1
OPTIMASI PENENTUAN KOMPOSISI SUBSTRAT PADA PORTABLE BIODIGESTER DENGAN METODE
JARINGAN SYARAF TIRUAN-ALGORITMA GENETIK
(Kurnia Cholish Artayasa, Suyanto, ST. MT, Dr. Dhany Arifianto, ST. M. Eng.)
Jurusan Teknik Fisika FTI ITS Surabaya
Kampus ITS Keputih Sukolilo Surabaya 60111
Telp: +6231-5947188 Fax: +6231-5923626
e-mail: [email protected]
Abstrak
Agar biogas yang dihasilkan bisa optimal, dibutuhkan air dan kotoran sebagai substrat dengan rasio tertentu. Optimal tidaknya
rasio yang dipakai pada portable bioigester dilihat dari massa biogas yang dihasilkan. Optimasi biogas didapat dengan
memodelkan plant, kemudian model yang didapat akan dioptimasi menggunakan metode tertentu.Pemodelan plan portable
biodigester dilakukan dengan jaringan syaraf tiruan (JST) dengan struktur multi layer perceptron (MLP). Struktur model yang
diturunkan adalah struktur Nonlinear Auto Regressive with eXternal input (NARX). Pangaturan bobot dilakukan menggunakan
algoritma Levenberg-Marquardt yang mampu memberikan hasil dengan RMSE sebesar 3.3098x10-4
. Model yang didapat dari
JST menjadi fitness yang akan dioptimasi dengan metode Algoritma Genetik (AG). Seleksi orang tua menggunakan roulette-
wheel dan dilakukan secara proporsional sesuai dengan nilai fitness nya. Dari simulasi AG, didapatkan rasio air dan kotoran
yang optimal sebesar 7.7506 : 10.5151. Dan ketika disederhanakan dalam perbandingan menjadi 1:1,3.
Kata kunci : substrat, penentuan rasio, jaringan syaraf tiruan, algoritma genetik
I. PENDAHULUAN
1.1 Latar Belakang
Biogas adalah sebuah produk yang dihasilkan dari
percampuran antara kotoran dan air dengan rasio tertentu.
Rasio yang tepat dalam pembuatan biogas akan berdampak
pada jumlah produk yang dihasilkan. Namun dewasa ini
sedikit penelitian tentang optimasi terhadap produk biogas.
Adapun penelitian yang telah dilakukan adalah mengenai
feeding dari reaktor. Metode yang dipakai antara lain
model dari JST, soft sensor, pemodelan dengan
menggunakan model matematis untuk memprediksi
keluaran dari reaktor, dan sebagainya. Metode-metode
yang sering dipakai tersebut memang sangat membantu
dalam proses optimasi produk, namun kelemahannya
adalah peneliti harus memiliki model dinamik, model
proses, dan model biologi dari keadaan bioreaktor yang
akan diteliti, dan dirasa bahwa metode ini kurang tepat
ketika akan melakukan optimasi hanya dengan pasangan
data masukan dan keluaran dengan jumlah yang sedikit.
Oleh sebab itu dalam laporan ini berisi tentang
optimasi produk biogas dengan menggunakan JST-AG.
Dimana akan dibahas mengenai bagaimana menyusun
model JST dari pasangan data masukan (input) dan
keluaran (output) yang hanya berjumlah 11, pembangkitan
data dengan curve fit, penyusunan pasangan kromosom
dari data yang kemudian nantinya akan dioptimasi dengan
metode AG dan nantinya akan didapat rasio penghasil
produk biogas paling maksimal.
1.2 Permasalahan
Permasalahan yang terdapat pada tugas akhir ini adalah :
1. Bagaimana mendapatkan pasangan data input-output
2. Bagaimana menggunakan data yang terbatas untuk
mencari model plant
3. Bagaimana pasangan data input-output hasil simulasi
JST untuk digunakan mengoptimasi produk biogas
dengan Algoritma Genetik (GA).
1.3 Tujuan
Tujuan dari tugas akhir ini adalah :
1. Akan dilakukan percobaan ekstraksi biogas dari 11
rasio kotoran dan air dengan menggunakan 11 galon
tertutup (diansumsikan anaerob digester).
2. Akan dilakukan penurunan persamaan kurva
produksi biogas dari hasil eksperimen dengan
menggunakan data 11 rasio.
3. Akan dilakukan penurunan model matematis
biodigester anaerob dengan menggunakan pasangan
data yang dibangkitkan dari kurva fitting.
4. Akan dibuat pasangan kromosom yang akan
dikawinsilangkan guna membuat keturunan yang
baik ditinjau dari kriteria fitness function.
1.4 Batasan Masalah
Untuk mempertajam dan memfokuskan permasalahan
dalam Tugas Akhir ini, beberapa batasan masalah yang
diambil diantaranya adalah sebagai berikut :
1. Biodigester yang digunakan adalah 11 galon air
volume 20 liter dengan 11 rasio input (air + kotoran)
yang berbeda.
2. Data yang diambil adalah pasangan data volume input
(air+kotoran) dan massa output (produk biogas)
3. Data output adalah massa produk biogas pada hari
ke 27 dari masing-masing rasio. Dengan asumsi
bahwa massa total paling optimal adalah pada hari
ke-27
4. Dari pasangan data yang jumlahnya terbatas
dilakukan penurunan fungsi yang mewakili dari
semua data
2
5. Fungsi yang didapat untuk membangkitkan data input
dan output guna menyusun model dan validasi
struktur
6. Dari model JST yang didapat, digunakan sebagai
fitness function untuk simulasi Algoritma Genetik
7. Untuk mengetahui pasangan kromosom yang
menghasilkan turunan yang baik diukur dari suatu
kriteria yang disebut fitness function dimana fitness
function analog dengan optimalitas produk biogas
II. TEORI PENUNJANG
2.1 Biogas
Pada dasarnya biogas adalah teknologi yang
memanfaatkan proses fermentasi (pembusukan) dari bahan
organik secara anaerobik (tanpa udara/oksigen) oleh
bakteri metanogenesis sehingga dihasilkan gas metana
(CH4) yang mudah terbakar sehingga dapat dimanfaatkan
untuk menghasilkan energi alternatif yang ramah
lingkungan. Bahan organik yang bisa digunakan sebagai
bahan baku antara lain adalah sampah organik, limbah
kotoran ternak atau manusia.
Tabel 2.1 produksi gas dari beberapa jenis kotoran
(Sumber: UPDATED GUIDEBOOK ON BIOGAS DEVELOPMENT)
Dari data di atas,unggas memiliki massa paling besar.
Namun dalam hal eksperman, pemakain substrat
disesuaikan dengan kebutuhan atau resource yang mudah
didapat.
2.2 Jaringan Syaraf Tiruan
Pembuatan struktur Jaringan Syaraf Tiruan diilhami
oleh struktur jaringan biologi, khususnya jaringan otak
manusia. Jaringan syaraf tiruan terdiri dari beberapa
neuron, dan terdapat suatu hubungan antara neuron-
neuron tersebut. Neuron akan mentransformasikan
informasi yang diterima melalui sambungan keluarnya
menuju ke neuron-neuron yang lain[9]. Sistem jaringan
syaraf tiruan dicirikan dengan adanya proses pembelajaran
(learning) yang berfungsi untuk mengadaptasi parameter-
parameter jaringannya. Kelebihan dari jaringan syaraf
tiruan diantaranya :
- Mampu melakukan proses pembelajaran
- Mampu beradaptasi
Gambar 2.1 Struktur Jaringan Syaraf Tiruan
Algoritma pembelajaran dan struktur JST yang
digunakan dalam penelitian ini adalah algoritma
Levenberg Marquardt dan Multilayer Perceptron (MLP) .
Algoritma Levenberg Marquardt memiliki kelebihan
karakteristiknya lebih cepat konvergen (rapid
convergence), Secara matematis pasangan data input dan
output yang berhubungan dapat ditulis sebagai berikut:
NTtytuZ N ,....,1,)(),( …(2.1)
Tujuan dari pelatihan adalah untuk mendapatkan sebuah
pemetaan dari pasangan data ke pasangan kandidat model.
NZ ...(2.2)
sehingga didapatkan model yang menyediakan prediksi
output ŷ(t) yang sama atau mendekati output y(t). Metode
yang paling sering digunakan untuk mengukur kemiripan
antara model output dengan model sebenarnya adalah tipe
kriteria mean square error. N
t
N
t
N
N tN
tytyN
ZV1
2
1
2 ),(2
1)]|()([
2
1),(
...(2.3)
Multilayer Perceptron (MLP) adalah jaringan yang paling
sering mempertimbangkan anggota dari keluarga jaringan
syaraf tiruan. Alasan utamanya adalah kemampuannya
untuk memodelkan secara sederhana dari hubungan
fungsional yang kompleks. Rumus matematik yang
mengekspresikan apa yang terjadi pada jaringan-MLP
diambil dari.
hn
j
i
n
l
jlljijiiii WwwfWFgty1
0,
1
0,,,],[)(
..(2.4)
θ menunjukkan vektor parameter yang didalamnya
terdapat semua parameter JST yang dapat diatur
(bobot dan bias).
2.3 Algoritma Genetik (GA)
Algoritma Genetik memiliki beberapa
komponen standar yang sangat menentukan
keberhasilan dari pencarian solusi persoalan.
x1
Activation
Function
w1
wd
w2
w0
x2
xd
x0=1
o
Jenis
Kotoran
Produksi gas
per kg (m3)
Sapi/Kerbau 0.023 – 0.040
Babi 0.040 – 0.059
Unggas 0.065 – 0.116
Manusia 0.020 – 0.028
3
(1) Pembentukan kromosom/
pengkodean
(2) Inisialisasi Kromosom
(3) Evaluasi kromosom
(4) Seleksi Kromosom
text
mutation
Roullete whell
Fungsi Objektif
Kromosom (1)
Kromosom (2)
…
…
Kromosom (populasi)
Permasalahan
Best kromosom
ya
tidak
Solusi
permasalahan
Cross over
(5) proses dekoding
Gambar 2.2 Diagram alir Algoritma genetik
(Sumber: http://dennyhermawanto.webhop.org)
III. METODOLOGI PENELITIAN
Berikut adalah diagram alir yang dilakukan untuk
mencapai tujuan dari tugas akhir ini antara lain:
Gambar 3.1 Flowchart Penelitian Tugas Akhir
3.1 Pembuatan plant I dan eksperimen I
Pada tahap ini adalah bagaimana merancang
biodigester beserta aksesorisnya sehingga dapat digunakan
dalam pengambilan data pada eksperimen berikutnya.
Gambar 3.1 Portable biodigester
Gambar di atas adalah portable biodigester yang terbuat
dari galon air volume 20 liter. Pada bagian atasnya
terdapat kantong plastik dimana berfungsi sebagai gas
kolektor. Dan plant ini harus ditutup dalam keadaan
vakum diansumsikan sebagai biodigester anaerob.
Pada hari ke-27 dilakukan pengambilan gas
kolektor untuk diuji apakah gas yang berada dalam gas
kolektor tersebut mengandung gas methane. Pengujian
dilakukan dengan 2 cara yaitu dengan cara dibakar dan
dengan menggnakan gas kromatograph.
3.2` Pembuatan plant II dan eksperimen II
Pada tahap ini adalah persiapan mengenai ekstraksi
biogas. Dan pengambilan data dari hasil eksperimen.
Eksperimen dilakukan dengan 11 rasio yang berbeda
dengan range adalah rasio air : kotoran sebesar 1:1 – 1:2.
Pasangan data yang diambil adalah input (volume
air + volume kotoran) dan output adalah massa dari biogas
yang diambil pada hari ke-27.
3.3 Pembuatan model plant dengan JST
Hal ini meliputi pemodelan produksi biogas sebagai
fungsi dari rasio kotoran dan air yang diekstraksi,
pemodelan biodigester anaerob dalam bentuk struktur
JST, dan Validasi struktur yang didapat.
3.4 Simulasi optimasi dengan GA
Dalam mengoptimalkan rasio air dan kotoran, yang
perlu dilakukan adalah mencari fungsi yang
merepresentasikan proses didalamnya. Metode algoritma
genetika banyak dipakai untuk tujuan optimasi numerik
dengan merepresentasikan masalah kedalam persamaan
matematis. Dengan demikian mutlak diperlukan adanya
suatu model untuk merepresentasikan proses. Namun
pengembangan model yang nonlinear dan multivariabel
dengan persamaan matematis menjadi kendala tersendiri
berkaitan dengan jumlah persamaan yang dibutuhkan serta
waktu penyelesaian yang lama. Pemodelan dapat dilakukan
dengan memanfaatkan kelebihan yang dimiliki jaringan
syaraf tiruan (JST) dalam mem-bangun hubungan
nonlinear antara input-output sehingga memiliki
karakteristik yang sama dengan proses yang ditinjau.
Untuk mendapatkan fungsi terebut dapat dicari dengan
pemodelan JST. Fungsi tersebut yang nantinya dijadikan
fungsi fitness untuk mengoptimalkan rasio air dan kotoran
pada portable biodigester secara simulasi.
4
(1) Pembentukan kromosom/
pengkodean
(2) Inisialisasi Kromosom
(3) Evaluasi kromosom
(4) Seleksi Kromosom
text
mutation
Roullete whell
Fungsi Objektif
Kromosom (1)
Kromosom (2)
…
…
Kromosom (populasi)
Permasalahan
Best kromosom
ya
tidak
Solusi
permasalahan
Cross over
(5) proses dekoding
Gambar 3.2 Diagram Alir GA
IV. Analisa dan Pembahasan
Pada bab ini akan dijelaskan mengenai hasil data
eksperimen, hasil simulasi pembentukan model dengan
JST, dan hasil simulasi optimasi rasio substrat
menggunakan GA.
4.1 Data hasil eksperimen
Langkah yang dilakukan dalam pengambilan data
eksperimen meliputi
Gambar 4.1 Diagram alir pengambilan data
Pengambilan data pada eksperimen I dan
eksperimen II dilakukan pada hari ke-27 terhitung setelah
pencampuran dan pemasukan substrat pada biodigester.
Diansumsikan massa puncak pada hari ke-27.
Pengujian Eksperimen I bertujuan untuk menguji
bahawa plant yang telah kita buat dapat menghasilkan
biogas dan terdapat kandungan gas methane yang terdapat
dalam biogas tersebut. Pengujian dilakukan dengan 2 cara,
yaitu pengujian gas methane pada penampung gas dengan
cara dibakar, dan cara ke-2 adalah dengan menggunakan
Shimadzu GC-17A Gas Chromatograph. Pengambilan
data eksperimen II adalah pengambilan data keluaran
berupa massa biogas dari 11 digester yang sudah ada.
Adapun langkah yang digunakan adalah dengan
melepaskan penampung gas pada 11 digester yang telah
dibuat, kemudian diukur massanya menggunakan
timbangan digital. Setelah itu, kita keluarkan biogas yang
terdapat pada penampung gas yang telah kita timbang
sebelumnya, dan kemudian kita timbang lagi penampung
gas pada keadaan kosong. Dan massa biogas didapat dari
selisih antara massa penampung gas sebelum dikeluarkan
gas dan massa penampung gas setelah dikeluarkannya gas.
4.1.1 Pengujian Gas Methane
Pada tahap eksperimen I biodigester dilakukan
pengujian adanya gas methane dengan 2 metode, yaitu
dengan pengujian membakar hasil gas, dan pengujian hasil
gas dengan menggunakan Shimadzu GC-17A Gas
Chromatography. Dari pengujian pertama dengan
membakar hasil gas dihasilkan nyala api biru seperti pada
gambar dibawah ini, sehingga dapat disimpulkan bahwa
pada Biogas terdapat gas methane.
Gambar 4.2 Pengujian gas methane dengan dibakar
Sedangkan untuk pengujian kedua dilakukan
dengan menggunakan Shimadzu GC-17A Gas
Chromatography pada 5 buah sampel biogas hasil
eksperimen. Dan dari pengujian ini didapatkan bahwa
biogas hasil eksperimen mengandung gas methane.
4.1.2 Pasangan data input dan output
Rasio Input
Air: kotoran
V Air (liter) V Kotoran
(liter)
m CH4
(gram)
1: 1 8 8 18,4
1: 1,1 7,61 8,38 18,42
1: 1,2 7,27 8,72 18,5
1: 1,3 7 9 18,52
1: 1,4 6,66 9,33 18,48
1: 1,5 6, 4 9,6 18,2
Eksperimen I
Pengujian eksperimen I
Eksperimen II
Pengambilan data
eksperimen II
5
1: 1,6 6,15 9,8 17,1
1: 1,7 5,9 10 16,6
1: 1,8 5,71 10,28 15,3
1: 1,9 5,5 10,5 15
1: 2 5,3 10,7 14,73
Dari data input dan output, dapat diketahui nilai
optimum dari output adalah 18,52. Nilai ini terletak pada
rasio input air: kotoran= 1: 1,3. Hasil ini akan menjadi
validasi dari nilai hasil optimasi menggunakan metode
Algoritma Genetik.
4.2 Optimasi rasio substrat
Untuk mendapatkan model yang baik dengan
menggunakan JST maka 11 data awal tersebut harus
dibangkitkan. Data dibangkitkan dengan metode
interpolasi curve fit polynomial. Berikut adalah plot grafik
dari data eksperimen, grafik curve fit, dan grafik yang
diperoleh dari hasil pembangkitan 11 data.
5.0 5.5 6.0 6.5 7.0 7.5 8.0
14.5
15.0
15.5
16.0
16.5
17.0
17.5
18.0
18.5
19.0
Biogas
Bio
ga
s (
gra
m)
Volume Air (liter)
5.0 5.5 6.0 6.5 7.0 7.5 8.0
14.5
15.0
15.5
16.0
16.5
17.0
17.5
18.0
18.5
19.0
Fit Curve 1
Po
ly1
0 (
Use
r) F
it o
f B
iog
as
Independent Variable
Gambar pertama menunjukkan 11 data input (air) dan
output (biogas) yang akan di bangkitkan. Gambar kedua
merupakan gambar curve fit dengan metode interpolasi
curve fit polynomial. Dari gambar terlihat bahwa 11 data
awal ketika diplotkan sesuai dengan grafik polynomial 10.
Dan gambar ketiga adalah gambar grafik 1000 data hasil
bangkitan dari 11 data awal menggunakan metode
polynomial 10. Data ini adalah data yang akan di training
pada JST.
Sebagaimana telah dijelaskan pada bab
sebelumnya, pemodelan biodigester ini menggunakan JST-
MLP (Multi Layer Perceptron). Dimana variabel input JST
mengandung 2 input pada masa lampau [X1(t-1) dan X2(t-
1)] dan output pada masa lampau [Y(t-1)].
Untuk mendapatkan model yang baik, berbagai
struktur JST diuji cobakan dengan mengubah-ubah jumlah
hidden node dan history length. Proses training JST ini
dilakukan secara offline dengan data set yang diambil
untuk masing - masing node input seluruhnya berjumlah
1.000 data, yang terbagi atas 2 bagian yaitu 700 data
digunakan untuk proses training dan 300 data digunakan
untuk validasi model JST yang telah didapat. Waktu
pemodelan proses adalah 500 iterasi. Proses training akan
berhenti ketika RMSE target
telah terpenuhi, jika target
tidak terpenuhi proses training berkerja sampai jumlah
iterasi. Dan pada eksperimen kali ini berhenti pada iterasi
ke 8.
Dari proses pelatihan di dapatkan parameter –
parameter JST yang meliputi : Struktur jaringan (network
deffinition), struktur regresor, bobot w1f dan w2.
5 6 7 8
14
16
18
Bio
ga
s (g
ram
)
Volume Air (liter)
Biogas (gram)
Poly10 (User) Fit of Biogas
6
1 1
L
L
L
Y(t-1)
X1(t-1)
X2(t-1)
Y(t)
Gambar 4.1 Struktur JST yang dipakai
Gambar di atas adalah JST MLP berstruktur input
NNARX dengan jumlah layer dan fungsi aktifasi dengan
struktur regresor adalah, history length input sebesar 1,
history length output sebesar 1. Input JST terdiri dari
volume air (X1), volume kotoran (X2) dan massa biogas
(Y). Data hasil pembangkitan, kemudian ditraining pada
JST.Hasil training tersebut berupa RMSE training sebesar
3.3098x10-4
.
Berdasarkan dari nilai RMSE yang cukup baik
dapat disimpulkan bahwa pemodelan dari proses
pembakaran bisa dianggap mewakili proses sebenarnya.
Sehingga dalam training pasangan data tersebut
didapatkan bobot-bobot sebagai berikut:
Tabel 4.1 Matrik bobot dari lapis input ke lapisan
tersembunyi (w1f)
0.963136 0.289087
-0.10619 -0.5619
-0.34001 -0.1094
0.271167 -0.25697
Tabel 4.2 Matrik bobot dari lapisan tersembunyi ke lapisan
output (w2f)
0.950593
0.306315
0.355828
Dari bobot yang diperoleh maka dapat dibuat sebuah
model yaitu
dari persamaan di atas maka optimasi rasio dilakukan
dengan cara menentukan nilai x1 dan x2 yang paling
optimum. Nilai optimum dari masing-masing variabel
dicari dengan menggunakan metode algoritma genetik.
Pada algoritma genetik. Persamaan di atas digunakan
sebagai fungsi fitness dimana individu yang memiliki
fitnes nol atau yang paling mendekati merupakan individu
terbaik. Sedangkan constrain-nya adalah proses variabel
yang masuk pada proses pembakaran dalam hal ini volume
air dan volume kotoran.
Dengan menggunakan algoritma didapatkan nilai
optimum dari volume air adalah 7.7506 dan kotoran
10.5151. Dari kedua nilai tersebut apabila dibuat
perbandingan maka bisa didapatkan rasio air dan bahan
kotoran yang paling optimum sebesar 1 :1.3
V. KESIMPULAN DAN SARAN
5.1 Kesimpulan
Dari hasil simulasi dan analisa data pada penelitian Tugas
Akhir ini, dapat ditarik beberapa kesimpulan antara lain :
1. Peningkatan produksi biogas dapat dilakukan dengan
menggunakan optimasi terhadap rasio inputan berupa
kotoran sapi dan air.
2. Hasil eksperimen menunjukkan bahwa rasio optimal
dari 11 rasio yang di eksperimenkan adalah pada rasio
air : kotoran sapi adalah 1 : 1.3.
3. Pembangkitan data yang akan dimasukkan pada
Jaringan Syaraf Tiruan menggunakan kurva fitting
polynomial 10.
4. Hasil training pada JST menunjukkan RMSE training
sebesar 3.3100e-004 dan VAF training sebesar
99.9996.
5. Hasil validasi pada JST menunjukkan RMSE validasi
sebesar 5.4332e-004 dan VAF validasi sebesar
98.6665.
6. Hasil simulasi optimasi dengan menggunakan
Algoritma Genetik, didapatkan rasio optimal pada
perbandingan air : kotoran adalah 1 : 1.3.
5.2 Saran
Beberapa saran yang perlu disampaikan dalam
laporan ini dalam rangka pengembangan penelitian ini
antara lain :
1. Untuk penelitian selanjutnya dapat dibuat percobaan
terhadap jenis substrat yang berbeda dan jumlah rasio
lebih banyak.
2. Pada penelitian selanjutnya, dalam pemodelan
biodigester dapat menggunakan metode yang lain.
3. Untuk penelitian selanjutnya dapat menggunakan
beberapa metode optimasi lain yang dirasa tepat.
7
DAFTAR PUSTAKA
[1] Harahap Filino, Apandi Muidin, ginting Serasi.
1978. Teknologi Gas Bio. ITB
[2] Biogas. [Online]
http://id.wikipedia.org/wiki/Biogas.
[3] Kharistya Amaru, 2004, Rancang Bangun
dan Uji Kinerja Biodigester Plastik
Polyethilene Skala Kecil.
[4] Lucifredi, Mazzieri.2000. Neural Network.
[5] Martiana. 2007. Jaringan Syaraf Tiruan.
[6] Nørgaard, Magnus. Ravn, O. Poulsen, N.K.
dan Hansen, L.K. 2000. Neural Network for
Modelling and Control of Dynamic Systems.
London: Verlag Springer.
[7] Hermawanto Denny. Algoritma Genetik.
[Online] http://dennyhermawanto.webhop.org.
[8] Suyanto. Algoritma Genetic Dalam Matlab.
Yogyakarta : penerbit ANDI 2005.
[9] Widodo Wahyu. Korelasi
BIODATA PENULIS
Nama : Kurnia Cholish Artayasa NRP : 2406 100 024
TTL : Jombang, 03 Maret 1988 Alamat : Jln. Jambu H-14 JOMBANG
Riwayat Pendidikan
2006 – sekarang : Teknik Fisika ITS, Surabaya
2003 – 2006 : SMA N 2 Jombang
2000 – 2003 : SMP N 1 Jombang
1994 – 2000 : SD N kepanjen II