruh Mahasiswa Teknik Fisika atas bantuan kerjasamanya selama kuliah di jurusan Teknik Fisika dan kepada PT.PJB Gresik yang telah memberikan beasiswa demi kelancaran penelitian tugas akhir ini. DAFTAR PUSTAKA 1.
2.
S. Lolas,O.A. Olatunbosun., [2008], Prediction of Vehicle Reliability Performance Using Artificial Neural Network, school of mechanical and manufacturing engineering, university of Birmingham, B15 2TT, UK. Wisandiko, Anugrah Okta.2011.”Analisa Keandalan, Keamanan dan Management Resiko Pada Pembangkit Listrik Tenaga Gas Blok 2.2 di PLTGU PT. PJB UP Gresik dengan Menggunakan Pendekatan Kuantitatif.” Institut Teknologi Sepuluh Nopember. Surabaya.
3. Anonim.2007. “Profil PT PJB UP Gresik”. PT PJB UP Gresik. 4. Ebeling,Charles E. 1997. An Introduction to Reliability and Maintainability Engineering, The McGrow-Hill Companies, Singapore. 5. Yani, Eli. Pengantar Jaringan Syaraf Tiruan,, 2005, MateriKuliah.Com, Yogyakarta. 6. Maru’ao, Dini Oktaviani.2010. Neural Network Implementation in Foreign Kurs Peediction, Universitas Gunadarma. 7. Hermawan, Arief. Jaringan Syaraf Tiruan, 2006. Yogyakarta.
7
