Jaringan saraf tiruan (JST) merupakan teknik komputasi yang mempunyai kemampuan menggeneralisasi pola-pola data yang bersifat tidak tepat dan dipengaruhi oleh banyaknya gangguan (imprecise and noisy environment). Kemampuan tersebut dapat diterapkan pada pengolahan data kinerja mesin diesel berbahan bakar campuran solar-aditif. Penelitian ini menggunakan asumsi bahwa pada kondisi pengujian yang sama maka kinerja mesin diesel hanya merupakan fungsi dari bahan bakar yang digunakan. Oleh karena itu dengan mengetahui karakteristik bahan bakar yang digunakan maka JST dapat digunakan untuk mengorelasikannya dengan kinerja mesin.Penelitian ini menggunakan data hasil pengujian pengaruh aditif metil ester nitrat (MEN) yang dilakukan oleh penulis dan aditif Omega 903 terhadap kinerja mesin diesel pada laboratorium mesin diesel Departemen Teknik Mesin FT UI, Salemba. Variabel-variabel input jaringan ditentukan dengan pendekatan teoritis dan statistik terhadap data pengujian dan bahan bakar. Variabel-variabel tersebut meliputi konsentrasi aditif massa jenis, nilai kalor, bilangan setana dan variabel pengujian.Variabel pengujian dibedakan menjadi pengujian kecepatan konstan yang menggunakan variabel pembebanan sebagai variabel inputjaringan dan pengujian pada keoepatan bervariasi yag menggunakan putaran mesin sebagai input jaringan. Variabel outputjaringan meliputi daya poros keluaran BHP dan konsumsi bahan bakar BFC.Pembuatan jaringan dilakukan dengan menentukn jumlah layer dan neuronnya, iterasi maksimum, fungsi transfer dan error maksimum. Pasangan data input dan output dilatihkan kepada beberapa jaringan untuk mendapatkan struktur yang optimal. Jaringan dengan iterasi dibawah 200 dan kesalahan minimum dipilih untuk disimulasikan pada data simulasi. Simulasi terhadap jaringan yang dipilih memberikan niai kesalahan rata-rata daya keluaran sebesar 2,5 - 10% dan konsurnsi bahan bakar sebesar 6 - 28%. Penerapan jaringan untuk memprediksi pengaruh konsentrasi aditif MEN dalam bahan bakar campuran solar-aditif terhadap konsumsi bahan bakar spesitik (BSFC) mesin menunjukkan konsentrasi aditif optimal sebesar 1% yang menghasilkan BSFC minimum sebesar 0,337 URW-jam atau penurunan sebesar 13,8%.

---

Neural network is a computational technique which has an abiligw to generalize paterns of imprecise and noisy environment data. Neural network could be applied to analyze peformances data from diesel engine jiteled by diesel fuel-additives blends. The analysis was based on an asumption that in the same experimental conditions, engine performances were only a junction of jitel properties used.

The data used in this paper were collected from experimental results in the ejffects of methyl ester nitrate UMEAD and Omega 903 additives conducted in diesel engine laboratory, Mechanical Engineering Department, FT UL Salemba. Theoritical and statistical approach were applied to jizel properties data in order to determine the networks input variables consisted of additives concentration, jilel density, heat value, cetane number and test variables.

The test variables were divided to constant speed test which used load, and variable speed test which used engine speed as networks input. Brake horsepower (BHP) and brake fuel consumption (BFC) were used as networks output variables. The number of layers and their neurons, iterations, transfer functions and maximum mean squared errors were determined in the networks design. Set of input-output data pairs were trained to the networlzs in order to get optimum architecture.

Networks with iterations below 200 and minimum enror result were chosen to simulate with simulation data. The simulation ofthe networks gave an average error of 2.5 - 10% in BHP and 6 - 28% in BF C output. The networks application in predicting the ejects of diesel fuel - MEN blends showed an optimum consentration of MEN at 1 % which gave minimum brake spesific fuel consumption (ESF C) of 0. 337 L/kW-h or 13.8 % decrease compared with diesel fuel.