Perkembangan industri kimia di Indonesia hingga saat ini terus meningkat. Proses
yang hampir selalu ada pada industri kimia adalah proses distilasi. Plant yang
digunakan adalah plant sistem kolom distilasi tipe batch di Laboratorium Sistem
Kendali Honeywell ITB, mampu untuk memisahkan larutan biner campuran etanol
dan air. Agar dapat menerapkan skema kendali secara efektif, model dinamis plant
diperlukan. Namun, masalahnya plant sistem kolom distilasi merupakan sistem
yang highly nonlinear dan multivariable berdasarkan hukum-hukum fisiknya,
dengan terbatasnya jumlah sensor yang dimiliki untuk mendapatkan semua
informasi states, di mana hanya 1 state, yang juga merupakan output, yang dapat
diukur. Akibatnya, pada penelitian tesis ini dilakukan identifikasi sistem berbasis
data dengan black-box modeling berdasarkan data input-output eksperimen
menggunakan neural network untuk menghasilkan model non-linier maupun model
linier. Penelitian ini menggunakan model non-linier NARX-FNN dan model linier
ARMA-FNN untuk identifikasi sistem kolom distilasi secara online dengan fokus
mempelajari perbandingan algoritma learning untuk weight updating FNN yang
digunakan di mana dibandingkan algoritma Steepest Gradient Descent (SGD)
mode stochastic dengan algoritma Extended Kalman Filter (EKF). Kedua algoritma
tersebut cocok untuk perbandingan karena beroperasi dalam mode instance-by-
instance dan dapat digunakan untuk identifikasi sistem secara online. Hasil dengan
MSE terbaik dicapai dengan arsitektur ARMA-FNN menggunakan algoritma EKF
dengan hyperparameter REKF = 1 yang menghasilkan MSE sebesar 5,5418e-05.
Selanjutnya, dengan arsitektur NARX-FNN maupun ARMA-FNN, algoritma EKF
dengan hyperparameter REKF = 0,05 mampu konvergen dengan paling cepat,
yaitu pada sekitar instance ke-6, meskipun dengan trade-off di mana hasil MSE
yang diperoleh menjadi sedikit memburuk. Namun, kemampuan algoritma EKF
untuk mampu konvergen dengan hanya menggunakan sedikit data ini menjadi
sangat menguntungkan apabila dihadapkan pada kenyataan di lapangan di mana
hanya terdapat sedikit instances yang terdapat dalam dataset.