ABSTRAK
Terbatas Rina Kania
» Gedung UPT Perpustakaan
Terbatas Rina Kania
» Gedung UPT Perpustakaan
COVER
Terbatas Rina Kania
» Gedung UPT Perpustakaan
Terbatas Rina Kania
» Gedung UPT Perpustakaan
BAB I
Terbatas Rina Kania
» Gedung UPT Perpustakaan
Terbatas Rina Kania
» Gedung UPT Perpustakaan
BAB II
Terbatas Rina Kania
» Gedung UPT Perpustakaan
Terbatas Rina Kania
» Gedung UPT Perpustakaan
BAB III
Terbatas Rina Kania
» Gedung UPT Perpustakaan
Terbatas Rina Kania
» Gedung UPT Perpustakaan
BAB IV
Terbatas Rina Kania
» Gedung UPT Perpustakaan
Terbatas Rina Kania
» Gedung UPT Perpustakaan
BAB V
Terbatas Rina Kania
» Gedung UPT Perpustakaan
Terbatas Rina Kania
» Gedung UPT Perpustakaan
DAFTAR PUSTAKA
Terbatas Rina Kania
» Gedung UPT Perpustakaan
Terbatas Rina Kania
» Gedung UPT Perpustakaan
LAMPIRAN
Terbatas Rina Kania
» Gedung UPT Perpustakaan
Terbatas Rina Kania
» Gedung UPT Perpustakaan
Unit desulfurisasi pada pabrik amonia memiliki peran krusial dalam mencegah deaktivasi katalis, namun pengontrolannya sangat menantang akibat karakteristik dinamika sistem yang nonlinier, multivariabel, dan adanya jeda waktu (time-delay). Model Reference Adaptive Control (MRAC) konvensional mampu menyesuaikan parameter secara dinamis, tetapi rentan terhadap fenomena parameter drift dan osilasi tinggi akibat gangguan eksternal. Penelitian ini bertujuan untuk merancang, menguji, dan mengoptimalkan sistem pengontrol hibrida MRAC-DDPG berbasis pemodelan Nonlinier Auto-Regressive with Exogenous Input (NARX) guna meningkatkan akurasi regulasi kadar sulfur sekaligus memitigasi kelemahan mekanisme adaptasi konvensional. Dinamika plant diidentifikasi menggunakan jaringan saraf tiruan NARX berbasis Bayesian Regularization menggunakan data operasional riil (365 sampel harian kadar sulfur laboratorium dan 8.760 titik data variabel proses) dengan rasio data latih dan uji 80:20. Pada perancangan arsitektur pengontrolannya, MRAC ternormalisasi dengan modifikasi kebocoran ditetapkan sebagai pengontrol dasar (baseline) setelah melalui uji komparasi yang membuktikan keunggulannya dibanding mekanisme adaptasi lain, dengan capaian galat awal Root Mean Square Error (RMSE) sebesar 0,000829 PPM. Untuk menyempurnakan baseline tersebut, agen Reinforcement Learning Deep Deterministic Policy Gradient diintegrasikan guna menala laju adaptasi secara dinamis berdasarkan fungsi imbalan yang dioptimasi melalui Bayesian Optimization. Hasil penelitian menunjukkan bahwa model NARX mampu mengestimasi kadar sulfur secara akurat tanpa indikasi overfitting (RMSE keseluruhan 0,00268 PPM). Implementasi hibrida MRAC-DDPG lebih lanjut terbukti sukses mereduksi RMSE kendali menjadi 0,000557 PPM, menghasilkan peningkatan akurasi sebesar 32,78%. Integrasi ini secara efektif mampu menjaga konsentrasi sulfur senantiasa berada di bawah batas kritis operasional yang diperbolehkan, memberikan rise time yang lebih cepat, dan mengeliminasi osilasi tanpa memicu chattering pada aktuator.
.
Perpustakaan Digital ITB