Studi Pengaruh Teknik Normalisasi Dan Fungsi Aktivasi Terhadap Performa

Model ANN Dalam Menyimulasikan Kekuatan Hasil Sambungan Las

Zulhi Auliya Fahma1, Rifqi Aulia Tanjung2, Ainun Zulfikar2

1. Program Studi Teknik Material dan Metalurgi,Jurusan IlmuKebumian dan Lingkungan, Institut Teknologi
Kalimantan, Jl. Soekarno-Hatta Km. 15, Karang Joang, Balikpapan, Kalimantan Timur, 76127
2 Program Studi Teknik Material dan Metalurgi,Jurusan IlmuKebumian dan Lingkungan, Institut Teknologi
Kalimantan, Jl. Soekarno-Hatta Km. 15, Karang Joang, Balikpapan, Kalimantan Timur, 76127

*e-mail: auliyafahma97@gmail.com

ABSTRAK

Mendapatkan nilai kekekuatan tarik dari hasil las SMAW yang optimal perlu dilakukan proses pengelasan yang
mempertimbangkan parameter proses pengelasan. Penelitian ini bertujuan membuat model jaringan syaraf tiruan untuk
memprediksi nilai kekuatan tarik pada pengelasan dan mengetahui akurasi dari model jaringan syaraf tiruan yang telah
dibuat. Dengan tahapan pengumpulan data input dan data output terlebih dahulu, lalu membuat rancangan JST yang
dapat memberikan nilai akurasi yang tinggi dapat digunakan untuk memprediksi nilai kekuatan tarik. Penelitian ini
menggunakan variasi teknik normalisasi dan fungsi aktivasi. Variasi teknik normalisasi yang digunakan adalah teknik Z-
Score dan Min-Max. Perbedaan dari kedua teknik normalisasi ada pada range hasil normalisasinya. Pada normalisasi min-
max hasilnya berubah nilai rentang 0 hingga 1. Sedangkan, pada normalisasi Z-Score data pelatihan dan data pengujian
berubah menjadi bernilai positif dan negatif. Sedangkan, pada fungsi aktivasi yang digunakan ialah Tansig, Logsig, dan
Purelin. Perbedaan pada ketiga fungsi aktivasi ini ada pada nilai keluaran yang dihasilkan. Tansig menghasilkan nilai
keluaran rentang -1 hingga 1, Logsig menghasilkan nilai keluaran 0 hingga 1, dan Purelin menghasilan nilai yang sama
atau bisa dibilang tidak mengubah nilai sama sekali. Dari percobaan yang dilakukan didapatkan model ANN yang terbaik
adalah model ANN yang menggunakan nomalisasi data Min-Max dengan fungsi aktivasi Logsig dan jumlah neuron pada
hidden layer 24. Model ini menghasilkan nilai RMSE sebesar 37,5.

Kata Kunci : Jaringan Syaraf Tiruan, SMAW, Kekuatan Tarik, Prediksi Numerik

1. Pendahuluan
Proses pengelasan sendiri salah satu proses manufaktur
yang sudah lama digunakan dan sudah banyak studi-
studi, penelitian, dan prosedur pengelasan yang telah
dilaksanakan. Sehingga, dalam proses pembuatan WPS
khususnya pada proses pembuatan PQR, dapat
menghemat biaya dengan memanfaatkan kumpulan data
atau database hasil pengelasan yang sudah dilakukan
untuk menentukan variabel pada pWPS atau membuat
keputusan berbasis data (Data-Driven Decision) dengan
bantuan simulasi komputer. Dengan memanfaatkan
keputusan berbasis data ini, dapat membuat kualifikasi
PQR tanpa trial and error. Manfaat dengan pendekatan
ini waktu, tenaga, dan biaya yang dikeluarkan tidak
besar dibanding dengan eksperimental. Kemudian, tools
simulasi komputasi yang konsepnya menggunakan
database sebagai bagian dari prosesnya ialah Machine
Learning yang berbasis dari Artificial Intelligence.
Machine Learning sendiri sering digunakan untuk
prediksi, optimasi, dan simulasi.
Metode yang digunakan pada Machine Learning ialah
Artificial Neural Network (ANN). Menurut Haykin [1],
ANN sendiri adalah sebuah model dari Machine
Learning yang prinsipnya seperti meniru kinerja
jaringan syaraf pada otak manusia untuk melakukan
tugas tertentu, yang dimana ANN ini memerlukan
pengalaman atau pelatihan dari data input untuk
melakukan tugas tertentu. Metode ANN ini digunakan
karena data yang dibutuhkan untuk menjalankan relatif
sedikit dan model cenderung sederhana [2] (Taulli,
2019). Penelitian yang dilakukan oleh Oh dkk. [3],
Artificial Neural Network (ANN) salah satu bagian dari
AI yang menjadi alat sangat berguna dalam pemodelan
hubungan timbal balik antara variabel masukan dan
keluaran dari sistem yang rumit lebih efisien. Tujuan
penelitian Oh dkk. [3], difokuskan pada pengembangan
model cerdas untuk Lap-joint dalam proses pengelasan
Gas Metal Arc (GMA) otomatis dengan algoritma
jaringan saraf. Dengan perkembangan teknologi
komputasi, jaringan saraf tampaknya dapat berguna
dalam pengembangan teknologi dalam pengelasan.
ANN juga banyak digunakan pada pengelasan. Pada
penelitian oleh Singh dkk. [4], mengiplementasikan
ANN untuk menganalisis dan memprediksi sifat
mekanik sambungan las SMAW dibawah pengaruh
medan magnet eksternal. Pada penelitian Schmoeller
dkk. [5], melakukan investigasi pengaruh parameter
proses terhadap kedalaman las pada laser beam welding
menggunakan Machine Learning. Hasilnya model
machine learning yang dibuat memprediksi kedalaman
las dengan nilai RMSE sebesar 0,083. Penelitian dari
Ghetiya dan Patel [6], melakukan penelitian
mengoptimalkan parameter proses pengelasan Friction
Stir Welding (FSW) pada alumunium untuk
memprediksi nilai kekuatan tarik dengan metode ANN.
Penelitian ini berfokus pada pembuatan model ANN
secara trial and error dengan memvariasikan jumlah
neuron pada hidden layer.
Penelitian yang dilakukan Sarkar dkk. [7], melakukan
penelitian perbandingan antara Multiple Regression
Analysis (MRA) dan Artificial Neural Network (ANN).
Hasil perbandingan penelitian ini menunjukkan
kakuratan prediksi model ANN lebih baik daripada
model MRA. Pada penelitian yang dilakukan Kulkarni
[8], menerapkan ANN untuk memprediksi tegangan sisa
selama proses pengelasan. Menariknya penelitian ini
menggunakan 2 simulasi komputer sekaligus, pertama
menggunakan Finite Element Method (FEM) untuk
melakukan analisis termal dan tegangan pada
pengelasan dan untuk membuat database pengujian, dan
kedua menggunakan Artificial Neural Network (ANN)
untuk memprediksi tegangan sisa. Implementasi
simulasi komputer dapat mempermudah pekerjaan dari
manusia dibidang engineering.
Kelemahan metode ANN ini tidak bisa memberikan
pemahaman atau penjelasan tentang proses, proses
penyesuaian bobot dalam model menggunakan nilai
acak yang memakan waktu, dan tidak bisa
menghubungkan efek kualitatif dari parameter proses
[9] (Andersen, 1990; [2] Taulli, 2019). Sedangkan,
keunggulan dari metode ANN ini dapat memberikan
akurasi untuk dapat dipahami, dapat menangkap
kompleksitas proses aplikasi asalkan data pelatihan
mencakup seluruh parameter, pengembangan model
lebih sederhana karena menyesuaikan dengan data
pelatihan, model bisa disempurnakan dengan
menambah data baru, dan hasil dari ANN relatif cepat
karena data input hanya disebarkan sekali dalam mode
aplikasi, data yang dibutuhkan relatif sedikit [9]
(Andersen, 1990; Taulli, 2019)[2].
Namun, yang jadi masalah pada metode ANN ini adalah
model yang dibuat berbeda-beda dan harus disesuaikan
dengan aplikasi penggunaanya. Satu model ANN
biasanya tidak bisa digunakan pada aplikasi yang
berbeda walaupun nilai akurasinya sangat tinggi. Hal ini
dikarenakan model ANN bergantung dengan database
pada aplikasi penggunaanya, model arsitektur jaringan,
bobot suatu unit, dan tipe output nya. Dalam membuat
model ANN cukup banyak variabel yang harus
ditentukan. Suatu unit pada output layer dipengaruhi
banyak parameter pada layer sebelumnya, sehingga sulit
untuk mengetahui bagaimana pengaruh suatu unit pada
layer sebelumnya dengan output layer. Cara
menentukannya dengan cara trial and error dan menilai
peforma dari modelnya. Sebelum memulai dengan
variabel model ANN, kita terlebih dahulu melakukan
pra pemrosesan data. Pra pemrosesan data ini adalah
menyiapkan data yang telah dikumpulkan untuk masuk
tahapan selanjutnya. Pra pemrosesan data dikenal
dengan normalisasi data. Normalisasi data sendiri ini
sangat penting sebelum kita melakukan simulasi, karena
normalisasi data dapat meminimalkan bias dalam data,
menyeragamkan nilai data, dan dapat mempercepat
waktu pelatihan [10] (Priddy & Keller, 2005). Teknik
normalisasi data sendiri yang paling umum digunakan
adalah normalisasi data Min-Max dan Z-Score.
Sehingga, dari kedua teknik normalisasi ini perlu
mencari tahu mana teknik normalisasi data yang
memberikan akurasi prediksi paling tinggi yang
nantinya akan digunakan pada model ANN yang
memberikan nilai akurasi tinggi.
Setelah itu, salah satu variabel yang kita tentukan dalam
melakukan simulasi ANN adalah Fungsi Aktivasi.
Fungsi aktivasi ini bagian yang penting, karena dapat
mempengaruhi cara memformat data input menjadi data
output. Fungsi aktivasi ini bertamggung jawab atas
koneksi antara input dan output dari sebuah neuron dan
jaringan [11] (Igwe dkk, 2021). Fungsi Aktivasi ini ada
3 jenis yaitu, Logsig, Tangsig, dan Purelin. Perbedaan
ketiganya adalah format dari nilai output yang
dihasilkan. Dari Logsig akan mengeluarkan nilai output
di kisaran 0 hingga 1. Pada Tansig akan mengeluarkan
nilai output di kisaran -1 hingga 1. Sedangkan, Purelin
akan menghasilkan nilai output yang sesuai dengan nilai
input atau tidak merubah nilai sama sekali. Dari ketiga
fungsi aktivasi ini kita perlu melakukan trial and error
untuk menentukan model dengan fungsi aktivasi mana
yang memberikan peforma paling optimal.
Oleh karena itu, penentuan teknik normalisasi dan
fungsi aktivasi ini dalam pembuatan model ANN
penting dilakukan supaya menjadi acuan atau
benchmarks dalam menentuakan parameter model ANN
yang lainnya, seperti jumlah Learning Rate, epoch,
hidden layer, minimum error, dan yang lainnya.
Sehingga, akan terbentuknya suatu sistem ANN yang
dapat digunakan untuk membantu dalam proses
pengelasan
2. Metodologi
2.1 Alat dan Bahan

Pada penelitian ini membutuhkan data hasil-hasil
pengelasan SMAW dan nilai kekuatan tariknya. Untuk
menjalankan ANN membutuhkan kumpulan data yang
banyak. Penelitian ini mengumpulkan data sebanyak
149 data. Data tersebut dibagi menjadi 2 kelompok,
yakni kelompok data pelatihan dan kelompok data
pengujian. Pembagian ini bertujuan untuk memenuhi
proses ANN yeng menggunakan metode Supervised
Learning. Metode ini merupakan metode
pembelajaran terawasi yang sudah ditentukan masukan
dan keluaran yang diinginkan. Pembagian data ini
dilakukan dengan perbandingan 80 : 20, sehingga
jumlah kelompok data pelatihan sebanyak 149 data
dan kelompok data pengujian sebanyak 30 data.
Aplikasi perangkat lunak yang digunakan pada
penelitian ini menggunakan Matlab 2018a. Desain
arsitektur pada penelitian ini menggunakan tipe jaringan
Feedforward Multilayre, Backpropagation dan tipe
algoritma yang digunakan adalah Levenberg-
Marquardt. Penelitian ini juga melakukan variasi pada
jumlah neuron, yang mana jumlahnya 2, 4, 6, 8, 10, …,
46 dengan kelipatan 2.
2.2 Teknik Normalisasi
Kumpulan data atau database diubah terlebih dahulu
dalam rentang tertentu yang disebut normalisasi data
(Heaton) [12]. Tujuannya untuk meminimalkan bias
dan mem-percepat waktu pelatihan. Normalisasi data
juga merupakan tahapan pra pemrosesan data [10].
Pene-litian ini menggunakan 2 teknik normalisasi
sebagai berikut :
1. Teknik Normalisasi Min-Max
Normalisasi min-max merupakan teknik normalisasi
data yang memberikan nilai rentang pada data 0
hingga 1. Hasil nilai ini didapat dari persamaan :
= (1)
2. Teknik Normalisasi Z-Score
Teknik ini menggunakan mean (µ) dan standar
deviasi (σ) untuk setiap fitur di seluruh kumpulan
data pelatihan atau pengujian. Nilai yang dihasilkan
berupa nilai negatif dan positif. Hasil nilai ini
didapat dari persamaan :
= (2)
2.3 Fungsi Aktivasi
Fungsi aktivsi atau fungsi transfer yang dapat
mempengaruhi cara memformat data input. Karena
fungsi ini menetapkan batas untuk output neuron [12].
Tujuan penggunaan fungsi aktivasi adalah untuk
memungkinkan keluaran penjumlahan bervariasi
terhadap waktu. Fungsi transfer adalah hasil dari fungsi
penjumlahan, lalu ditransformasikan menjadi keluaran
kerja melalui proses algoritmik (demuth beale).
Penelitian ini menggunakan 3 jenis fungsi aktivasi,
sebagai berikut :
1. Fungsi Aktivasi Linear
Fungsi linier adalah fungsi aktivasi yang paling
dasar karena tidak mengubah output neuron dari
sama sekali. Berikut persamaan dari fungsi ini:
ø = (3)
2. Fungsi Aktivasi Sigmoid
Fungsi ini adalah pilihan yang sangat umum untuk
jaringan saraf feedforward yang hanya perlu
mengeluarkan angka positif. Fungsi ini
menghasilkan output ke kisaran 0 hingga 1. Berikut
persamaan dari fungsi ini:
ø = (4)
3. Fungsi Aktivasi Tangen Hiperbolik
Fungsi ini juga merupakan fungsi aktivasi yang
sangat umum untuk jaringan saraf dan menghasilkan
nilai dalam rentang -1 hinggan 1. Fungsi ini
mengehasilkan keluaran positif dan negatif. Berikut
persamaan dari fungsi ini :
ø = tanh (5)
3. Hasil dan pembahasan
3.1 Hasil Simulasi Model ANN
Setelah dilakukan penelitian seperti yang telah
dijelaskan pada bagian metode penelitian. Hasil dari
kinerja model ANN dengan teknik normalisasi Min-Max
dan Z-Score didasarkan dengan RMSE (Root Mean
Square Error) yang merupakan cara untuk mengukur
kesalahan suatu model prediktif dalam melakukan
prediksi nilai kuantitatif terhadap nilai aktualnya. Ada 6
model jaringan yang menggunakan teknik normalisasi
Min-Max dan Z-Score, yakni fungsi aktivasi logsig,
fungsi aktivasi purelin, dan fungsi aktivasi tansig.
Ketiga model ini akan dibahas sebagai berikut :
1. Fungsi Aktivasi Logsig
Hasil Hasil dari fungsi aktivasi Logsig yang dimana
fungsi ini menghasil nilai keluaran 0 hingga 1. Hasil dari
model ini dapat dilihat pada Gambar 1. Pada Gambar 1
neuron yang memberikan nilai RMSE paling besar
adalah dengan jumlah 2 dan neuron yang memberikan
nilai RMSE paling kecil adalah dengan jumlah 24. Dari
gambar 1 juga kita dapat melihat tren dari grafik
tersebut. Tren pada grafik tersebut menunjukkan tren
yang cenderung menurun. Artinya, dengan tren yang
menurun mengindikasikan adanya penurunan nilai
RMSE seiring dengan bertambahnya neuron yang
digunakan.
Apabila kita melihat dari pola grafiknya secara
keseluruhan menunjukkan grafik yang naik dan turun
secara tidak beraturan. Pada neuron 8-44 menunjukkan
grafik yang cenderung stabil. Setelah dilakukannya
pengujian pada model dengan fungsi aktivasi Logsig,
dilakukan evaluasi pada model yang sudah dibuat
terhadap hasil prediksinya melalui nilai RMSE. Nilai
RMSE yang terkecil dihasilkan oleh model ANN fungsi
aktivasi logsig dengan jumlah neuron 24. Menurut
Ghetiya & Patel (2014) suatu model ANN dikatakan
baik pada peformanya apabila memiliki nilai RMSE
yang mendekati 0. Sehingga, dari model ANN fungsi
aktivasi logsig yang terbaik adalah dengan jumlah
neuron 24 yang memiliki nilai RMSE sebesar 37,5.
Gambar 1. Grafik RMSE Teknik Normalisasi Min-
Max dengan Fungsi Aktivasi Logsig
2. Fungsi Aktivasi Purelin
Hasil dari fungsi aktivasi Purelin yang dimana fungsi ini
tidak mengubah nilai keluaran atau menghasilkan hasil
yang sama seperti nilai input. Hasil dari model ini dapat
dilihat pada Gambar 2. Pada Gambar 2 neuron yang
memberikan nilai RMSE paling besar adalah dengan
jumlah 38 dan neuron yang memberikan nilai RMSE
paling kecil adalah dengan jumlah 44. Dari gambar 2
juga kita dapat melihat tren dari grafik tersebut. Tren
pada grafik tersebut menunjukkan tren yang cenderung
naik. Artinya, dengan tren yang cenderung naik
mengindikasikan adanya peningkatan nilai RMSE
seiring dengan bertambahnya neuron yang digunakan.
Apabila kita melihat dari pola grafiknya secara
keseluruhan menunjukkan grafik yang naik dan turun
secara tidak beraturan. Pada neuron 6-12 menunjukkan
grafik yang cenderung stabil. Pada neuron 14–46
menunjukkan grafik yang turun secara signifikan.
Setelah dilakukannya pengujian pada model dengan
fungsi aktivasi Purelin, dilakukan evaluasi pada model
yang sudah dibuat terhadap hasil prediksinya melalui
nilai RMSE. Nilai RMSE yang terkecil dihasilkan oleh
model ANN fungsi aktivasi Purelin dengan jumlah
neuron 44. Menurut Ghetiya & Patel (2014) suatu model
ANN dikatakan baik pada peformanya apabila memiliki
nilai RMSE yang mendekati 0. Sehingga, dari model
ANN fungsi aktivasi Purelin yang terbaik adalah dengan
jumlah neuron 44 yang memiliki nilai RMSE sebesar
179,4.
Gambar 2. Grafik RMSE Teknik Normalisasi Min-
Max dengan Fungsi Aktivasi Purelin
3. Fungsi Aktivasi Tansig
Hasil dari fungsi aktivasi Tansig yang dimana fungsi ini
menghasil nilai keluaran -1 hingga 1. Hasil dari model
ini dapat dilihat pada Gambar 3. Pada Gambar 3 neuron
yang memberikan nilai RMSE paling besar adalah
dengan jumlah 38 dan neuron yang memberikan nilai
RMSE paling kecil adalah dengan jumlah 34. Dari
gambar 3 juga kita dapat melihat tren dari grafik
tersebut. Tren pada grafik tersebut menunjukkan tren
yang naik. Artinya, dengan tren yang naik
mengindikasikan tidak adanya penambahan nilai RMSE
seiring dengan bertambahnya neuron yang digunakan.
Apabila kita melihat dari pola grafiknya secara
keseluruhan menunjukkan grafik yang naik dan turun
secara tidak beraturan. Setelah dilakukannya pengujian
pada model dengan fungsi aktivasi Tansig, dilakukan
evaluasi pada model yang sudah dibuat terhadap hasil
prediskinya melalui nilai RMSE. Nilai RMSE yang
terkecil dihasilkan oleh model ANN fungsi aktivasi
Tansig dengan jumlah neuron 34. Menurut Ghetiya &
Patel (2014) suatu model ANN dikatakan baik pada
peformanya apabila memiliki nilai RMSE yang
mendekati 0. Sehingga, dari model ANN fungsi aktivasi
Tansig yang terbaik adalah dengan jumlah neuron 34
yang memiliki nilai RMSE sebesar 43,8.
Gambar 3. Grafik RMSE Teknik Normalisasi Min-
Max dengan Fungsi Aktivasi Tansig
4. Fungsi Aktivasi Logsig
Pada Hasil dari fungsi aktivasi Logsig yang dimana
fungsi ini menghasil nilai keluaran 0 hingga 1. Hasil dari
model ini dapat dilihat pada Gambar 4. Pada Gambar 4
neuron yang memberikan nilai RMSE paling besar
adalah dengan jumlah 26 dan neuron yang memberikan
nilai RMSE paling kecil adalah dengan jumlah 8, 36,
dan 46. Dari gambar 4 juga kita dapat melihat tren dari
grafik tersebut. Tren pada grafik tersebut menunjukkan
tren cenderung stabil.
Apabila kita melihat dari pola grafiknya secara
keseluruhan menunjukkan grafik yang naik dan turun
secara tidak beraturan. Setelah dilakukannya pengujian
pada model dengan fungsi aktivasi Logisg, dilakukan
evaluasi pada model yang sudah dibuat terhadap hasil
prediskinya melalui nilai RMSE. Nilai RMSE yang
terkecil dihasilkan oleh model ANN fungsi aktivasi
Logisg dengan jumlah neuron 8, 36, dan 46. Menurut
Ghetiya & Patel (2014) suatu model ANN dikatakan
baik pada peformanya apabila memiliki nilai RMSE
yang mendekati 0. Sehingga, dari model ANN fungsi
aktivasi Logsig yang terbaik adalah dengan jumlah
neuron 8, 36, dan 46 yang memiliki nilai RMSE sebesar
44,1.
Gambar 4. Grafik RMSE Teknik Normalisasi Z-
Score dengan Fungsi Aktivasi Logsig
5. Fungsi Aktivasi Purelin
Hasil dari fungsi aktivasi Purelin yang dimana fungsi ini
tidak mengubah nilai keluaran atau menghasilkan hasil
yang sama seperti nilai input. Hasil dari model ini dapat
dilihat pada Gambar 5. Pada Gambar 5 neuron yang
memberikan nilai RMSE paling besar adalah dengan
jumlah 46 dan neuron yang memberikan nilai RMSE
paling kecil adalah dengan jumlah 20. Dari gambar 5
juga kita dapat melihat tren dari grafik tersebut. Tren
pada grafik tersebut menunjukkan tren yang naik.
Artinya, dengan tren yang naik ini mengindikasikan
adanya peningkatan nilai RMSE seiring dengan
bertambahnya neuron yang digunakan.
Apabila kita melihat dari pola grafiknya secara
keseluruhan menunjukkan grafik yang naik dan turun
siginifkan. Setelah dilakukannya pengujian pada model
dengan fungsi aktivasi Purelin, dilakukan evaluasi pada
model yang sudah dibuat terhadap hasil prediksinya
melalui nilai RMSE. Nilai RMSE yang terkecil
dihasilkan oleh model ANN fungsi aktivasi Purelin
dengan jumlah neuron 20. Menurut Ghetiya & Patel
(2014) suatu model ANN dikatakan baik pada
peformanya apabila memiliki nilai RMSE yang
mendekati 0. Sehingga, dari model ANN fungsi aktivasi
Purelin yang terbaik adalah dengan jumlah neuron 20
yang memiliki nilai RMSE sebesar 127,2.
Gambar 5. Grafik RMSE Teknik Normalisasi Z- Gambar 6. Grafik RMSE Teknik Normalisasi Z-
Score dengan Fungsi Aktivasi Purelin Score dengan Fungsi Aktivasi Tansig

6. Fungsi Aktivasi Tansig 3.2 Analisis Pengaruh Teknik Normalisasi

Hasil dari fungsi aktivasi Tansig yang dimana fungsi ini
menghasil nilai keluaran -1 hingga 1. Hasil dari model (a) (b)
ini dapat dilihat pada Gambar 6. Pada Gambar 6 neuron
yang memberikan nilai RMSE paling besar adalah
dengan jumlah 10 dan neuron yang memberikan nilai
RMSE paling kecil adalah dengan jumlah 34. Dari
gambar 6 juga kita dapat melihat tren dari grafik
tersebut. Tren pada grafik tersebut menunjukkan tren
yang menurun. Artinya, dengan tren yang menurun (c)
mengindikasikan adanya penurunan nilai RMSE seiring
dengan bertambahnya neuron yang digunakan.
Apabila kita melihat dari pola grafiknya secara
keseluruhan menunjukkan grafik yang naik dan turun
secara tidak beraturan. Pada neuron 12-44 menunjukkan
grafik yang cenderung stabil. Setelah dilakukannya
pengujian pada model dengan fungsi aktivasi Tansig, Gambar 7. Grafik Pengaruh Teknik Normalisasi,
dilakukan evaluasi pada model yang sudah dibuat (a) Logsig, (b) Purelin, (c) Tansig
terhadap hasil prediksinya melalui nilai RMSE. Nilai
RMSE yang terkecil dihasilkan oleh model ANN fungsi
Berdasarkan hasil dari penelitian yang telah dikerjakan
aktivasi Tansig dengan jumlah neuron 34. Menurut
kita dapat melihat perbandingan teknik normalisasi
Ghetiya & Patel (2014) suatu model ANN dikatakan
antara Min-Max dan Z-Score. Perbandingan dapat
baik pada peformanya apabila memiliki nilai RMSE
dilihat pada Gambar 7. Perbandingan dilakukan
yang mendekati 0. Sehingga, dari model ANN fungsi
menggunakan 2 teknik normalisasi dengan 1 fungsi
aktivasi Tansig yang terbaik adalah dengan jumlah
aktivasi yang sama. Supaya mempermudah untuk
neuron 34 yang memiliki nilai RMSE sebesar 57,2.
membandingkan teknik normalisasi mana yang
memberikan hasil optimal. Hasil kinerja model
ditentukan dengan nilai RMSE pada setiap neuronnya.
Menurut Ghetiya & Patel (2014) suatu model dikatakan
memberikan hasil akurasi yang optimal apabila grafik
pada Gambar 7 berada dibawah atau grafik yang
mendekati angka 0, yang artinya hasil nilai RMSE nya
mendekati nilai 0.
Bila ditinjau dari masing-masing fungsi aktivasi seperti
Gambar 7.a yang menggunakan fungsi aktivasi Logsig.
Dari gambar tersebut teknik normalisasi Min-Max
menghasilkan grafik yang lebih rendah atau dibawah
dari grafik teknik normalisasi Z-Score. Pada Gambar 7.b
yang menggunakan fungsi aktivasi Purelin. Dari gambar
tersebut teknik normalisasi Z-Score menghasilkan
grafik yang lebih rendah atau dibawah dari grafik teknik
normalisasi Min-Max. Pada Gambar 7.c yang
menggunakan fungsi aktivasi Tansig. Dari gambar
tersebut teknik normalisasi Min-Max menghasilkan
grafik yang lebih rendah atau dibawah dari grafik teknik
normalisasi Z-Score.
Menurut Ribeiro dkk (2021) normalisasi data atau
proses pra-pemrosesan data ini diperlukan untuk
meningkatkan akurasi dari ANN. Perbedaan hasil dari
normalisasi data ini mempengaruhi tingkat akurasi dari
ANN. Teknik normalisasi dapat meningkatkan akurasi
dari ANN karena fungsi dari teknik normalisasi ini
untuk meminimalkan bias pada database yang menjadi
pedoman model ANN (Priddy & Keller, 2005). Pada
penelitian ini teknik normalisasi Min-Max secara umum
lebih baik dibanding teknik normalisasi Z-Score. Hal ini
dikarenakan teknik normalisasi Min-Max menghasilkan
range nilai normalisasi yang tidak terlalu besar
dibandingkan dengan teknik normalisasi Z-Score.
Menurut Ribeiro dkk (2021) keseragaman nilai
mempengaruhi efektivitas ANN, semakin kecil range
nilai maka bisa dikatakan semakin seragam.
3.3 Perbandingan Penggunaan Fungsi Aktivasi
(a) (b)
Gambar 8. Grafik Pengaruh Fungsi Aktivasi, (a)
Teknik Normalisasi Min-Max, (b)
Teknik Normalisasi Z-Score
Pada perbandingan fungsi aktivasi Logsig, Purelin, dan
Tansig dapat dilihat pada Gambar 8. Perbandingan
dilakukan menggunakan 3 fungsi aktivasi dengan teknik
normalisasi yang sama. Supaya mempermudah untuk
membandingkan fungsi aktivasi mana yang
memberikan hasil optimal. Hasil kinerja model
ditentukan dengan nilai RMSE pada setiap neuronnya.
Menurut Ghetiya & Patel (2014) suatu model dikatakan
memberikan hasil akurasi yang optimal apabila grafik
pada Gambar 8 berada dibawah atau grafik yang
mendekati angka 0, yang artinya hasil nilai RMSE nya
mendekati nilai 0.
Bila ditinjau dari kedua teknik normalisasi seperti
Gambar 8.a dan 8.b fungsi aktivasi Purelin memiliki
perbedaan yang besar antara fungsi aktivasi Logsig dan
Tansig. Karena menurut Heaton (2015) fungsi aktivasi
Purelin tidak mengubah output neuron sama sekali,
sedangkan Logsig mengubah nilai menjadi dikisaran 0
hingga 1 dan Tansig mengubah nilai keluarannya
menjadi dikisaran -1 hingga 1. Hal ini mempengaruhi
dari hasil prediksi model ANN. Karena menurut Priddy
& Keller (2005) fungsi aktivasi adalah fungsi
matematika yang menentukan hasil keluaran atau
output. Menurut Heaton (2015) juga fungsi aktivasi
Logsig dan Tansig merupakan fungsi yang banyak
digunakan peneliti untuk tipe jaringan Feedforward
Backpropagation. Hal ini mengindikasikan bahwa
kedua fungsi aktivasi ini memberikan hasil yang baik.
Dari kedua fungsi aktivasi itu yang lebih baik adalah
fungsi aktivasi Logsig dibanding fungsi aktivasi Tansig.
4. Kesimpulan
Adapun kesimpulan yang didapat dari pengerjaan
penelitian ini adalah sebagai berikut :
1.a. Teknik normalisasi memberikan pengaruh untuk
meningkatkan akurasi dari model ANN dengan
meminimalkan bias pada database dan teknik
normalisasi terbaik adalah teknik normalisasi Min-
Max.
1.b. Fungsi aktivasi memberikan pengaruh untuk
menentukan hasil keluaran atau output dari model
ANN, sehingga hasil prediksi ditentukan oleh
fungsi aktivasi. Fungsi aktivasi yang terbaik adalah
fungsi aktivasi Logsig
2. Model Kombinasi model dari metode teknik
nomalisasi dan fungsi aktivasi dengan akurasi
paling tinggi ada pada model dengan teknik
normaliasi Min-Max dengan fungsi aktivasi Logsig
pada jumlah neuron 24 dengan nilai RMSE 37,5.
5. Referensi
[1] Haykin, S. (2009), Neural Networks and Learning
Machines, 3rd edition, Pearson, Prentice Hall,
Canada.
[2] Taulli, Tom, (2019), Artificial Intelligence Basics: A
Non-Technical Introduction, Apress, USA.
[3] Oh, W. -B., Yun, T. -J., Lee, B. -R., Kim, C. -G.,
Liang, Z. -L., dan Kim, I. -S., (2019), A Study
on Intelligent Algorithm to Control Elding
Parameters for Lap-Joint, Procedia
Manufacturing, No. 30, hal. 48-55.
[4] Singh, R. P., Gupta, R.C., dan Sarkar, S. C. (2012),
Application of Artificial Neural Network To
Analyze And Predict The Mechanical
Properties of Shielded Metal Arc Welded
Joints Under The Influence of External
Magnetic Field, International Journal of
Engineering Research & Technology.
[5] Schmoeller, M., Stadter, C., Wagner, M., dan Zaeh,
M. F., (2020), Investigation of the Influences
of the Process Parameters on the Weld Depth
in Laser Beam Welding of AA6082 Using
Machine Learning Methods, Procedia CIRP,
No. 94, hal 702-707.
[6] Ghetiya, N. D., dan Patel, K. M. (2014), “Prediction
of Tensile Strength in Friction Stir Welded
Aluminium Alloy Using Artificial Neural
Network”, 2nd International Conference on
Innovations in Automation and Mechatronics
Engineering, ICIAME, hal. 274-281.
[7] Sarkar, A., Dey, P., Rai, R. N., dan Saha, S. C.,
(2016), A Comparative Study of Multiple
Regression Analysis and Back Propagation
Neural Network Approaches on Plain Carbon
Steel in Submerged-Arc Welding, Indian
Academy of Sciences.
[8] Kulkarni, K. A. (2021), Prediction of Welding
Residual Stresses Using Artificial Neural
Network (ANN) : Material Today : Proceeding.
[9] Andersen, K., Cook, G. E., Karsai., G., dan
Ramaswamy, K., (1990), Artificial Neural
Network Applied to Arc Welding Process
Modeling and Control, IEEE Transactions on
Industry Application, Vol. 26, No, 5.
[10] Priddy, K. L., dan Keller, P. E. (2005), Artificial
Neural Networks an Introduction, SPIE Press,
Washington.
[11] Igwe, K. C., Oyedum, O. D., Aibinu, A. M.,
Ajewole, M. O., dan Moses, A. S., (2021),
Application of Artificial Neural Network
Modeling Techniques to Signal Strength
Computation, Heliyon, 7(3), e06047.
[12] Heaton, J. (2015), Artificial Intelligence for
Humans Vol 3 : Deep Learning and Neural
Networks, Heaton Research, Inc.
[13] Demuth, H., dan Beale, M. (2002), Neural Network
Toolbox, Version 4, The MathWorks, Inc.