aplikasi artificial neural network untuk...
TRANSCRIPT
Jurnal Teknik Sipil ISSN 2302-0253
Pascasarjana Universitas Syiah Kuala 13 Pages pp. 35- 47
Volume 1, No. 1, Agustus 2012 - 35
APLIKASI ARTIFICIAL NEURAL NETWORK UNTUK
MEMPREDIKSI NILAI POTENSIAL KOROSI PADA BALOK
BETON BERTULANG
Fitriani1, Mochammad Afifuddin
2, M. Ridha
2
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 rata-
rata 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
Jurnal Teknik Sipil
Pascasarjana Universitas Syiah Kuala
Volume 1, No.1, Agustus 2012 - 36
Korosi baja tulangan pada beton adalah sebuah
proses elektrokimia. Sel korosi terbentuk
karena perbedaan konsentrasi ion dan gas di
sekitar logam.
Korosi bisa terjadi jika antara anoda dan
katoda terdapat selisih potensial listrik. Nilai
potensial suatu bahan diperoleh dengan
mengukur selisih potensial dari bahan tersebut
dengan suatu elektroda baku seperti elektroda
kolomel jenis SCE (Saturated Colomel
Elekrode) dan SHE (Standar Hydrogen
Elektrode) dan AgCl, semakin negatif (aktif)
potensial bahan semakin besar kecenderungan
untuk terjadi korosi (Fontana, 1987).
Korosi baja dalam beton berperan penting
dalam penentuan daya tahan struktur beton.
Beberapa peneliti telah mempelajari perilaku
korosi dan berbagai jenis tindakan
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
Ukrainczyk dari University of Zagreb, Croatia
(2004, 2005) juga menggunakan pemodelan
ANN untuk menentukan korosi tulangan dalam
struktur beton. Dari penelitian tersebut
diperoleh kesimpulan bahwa dengan
menggunakan model ANN, tingkat kerusakan
struktur beton bertulang dapat diprediksi
secara cepat dan akurat.
Pada penelitian ini, ANN diaplikasikan
untuk memprediksi nilai potensial korosi pada
balok beton bertulang, dalam hal ini beton
normal konvensional dan beberapa variasi
beton busa.
Dasar Teori ANN
Beberapa hal yang mendasari kerja
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
mendasari adanya proses belajar atau pelatihan
(learning), jadi ANN yang akan digunakan
pasti melalui proses pelatihan secara berulang-
ulang terlebih dahulu.
ANN merupakan salah satu representasi
buatan dari otak manusia yang selalu mencoba
untuk mensimulasikan proses pembelajaran
pada otak manusia tersebut. Istilah buatan
digunakan karena jaringan syaraf ini
diimplementasikan dengan menggunakan
program computer yang mampu
menyelesaikan sejumlah proses perhitungan
selama proses pembelajaran.
Bidang-bidang Aplikasi ANN
- Aerospace
Autopilot pesawat terbang, simulasi jalur
penerbangan, sistem kendali pesawat,
perbaikan autopilot, simulasi komponen
pesawat.
- Otomotif
Sistem kendali otomatis mobil.
- Keuangan dan perbankan
Jurnal Teknik Sipil
Pascasarjana Universitas Syiah Kuala
37 - Volume 1, No. 1, Agustus 2012
Pendeteksian uang palsu, evaluator
aplikasi kredit, pengidentifikasian pola-pola
data pasar saham.
- Pertahanan (Militer)
Pengendali senjata, pendeteksi bom,
penelusuran target, pembedaan objek,
pengendali sensor, sonar, radar, dan
pengolahan sinyal citra yang 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.
- Broadcast
Pencarian klip berita melalui pengenalan
wajah.
- Medis
Analisis sel kanker payudara, pen-
deteksian kanker kulit dan lain- lain
- Pengenalan suara
Pengenalan percakapan, klasiflkasi suara.
- Pengenalan tulisan
Pengenalan tulisan tangan, penerjemahan
tulisan ke dalam tulisan latin.
- Matematika
Alat pemodelan adalah dimana bentuk
eksplisit dari hubungan antara variabel-
variabel tertentu tidak diketahui.
- Pengenalan benda bergerak
Selain pola dari citra diam, ANN juga
bisa digunakan untuk mendeteksi citra
bergerak dari video seperti citra orang yang
bergerak, dan lain-lain.
- ANN digunakan sebagai detektor virus
komputer, penginderaan bau, dan lain-
lain.
Gambar 1. Struktur Sederhana ANN
Pada Gambar 1 tampak bahwa NN terdiri
atas satuan-satuan pemroses berupa neuron a
sebagai output menerima input dari neuron p1,
p2, p3, …, pR dengan bobot W1, W2, W3, …,
WR. Hasil penjumlahan seluruh impuls neuron
dibandingkan dengan nilai ambang tertentu
melalui fungsi aktivasi f setiap neuron. Fungsi
aktivasi digunakan sebagai penentu keluaran
suatu neuron.
Algoritma Backpropagation
ANN backpropagation adalah metode
yang paling sederhana dan mudah dipahami
dari metode-metode yang lain. ANN-BP akan
merubah bobot biasnya untuk mengurangi
perbedaan antara output jaringan dan target
output. Setelah pelatihan selesai, dilakukan
pengujian terhadap jaringan yang telah dilatih.
Pembelajaran algoritma jaringan syaraf
membutuhkan perambatan maju dan diikuti
dengan perambatan mundur. Keduanya
dilakukan untuk semua pola pelatihan.
Jurnal Teknik Sipil
Pascasarjana Universitas Syiah Kuala
Volume 1, No.1, Agustus 2012 - 38
Gambar 2. Arsitektur jaringan backpropagation
Sebuah studi yang sistematis untuk
mengembangkan metode yang cocok yang
dapat menerima, menganalisa dan
mengevaluasi data eksperimen dengan
menggunakan metode backpropagation.
Metoda ini cepat dan mampu menghasilkan
output yang memiliki kesalahan minimum
untuk konfigurasinya. Hal ini menyebabkan
pengembangan jaringan backpropagation
dapat melatih dan menguji sistem, menghitung
parameter tertentu untuk kondisi yang berbeda
dan mengenali pola perilaku.
Secara umum tahapan pengembangan
aplikasi Artificial Neural Network
Backpropagation (ANN-PB) seperti
ditunjukkan pada Gambar 2. Pada penelitian
ini digunakan metode ANN-PB dengan
pertimbangan metode ini sangat baik dalam
menangani masalah pengenalan pola-pola
kompleks dan non-linier [18].
METODOLOGI PENELITIAN
Data
Data yang digunakan adalah data
sekunder yang diperoleh dari penelitian Fajri
(2011). Benda uji berupa balok beton busa
berukuran 15cm x 20cm x 80cm dengan
tulangan utama 4Ø10 mm dan Ø6–10 cm
untuk sengkang. Data potensial korosi diambil
2 minggu sekali selama empat bulan. Bentuk
dan dimensi benda uji diperlihatkan pada
Gambar 3.
80 cm
15 cm
20 cm
2 cm
3 cm
76 cm
Tulangan Utama
4 Ø 10 mm
Tulangan Sengkang
Ø 6 mm - 10 cm
Model Balok Beton BertulangGambar 3a. Model Balok Beton Bertulang
Gambar 3b. Hasil Pemetaan Tulangan
Sumber : Fajri (2011)
Diagram Alir Penelitian
Mulai
Studi Literatur
data sekunder hasil
penelitian laboratorium
Permodelandengan ANN
Prosesing
data
Pembahasan
Kesimpulan
Selesai
data
Training
Preprocessing
Inisialisasi
bobot awal
Penentuan
parameter
Run program
Posprocessing
data
ValidasiTidak
Forecasting
Ya
Hasil
tabel & grafik
Gambar 4. Metode Penelitian
Penelitian diawali dengan studi pustaka,
yaitu mengidentifikasi peubah potensial korosi
beton. Langkah berikutnya mempelajari
penelitian-penelitian yang pernah dilakukan
Pola Keluaran
Lapisan
Tersembunyi
Pola Masukan
Jurnal Teknik Sipil
Pascasarjana Universitas Syiah Kuala
39 - Volume 1, No. 1, Agustus 2012
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
ke-2, 6, 10 dan minggu ke-14.
Jumlah data dalam satu periode dipakai
sebagai jumlah masukan. Sebagai targetnya
diambil data periode kedua setelah periode
pertama berakhir. Agar memudahkan dalam
input data di dalam Matlab maka data-data
tersebut terlebih dahulu dientry ke dalam
Microsoft Excel.
Untuk tiap data dalam deret waktu, data
tersebut ditransformasi linear ke interval [0.1,
0.9] dengan menggunakan fungsi:
1.0)(8.0
'
ab
axx ………….(1)
X1
X2
X3
X4
X5
X6
X7
X8
Z6
Z5
Z4
Z3
Z2
Z1
U1.1
U2.1
V1.1
V2.1
W1
W2
W3
bu bv bw
bias hidden 1 bias hidden 2 bias output
Input Layer
Hidden Layer 1
Hidden Layer 2
Output Layer
BBN 3 cm
BBN 2 cm
BBF 3 cm
BBF 2 cm
BBP 3 cm
BBP 2 cm
BNK 3 cm
BNK 2 cm
Y
Z1
Z2
Z3
Gambar 5. Arsitektur Jaringan Prediksi Nilai
Potensial Beton
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
Mulai
input data
fungsi P fungsi T
net (membangun
jaringan)
inisialisasi jaringan
newff (minmax(pn),[x1 x2 x3...],
{act1 act2 act3...},
trainrp)
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)
training
(net=train[net,pn,
tn]) dan validasi
(bn=sim[net,Qn])
prestd (p,t) =
pn, meanp, stdp,
tn, meant, stdt
Hasil output
sesuai target
(r1 ˜ 1)
Ya
Tidak
forecasting
{[Qn=trastd(N,meanp,stdp)];
[bn=sim(net,Qn)];
[b=poststd(bn,meant,stdt)]}
Selesai
preprocessing/
normalisasi
Gambar 6. Bagan alir BPNN pada Matlab
Permodelan dengan Artificial Neural
Network
Permodelan dengan ANN dilakukan untuk
data sekunder hasil pengujian nilai potensial
korosi beton. Permodelan dilakukan dengan
metode resilent backpropagation (RB) dan
menggunakan sofware Matlab. Permodelan
dimulai dengan membagi data hasil penelitian
Jurnal Teknik Sipil
Pascasarjana Universitas Syiah Kuala
Volume 1, No.1, Agustus 2012 - 40
laboratorium ke dalam suatu kelompok
variabel yang akan dipelajari polanya.
Pembagian data
Data dibagi menjadi data pelatihan dan
pengujian. Aspek pembagian data harus
ditekankan agar jaringan mendapat data
pelatihan yang secukupnya dan data pengujian
dapat menguji prestasi pelatihan yang
dilakukan berdasarkan nilai MSE (Mean
Square Error) data pelatihan dan pengujian.
a. Training
Untuk proses pembelajaran (training)
digunakan data sekunder hasil penelitian
laboratorium. Langkah-langkah permodelan
adalah sebagai berikut:
1. Preprocessing
Preprocessing dilakukan untuk
menormalisasi data yang akan dilatih.
dengan fungsi mean dan standar deviasi.
Fungsi mean dan standar deviasi akan
membawa data ke bentuk normal dengan
mean = 0 dan standar deviasi = 1.
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
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
dari 1 neuron dengan fungsi purelin.
3. Inisialisasi bobot awal
Pemilihan 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
setiap lapisan tersembunyi atau lapisan
output sangat kecil, yang menyebabkan
proses pelatihan berjalan sangat lambat.
Biasanya bobot awal diinisialisasi secara
random dengan nilai antara -0,5 sampai
0,5 atau -1 sampai 1, atau interval lainnya.
Untuk permodelan ini akan digunakan
default Matlab yang akan memilih bobot
awal pada interval -0,5 sampai 0,5.
4. Penetapan parameter pembelajaran
Parameter pembelajaran untuk setiap
algoritma perlatihan berbeda beda.
Parameter-parameter yang ditetapkan
adalah maksimum epoch, kinerja tujuan,
learning rate dan momentum. Selain
parameter-parameter tersebut, parameter
lainnya digunakan default dari program
MatLab.
5. Postprocessing
Postprocessing dilakukan untuk melihat
kinerja jaringan. Hasil output neural
network dibandingkan dengan target.
Hasil perbandingan berupa koefisien
Jurnal Teknik Sipil
Pascasarjana Universitas Syiah Kuala
41 - Volume 1, No. 1, Agustus 2012
korelasi, apabila koefisien korelasi
mendekati 1, maka hasil output jaringan
semakin mendekati target.
b. Validasi
Untuk proses pemeriksaan (validasi)
digunakan data minggu 2, 6, 10 dan minggu
ke-14. Hasil kesalahan output jaringan pada
saat validasi tidak boleh berbeda jauh melebihi
dari target jaringan pada saat training. Apabila
hasil validasi tidak sesuai, maka pelatihan
harus diulang hingga hasil validasi sesuai.
c. Forecasting
Forecasting atau prediksi data baru
dilakukan apabila hasil validasi telah sesuai.
Algoritma terbaik adalah algoritma yang
memiliki koefisien korelasi yang mendekati 1
pada pelatihan, dan memiliki hasil validasi
sesuai dengan kesalahan terkecil.
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
pola mingguan.
3. Melakukan proses inisialisasi bobot input
dan bobot layer awal sebelum jaringan
dibentuk dengan cara randomisasi dan
melakukan proses aktivasi sigmoid biner.
4. Menjalankan proses pembelajaran
(pelatihan dan pengujian) pada ANN yang
dibentuk dengan cara melakukan iterasi
yang berulang-ulang secara manual pada
beberapa iterasi awal dan dengan
menggunakan software Matlab sampai
dengan iterasi-n.
5. Menghitung nilai kesalahan output
berdasarkan target yang telah ditentukan
pada setiap iterasi dengan metode MSE
(Mean Square Error) dan menyimpan
bobot optimal jaringan pada iterasi-n jika
tingkat error output terhadap target sudah
memenuhi syarat batas error.
6. Melakukan penghitungan prediksi /
peramalan nilai potensial korosi periode
bulan ke-5 hingga bulan ke-12 dengan
nilai input minggu ke-16 (bulan ke-4)
dengan menggunakan sistem optimal
yang telah dibentuk berdasarkan ANN.
Berikut ini adalah salah satu grafik nilai
potensial korosi dari data sekunder :
Gambar 7. Grafik Nilai Potensial Korosi Beton
Busa Normal (Selimut Beton 3 cm)
Perhitungan Peramalan (forecasting)
Setelah model terbaik diperoleh,
selanjutnya peramalan dapat dilakukan. Hasil
ramalan tidak selalu akurat atau sering berbeda
dengan keadaan sesungguhnya (data aktual).
Jurnal Teknik Sipil
Pascasarjana Universitas Syiah Kuala
Volume 1, No.1, Agustus 2012 - 42
Perbedaan antara ramalan dengan keadaan
sesungguhnya disebut dengan kesalahan
ramalan (forecast error), dalam hal ini diukur
dengan mean square error dengan rumus :
N
OutputetTMSE
2)arg( (2)
HASIL DAN DISKUSI
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 = 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
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
terhadap hasil laboratorium rata – rata sebesar
16.10% dan rata-rata keakuratan adalah
84,13%. Nilai potensial korosi pada
permodelan ANN untuk tahap training
(minggu ke - 0, 4, 8, 12 dan 16) umumnya
tidak jauh berbeda dengan hasil penelitian
laboratorium dengan persentase selisih rata-
rata 5.18% dan nilai keakuratannya sebesar
95.05%, sedangkan untuk tahap validasi
(minggu ke - 2, 6, 10, 14) terjadi perbedaan
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.
Gambar 8. Perbandingan Hasil Lab. dan ANN
dari Data Sekunder (Titik 7A –
Minggu 0)
Gambar 9. Perbandingan Hasil Lab. dan ANN
dari Data Sekunder (Titik 1A –
Minggu 14)
Jurnal Teknik Sipil
Pascasarjana Universitas Syiah Kuala
43 - Volume 1, No. 1, Agustus 2012
Hasil peramalan untuk bulan ke-5 hingga
bulan ke-12 diperoleh nilai yang fluktuatif
sama halnya dengan data sekunder yang
digunakan pada permodelan ini, namun secara
umum menunjukkan peningkatan dari nilai
awal prediksi rata-rata berkisar antara 3%
hingga 5%. Grafik hasil forecasting untuk
salah satu titik pengukuran (titik 7A) dapat
dilihat pada Gambar 10 di bawah ini. Dalam
hal ini pemanfaatan ANN untuk aplikasi
praktis peramalan secara umum dapat
diandalkan.
Gambar 10. Grafik Nilai Potensial Korosi Beton Hasil Forecasting dari ANN (Titik 7A)
Tabel 1. Hasil forecasting (pada titik 7A)
Titik
xo x1 x2 x3 x4 x5 x6 x7 x8
(bulan) BBN
3 cm
BBN
2 cm
BBF
3 cm
BBF
2 cm
BBP
3 cm
BBP
2 cm
BNK
3 cm
BNK
2 cm
7A 4 355.33 237.33 548.33 553.33 428.00 314.67 564.33 515.33
5 538.13 467.62 524.03 516.34 556.73 524.56 484.50 545.65
6 530.28 504.43 457.90 557.51 565.23 463.65 555.88 555.05
7 538.08 486.07 501.18 559.13 569.87 458.50 557.90 557.34
8 480.93 525.65 515.94 453.71 481.62 451.57 453.98 454.39
9 490.13 530.61 523.81 456.48 495.69 452.75 458.90 451.57
10 481.12 534.26 508.78 508.65 485.35 528.87 501.90 499.56
11 536.02 528.78 512.87 513.11 535.62 533.27 524.65 527.16
12 536.37 534.58 525.39 522.90 536.33 536.53 537.49 536.33
Jurnal Teknik Sipil
Pascasarjana Universitas Syiah Kuala
Volume 1, No.1, Agustus 2012 - 44
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
Jurnal Teknik Sipil
Pascasarjana Universitas Syiah Kuala
45 - Volume 1, No. 1, Agustus 2012
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
KESIMPULAN DAN SARAN
Dari hasil pengolahan data dan
pembahasan, maka diambil kesimpulan
sebagai hasil akhir dari penelitian ini, saran
dikemukakan dengan maksud agar
penelitian yang dilakukan oleh pihak lain
dapat lebih baik lagi.
Kesimpulan
1. Penerapan jaringan syaraf untuk
peramalan membutuhkan waktu yang
relatif lebih lama karena perlu
melakukan banyak percobaan dalam
menetapkan jumlah hidden layer,
jumlah neuron dalam hidden layer
dan parameter-parameter pelatihan
serta menerapkan teknik
pembelajaran pada jaringan yang
direncanakan.
2. Nilai potensial korosi yang diperoleh dari
permodelan ANN untuk tahap training
(minggu ke - 0, 4, 8, 12 dan 16) umumnya
tidak jauh berbeda dengan hasil penelitian
laboratorium dengan persentase selisih
rata-rata 5,18%, sedangkan tahap validasi
(minggu ke - 2, 6, 10, 14) diperoleh
persentase selisih sebesar 29,66%. Total
rata-rata persentase selisih seluruhnya
sebesar 16,10%.
3. Dari pengujian sistem yang dilakukan
terhadap perbandingan hasil prediksi
dengan data sekunder menghasilkan
persentase rata-rata nilai keakuratan
sebesar 84,13%, dimana untuk data
training sebesar 95,05% dan validasi
sebesar 70,49%.
Jurnal Teknik Sipil
Pascasarjana Universitas Syiah Kuala
Volume 1, No.1 Agustus 2012 - 46
4. Untuk peramalan bulan ke-5 hingga
bulan ke-12 diperoleh nilai yang
fluktuatif, sama halnya dengan data
sekunder yang digunakan pada
permodelan ini, namun secara umum
menunjukkan peningkatan nilai rata-
rata berkisar antara 3% hingga 5%.
Saran
Penelitian ini diharapkan dapat
dilanjutkan oleh peneliti lain, dengan
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 jaringan
backpropagation lainnya seperti
metode penurunan gradien dengan
momentum (traingdm), variabel laju
pemahaman (traingda, traingdx), atau
algoritma gradient conjugate
(traincgf, traincgp, traincgb) sehingga
dapat dibandingkan tingkat keakuratan
secara keseluruhan. Dengan
mengembangkan model jaringan yang lain,
tidak menutup kemungkinan dapat dicapai
hasil yang lebih baik dalam memprediksi
nilai potensial korosi.
4. Penelitian ini dapat dilanjutkan oleh
peneliti lain dengan menggunakan ANN
untuk membuat permodelan masalah-
masalah teknik lainnya.
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
Jurnal Teknik Sipil
Pascasarjana Universitas Syiah Kuala
47 - Volume 1, No. 1, Agustus 2012
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)
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.