| dc.description.abstract | Tingginya permintaan cold storage di berbagai sektor industri membutuhkan metode evaluasi kinerja sistem refrigerasi yang akurat, praktis, dan ekonomis, terutama pada skala kecil-menengah dengan akses instrumen ukur terbatas. Penelitian ini bertujuan membangun, memvalidasi, dan menerapkan model Artificial Neural Network (ANN) berbasis web untuk memprediksi kinerja sistem refrigerasi cold storage menggunakan refrigeran R32 dan R290 serta mengevaluasi dampak lingkungannya, dengan input minimal berupa bukaan katup ekspansi elektronik, suhu kondensasi, suhu masuk, dan keluar evaporator. Eksperimen memvariasikan parameter tersebut pada sistem kompresi uap untuk menghasilkan data suhu dan tekanan guna melatih model ANN backpropagation berarsitektur empat hidden layer, terintegrasi ke platform web agar kinerja sistem dapat diprediksi langsung melalui browser tanpa instrumen khusus. Hasil menunjukkan tujuh dari delapan kombinasi output-refrigeran memperoleh kesalahan prediksi di bawah 10%, dengan akurasi tertinggi pada kapasitas pendinginan dan koefisien performansi R290, sedangkan prediksi kapasitas pendinginan R32 masih perlu perbaikan. Validasi silang menunjukkan model bersifat spesifik terhadap refrigeran dan tidak dapat digunakan lintas jenis refrigeran tanpa pelatihan ulang. Analisis emisi menunjukkan R290 menghasilkan emisi lebih rendah dibandingkan R32 selama umur pakai sistem, dengan konsumsi listrik sebagai kontributor terbesar. Model ini berpotensi menjadi alternatif pemantauan kinerja cold storage yang murah dan ramah lingkungan bagi industri pertanian dan perikanan kecil-menengah. | |
