Perpustakaan Digital ITB

Pemerintah Indonesia memberikan prioritas pada industri kimia sebagai salah satu dari lima sektor manufaktur utama yang akan terus dikembangkan. Hal ini karena produk-produk kimia menjadi bahan baku penting bagi sektor industri lainnya, seperti tekstil dan plastik. Namun, di dalam dunia industri kimia, ada sejumlah tantangan teknologi proses yang perlu dihadapi. Salah satu aspek yang mendapatkan perhatian khusus adalah proses distilasi, yang digunakan dalam pemisahan material, pemurnian, dan pembuangan produk limbah. Oleh karena itu, pengembangan teknologi terkait dengan kolom distilasi batch menjadi semakin penting. Salah satu permasalahan utama yang dibahas adalah bagaimana menghasilkan konsentrasi distilate secara tepat terlepas dari sifat-sifat nonlinier dan dinamika yang kompleks. Sistem perlu dimodelkan secara tepat agar dapat dirancang sistem pengendali yang tepat pula untuk mengendalikan sistem sesuai dengan spesifikasi. Namun, mencari model matematika pada sistem yang bersifat sangat tidak linier umumnya sulit untuk dilakukan. Lebih jauh lagi, mendesain sistem kendali untuk sistem nonlinier juga merupakan sebuah tantangan dalam pengendalian sistem dinamis. Kontroler konvensional umumnya menghadapi kesulitan dalam menyesuaikan diri dengan perubahan dinamis dan ketidakpastian yang sering terjadi pada sistem – sistem semacam ini. Penelitian ini mencoba mengidentifikasi sistem tanpa model berbasis data pada kolom distilasi batch dengan menggunakan algoritma machine learning XGBoost. Struktur dan parameter model yang paling optimal dicari untuk kemudian digunakan sebagai basis untuk mendesain kontroler. Sistem kontrol yang dibangun menggunakan konsep sistem kontrol adaptif model referensi yang diintegrasikan dengan neural network multilayer preceptron. Parameter neural network melakukan adaptasi sepanjang waktu berdasarkan eror antara respon model referensi dan model sistem. Berdasarkan hasil penelitian didapatkan struktur model XGBoost terbaik didapatkan ketika diberikan 10 fitur input yang merupakan kombinasi dari input dan target yang di-delay sebanyak 5 langkah waktu dan 4 langkah waktu berturut – turut dengan parameter gamma 100 dan lambda 200. Dengan menggunakan kombinasi parameter – parameter ini didapatkan nilai MAE sebesar 0,222 ketika digunakan dataset training, 0,247 ketika diaplikasikan dataset testing 1, dan 0,425 pada dataset testing 2. Sistem kontrol adaptif model referensi yang didesain telah mampu menjejaki set point yang diberikan meskipun dengan waktu tunak yang lebih lambat dibanding waktu tunak model referensi, yaitu sebesar 30 detik ketika diberikan setpoint sebesar 75%, 128 detik ketika diberikan setpoint sebesar 85%, dan 390 detik ketika diberikan setpoint sebesar 95% dimana waktu tunak model referensi adalah sebesar 15 detik. Respon terbaik tanpa oversoot dan error steady state sebesar 0,3% didapatkan ketika digunakan 2 hidden layer pada arstektur neural network dengan MAE yang didapatkan yaitu sebesar 0,777888. Ketika diberikan variasi jumlah neuron pada kedua hidden layer tersebut, respon terbaik tanpa overshoot dan error steady state sebesar 0,5% didapatkan ketika diberikan 64 neuron pada hidden layer 1 dan 16 neuron pada hidden layer 2 dengan MAE sebesar 0,4291.