digilib@itb.ac.id +62 812 2508 8800

Untuk memperoleh dinamika suatu sistem diperlukan pengukuran besaran fisis dari sebuah sistem. Namun, tidak semua besaran fisis di dalam proses dapat diukur. Oleh karena itu, digunakanlah soft-sensor untuk memprediksi besaran tersebut. Soft-sensor yang digunakan adalah Kalman Filter yang dapat memprediksi dengan memperhitungkan adanya noise pengukuran serta deviasi antara model dengan sistem sebenarnya. Dalam kajian tugas akhir ini, dirancang sebuah miniplant tangki ganda sebagai media pembelajaran untuk implementasi soft-sensor. Miniplant tersebut dirancang untuk memiliki 3 pola dinamika proses yang bergantung pada ketinggian sambungannya, sehingga miniplant tersebut bisa dioperasikan menjadi sebuah tangki tunggal, tangki ganda non-interacting, serta tangki ganda interacting. Oleh sebab itu, dibuatlah 3 model untuk merepresentasikan ketiga dinamika tersebut. Pengukuran dilakukan pada ketinggian air tangki kedua sebagai besaran keadaan h2 untuk memprediksi ketinggian air pada tangki pertama sebagai besaran keadaan h1. Model yang dibuat diketahui merupakan model non-linear, sehingga untuk implementasi Kalman Filter, model tersebut dilinearisasi pada titik operasi 50% dengan persamaan deret Taylor. Kemudian, model linearisasi tersebut didiskritkan karena implementasi Kalman Filter berupa komputasi. Waktu cacah dipilih sebesar 1 detik. sebagai representasi dari transmitter, yang setara dengan 1/20 kali kecepatan proses. Simulasi dilakukan dengan membandingkan antara solusi Runge-Kutta model non-linear dengan prediksi Kalman Filter. Hasil simulasi menunjukkan bahwa pada pola operasi sebagai tangki tunggal, h1 tidak dapat diprediksi. Pada kondisi pola operasi tangki ganda, untuk deviasi model yang kecil dan noise pengukuran kecil, didapatkan deviasi dari prediksi h1 sebesar 1% dengan Q dan R sebagai kovarians noise pengukuran yang dapat representasikan sebagai rasio sebesar 0.5:1. Untuk deviasi model yang besar dan noise pengukuran kecil, didapat deviasi sebesar 1.5% dengan Q:R = 10:1, serta untuk deviasi model kecil, dan noise pengukuran besar, didapat deviasi sebesar 2% dengan Q:R = 1:10. Sedangkan untuk deviasi model dan noise pengukuran yang besar, akibat perbedaan nilai gain proses antara sistem dengan model, didapat deviasi state yang diprediksi mencapai 25%.