AMRULLOH, Riva and Widayat, Widayat and Warsito, Budi (2024) PREDIKSI KINERJA DAN EMISI MESIN DIESEL BERBAHAN BAKAR BIODIESEL DENGAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK (ANN) ALGORITMA RESILIENT BACKPROPAGATION (RPROP). Masters thesis, UNIVERSITAS DIPONEGORO.

	Text hal Cover.pdf Restricted to Repository staff only Download (1MB)
	Text BAB 1 PENDAHULUAN.pdf Download (897kB)
	Text BAB II TINJAUAN PUSTAKA.pdf Download (1MB)
	Text BAB III METODE PENELITIAN.pdf Restricted to Repository staff only Download (686kB)
	Text BAB IV HASIL DAN PEMBAHASAN.pdf Restricted to Repository staff only Download (1MB)
	Text BAB V KESIMPULAN DAN SARAN.pdf Restricted to Repository staff only Download (489kB)
	Text DAFTAR PUSTAKA.pdf Download (876kB)

Abstract

Dalam rangka meningkatkan ketahanan energi dan perbaikan kualitas lingkungan, Pemerintah Indonesia menetapkan target bauran energi baru terbarukan pada tahun 2025 sebesar 23%. Salah satu kebijakan Pemerintah untuk meningkatkan pemakaian EBT adalah dengan Program Mandatory Bioediesel. Pada Tahun 2023 rasio pencampuran Biodiesel sudah mencapai 35% dan kedepannya rasio tersebut akan terus ditingkatkan. Rasio pencampuran biodiesel yang semakin tinggi akan berpengaruh terhadap kinerja dan emisi mesin diesel karena secara kimiawi biodiesel berbeda dengan minyak diesel. Oleh karena itu diperlukan penelitian untuk melihat karakteristik kinerja dan emisi mesin diesel dengan rasio campuran biodiesel yang lebih tinggi.
Penelitian terkait prediksi kinerja dan emisi mesin diesel menggunakan Artificial Neural Network (ANN) telah banyak dilakukan namun penulis melihat adanya peluang penelitian implementasi ANN algoritma Resilient Backpropagation (Rprop) untuk memprediksi kinerja dan emisi mesin diesel. Algoritma Rprop memiliki kelebihan dalam efisiensi pelatihan dan akurasi. Data yang digunakan untuk membuat model ANN merupakan data sekunder dari penelitian sebelumnya. Model didesain memiliki 4 variable input dan 7 variable output. Variable input berupa komposisi Solar, komposisi Biodiesel, komposisi Nanoparticle ZnO dan variasi beban, sedangkan variable output berupa variable kinerja mesin diesel (Break Power/BP, Break Spesific Fuel Consumption/BSFC dan Break Thermal Efficiency/BTE) dan variable emisi (NOx, CO, CO2 dan HC). Pembuatan model dilakukan dengan melakukan variasi jumlah neuron dan hidden layer. Evaluasi model dipilih berdasarkan parameter koefisien determinasi R2 terbesar dan RMSE atau MAPE terkecil.
Hasil penelitian mendapatkan bahwa arsitektur jaringan ANN single layer 4-20-7 merupakan model terbaik untuk memprediksi kinerja dan emisi mesin diesel dengan pengujian pada data test R2, RMSE dan MAPE masing-masing 0,962532; 6,699428 dan 6,0%, sedangkan untuk pengujian data keseluruhan memiliki performance 0,982869; 3,908542 dan 4,3%. Hasil penelitian juga menunjukan berdasarkan hasil prediksi ANN, penambahan campuran biodiesel sampai dengan 50% dapat meningkatkan emisi NOx 31% dan menurunkan emisi HC 24%, CO 20% dan CO2 9,7%. Sementara dari sisi kinerja, penambahan biodiesel dapat meningkatkan BSFC 23% dan BP 21% serta menurunkan BTE 46%. Hasil penelitian juga menunjukan bahwa penambahan konsentrasi ZnO sampai dengan 6 ppm dapat menurunkan emisi NOx 11%, CO 47%, CO2 19% dan HC 17% sedangkan dari sisi kinerja akan meningkatkan BTE 35% dan menurunkan BSFC dan BP masing-masing 35% dan 0.5%.
Kata Kunci: Prediksi, Biodiesel, Mesin Diesel, ANN, RPROP

In order to increase energy security and improve environmental quality, the Government of Indonesia has set a target of 23% renewable energy mix in 2025. One of the Government's policies to increase the use of renewable energy is the Mandatory Bioediesel Program. By 2023 the Biodiesel blending ratio will have reached 35% and in the future the ratio will continue to be increased. The higher biodiesel blending ratio will affect the performance and emissions of diesel engines because biodiesel is chemically different from diesel oil. Therefore, research is needed to see the performance and emission characteristics of diesel engines with higher biodiesel blend ratios.
Research related to the prediction of diesel engine performance and emissions using Artificial Neural Network (ANN) has been widely conducted, but the author sees a research opportunity for the implementation of ANN Resilient Backpropagation (Rprop) algorithm to predict diesel engine performance and emissions. Rprop algorithm has advantages in training efficiency and accuracy. The data used to create the ANN model is secondary data from previous research. The model is designed to have 4 input variables and 7 output variables. Input variables are Solar composition, Biodiesel composition, ZnO Nanoparticle composition and load variation, while output variables are diesel engine performance variables (Break Power/BP, Break Specific Fuel Consumption/BSFC and Break Thermal Efficiency/BTE) and emission variables (NOx, CO, CO2 and HC). Developing model is done by varying the number of neurons and hidden layers. Selected model is based on the largest coefficient of determination R2 and the smallest RMSE or MAPE parameters.
The results showed that the ANN single layer 4-20-7 network architecture is the best model for predicting diesel engine performance and emissions with test data R2, RMSE and MAPE of 0.962532, 6.699428 and 6.0%, respectively, while for overall data sample has a performance of 0.982869, 3.908542 and 4.3%, respectively. The results also show that based on the ANN prediction results, the addition of biodiesel blends up to 50% can increase NOx emissions by 31% and reduce HC emissions by 24%, CO by 20% and CO2 by 9.7%. In terms of performance, the addition of biodiesel can increase BSFC by 23% and BP by 21% and decrease BTE by 46%. The results also show that the addition of ZnO concentration up to 6 ppm can reduce NOx emissions by 11%, CO 47%, CO2 19% and HC 17% while in terms of performance it will increase BTE 35% and reduce BSFC and BP by 35% and 0.5% respectively.
Keywords: Prediction, Biodiesel, Diesel Engine, ANN RPROP

Actions (login required)

View Item