Perpustakaan Digital ITB

Industri kimia melibatkan proses dengan tingkat kompleksitas tinggi sehingga dinamika sistemnya sulit dimodelkan secara akurat. Salah satu sistem yang banyak digunakan adalah Batch Stirred Tank Reactor (BSTR) yang memiliki karakteristik nonlinier dan time-varying, terutama pada variabel suhu. Karakteristik ini dipengaruhi oleh variasi bahan, durasi operasi, serta perubahan nilai Set Value (SV), sehingga pendekatan pemodelan konvensional menjadi kurang efektif. Penelitian ini menerapkan pendekatan identifikasi sistem berbasis data dengan memanfaatkan masukan eksogen dari dua skema kendali, yaitu bang-bang dan Proportional-Integral (PI), serta masukan autoregresif berupa data suhu. Pemodelan dilakukan menggunakan Nonlinear AutoRegressive with Exogenous Input Neural Network (NARXNN) untuk merepresentasikan hubungan nonlinier sistem. Proses penentuan arsitektur optimal dilakukan menggunakan Bayesian Optimization dengan parameter yang dioptimasi meliputi jumlah lag, hidden layer, neuron, batch size, dan learning rate. Proses pelatihan jaringan menggunakan algoritma Adam yang adaptif, disertai mekanisme early stopping untuk mencegah overfitting. Pengujian model dilakukan dengan memprediksi suhu pada horizon prediksi 0, 30, dan 60 detik ke depan. Hasil menunjukkan bahwa model dengan kendali bang-bang memiliki nilai koefisien determinasi yang lebih tinggi pada seluruh horizon prediksi karena pola dinamika data yang lebih konsisten dan bersifat interpolatif. Pada kendali PI, nilai koefisien determinasi menurun pada horizon 60 detik akibat karakter dinamika data uji yang lebih bersifat ekstrapolatif, dengan nilai R2 sebesar 0,73, sementara pada horizon lainnya nilai R2 tetap berada di atas 0,90.