Estimasi Posisi Akhir Deposisi Partikel dengan Algoritma Jaringan Syaraf Tiruan

Abstract

Di kehidupan nyata banyak sekali kegiatan yang menggunakan benda berwujud bahan butiran. Bahan-bahan butiran ini biasa disebut sebagai partikel. Penuangan gula pasir, penumpukan pasir atau batu, pengayakan pasir, dan penyimpanan bulir padi merupakan contoh dinamika partikel. Dinamika partikel melibatkan beberapa gaya, antara lain gaya gesek, gaya normal, dan gaya gravitasi. Hasan (2003) telah menerapkan model stick and slip contact untuk mensimulasikan salah satu dinamika partikel, yaitu deposisi partikel. Misalkan terdapat 200 partikel di jatuhkan pada ketinggian tertentu pastilah struktur yang terbentuk akan membentuk gundukan menyerupai segitiga. Mengapa kejadian tersebut dapat di ketahui karena setiap kali mata kita melihat sebuah partikel yang dijatuhkan pada ketinggian tertentu pasti stuktur akhirnya membentuk segitiga dan informasi tersebut disimpan dalam otak. Berbagai disiplin ilmu mengembangkan suatu metode komputasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi yakni mampu memroses informasi seperti otak manusia, salah satu metode komputasi yang memiliki karakteristik seperti syaraf biologi manusia adalah jaringan syaraf tiruan. Tujuan penelitian ini adalah ingin mengetahui posisi akhir partikel ketika dalam keadaan stabil pada proses pelongsoran partikel. Penelitian dilakukan dalam tiga tahapan, yaitu menentukan kriteria tumbukan antar partikel, selanjutnya memprediksi posisi akhir partikel berikutnya ketika dalam keadaan stabil, kemudian menghitung tingkat kesalahan dalam memprediksi posisi akhir partikel. Untuk memprediksi posisi akhir partikel, jaringan syaraf tiruan memerlukan beberapa input data yang digunakan sebagai ix laju pembelajaran (learning rate). Input data diperoleh dari hasil perhitungan simulasi awal dengan bantuan program FORTRAN. Setelah jaringan syaraf tiruan mempelajari karakteristik data yang ada kemudian memprediksi posisi akhir n partikel dengan bantuan program MATLAB. Dari hasil yang diperoleh tingkat kesalahan terkecil terjadi pada saat learning rate 7 input data dengan menggunakan 2 hidden layer. Sedangkan tiap-tiap layer terdiri dari 10 neuron sampai 25 neuron, dengan proses normalisasi membagi seluruh input data yang ada dengan data terbesar. Tingkat kesalahan terkecil diperoleh ketika memasukkan data dari perhitungan simulasi awal bukan pada saat posisi partikel sudah dalam keadaan stabil. Tingkat kesalahan cenderung naik ketika memasukkan data dari simulasi akhir perhitungan, yakni ketika turunan pertama dan kedua sama dengan nol, hal ini terjadi karena informasi data yang ada tidak mengambarkan sebuah pola. Untuk menghasilkan 2 output maka diperlukan 2 hidden layer, sedangkan untuk mempercepat proses iterasi dapat dibatasi dengan menentukan jumlah interval neuron yang digunakan dalam setiap layer. Apabila output yang diperoleh sama dengan target yang diiginkan dapat ditunjukkan dengan koefisien korelasi yang mendekati 1 artinya data antara output dengan target telah sesuai.