Perpustakaan Digital ITB

Bilangan oktan (RON) merupakan parameter vital yang menentukan efisiensi pembakaran dan ketahanan knocking pada Bahan Bakar Minyak (BBM). Metode standar menggunakan mesin Cooperative Fuel Research (CFR) berdasarkan ASTM D2699 memiliki keterbatasan karena bersifat destruktif, mahal, serta kurang praktis untuk pengujian cepat di lapangan. Sebagai solusi alternatif, penelitian ini mengembangkan sistem identifikasi bilangan oktan non-destruktif menggunakan metode pulse-echo ultrasonik yang diintegrasikan dengan pembelajaran mesin, sekaligus menguji ketahanannya (robustness) terhadap variabilitas sumber sampel. Sebanyak 900 sampel bensin komersial (Pertalite RON 90, Pertamax RON 92, dan Pertamax Turbo RON 98) dikumpulkan dari tiga SPBU berbeda. Sinyal ultrasonik diakuisisi pada suhu terpantau (25–26 °C) menggunakan transduser 10 MHz dan perangkat berbasis FPGA un0rick. Untuk meningkatkan signal-to-noise ratio (SNR) hingga +15 dB, dilakukan perataan koheren dari 32 baris pengukuran berulang. Sinyal kemudian diproses dengan filter bandpass Butterworth orde-4, transformasi Hilbert, dan regresi multi-echo berbasis zero-crossing untuk menentukan cepat rambat gelombang. Sebanyak sepuluh fitur akustik domain waktu, amplitudo, dan frekuensi berhasil diekstraksi. Hasil uji ANOVA menunjukkan seluruh fitur memiliki perbedaan signifikan antar-kelas RON, dengan frekuensi sentroid sebagai fitur paling diskriminatif. Nilai cepat rambat gelombang bersifat non-monoton terhadap nilai RON berturut-turut sebesar 1.149,43 m/s (RON 90), 1.153,51 m/s (RON 92), dan 1.148,82 m/s yang mencerminkan pengaruh densitas serta modulus bahan bakar akibat variasi komposisi hidrokarbon. Analisis korelasi dan PCA mendeteksi adanya redundansi fitur yang tinggi. Berdasarkan aspek relevansi dan ketahanan instrumen, dipilih dua fitur komplementer yang saling tidak berkorelasi: v_sound dan f_centroid. Evaluasi delapan algoritma machine learning dilakukan melalui 10-fold Stratified Cross-Validation dan Leave-One-SPBU-Out (LOSO). Model KNN dan Random Forest menghasilkan akurasi tinggi pada k-fold, namun performanya menurun drastis pada uji LOSO akibat batch effect. Sebaliknya, Support Vector Machine dengan kernel RBF (SVM-RBF) terbukti paling andal dengan akurasi LOSO mencapai 90,0% dan F1-makro 0,898. Secara keseluruhan, integrasi metode pulse-echo ultrasonik dengan SVM-RBF mampu mengidentifikasi bilangan oktan secara non-destruktif dengan akurasi generalisasi yang baik, serta menegaskan pentingnya validasi lintas-sumber (LOSO) untuk menjamin keandalan model di lapangan.