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

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.