Tugas analisis jurnal 20 april

Yoga Hidayatuloh

18010046 – 3T2

Analisa jurnal penelitian

Judul penelitian : “Prediction of Yarn Properties Using Evaluation Programing”

Peneliti : Mehmet Dayik

Tujuan penelitian : Artikel ini mengusulkan prediksi pendekatan untuk

menentukan kekuatan putus dari sifat benang dengan
menggunakan metode evaluasi pemrograman.

Metode penelitian : Material yang digunakan :

Dalam penelitian ini, sembilan sampel benang katun 100%
yang berbeda, enam nomor benang dan tiga multiple twist
disediakan oleh Pabrik Pemintalan Tekstil Yumak, Isparta,
Turki.
Semua sampel dipintal menjadi benang pada mesin ring
spinning (Rieter Model G33) pada nomor benang 16 Ne, 20
Ne, 24 Ne, 28 Ne, 30 Ne dan 40 Ne. Serat kapas memiliki
nilai mikronaire dari 4,0–4,5, panjang bentang 2,5% dari 28–
29 mm, satu bundel kekuatan 23-24 g / tex dan
perpanjangan putus 4,3%.
Setiap nomor benang dipintal pada tiga multipier twist yang
berbeda (3,6 αe, 4,0 αe, 4,4 αe). Secara total, 162 percobaan
 pemintalan telah dilakukan dengan sembilan sampel. Untuk
menentukan rata-rata kekuatan putus, 50 pengukuran
dilakukam untuk masing-masing percobaan spinning.

Secara umum terdapat dua metode berbeda untuk

menentukan kekuatan benang yaitu :
1.) Brief Overview of GEP (Gene expression programing)
2.) Brief Overview of Neural Networks
(Penjelasan dipaparkan dibawah)
3.) Statistical Analysis
Kesimpulan : Dalam makalah ini, dua program evaluasi (GEP dan neural
jaringan) diterapkan ke masalah memprediksi kekuatan
putus.
Hasil diperoleh dari tes komputasi ekstensif kami memiliki
indikator menyatakan bahwa program evaluasi
menghasilkan hasil yang jauh lebih baik daripada analisis
regresi. Kemudian GEP menunjukan hasil jauh lebih baik
(98,88%) daripada ANN (94.00%), dan model regresi linier
(74.30%) pada pengujian ini.
Disimpulkan bahwa GEP merupakan evaluasi yang baik pada
pemrograman untuk digunakan dalam prediksi kekuatan
putus benang. Keuntungan penting lainnya dari GEP adalah
kemampuannya untuk menghasilkan persamaan
matematika yang dapat dengan mudah diprogram bahkan
ke dalam kalkulator saku untuk digunakan sehari-hari praktik
selama proses produksi benang.

 Metode Brief Overview of GEP

: Pemrograman genetik (GP) diusulkan oleh Koza [19]. Ini adalah sebuah rumus
algoritma genetika (GA) [20].

Operasi dimulai dengan pembuatan kromosom secara acak pada populasi

awal. Kemudian kromosom diekspresikan dan kecocokan setiap individu
dievaluasi. Individual kemudian dipilih sesuai dengan yang sehat untuk
mereproduksi dengan modifikasi, meninggalkan keturunan dengan sifat-sifat
baru. Itulah individu dari generasi baru ini, pada gilirannya, disubjekkan
keuntuk proses perkembangan yang sama: ekspresi dari genom, konfrontasi
lingkungan seleksi dan reproduksi dengan modifikasi. Proses ini diulangi
selama sejumlah generasi tertentu atau sampai solusi tercapai ditemukan.

Bentuk solusi yang paling umum untuk komputer-mod-Masalah utama adalah

program komputer. GP memperhatikan tentang ini dan mencoba
menggunakan program komputer sebagai datanya perwakilan. Mirip dengan
GA, GP hanya butuh masalah untuk didefinisikan. Kemudian, program mencari
solusi di file cara masalah-independen [19, 20].

GEP merupakan perkembangan alami dari GA dan GP. GEP dulu diusulkan oleh
Ferreira [21]. Sebagian besar operator genetik digunakan di GA juga dapat
diimplementasikan di GP dan GEP dengan perubahan kecil.

Seperti GP, hanya ada lima komponen di GEP yaitu

: set fungsi, set terminal, fungsi fitness atau kecocokan, control parameter dan
stop condition.

yang harus ditentukan saat menggunakan GEP untuk memecahkan masalah.

Berbeda dengan tree parse representation di GP resmi, GEP menggunakan
panjang yang telah disesuikan dari karakter benang untuk mewakili solusi dari
masalah, yang kemudian diekspresikan sebagai tree parse (disebut 'Pohon
ekspresi' ET dalam GEP) dengan berbagai ukuran dan bentuk saat
mengevaluasi kecocokan mereka. Untuk penjelasan rinci tentang GEP, lihat
Ferreira [21].

Setiap gen GEP terdiri dari daftar simbol dengan panjang tetap yang dapat
berupa elemen apa pun dari set fungsi seperti {+, *, /, Sqrt} dan set terminal
seperti {l, a, b, c, d}. Gen GEP khas dengan fungsi yang diberikan dan set
terminal dapat menjadi persamaan (1).

+.*.Sqrt.c.*.+.+.–.a.d.c.Sqrd.d.e.2 .... (1)

di mana '.' digunakan untuk memisahkan elemen agar mudah dibaca; Sqrt

adalah fungsi akar kuadrat; 2 adalah konstanta dan a, b, c, d adalah nama

variabel. Persamaan yang disebutkan di atas diketahui sebagai Karva atau K-
ekspresi. Ekspresi K dapat dipetakan menjadi ET mengikuti mode lebar-
pertama. Percakapan dimulai dari posisi pertama dalam ekspresi, yaitu sesuai
dengan akar ET, dan membaca file merangkai satu per satu. Untuk setiap node
(dari kiri ke kanan) menjadi satu lapisan di ET, jika itu adalah fungsi dengan m
(m ≥ 1) argument,maka simbol m berikutnya pada ekspresi-K adalah terpasang
di bawahnya sebagai m cabang . Jika tidak, setiap tersimpul minal membentuk
daun ET. Pohon ini meluas proses berlanjut lapis demi lapis sampai semua
simpul daun di ET terdiri dari elemen-elemen dari set terminal.

Untuk misalnya :
Gambar 1 Contoh GEP ETs.

Gambar 2 Contoh unit ANN

gen sampel di atas dapat diekspresikan sebagai Gambar 1a, yang selanjutnya
dapat diekspresikan dengan jelas dalam bentuk matematik sebagai :

... (2)

Proses kebalikannya, yaitu konversi ET menjadi K – expression, juga sederhana,

yaitu hanya merekam node – node dari kiri ke kanan di setiap lapisan ET, dari
lapisan akar kejlnlyang terdalam untuk membentuk rantai. Seperti GP,
fungsinya

set dan set terminal harus memiliki properti penutupan; setiap fungsi harus
dapat mengambil nilai dari tipe data yang mana dapat dikembalikan oleh
fungsi atau diasumsikan oleh terminal.

Misalnya, fungsi bagian harus diproteksi mengembalikan nilai yang wajar jika
terjadi pembagian dengan nol.

Seperti dijelaskan sebelumnya, gen GEP memiliki panjang tetap, yang

ditentukan sebelumnya untuk masalah tertentu. Jadi, di GEP,yang bervariasi
bukanlah panjang gen tetapi ukuran ET yang sesuai. Artinya terdapat jumlah
elemen tambahan, yang tidak berguna untuk pemetaan genom-ET. Misalnya,
gen berikut

+. + .–. A.d.c.Sqrd.d.e.2. +. *. Sqrt.c. *. (3)

Hanya merotasi lima anggota gen pertama (1) sampai akhir dan memiliki
panjang yang sama yaitu 20, tetapi ekspresi K-nya yang valid dimana
kurangnya 10; artinya, hanya delapan elemen pertama yang digunakan
secara kredibel membangun fungsi solusi (c + a) * (d -), dengan ekspresi yang
sesuai ditunjukkan pada Gambar 1b.

Oleh karena itu, panjang ekspresi-K yang valid mungkin sama dengan atau
kurang dari panjang gen. Untuk memastikan validitas genom yang dipilih
secara acak, GEP menggunakan metode kepala-ekor. Setiap gen tersusun dari
kepala dan ekor. Kepala mungkin berisi simbol dari kedua set fungsi dan set
terminal, ekor hanya berisi terminal [22].

 Brief overview of Neural Networks

juga disebut pemrosesan terdistribusi paralel sistem dan sistem koneksionis,

dimaksudkan untuk pemodelan prinsip organisasi sistem saraf pusat, dengan
harapan bahwa kemampuan komputasi yang diilhami secara biologis ikatan
jaringan saraf akan memungkinkan antara kognitif dan sensorik tugas sensory
lebih mudah dan lebih memuaskan daripada dengan prosesor serial umum [22,
23].

Jaringan saraf adalah alat pemodelan data yang kuat yang mampu menangkap
dan merepresentasikan setiap jenis hubungan input-output [11].

Sebuah saraf jaringan terdiri dari elemen sederhana yang disebut "neuron"
atau

Operasi 'elemen pemrosesan' paralel, yang terinspirasi dari sistem saraf

biologis (Gambar 2). Seperti di alam, file fungsi jaringan ditentukan sebagian
besar oleh koneksi bobot antara elemen pemrosesan [24]. Bobot koneksi berisi
'pengetahuan' dari jaringan [23].

Sebuah jaringan saraf biasanya disesuaikan atau dilatih sehingga saat

memasukan input tertentu akan menghasilkan outputsl spesifik [24].
Proses inti dari pelatihan adalah menyesuaikan nilai-nilai bobot ini dan
mengurangi tingkat error [23]. Diantaranya berbagai macam algoritma untuk
melatih jaringan saraf, back propagaration yang paling banyak digunakan.
Untuk jaringan saraf berlapis dilakukan penyederhanaan pembelajaran
mundur Algoritme membuat pendekatan jaringan saraf sangat populer dan
mengatasi keraguan tentang kelangsungan hidup jaringan saraf pendekatan
kerja sekali dan untuk semua. Prosedur pembelajaran yang paling sering
digunakan untuk jaringan saraf, adalah generalisasi dari kuadrat terkecil rata-
rata prosedur untuk feedforward, jaringan berlapis-lapis dengan ruang lapisan
tersembunyi. Ini menggunakan prosedur penurunan gradien yang tidak dapat
mengubah bobot dalam bentuk asli dan paling sederhana dengan suatu jumlah
sebanding dengan turunan parsial dari fungsi kesalahan sehubungan dengan
bobot yang diberikan. Dalam sistem yang ti dak memiliki unit tersembunyi.
kalkulasi turunan ini relatif mudah, tetapi untuk jaringan berlapis-lapis, ini
adalah tugas yang lebih sulit. Bahwa

Ide dari dari back propagaration adalah dari turunan ini dapat dihitung secara
efisien memulai dengan lapisan output dan back propagaration melalui lapisan
[25, 26]. Sebuah sistem jaringan dapat dikembangkan untuk aplikasi tertentu.

menggunakan alat pemrograman konvensional sangat sulit untuk menulis

algoritma internal. Namun, beberapa platform aplikasi untuk pengembangan
jaringan saraf dapat melakukannya. Beberapa jaringan saraf terkenal
berkembang alat tersebut adalah Neural Solutions dan MATLAB 7.0 Neural
Network Tool Box.
 Analisis statistik

Pemodelan statistik sangat sering digunakan untuk memprediksi sifat benang.

Dalam studi ini, telah mengembangkan persamaan untuk memprediksi
kekuatan putus dengan beberapa algoritma regresi linier. Majumdar dan
Majumdar [11] melaporkan kinerja regresi linier yang baik pada menjelaskan
sifat benang yang menunjukkan hubungan- kapal antara sifat serat. Regresi
multi linier Analisis juga dilakukan untuk menguji prediksi kekuatan
pemrograman evaluasi dibandingkan dengan kelas- pendekatan statistik sical.
Data eksperimental dijelaskan pada Tabel 2 digunakan untuk memodelkan
prediksi putus kekuatan benang. Tugas utama adalah menentukan multi-
persamaan regresi variabel yang menghubungkan variabel input (d1, d2, d3,…,
d8) ke variabel keluaran (y). Yang diperoleh persamaan akan digunakan dalam
memprediksi prediksi satu bulan kekuatan putus benang (Gambar 3). Paket
perangkat lunak SPSS - usia [28] digunakan untuk melakukan regresi linier
berganda analisis. Persamaan regresi yang diperoleh dari analisis ini
memperoleh persamaan (4).

yR = 98.354 + 1.154d1 + 2.120d2 - 3.242d3 - 5.751d4

- 2,658d5 + 1,412d6 + 3,453d7 + d8 (4)

R-kuadrat prediksi dengan persamaan regresi persentase pada data uji 74,30%.
Maksimum dan minimum persentase kesalahan untuk persamaan regresi di
data uji masing-masing adalah 11,34% dan 0,62%. Ujian Hasil untuk analisis
regresi linier berganda ditunjukkan pada gambar dibawah . Seperti yang dapat
dilihat dari hasil, beberapa baris analisis regresi linier dilakukan jauh lebih
buruk daripada algoritma GEP dan jaringan saraf.

Ini adalah sebuah hasil yang diharapkan, terutama karena sifat fisik benang
tergantung pada banyak faktor yang berbeda, dan hubungan antara faktor-
faktor ini sangat nonlinier dan kompleks

Experimen
Diketahui bahwa model empiris termasuk statistik dan model kecerdasan
buatan, didasarkan pada data experimen. Selain itu, model fisik juga
membutuhkan verifikasi experimen. Data yang digunakan dalam GEP, ANN dan
model statistik dikumpulkan dari tekstil benang terletak di Isparta, Turki. Data
yang dikumpulkan adalah untuk periode tiga bulan (data selama 90 hari
produksi). Prediksi kekuatan putus benang dari sifat seratnya sangat penting
dalam pembuatan benang. Cepat dan akurat tingkat pengukuran sifat serat
dengan menggunakan Uster High Sistem pengujian Volume Instrument (HVI)
dan lebih kuat pada komputer adalah dua alasan utama kecenderungan ini.
Sifat tarik benang dievaluasi pada Uster Mesin uji tarik tensile. Kekuatan putys
papad pengujian benang dilakukan sesuai dengan ASTM Standard D5446-99
[27].
Benang kapas dengan parameter serat disajikan dalam Tabel 1, digunakan
untuk percobaan.Terdapat 10 variabel yang dianggap sebagai input ke GEP dan
algoritma pembelajaran jaringan saraf.
Metode regresi berganda memiliki keuntungan dari penyederhanaan dalam
menggambarkan hubungan kuantitatif antara sifat bahan tekstil. Oleh karena
itu, metode ini dipilih untuk membangun hubungan antara serat dan sifat
benang. Uji statistik menunjukkan bahwa terdapat hubungan yang hampir
linier antara sifat serat dan sifat benang.
Analisis statistik dilakukan menggunakan SPSS 13.0.

Data experimen
Hasil yang ditunjukan berdasarkan metode pengujian :

 METODE ANN
Hasil terbaik dari R² pada ANN sebesar : 0.940
Hasil terburuk dari R² pada ANN sebesar : 0.038
 METODE GEP
Hasil terbaik dari R² pada GEP : 0.988
Hasil terburuk dari R² pada GEP : 0.330