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.