Pemodelan Tahanan Kapal Displacement Menggunakan Metode Artificial Neural Network

Muthia Pandan Sari, Raden Mohamad Atok, Mahendra Indiaryanto

Abstract


Pengujian tahanan kapal memiliki tujuan untuk mengetahui daya yang dibutuhkan sebuah kapal agar dapat bergerak. Salah satu cara untuk mendapat-kan nilai tahanan kapal tanpa melakukan suatu pengujian adalah dengan pemodelan. Untuk mendapat-kan model nilai tahanan kapal dan variabel yang berpengaruh terhadap tahanan kapal, penelitian ini menggunakan metode Artificial Neural Network. Pada metode ANN tidak bergantung pada bentuk asumsi yang mendasari data. Penelitian ini menunjukan bahwa jumlah neuron yang optimum yaitu berjumlah enam neuron dan enam variabel input. Variabel input yang digunakan yaitu panjang kapal tercelup, lebar kapal tercelup, syarat tercelup air, total keseluruhan berat kapal, koefisien primastik, dan kecepatan kapal dengan nilai RMSE sebesar 133.2891.

Keywords


Artificial Neural Network; Tahanan Kapal

Full Text:

PDF

References


Papacostas, Fundamentals of Transportation Enginering, USA: Prantice Hall, 1987.

A. H. Lillah, Analisis Hambatan Penambahan Wave Piercing pada Kapal Katamaran Menggunakan CFD, Surabaya: Institut Teknologi Sepuluh Nopember, 2018.

S. Setiawan, “Penerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6,” Ultimatics, vol. III, no. 2, pp. 23-28, 2011.

B. Handaga dan H. Asy'ari, “Kombinasi Algoritma Cuckoo-Search dan Levenbergmarquadt (CS-LM) Pada Proses Pelatihan Artificial Neural Network (ANN),” Simposium Nasional Rapi XI, UMS, 2012.

R. E. Walpole, Probability and Statistics for Engineers and Scientist, 9th penyunt., Boston: Prentice Hall, 2012.

J. Ramsey, “Tests for Specification Errors in Classical Linear Least Squares Regression Analysis,” Journal of the Royal Statistical Society, vol. Series B, no. 31, pp. 350-371, 1969.

Ardianto, Model Estimasi Neural Network, Aplikasi Peramalan Tingkat Bagi Hasil Deposito Murdharabah dengan Variabel Makroekonomi sebagai Penentu, Semarang: Universitas Diponegoro, 2012.

W. S. Sarle, “Neural Networks and Statistical Models,” dalam Proceedings of the Nineteenth Annual SAS Users Group International Conference, USA, SAS Institute, 1994, pp. 1538-1550.

Suhartono, Feedforward Neural Network untuk Pemodelan Runtun Waktu, Yogyakarta: Disertasi Doktoral, Universitas Gajah Mada, 2007.

I. S. Ahmad, Setiawan, Suhartono dan N. H. Masun, “Forecasting of Monthly Inflow and Outflow Currency Using Time Series Regression and ARIMAX: The Idul Fitri Effect,” dalam AIP Conference Proceedings, 2015.

I. Burhanudin, Kajian Teknis Kapal Trimaran Dengan Sistem Propulasi Water Jet Berpenggerak Motor Listrik, Surabaya: Institut Teknologi Sepuluh Nopember, 2012.

A. Molland, S. Turnock dan D. A. Hudson, Ship Resistance and Propulsion, Practical Estimation of Ship Propulsive Power, United States: Cambridge University Press, 2011.

W. Kramer dan H. Sonnberger, The Linear Regression Model Under Test, Heidelberg: Physica-Verlag HD, 1986.

G. Cybenko, “Approximation by superpositions of a sigmoidal function,” Mathematics of Controls, Signals, and Systems, pp. 304-314, 1989.




DOI: http://dx.doi.org/10.12962/j27213862.v2i2.6823

Refbacks

  • There are currently no refbacks.


Bookmark and Share


Creative Commons License
Inferensi by Department of Statistics ITS is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Based on a work at https://iptek.its.ac.id/index.php/inferensi.

ISSN:  0216-308X

e-ISSN: 2721-3862

Web Analytics Made Easy - StatCounter View My Stats