OPTIMASI PENENTUAN KOMPOSISI SUBSTRAT PADA PORTABLE BIODIGESTER DENGAN METODE JARINGAN SYARAF TIRUAN-ALGORITMA GENETIK (Kurnia Cholish Artayasa, Suyanto, ST. MT, Dr. Dhany Arifianto, ST. M. Eng.) Jurusan Teknik Fisika FTI ITS Surabaya Kampus ITS Keputih Sukolilo Surabaya 60111 Telp: +6231-5947188 Fax: +6231-5923626 e-mail:
[email protected] Abstrak Agar biogas yang dihasilkan bisa optimal, dibutuhkan air dan kotoran sebagai substrat dengan rasio tertentu. Optimal tidaknya rasio yang dipakai pada portable bioigester dilihat dari massa biogas yang dihasilkan. Optimasi biogas didapat dengan memodelkan plant, kemudian model yang didapat akan dioptimasi menggunakan metode tertentu.Pemodelan plan portable biodigester dilakukan dengan jaringan syaraf tiruan (JST) dengan struktur multi layer perceptron (MLP). Struktur model yang diturunkan adalah struktur Nonlinear Auto Regressive with eXternal input (NARX). Pangaturan bobot dilakukan menggunakan algoritma Levenberg-Marquardt yang mampu memberikan hasil dengan RMSE sebesar 3.3098x10 -4. Model yang didapat dari JST menjadi fitness yang akan dioptimasi dengan metode Algoritma Genetik (AG). Seleksi orang tua menggunakan roulettewheel dan dilakukan secara proporsional sesuai dengan nilai fitness nya. Dari simulasi AG, didapatkan rasio air dan kotoran yang optimal sebesar 7.7506 : 10.5151. Dan ketika disederhanakan dalam perbandingan menjadi 1:1,3. Kata kunci : substrat, penentuan rasio, jaringan syaraf tiruan, algoritma genetik 3. I. PENDAHULUAN Latar Belakang Biogas adalah sebuah produk yang dihasilkan dari percampuran antara kotoran dan air dengan rasio tertentu. Rasio yang tepat dalam pembuatan biogas akan berdampak pada jumlah produk yang dihasilkan. Namun dewasa ini sedikit penelitian tentang optimasi terhadap produk biogas. Adapun penelitian yang telah dilakukan adalah mengenai feeding dari reaktor. Metode yang dipakai antara lain model dari JST, soft sensor, pemodelan dengan menggunakan model matematis untuk memprediksi keluaran dari reaktor, dan sebagainya. Metode-metode yang sering dipakai tersebut memang sangat membantu dalam proses optimasi produk, namun kelemahannya adalah peneliti harus memiliki model dinamik, model proses, dan model biologi dari keadaan bioreaktor yang akan diteliti, dan dirasa bahwa metode ini kurang tepat ketika akan melakukan optimasi hanya dengan pasangan data masukan dan keluaran dengan jumlah yang sedikit. Oleh sebab itu dalam laporan ini berisi tentang optimasi produk biogas dengan menggunakan JST-AG. Dimana akan dibahas mengenai bagaimana menyusun model JST dari pasangan data masukan (input) dan keluaran (output) yang hanya berjumlah 11, pembangkitan data dengan curve fit, penyusunan pasangan kromosom dari data yang kemudian nantinya akan dioptimasi dengan metode AG dan nantinya akan didapat rasio penghasil produk biogas paling maksimal.
Bagaimana pasangan data input-output hasil simulasi JST untuk digunakan mengoptimasi produk biogas dengan Algoritma Genetik (GA).
1.1
1.3 Tujuan Tujuan dari tugas akhir ini adalah : 1. Akan dilakukan percobaan ekstraksi biogas dari 11 rasio kotoran dan air dengan menggunakan 11 galon tertutup (diansumsikan anaerob digester). 2. Akan dilakukan penurunan persamaan kurva produksi biogas dari hasil eksperimen dengan menggunakan data 11 rasio. 3. Akan dilakukan penurunan model matematis biodigester anaerob dengan menggunakan pasangan data yang dibangkitkan dari kurva fitting. 4. Akan dibuat pasangan kromosom yang akan dikawinsilangkan guna membuat keturunan yang baik ditinjau dari kriteria fitness function. 1.4 Batasan Masalah Untuk mempertajam dan memfokuskan permasalahan dalam Tugas Akhir ini, beberapa batasan masalah yang diambil diantaranya adalah sebagai berikut : 1. Biodigester yang digunakan adalah 11 galon air volume 20 liter dengan 11 rasio input (air + kotoran) yang berbeda. 2. Data yang diambil adalah pasangan data volume input (air+kotoran) dan massa output (produk biogas) 3. Data output adalah massa produk biogas pada hari ke 27 dari masing-masing rasio. Dengan asumsi bahwa massa total paling optimal adalah pada hari ke-27 4. Dari pasangan data yang jumlahnya terbatas dilakukan penurunan fungsi yang mewakili dari semua data
1.2 Permasalahan Permasalahan yang terdapat pada tugas akhir ini adalah : 1. Bagaimana mendapatkan pasangan data input-output 2. Bagaimana menggunakan data yang terbatas untuk mencari model plant
1
5. 6. 7.
Fungsi yang didapat untuk membangkitkan data input dan output guna menyusun model dan validasi struktur Dari model JST yang didapat, digunakan sebagai fitness function untuk simulasi Algoritma Genetik Untuk mengetahui pasangan kromosom yang menghasilkan turunan yang baik diukur dari suatu kriteria yang disebut fitness function dimana fitness function analog dengan optimalitas produk biogas
x1 x0=1 w1 x2 w2
Gambar 2.1 Struktur Jaringan Syaraf Tiruan
Algoritma pembelajaran dan struktur JST yang digunakan dalam penelitian ini adalah algoritma Levenberg Marquardt dan Multilayer Perceptron (MLP) . Algoritma Levenberg Marquardt memiliki kelebihan karakteristiknya lebih cepat konvergen (rapid convergence), Secara matematis pasangan data input dan output yang berhubungan dapat ditulis sebagai berikut:
Biogas Pada dasarnya biogas adalah teknologi yang memanfaatkan proses fermentasi (pembusukan) dari bahan organik secara anaerobik (tanpa udara/oksigen) oleh bakteri metanogenesis sehingga dihasilkan gas metana (CH4) yang mudah terbakar sehingga dapat dimanfaatkan untuk menghasilkan energi alternatif yang ramah lingkungan. Bahan organik yang bisa digunakan sebagai bahan baku antara lain adalah sampah organik, limbah kotoran ternak atau manusia.
Sapi/Kerbau
0.023 – 0.040
Babi
0.040 – 0.059
Unggas
0.065 – 0.116
Manusia
0.020 – 0.028
o
wd
2.1
Produksi gas per kg (m3)
Activation Function
xd
II. TEORI PENUNJANG
Jenis Kotoran
w0
ZN
u (t ), y (t ) , T
1,...., N
…(2.1)
Tujuan dari pelatihan adalah untuk mendapatkan sebuah pemetaan dari pasangan data ke pasangan kandidat model.
ZN
...(2.2)
sehingga didapatkan model yang menyediakan prediksi output ŷ(t) yang sama atau mendekati output y(t). Metode yang paling sering digunakan untuk mengukur kemiripan antara model output dengan model sebenarnya adalah tipe kriteria mean square error. VN ( , Z N )
1 2N
N
[ y (t ) y (t | )]2
t 1
1 2N
N
2
...(2.3)
(t , )
t 1
Multilayer Perceptron (MLP) adalah jaringan yang paling sering mempertimbangkan anggota dari keluarga jaringan syaraf tiruan. Alasan utamanya adalah kemampuannya untuk memodelkan secara sederhana dari hubungan fungsional yang kompleks. Rumus matematik yang mengekspresikan apa yang terjadi pada jaringan-MLP diambil dari.
Tabel 2.1 produksi gas dari beberapa jenis kotoran (Sumber: UPDATED GUIDEBOOK ON BIOGAS DEVELOPMENT) Dari data di atas,unggas memiliki massa paling besar. Namun dalam hal eksperman, pemakain substrat disesuaikan dengan kebutuhan atau resource yang mudah didapat.
yi (t ) gi [ , ] Fi
nh j 1
2.2
Jaringan Syaraf Tiruan Pembuatan struktur Jaringan Syaraf Tiruan diilhami oleh struktur jaringan biologi, khususnya jaringan otak manusia. Jaringan syaraf tiruan terdiri dari beberapa neuron, dan terdapat suatu hubungan antara neuronneuron tersebut. Neuron akan mentransformasikan informasi yang diterima melalui sambungan keluarnya menuju ke neuron-neuron yang lain[9]. Sistem jaringan syaraf tiruan dicirikan dengan adanya proses pembelajaran (learning) yang berfungsi untuk mengadaptasi parameterparameter jaringannya. Kelebihan dari jaringan syaraf tiruan diantaranya : - Mampu melakukan proses pembelajaran - Mampu beradaptasi
n
Wi , j fi
w j ,l
l
w j ,0
Wi ,0
..(2.4)
l 1
θ menunjukkan vektor parameter yang didalamnya terdapat semua parameter JST yang dapat diatur (bobot dan bias). 2.3
Algoritma Genetik (GA) Algoritma Genetik memiliki beberapa komponen standar yang sangat menentukan keberhasilan dari pencarian solusi persoalan.
2
Permasalahan
(1) Pembentukan kromosom/ pengkodean Kromosom (1) Kromosom (2) … … Kromosom (populasi)
(2) Inisialisasi Kromosom
(3) Evaluasi kromosom Fungsi Objektif
(4) Seleksi Kromosom
Roullete whell
Gambar 3.1 Portable biodigester
Gambar di atas adalah portable biodigester yang terbuat dari galon air volume 20 liter. Pada bagian atasnya terdapat kantong plastik dimana berfungsi sebagai gas kolektor. Dan plant ini harus ditutup dalam keadaan vakum diansumsikan sebagai biodigester anaerob. Pada hari ke-27 dilakukan pengambilan gas kolektor untuk diuji apakah gas yang berada dalam gas kolektor tersebut mengandung gas methane. Pengujian dilakukan dengan 2 cara yaitu dengan cara dibakar dan dengan menggnakan gas kromatograph.
Cross over
mutation
text
tidak ya
Best kromosom
(5) proses dekoding Solusi permasalahan
3.2`
Pembuatan plant II dan eksperimen II Pada tahap ini adalah persiapan mengenai ekstraksi biogas. Dan pengambilan data dari hasil eksperimen. Eksperimen dilakukan dengan 11 rasio yang berbeda dengan range adalah rasio air : kotoran sebesar 1:1 – 1:2. Pasangan data yang diambil adalah input (volume air + volume kotoran) dan output adalah massa dari biogas yang diambil pada hari ke-27.
Gambar 2.2 Diagram alir Algoritma genetik (Sumber: http://dennyhermawanto.webhop.org)
III. METODOLOGI PENELITIAN Berikut adalah diagram alir yang dilakukan untuk mencapai tujuan dari tugas akhir ini antara lain:
3.3
Pembuatan model plant dengan JST Hal ini meliputi pemodelan produksi biogas sebagai fungsi dari rasio kotoran dan air yang diekstraksi, pemodelan biodigester anaerob dalam bentuk struktur JST, dan Validasi struktur yang didapat. 3.4
Simulasi optimasi dengan GA Dalam mengoptimalkan rasio air dan kotoran, yang perlu dilakukan adalah mencari fungsi yang merepresentasikan proses didalamnya. Metode algoritma genetika banyak dipakai untuk tujuan optimasi numerik dengan merepresentasikan masalah kedalam persamaan matematis. Dengan demikian mutlak diperlukan adanya suatu model untuk merepresentasikan proses. Namun pengembangan model yang nonlinear dan multivariabel dengan persamaan matematis menjadi kendala tersendiri berkaitan dengan jumlah persamaan yang dibutuhkan serta waktu penyelesaian yang lama. Pemodelan dapat dilakukan dengan memanfaatkan kelebihan yang dimiliki jaringan syaraf tiruan (JST) dalam mem-bangun hubungan nonlinear antara input-output sehingga memiliki karakteristik yang sama dengan proses yang ditinjau. Untuk mendapatkan fungsi terebut dapat dicari dengan pemodelan JST. Fungsi tersebut yang nantinya dijadikan fungsi fitness untuk mengoptimalkan rasio air dan kotoran pada portable biodigester secara simulasi.
Gambar 3.1 Flowchart Penelitian Tugas Akhir 3.1
Pembuatan plant I dan eksperimen I Pada tahap ini adalah bagaimana merancang biodigester beserta aksesorisnya sehingga dapat digunakan dalam pengambilan data pada eksperimen berikutnya.
3
Shimadzu GC-17A Gas Chromatograph. Pengambilan data eksperimen II adalah pengambilan data keluaran berupa massa biogas dari 11 digester yang sudah ada. Adapun langkah yang digunakan adalah dengan melepaskan penampung gas pada 11 digester yang telah dibuat, kemudian diukur massanya menggunakan timbangan digital. Setelah itu, kita keluarkan biogas yang terdapat pada penampung gas yang telah kita timbang sebelumnya, dan kemudian kita timbang lagi penampung gas pada keadaan kosong. Dan massa biogas didapat dari selisih antara massa penampung gas sebelum dikeluarkan gas dan massa penampung gas setelah dikeluarkannya gas.
Permasalahan
(1) Pembentukan kromosom/ pengkodean Kromosom (1) Kromosom (2) … … Kromosom (populasi)
(2) Inisialisasi Kromosom
(3) Evaluasi kromosom Fungsi Objektif
(4) Seleksi Kromosom
Roullete whell
Cross over
mutation
4.1.1 Pengujian Gas Methane Pada tahap eksperimen I biodigester dilakukan pengujian adanya gas methane dengan 2 metode, yaitu dengan pengujian membakar hasil gas, dan pengujian hasil gas dengan menggunakan Shimadzu GC-17A Gas Chromatography. Dari pengujian pertama dengan membakar hasil gas dihasilkan nyala api biru seperti pada gambar dibawah ini, sehingga dapat disimpulkan bahwa pada Biogas terdapat gas methane.
text
tidak ya
Best kromosom
(5) proses dekoding Solusi permasalahan
Gambar 3.2 Diagram Alir GA IV. Analisa dan Pembahasan Pada bab ini akan dijelaskan mengenai hasil data eksperimen, hasil simulasi pembentukan model dengan JST, dan hasil simulasi optimasi rasio substrat menggunakan GA. 4.1
Data hasil eksperimen Langkah yang dilakukan dalam pengambilan data eksperimen meliputi Eksperimen I
Pengujian eksperimen I
Gambar 4.2 Pengujian gas methane dengan dibakar
Sedangkan untuk pengujian kedua dilakukan dengan menggunakan Shimadzu GC-17A Gas Chromatography pada 5 buah sampel biogas hasil eksperimen. Dan dari pengujian ini didapatkan bahwa biogas hasil eksperimen mengandung gas methane.
Eksperimen II
Pengambilan data eksperimen II
4.1.2 Pasangan data input dan output Rasio Input V Air (liter) V Kotoran (liter) Air: kotoran
Gambar 4.1 Diagram alir pengambilan data
Pengambilan data pada eksperimen I dan eksperimen II dilakukan pada hari ke-27 terhitung setelah pencampuran dan pemasukan substrat pada biodigester. Diansumsikan massa puncak pada hari ke-27. Pengujian Eksperimen I bertujuan untuk menguji bahawa plant yang telah kita buat dapat menghasilkan biogas dan terdapat kandungan gas methane yang terdapat dalam biogas tersebut. Pengujian dilakukan dengan 2 cara, yaitu pengujian gas methane pada penampung gas dengan cara dibakar, dan cara ke-2 adalah dengan menggunakan
4
m CH4 (gram)
1: 1
8
8
18,4
1: 1,1
7,61
8,38
18,42
1: 1,2
7,27
8,72
18,5
1: 1,3
7
9
18,52
1: 1,4
6,66
9,33
18,48
1: 1,5
6, 4
9,6
18,2
1: 1,6
6,15
9,8
17,1
1: 1,7
5,9
10
16,6
19.0
1: 1,8
5,71
10,28
15,3
18.5
1: 1,9
5,5
10,5
15
18.0
1: 2
5,3
10,7
14,73
Poly10 (User) Fit of Biogas
Fit Curve 1
Dari data input dan output, dapat diketahui nilai optimum dari output adalah 18,52. Nilai ini terletak pada rasio input air: kotoran= 1: 1,3. Hasil ini akan menjadi validasi dari nilai hasil optimasi menggunakan metode Algoritma Genetik.
17.5 17.0 16.5 16.0 15.5 15.0 14.5
4.2
Optimasi rasio substrat Untuk mendapatkan model yang baik dengan menggunakan JST maka 11 data awal tersebut harus dibangkitkan. Data dibangkitkan dengan metode interpolasi curve fit polynomial. Berikut adalah plot grafik dari data eksperimen, grafik curve fit, dan grafik yang diperoleh dari hasil pembangkitan 11 data.
5.0
18.5 18.0
Biogas (gram)
17.5 17.0 16.5 16.0 15.5 15.0 14.5 6.0
6.5
7.0
7.5
8.0
Volume Air (liter)
Biogas (gram) Poly10 (User) Fit of Biogas
Biogas (gram)
18
16
14 5
6
7
6.5
7.0
7.5
8.0
Gambar pertama menunjukkan 11 data input (air) dan output (biogas) yang akan di bangkitkan. Gambar kedua merupakan gambar curve fit dengan metode interpolasi curve fit polynomial. Dari gambar terlihat bahwa 11 data awal ketika diplotkan sesuai dengan grafik polynomial 10. Dan gambar ketiga adalah gambar grafik 1000 data hasil bangkitan dari 11 data awal menggunakan metode polynomial 10. Data ini adalah data yang akan di training pada JST. Sebagaimana telah dijelaskan pada bab sebelumnya, pemodelan biodigester ini menggunakan JSTMLP (Multi Layer Perceptron). Dimana variabel input JST mengandung 2 input pada masa lampau [X1(t-1) dan X2(t1)] dan output pada masa lampau [Y(t-1)].
Biogas
5.5
6.0
Independent Variable
19.0
5.0
5.5
8
Volume Air (liter)
5
Untuk mendapatkan model yang baik, berbagai struktur JST diuji cobakan dengan mengubah-ubah jumlah hidden node dan history length. Proses training JST ini dilakukan secara offline dengan data set yang diambil untuk masing - masing node input seluruhnya berjumlah 1.000 data, yang terbagi atas 2 bagian yaitu 700 data digunakan untuk proses training dan 300 data digunakan untuk validasi model JST yang telah didapat. Waktu pemodelan proses adalah 500 iterasi. Proses training akan berhenti ketika RMSE target telah terpenuhi, jika target tidak terpenuhi proses training berkerja sampai jumlah iterasi. Dan pada eksperimen kali ini berhenti pada iterasi ke 8. Dari proses pelatihan di dapatkan parameter – parameter JST yang meliputi : Struktur jaringan (network deffinition), struktur regresor, bobot w1f dan w2.
Y(t-1)
perbandingan maka bisa didapatkan rasio air dan bahan kotoran yang paling optimum sebesar 1 :1.3
L
X1(t-1)
L
X2(t-1)
Y(t)
V. KESIMPULAN DAN SARAN
L 1
5.1 Kesimpulan Dari hasil simulasi dan analisa data pada penelitian Tugas Akhir ini, dapat ditarik beberapa kesimpulan antara lain : 1. Peningkatan produksi biogas dapat dilakukan dengan menggunakan optimasi terhadap rasio inputan berupa kotoran sapi dan air. 2. Hasil eksperimen menunjukkan bahwa rasio optimal dari 11 rasio yang di eksperimenkan adalah pada rasio air : kotoran sapi adalah 1 : 1.3. 3. Pembangkitan data yang akan dimasukkan pada Jaringan Syaraf Tiruan menggunakan kurva fitting polynomial 10. 4. Hasil training pada JST menunjukkan RMSE training sebesar 3.3100e-004 dan VAF training sebesar 99.9996. 5. Hasil validasi pada JST menunjukkan RMSE validasi sebesar 5.4332e-004 dan VAF validasi sebesar 98.6665. 6. Hasil simulasi optimasi dengan menggunakan Algoritma Genetik, didapatkan rasio optimal pada perbandingan air : kotoran adalah 1 : 1.3.
1
Gambar 4.1 Struktur JST yang dipakai Gambar di atas adalah JST MLP berstruktur input NNARX dengan jumlah layer dan fungsi aktifasi dengan struktur regresor adalah, history length input sebesar 1, history length output sebesar 1. Input JST terdiri dari volume air (X1), volume kotoran (X2) dan massa biogas (Y). Data hasil pembangkitan, kemudian ditraining pada JST.Hasil training tersebut berupa RMSE training sebesar 3.3098x10-4. Berdasarkan dari nilai RMSE yang cukup baik dapat disimpulkan bahwa pemodelan dari proses pembakaran bisa dianggap mewakili proses sebenarnya. Sehingga dalam training pasangan data tersebut didapatkan bobot-bobot sebagai berikut: Tabel 4.1 Matrik bobot dari lapis input ke lapisan tersembunyi (w1f) 0.963136 0.289087 -0.10619 -0.5619 -0.34001 -0.1094 0.271167 -0.25697 Tabel 4.2 Matrik bobot dari lapisan tersembunyi ke lapisan output (w2f) 0.950593
5.2 Saran Beberapa saran yang perlu disampaikan dalam laporan ini dalam rangka pengembangan penelitian ini antara lain : 1. Untuk penelitian selanjutnya dapat dibuat percobaan terhadap jenis substrat yang berbeda dan jumlah rasio lebih banyak. 2. Pada penelitian selanjutnya, dalam pemodelan biodigester dapat menggunakan metode yang lain. 3. Untuk penelitian selanjutnya dapat menggunakan beberapa metode optimasi lain yang dirasa tepat.
0.306315 0.355828 Dari bobot yang diperoleh maka dapat dibuat sebuah model yaitu
dari persamaan di atas maka optimasi rasio dilakukan dengan cara menentukan nilai x1 dan x2 yang paling optimum. Nilai optimum dari masing-masing variabel dicari dengan menggunakan metode algoritma genetik. Pada algoritma genetik. Persamaan di atas digunakan sebagai fungsi fitness dimana individu yang memiliki fitnes nol atau yang paling mendekati merupakan individu terbaik. Sedangkan constrain-nya adalah proses variabel yang masuk pada proses pembakaran dalam hal ini volume air dan volume kotoran. Dengan menggunakan algoritma didapatkan nilai optimum dari volume air adalah 7.7506 dan kotoran 10.5151. Dari kedua nilai tersebut apabila dibuat
6
DAFTAR PUSTAKA
[1] [2] [3] [4] [5] [6]
[7] [8] [9]
Harahap Filino, Apandi Muidin, ginting Serasi. 1978. Teknologi Gas Bio. ITB Biogas. [Online] http://id.wikipedia.org/wiki/Biogas. Kharistya Amaru, 2004, Rancang Bangun dan Uji Kinerja Biodigester Plastik Polyethilene Skala Kecil. Lucifredi, Mazzieri.2000. Neural Network. Martiana. 2007. Jaringan Syaraf Tiruan. Nørgaard, Magnus. Ravn, O. Poulsen, N.K. dan Hansen, L.K. 2000. Neural Network for Modelling and Control of Dynamic Systems. London: Verlag Springer. Hermawanto Denny. Algoritma Genetik. [Online] http://dennyhermawanto.webhop.org. Suyanto. Algoritma Genetic Dalam Matlab. Yogyakarta : penerbit ANDI 2005. Widodo Wahyu. Korelasi
BIODATA PENULIS
Nama : Kurnia Cholish Artayasa NRP : 2406 100 024 TTL : Jombang, 03 Maret 1988 Alamat : Jln. Jambu H-14 JOMBANG Riwayat Pendidikan 2006 – sekarang : Teknik Fisika ITS, Surabaya 2003 – 2006 : SMA N 2 Jombang 2000 – 2003 : SMP N 1 Jombang 1994 – 2000 : SD N kepanjen II
7
