its undergraduate 10592 paper
DESCRIPTION
Wireless sensor networkTRANSCRIPT
![Page 1: ITS Undergraduate 10592 Paper](https://reader035.vdokumen.com/reader035/viewer/2022073121/55cf9db8550346d033aee07e/html5/thumbnails/1.jpg)
1
PERANCANGAN SISTEM KONTROL DAN OPTIMASI RASIO UDARA DAN BAHAN BAKAR PADA BOILER
DI PT. PETROKIMIA GRESIK BERBASIS JARINGAN SYARAF TIRUAN DAN ALGORITMA GENETIK
(Kodar Sudiono, Hendra Cordova)
Jurusan Teknik Fisika – Fakultas Teknologi Industri
Institut Teknologi Sepuluh Nopember
Kampus ITS, Keputih – Sukolilo, Surabaya 60111
ABSTRAK
Rasio kontrol adalah sistem kontrol yang digunakan untuk menjaga komposisi dari suatu proses. Pada proses pembakaran pada
boiler dibutuhkan sejumlah udara dan bahan bakar dengan komposisi atau rasio tertentu sehingga proses pembakaran bisa
terjadi optimal. Optimal tidaknya proses pembakaran dilihat dari nilai parameter keluaran yaitu kadar oksigen pada udara sisa
pembakaran. Oleh karena proses pembakaran adalah unit proses yang kompleks dan non-linear maka pemodelan dilakukan
dengan Jaringan Syaraf Tiruan dengan struktur Multi Layer Perceptron (MLP). Struktur model yang diturunkan adalah struktur
Nonlinear Auto Regressive with eXternal input (NARX). Pangaturan bobot jaringan syaraf tiruan dilakukan menggunakan
algoritma Levenberg-Marquardt yang mampu memberikan hasil dengan RMSE cukup baik, yakni 3.4 x 10-3. Setelah
didapatkan model dari proses pembakaran, dengan menggunakan algoritma genetik didapatkan rasio udara dan bahan bakar
yang optimal sebesar 8.9659: 1. Selanjutnya dirancang sistem rasio kontrol dengan metode Direct Invers control berbasis
Jaringan Syaraf Tiruan. Dari hasil simulasi menunjukkan sistem direct invers control berbasis Jaringan Syaraf Tiruan memiliki
respon yang sangat baik. Pengendalian rasio mengikuti setpoin pada menit ke 2 ( pada set poin 6000) dengan maximum
overshoot 2.23 %. Menit ke 0.9 (pada set poin 9000) dengan maximum overshoot 0.73 %, menit ke 1 (pada set poin 5000)
menit ke 1 (pada set poin 5000) dengan maximum overshoot 1.78%. menit ke 0.9 (pada set poin 7000) dengan maximum
overshoot 0.62 %.
kata kunci : proses pembakaran, rasio control, jaringan syaraf tiruan, algoritma genetik
I. PENDAHULUAN
1.1 Latar Belakang
Dalam proses di Industri, Boiler (Generator Uap)
merupakan bagian penting yang berfungsi menghasilkan
uap untuk digunakan oleh berbagai proses operasi. Pada
PT. Petrokimia Gresik uap yang dihasilkan, digunakan
sebagai penggerak turbin generator yang akan
menghasilkan energi listrik dan sebagai bahan langsung
dalam proses pembuatan pupuk. Proses yang terjadi pada
boiler cukup kompleks, oleh karena itu diperlukan
beberapa sistem pengendalian agar proses berlangsung
seperti yang diharapkan. Terdapat banyak sekali sistem
pengendalian pada boiler, salah satunya adalah sistem
pengendalian pada sistem pembakaran (combustion
control system). Salah satu combustion system control
yang ada di boiler adalah Sistem rasio control. Sistem
tersebut memiliki peranan yang sangat penting dalam
meningkatkan efisiensi dari boiler serta berfungsi menjaga
komposisi udara dan bahan bakar yang tepat sehingga
tarjadi proses pembakaran sempurna. Pada kenyataannya
pengaturan rasio udara dan bahan bakar yang ada di plant
dilakukan secara manual oleh operator dengan mengamati
kandungan kadar Oksigen (O2) pada oksigen analyzer serta
dengan memperhatikan asap yang keluar dari stack
(cerobong). Selain itu kadar O2 yang berfungsi sebagai
indikator sempurna-tidaknya proses pembakaran
mengalami fluktuasi. Hal ini mengindikasikan bahwa rasio
udara dan bahan bakar serta sistem kontrol yang ada masih
belum optimal. Oleh karena itu Pada penelitian tugas akhir
ini akan di rancang suatu sistem kontrol rasio udara dan
bahan bakar pada pembakaran boiler, serta mencari rasio
dari udara dan bahan bakar yang optimal.
1.2 Permasalahan Permasalahan yang terdapat pada tugas akhir ini adalah :
1. Bagaimana mencari rasio udara dan bahan bakar
yang optimal dengan menggunakan Algoritma
genetika.
2. Bagaimana merancang sebuah rasio control udara
dan bahan bakar pada boiler OWS B1102 di
Petrokimia Gresik berbasis direct invers control.
1.3 Tujuan
Tujuan dari tugas akhir ini adalah :
1. Mencari rasio udara dan bahan bakar yang optimal
sehingga dapat memberikan rekomendasi berupa
konstanta rasio udara dan bahan bakar kepada
perusahaan.
2. Mengetahui performansi perancangan sistem rasio
control udara dan bahan bakar pada boiler yang telah
dirancang.
![Page 2: ITS Undergraduate 10592 Paper](https://reader035.vdokumen.com/reader035/viewer/2022073121/55cf9db8550346d033aee07e/html5/thumbnails/2.jpg)
2
1.4 Batasan Masalah
Untuk mempertajam dan memfokuskan permasalahan
dalam Tugas Akhir ini, beberapa batasan masalah yang
diambil diantaranya adalah sebagai berikut :
1. Menggunakan metode Jaringan Syaraf Tiruan untuk
memodelkan proses pembakaran.
2. Menggunakan metode algoritma genetik untuk
mencari rasio udara dan bahan bakar.
3. Pemodelan sistem dilakukan berdasarkan data
masukan dan keluaran yang diperoleh dari data
operasional lapangan pada boiler OWS B1102 PT.
Petrokimia Gresik. pada tanggal 1 Januari 2009.
4. Sistem disimulasikan secara offline dengan
menggunakan perangkat lunak MATLAB R2006b.
II. TEORI PENUNJANG
2.1 Boiler
Boiler Merupakan sebuah plant industri yang
berfungsi merubah air dari fasa cairan ke fase uap. Pada
PT. Petrokimia Gresik uap yang dihasilkan boiler
digunakan untuk menggerakan turbin sebagai pembangkit
listrik dan sebagai bahan langsung dalam proses
pembuatan pupuk. Misalnya sebagai pembuatan H2 pada
primary reformer di mana uap yang dihasilkan boiler akan
direaksikan dengan gas alam[11].
Gambar 2.1 Diagram blok boiler sederhana[15]
Secara umum boiler dapat gambarkan seperti Gambar
2.1. Pada sistem boiler ini bahan bakar dan udara
diumpankan untuk dicampur dan dibakar. Hasil dari
pembakaran bahan bakar ini adalah energi kalor yang
digunakan ntuk memanaskan air. Gas sisa pembakaran dari
proses ini biasanya disebut dengan asap cerobong (flue
gas)[10]. Proses pembakaran yang terjadi di dalam tungku
pembakaran adalah Salah satu proses yang ada pada
boiler. Bahan bakar boiler bisa diklasifikasikan menjadi
tiga, yaitu bahan bakar padat, bahan bakar cairan, dan
bahan bakar gas. Boiler pada PT Petrokimia Gresik
merupakan boiler dengan bahan bakar gas alam yang
memiliki kandungan zat kimia yang beraneka ragam tetapi
secara umum gas alam yang digunakan memiliki
kandungan 80 % metana[11]. Perbandingan antara udara
dan bahan bakar memerankan peranan yang penting dalam
kualitas pembakaran. Jumlah udara yang terlalu sedikit,
akan menyebabkan terlalu sedikit oksigen yang digunakan
untuk mengubah bahan bakar hidrokarbon menjadi karbon
dioksida dan air. Jumlah udara terlalu sedikit juga berarti
pemborosan bahan bakar, karena tidak semua bahan bakar
yang digunakan terbakar dan menjadi energi. Selain itu
jumlah udara yang terlalu banyak juga akan menyebabkan
pembakaran tiak sempurna. Hal ini disebabkan karena
Kelebihan oksigen dan nitrogen akan menyebabkan
terserapnya energi dalam pembakaran dan sisa gas buang
ini akan dibuang melewati stack, sehingga sebagian energi
yang dihasilkan akan terbuang dan menyebabkan
temperatur operasi menurun. Kondisi pembakaran dapat
ditinjau dari sisa oksigen yang dihasilkan. Prosentase
oksigen pada gas sisa untuk pembakaran yang optimal
untuk bahan bakar gas alam berada di rentang 1.5% - 3 %
[15].
2.2 Jaringan Syaraf Tiruan
Pembuatan struktur Jaringan Syaraf Tiruan diilhami
oleh struktur jaringan biologi, khususnya jaringan otak
manusia. Jaringan syaraf tiruan terdiri dari beberapa
neuron, dan terdapat suatu hubungan antara neuron-
neuron tersebut. Neuron akan mentransformasikan
informasi yang diterima melalui sambungan keluarnya
menuju ke neuron-neuron yang lain[9]. Sistem jaringan
syaraf tiruan dicirikan dengan adanya proses pembelajaran
(learning) yang berfungsi untuk mengadaptasi parameter-
parameter jaringannya. Kelebihan dari jaringan syaraf
tiruan diantaranya :
- Mampu melakukan proses pembelajaran
- Mampu beradaptasi
x1
A c t i v a t i o n
F u n c t i o n
w1
wd
w2
w0
x2
xd
x0= 1
o
Gambar 2.3 Struktur Jaringan Syaraf Tiruan[1]
Algoritma pembelajaran dan struktur JST yang
digunakan dalam penelitian ini adalah algoritma
Levenberg Marquardt dan Multilayer Perceptron (MLP) .
Algoritma Levenberg Marquardt memiliki kelebihan
karakteristiknya lebih cepat konvergen (rapid
convergence), Secara matematis pasangan data input dan
output yang berhubungan dapat ditulis sebagai berikut:
[ ]{ }NTtytuZ N ,....,1,)(),( == …(2.1)
Tujuan dari pelatihan adalah untuk mendapatkan sebuah
pemetaan dari pasangan data ke pasangan kandidat model.
θ)
→NZ ...(2.2)
sehingga didapatkan model yang menyediakan prediksi
output ŷ(t) yang sama atau mendekati output y(t). Metode
![Page 3: ITS Undergraduate 10592 Paper](https://reader035.vdokumen.com/reader035/viewer/2022073121/55cf9db8550346d033aee07e/html5/thumbnails/3.jpg)
3
yang paling sering digunakan untuk mengukur kemiripan
antara model output dengan model sebenarnya adalah tipe
kriteria mean square error.
∑∑==
=−=N
t
N
t
N
N tN
tytyN
ZV1
2
1
2 ),(2
1)]|()([
2
1),( θεθθ ) ...(2.3)
Multilayer Perceptron (MLP) adalah jaringan yang paling
sering mempertimbangkan anggota dari keluarga jaringan
syaraf tiruan. Alasan utamanya adalah kemampuannya
untuk memodelkan secara sederhana dari hubungan
fungsional yang kompleks. Rumus matematik yang
mengekspresikan apa yang terjadi pada jaringan-MLP
diambil dari[1]:
+
+== ∑ ∑
= =
hn
j
i
n
l
jlljijiiii WwwfWFgty1
0,
1
0,,,],[)(ϕ
ϕθϕ)
..(2.4)
θ menunjukkan vektor parameter yang didalamnya terdapat semua parameter JST yang dapat diatur
(bobot dan bias).
III. PERANCANGAN DAN METODOLOGI
Akan dibahas mengenai metodologi perancangan
sistem rasio control dan optimasi rasio udara dan bahan
bakar pada boiler di Petrokimia Gresik. Pada Gambar 3.1
dan Gambar 3.2 dapat dilihat bahwa sistem control rasio
udara dan bahan bakar udara pada boiler hanya mengatur
besarnya aliran bahan bakar gas yang masuk ke dalam
proses pembakaran. Sedangkan aliran udara untuk proses
pembakaran di atur oleh control master yang dipengaruhi
oleh besarnya beban yang diberikan kepada boiler. Pada
kasus ini aliran udara yang masuk kedalam proses
pembakaran dianggap sebagai setpoin dari aliran bahan
bakar gas setelah dibagai dengan konstanta K atau
konstanta rasio udara dan bahan bakar. Konstanta rasio K
ini dicari dengan metode optimasi sehingga didapat nilai K
yang paling optimal.
Gambar 3.1 Diagram Proses Pembakaran Pada Boiler
Gambar 3.2 Penyederhanaan Diagram Control Rasio
3.1 Algoritma Perancangan Sistem Optimasi Rasio
udara dan Bahan bakar
Secara umum tugas akhir ini terbagi menjadi dua kategori
pembahasan, pembahasan pertama adalah mencarai rasio
laju udara dan bahan bakar yang optimal. Pembahasan
kedua yaitu tahap merancang sistem control rasio udara
dan bahan bakar sehingga dapat menjaga rasio udara dan
bahan bakar yang optimal.
Tahap-tahap untuk menyelesaikan tugas akhir ini bisa
dilihat pada Gambar 3.3.
Gambar 3.3 Flowchart Penelitian Tugas Akhir
3.2 Pengoptimalan Rasio Laju Udara Dan Bahan
Bakar
Dalam mengoptimalkan rasio laju udara dan
bahan-bakar, yang perlu dilakukan adalah mencari fungsi
yang merepresentasikan proses pembakaran yang
didalamnya terdapat hubungan laju udara dan laju bahan
bakar serta kandungan kadar Oksigen (O2). Metode
algoritma genetika banyak dipakai untuk tujuan optimasi
numerik dengan merepresentasikan masalah kedalam
persamaan matematis. Dengan demikian mutlak
diperlukan adanya suatu model untuk merepresentasikan
proses. Namun pengembangan model yang nonlinear dan
multivariabel dengan persamaan matematis menjadi
kendala tersendiri berkaitan dengan jumlah persamaan
yang dibutuhkan serta waktu penyelesaian yang lama [6].
Menurut [7][8], pemodelan dapat dilakukan dengan
memanfaatkan kelebihan yang dimiliki jaringan syaraf
![Page 4: ITS Undergraduate 10592 Paper](https://reader035.vdokumen.com/reader035/viewer/2022073121/55cf9db8550346d033aee07e/html5/thumbnails/4.jpg)
4
tiruan (JST) dalam mem-bangun hubungan nonlinear
antara input-output sehingga memiliki karakteristik yang
sama dengan proses yang ditinjau. Untuk mendapatkan
fungsi terebut dapat dicari dengan pemodelan JST. Fungsi
tersebut yang nantinya dijadikan fungsi fitness untuk
mengoptimalkan rasio laju udara dan bahan bakar pada
proses pembakaran.
Pada pemodelan proses pembakaran data input yang
digunakan adalah laju aliran udara(fa) dan laju bahan
bakar gas(fg). Sedangkan data output yang digunakan
adalah kadar oksigen (% O2) yang di dapat pada analyzer
indicator. Pada Gambar 3.4 dapat kita lihat bahwa
sistem merupakan tipe banyak input dan satu output
dengan input fa(t), fg(t), %O2(t), dan output %O2 (t+1).
Variabel fa(t) dan fg (t) merupakan input pada proses
pembakaran boiler yang merupakan aliran udara dan aliran
bahan bakar gas. Sedangkan %O2 (t) merupakan keluaran
proses pada waktu t, sedangkan %O2 (t+1) merupakan
output proses pada waktu t+1.
Gambar 3.4 Blok Diagram Pemodelan Proses Pembakaran
dengan JST[1]
Persamaan 2.4 digunakan sebagai fitness function
untuk mencari rasio laju udara dan bahan bakar yang
paling optimal sehingga dapat mengestimasi kadar
oksigen(O2) sebagai keluaran dari proses pembakaran
Gambar 3.5 Diagram alir algoritma genetika[14]
Gambar 3.5 adalah diagram alir Algoritma Genetik
didalam menyelesaikan permasalaan. Permasalahannya
adalah menentukan flow udara(fa) dan flow gas(fg) yang
baik.
3.3 Merancang Sistem Rasio Kontrol Berbasis JST
Dalam Tugas akhir ini dalam merancang sistem
pengendalian berbasis JST diperlukan suatu model dari
control valve serta model dari controller. Dari pemodelan
control valve dan pemodelan controller tersebut akan
dicari bobot-bobot dari model control valve dan controller
yang nantinya dibutuhkan dalam simulasi sistem
pengendalian.
3.3.1 Pemodelan control valve ( FV 640 ) dengan JST
Pada pemodelan control valve dengan menggunakan
JST data input yang digunakan adalah bukaan valve (%
OP). Sedangkan data output yang digunakan adalah flow
bahan bakar gas (fg).
Gambar 3.6 Blok Diagram Pemodelan Control Valve JST
Dari Gambar 3.6 % OP (t) merupakan data input plant,
sedangkan fg(t) merupakan data output plant. Selanjutnya
data tersebut dilatih dengan JST sehingga menghasilkan
data output JST yang berupa fg(t+1). Kemudian data
output JST fg(t+1) dibandingkan dengan data output Plant
fg(t) sehingga menghasilkan error (e). Dari nilai error
inilah yang akan dipakai untuk meng-update nilai bobot
JST secara terus menerus atau yang biasa dikenal dengan
istilah iterasi. Pada pemodelan control valve pada Gambar
3.7 dapat diketahui bahwa pemodelan control valve ini
melalui dua tahapan yaitu, training dan validasi.
Gambar 3.7 Alur Pemodelan Control Valve dengan JST
![Page 5: ITS Undergraduate 10592 Paper](https://reader035.vdokumen.com/reader035/viewer/2022073121/55cf9db8550346d033aee07e/html5/thumbnails/5.jpg)
5
Tujuan dari proses training adalah untuk
mendapatkan bobot yang menghasilkan output paling baik.
Kriteria yang digunakan untuk menilai output adalah Root
Mean Square Error (RMSE). RMSE adalah akar rata-rata
total kuadrat error yang terjadi antara output model dan
output proses. Semakin kecil nilai RMSE (mendekati nilai
nol) maka makin besar tingkat keberhasilan training,
sebaliknya semakin besar nilai RMSE maka makin kecil
tingkat keberhasilan training. Persamaan nilai RMSE
dapat dituliskan sebagai berikut:
( )
N
yy
RMSE
N
i
ii∑=
−= 1
2ˆ
... (3.2)
dengan : yi = output proses
ŷi = output model
N = jumlah data
Apabila output model telah memenuhi nilai RMSE
yang paling baik maka bobot yang dihasilkan dari proses
training yakni w1f (bobot dari input layer ke hidden layer)
dan w2f (bobot dari hidden layer ke output layer), hidden
node serta history length disimpan sebagai forward .
3.3.2 Pemodelan Controller ( FIC 640) Dengan JST
Untuk model controller data input yang digunakan
adalah flow bahan bakar gas (fg), sedangkan data output
yang digunakan adalah bukaan valve ( % OP ). Gambar
3.8 menunjukkan blok diagram pemodelan controller
dengan JST. Dari gambar tersebut dapat diketahui bahwa
pada pemodelan controller JST menghasilkan output yang
berupa fg(t+1). Kemudian nilai output model controller
fg(t+1) dibandingkan dengan nilai input sistem controller
fg(t) sehingga menghasilkan error (e) yang akan
digunakan untuk meng-update nilai bobot pada pemodelan
controller JST.
Gambar 3.8 Blok Diagram Pemodelan Controller
Dengan JST
Nilai bobot w1i (bobot dari input layer ke hidden
layer) dan w2i (bobot dari hidden layer ke output layer),
history length dan hidden node hasil training disimpan
sebagai inverse.
Gambar 3.9 Alur Pemodelan controller dengan JST
3.4 Simulasi Direct Inverse Control Berbasis JST
Direct Inverse Control merupakan konsep yang paling
dasar dari kontrol yang berdasarkan jaringan syaraf yang
menggunakan inverse model sebagai kontrol proses,
seperti yang ditunjukkan pada gambar 3.10.
Gambar 3.10 Direct Inverse Control[1]
Karena model inverse sistem memegang peranan yang
penting dalam teori kontrolnya, sehingga pencapaian
dalam bentuk analitis cukup berat. Untuk mengatasi hal
tersebut maka sistem dinamis dapat digambarkan dalam
bentuk persamaan differential sebagai berikut :
( ) ( ) ( ) ( ) ( )[ ]1,...,,1,...,1 +−+−=+ mtutuntytyfty ..(2.5)
dimana output sistem y(t+1) bergantung pada nilai n-
output dan m-input yang terdahulu, model inverse sistem
secara umum dapat disajikan dalam bentuk berikut :
( ) ( ) ( ) ( ) ( ) ( )[ ]1,...,,1,...,,11 +−+−+= − mtutuntytytrftu ...(2.6)
Nilai y(t+1) disini merupakan unknown value (nilai yang
tidak dikenal), dan oleh karena itu dapat disubtitusikan
pada nilai kuantitas keluaran (output) yang diinginkan
r(t+1). Sebelum sistem kontrol aktual bekerja maka model
inverse harus dilatih. Metode pembelajaran untuk Direct
Inverse Control berbasis jaringan syaraf tiruan dapat
dibedakan menjadi 2 metode, yaitu:
1. Generalized Training
Pada metode ini jaringan syaraf tiruan ditraining secara
offline untuk meminimalisasi Mean Square Error
(MSE) di sinyal kontrol yang akan diterapkan pada
![Page 6: ITS Undergraduate 10592 Paper](https://reader035.vdokumen.com/reader035/viewer/2022073121/55cf9db8550346d033aee07e/html5/thumbnails/6.jpg)
6
proses melalui percobaan sinyal kontrol yang
dihasilkan dari jaringan.
2. Specialized Training
Metode ini berfungsi untuk meminimalisasi nilai Mean
Square Error (MSE) antara sinyal referensi dan output
dari proses. Metode ini telah berjalan dengan baik
secara online dengan menggunakan recursive training
algoritma.
Nantinya nilai bobot (forward dan inverse), jumlah history
length dan hidden node yang didapat pada hasil pemodelan
plant JST dan pemodelan controller JST digunakan dalam
simulasi Direct Inverse Control.
Gambar 3.11 Alur Simulasi Direct Inverse Control
Berbasis JST
Gambar 3.11 diatas menunjukkan alur simulasi
Direct Inverse Control berbasis JST. Untuk mengetahui
tingkat keberhasilan hasil simulasi Direct Inverse Control
berbasis JST ini dilakukan uji tracking setpoint dengan
beberapa nilai parameter yang telah ditentukan.
IV. Analisa dan Pembahasan
Pada bab ini akan dijelaskan mengenai hasil
simulasi dari sistem rasio control yang dirancang serta
hasil simulasi untuk mencari rasio udara dan bahan bakar
yang optimal,. Data – data proses variabel yang digunakan
dalam perancangan sistem rasio control ini didapat dari
data simpanan proses yang ada pada DCS PT. Petrokimia
Gresik. Data yang digunakan adalah data per-menit pada
tanggal 1 januari 2009 yang berjumlah 1000 data.
4.1 Pengoptimalan Rasio Laju Udara Dan Bahan
Bakar Setelah dilakukan pelatihan JST, didapatkan struktur JST
untuk pemodelan proses pembakaran. Seperti terlihat pada
gambar 4.1.
Gambar 4.1 Struktur JST Untuk pemodelan Proses
Pembakaran
Gambar 4.1 Menunjukkan struktur Jaringan Syaraf Tiruan
yang paling baik digunakan untuk pemodelan proses
pembakaran. Setelah dilakukan eksperiment diperoleh
hasil yang paling baik adalah dengan 1 history length dan
2 hidden node. Fungsi aktivasi yang digunakan pada
hidden layer dan output layer adalah fungsi aktivasi linear
,dengan struktur tersebut dihasilkan RMSE sebesar 0.0034.
Gambar 4.2 menunjukkan grafik input flow udara dan
flow bahan bakar gas, Gambar 4.3 menunjukkan grafik
output % kadar oksigen (O2) sedangkan Gambar 4.4
menunjukkan perbandingan antara output real plant
dengan output dari JST serta penunjukan error yang
terjadi pada setiap pasangan data
Gambar 4.2 Grafik Data Input Proses Pembakaran
Gambar 4.3 Grafik Data Ouput Proses Pembakaran
Gambar 4.4 Grafik Perbandingan Antara Output Real
Plant Dengan Output Dari Jst Dan Error
Berdasarkan dari nilai RMSE yang telah didapat dan relatif
baik maka dapat disimpulkan bahwa pemodelan dari
![Page 7: ITS Undergraduate 10592 Paper](https://reader035.vdokumen.com/reader035/viewer/2022073121/55cf9db8550346d033aee07e/html5/thumbnails/7.jpg)
7
proses pembakaran bisa dianggap mewakili proses
sebenarnya. Sehingga dalam training pasangan data
tersebut didapatkan bobot-bobot terbaik sebagai berikut:
Table 4.1 Matrik bobot dari lapis input ke lapis
tersembunyi
Table 4.2 Matrik bobot dari lapisan tersembunyi ke
lapisan output
0.736 -0.1649 -0.0122
Berdasarkan Persamaan 2.4 serta matrik bobot-bobot
pada Tabel 4.1 Dan 4.2 tersebut didapatkan formula
seperti dibawah ini:
..(4.1)
dari Persamaan 4.1 maka optimasi rasio dilakukan
dengan cara menentukan nilai fa dan fg yang paling
optimum. Nilai optimum dari masing-masing variabel
dicari dengan menggunakan metode algoritma genetik.
Pada algoritma genetik. Persamaan 4.1 digunakan sebagai
fungsi fitness dimana individu yang memiliki fitnes nol
atau yang paling mendekati merupakan individu terbaik.
Sedangkan constrain-nya adalah proses variabel yang
masuk pada proses pembakaran dalam hal ini Flow udara
dan flow bahan bakar. Agar proses pembakaran dapat
berlangsung secara optimal maka besar kadar oksigen
pada flue gas dijaga tetap sekitar 2 %.
Berdasarkan pada Persamaan 4.2 dimana
….4.2
dengan konstanta K = 0.9 untuk bahan bakar gas, dengan
kadar oksigen 2 %, maka kelebihan udara didapatkan
adalah 9.47. dari nilai tersebut dapat diketahui bahwa
proses pembakaran di boiler berlangsung secara optimal
karena berdasarkan [10] besarnya kelebihan udara yang
optimal agar diperoleh pembakaran yang optimal adalah
berkisar antara 0% - 20 %. Selain itu, jumlah udara sisa
pada flue gas berpengaruh langsung terhadap efisiensi
boiler. Apabila jumlah presentasi udara sisa meningkat
temperatur api pembakaran akan berkurang dan tranfer
kalor boiler juga semakin berkurang
Gambar 4.5 Hasil Simulasi Pencarian Rasio Udara Dan
Bahan Bakar Yang Terbaik
Dengan menggunakan algoritma genetik seperti nampak
pada Gambar 4.5 didapatkan nilai fa dan fg paling
optimum yaitu flow udara: 85721.6542 m3/h dan flow
bahan bakar gas: 10299.6831 m3/h. Dari kedua nilai bisa
didapatkan rasio udara dan bahan bakar yang paling
optimum sebesar 8.3227:1. Besar rasio ini akan
diterapkan sebagai faktor pembagi pada perancangan rasio
control.
Gambar 4.6 Grafik rasio udara dan bahan bakar aktual
dan bahan bakar
Gambar 4.6 adalah grafik rasio udara dan bahan bakar
pada data boiler PT Petrokimia Gresik dan simulasi yang
diperoleh dengan metode Algoritma genetik. Pada grafik
tersebut dapat dilihat bahwa rasio udara dan bahan bakar
pada boiler di PT. Petrokimia Gresik masih tidak konstan
dan fluktuatif. Hal ini mengakibatkan pembakaran menjadi
tidak efisien. Pada simulasi rasio conrol besarnya rasio
udara dan bahan bakar terjaga konstan disekitar 8.3227.
4.2 Perancangan Rasio Control Udara Dan Bahan
Bakar Dengan Menggunakan Jaringan Syaraf Tiruan
Tahap pertama didalam perancangan rasio control ini
adalah dengan memodelkan control valve yang dalam hal
ini plant yang akan di control. Tahap selanjutnya adalah
tahap pemodelan controller. Serta selanjutnya akan
dirancang simulasi direct invers control berbasis Jaringan
Syaraf Tiruan.
Untuk Pemodelan control valve ( FV 640) dihasilkan
RMSE sebesar 0.0010. Gambar 4.7 menunjukkan struktur
Jaringan Syaraf Tiruan pada control valve
1.0141 0.1198 -2124 0.2768
-0.4065 -0.4026 0.06 0.0316
![Page 8: ITS Undergraduate 10592 Paper](https://reader035.vdokumen.com/reader035/viewer/2022073121/55cf9db8550346d033aee07e/html5/thumbnails/8.jpg)
8
Gambar 4.7 JST Untuk pemodelan Control Valve (FV
640)
Gambar 4.8 menunjukkan grafik input dari control valve
(FV 640) yaitu % OP.valve, Gambar 4.9 menunjukkan
grafik output control valve (FV 640) yaitu flow bahan
bakar (fg), sedangkan Gambar 4.10 menunjukkan
perbandingan antara output real plant dengan output dari
JST serta penunjukan error yang terjadi pada setiap
pasangan data input dan output pada control valve (FV
640).
Gambar 4.8 Grafik Data Input control valve ( FV 640 )
Gambar 4.9 Grafik data output control valve (FV 640)
Gambar 4.10 Grafik perbandingan antara output real
plant dengan output dari JST dan error dari control valve
(FV 640)
Sedangkan untuk pemodelan controller (FIC 640)
dihasilkan RMSE sebesar 0.00026. Gambar 4.11
Menunjukkan struktur JST untuk struktur JST untuk
controller (FIC 640). Gambar 4.12 menunjukkan grafik
input dari controller (FIC 640) yaitu flow bahan bakar
(fg). Gambar 4.13 menunjukkan output dari controller
(FIC 640) yaitu % OP.valve. Sedangkan Gambar 4.14
menunjukkan perbandingan antara output real plant
dengan output dari JST serta penunjukan error yang
terjadi pada setiap pasangan data input dan output pada
controller (FIC 640).
Gambar 4.11 Struktur JST Untuk pemodelan Controller
(FIC 640)
Gambar 4.12 Grafik Data Input Controller (FIC 640)
Gambar 4.13 Grafik Data Output Controller (FIC 640)
![Page 9: ITS Undergraduate 10592 Paper](https://reader035.vdokumen.com/reader035/viewer/2022073121/55cf9db8550346d033aee07e/html5/thumbnails/9.jpg)
9
Gambar 4.14 Grafik hasil pemodelan controller (FIC
640)
4.2 Simulasi Direct Invers Control Berbasis JST
Setelah melakukan pemodelan control valve dan
pemodelan controller dengan JST maka didapatkan bobot
dari pemodelan control valve yaitu W1f dan W2f yang
disimpan dalam file forward dan bobot dari pemodelan
controller yaitu W1i dan W2i yang disimpan dalam file
inverse. Bobot tersebut digunakan untuk melakukan
simulasi direct inverse control.
Gambar 4.15 Grafik Respon Simulasi Direct Invers
Control Berbasis JST
Dari grafik respon diatas didapatkan hasil respon
pengendalian pada 1000 data, Pengendalian rasio ini cukup
bagus didalam mengikuti setpoin. Dapat diketahui bahwa
pengendalian mengikuti setpoin pada menit ke 2 ( pada set
poin 6000) dengan maximum overshoot 2.23 %. Menit ke
0.9 (pada set poin 9000) dengan maximum overshoot 0.73
%, menit ke 1 (pada set poin 5000) dengan maximum
overshoot 1.78 %, menit ke 0.9 (pada set poin 7000)
dengan maximum overshoot 0.62 %.
Gambar 4.16 Grafik sinyal control simulasi Direct Invers
Pada gambar Gambar 4.16 dapat dilihat bahwa sinyal
control mulai stabil ketika setelah melewati waktu dimana
terjadi perubahan set poin. Terdapat empat waktu
perubahan setpoin yaitu pada menit ke 1, 248, 498, 748.
Hal ini disebabkan karena pada waktu-waktu tersebut
pengendalian rasio berbasis JST masih melakukan
pembelajaran atau training.
V. KESIMPULAN DAN SARAN
5.1 Kesimpulan
Dari hasil simulasi dan analisa data pada penelitian Tugas
Akhir ini, dapat ditarik beberapa kesimpulan antara lain :
1. Peningkatan efisiensi boiler dapat dilakukan dengan
optimisasi rasio udara dan bahan bakar pada proses
pembakaran boiler, yaitu dengan cara mengatur
perbandingan aliran udara dan bahan bakar yang akan
memasuki tungku pembakaran boiler.
2. Pemodelan proses pembakaran dengan JST berstruktur
NARX dan menggunakan algoritma belajar
Levenberg-Mar-quardt dengan RMSE pemodelan
terbaik diperoleh sebesar 0.0034 pada history length 1
dan jumlah hidden node 2
3. Optimisasi rasio udara dan bahan bakar pada proses
pembakaran boiler dapat dilakukan dengan metode
algoritma genetik dan nilai rasio optimal yang didapat
8.9699:1
4. Pemodelan control valve ( FV 640 ) dengan JST
berstruktur NARX dan menggunakan algoritma belajar
Levenberg-Mar-quardt dengan RMSE pemodelan
terbaik diper-oleh sebesar 0.0010 pada history length 1
dan jumlah hidden node 2
5. Pemodelan Controller (FIC 640) dengan JST
berstruktur NARX dan menggunakan algoritma belajar
Levenberg-Mar-quardt dengan RMSE pemodelan
terbaik diper-oleh sebesar 0.000269 pada history length
1 dan jumlah hidden node 16
6. Pengendalian rasio ini cukup bagus. dapat diketahui
bahwa pengendalian mengikuti setpoin pada menit ke 2
( pada set poin 6000) dengan maximum overshoot 2.23
%. Menit ke 0.9 (pada set poin 9000) dengan
maximum overshoot 0.73 %, menit ke 1 (pada set poin
5000) dengan maximum overshoot 1.78%. menit ke
0.9 (pada set poin 7000) dengan maximum overshoot
0.62 %.
5.2 Saran
Beberapa saran yang perlu disampaikan dalam
laporan ini dalam rangka pengembangan penelitian ini
antara lain :
1. Efisiensi boiler dapat dilakukan dengan meninjau
sistem pada boiler selain rasio udara dan bahan bakar.
2. Untuk mengembangan penelitian ini maka perlu
dilakukan pemakaian metode kontrol yang lain seperti
optimal control serta perlu digunakan cara lain dalam
pemodelan sistem seperti penggunaan simulink pada
Matlab.
![Page 10: ITS Undergraduate 10592 Paper](https://reader035.vdokumen.com/reader035/viewer/2022073121/55cf9db8550346d033aee07e/html5/thumbnails/10.jpg)
10
DAFTAR PUSTAKA
[1] Nørgaard, Magnus. Ravn, O. Poulsen, N.K. dan
Hansen, L.K. 2000. Neural Network for
Modelling and Control of Dynamic Systems.
London: Verlag Springer.
[2] Nørgaard, Magnus. 2000. Neural Network Based
Control System Design TOOLKIT For Use with MATLAB, Version 2. Denmark:
Department of Automation. Department of
Mathematical Modelling-Technical University of
Denmark.
[3] Koivo, Heikki N. 2006. Basics using MATLAB
Neural Network Toolbox. London: Verlag
Springer.
[4] Katsuhiko, Ogata. 1996. Teknik Kontrol
Automatik, Jilid 1 Edisi Kedua. Jakarta:
Erlangga.
[5] Gunterus, Frans. 1994. Falsafah Dasar: Sistem
Pengendalian Proses. Jakarta: Elex Media
Komputindo.
[6] Biyanto, TR. 2007. Algoritma Genetika untuk
Mengoptimasi Konsumsi Energi pada Proses
Kolom Distilasi Metanol-Air. Surabaya: Tugas
Akhir Jurusan Teknik Fisika-ITS.
[7] Biyanto, TR., Handogo, R., Suhartanto, T., .Modeling
a binary distillation column using a Neural
Network., Chemical Technology for Indonesian
Natural Resources Process Seminar, Yogyakarta
UPN Veteran University, Yogya-karta, 2004.
[8] Biyanto, TR., Santosa, HH, .Modeling of methanol-
water binary distillation column using a
Neural Network., Journal Instrumentasi Vol 28
No1, Instrumentation Society of Indonesia,
Jakarta. Januari .June 2004.
[9] Hersa, Widhi.,Ya’umar.2005. Perancangan Sistem
Pengendalian Temperatur pada Dryer
Furnace dengan Jaringan Syaraf Tiruan di
Cement Retarder PT. Petrokimia Gresik.
Surabaya: Jurusan Teknik Fisika-ITS.
[10] Sudibjo, Wisnu.2008. Optimisasi Pengontrol Rasio
Udara-Bahan Bakar pada Boiler PT.
Pertamina Up IV Cilacap Menggunakan
Pengontrol Prediktif Jaringan Syaraf Tiruan.
Bandung : Tugas Akhir Program Studi Teknik
Fisika - Institut Teknologi Bandung.
[11] Setiadi, Agus Chris 2008. Perancangan Sistem
Kontrol Tegar h∞ untuk Optimisasi
Pembakaran pada Boiler PT. Petrokimia
Gresik. Bandung : Tugas Akhir Program Studi
Teknik Fisika - Institut Teknologi Bandung.
[12] Aribowo,Arnold., Lukas,Samuel.,Gunawan,Martin
2008. Penerapan Algoritma Genetika pada
Penentuan Komposisi Pakan Ayam Petelur.
seminar nasional aplikasi teknologi
informasi,Yogyakarta 2004.
[13] K. Sri,. Artificial Inteligence. Yogyakarta : Graha
Ilmu 2003.
[14] http://dennyhermawanto.webhop.org [15] Santoso M.H, Handi., Nazaruddin,Yul Y., Muchtadi,
Farida I,Martin 2007. Boiler Performance
Optimization Using Fuzzy Logic Controller.
Department of Engineering Physics, Institut
Teknologi Bandung
[16] Suyanto,. Algoritma Genetic Dalam Matlab.
Yogyakarta : penerbit ANDI 2005.
BIODATA PENULIS
Nama : Kodar Sudiono
NRP : 2405 100 063
TTL : Probolinggo, 23 Nopember 1986
Alamat : Jln. Ronggojalu No 10 Leces-Probolinggo
Riwayat Pendidikan
• 2005 – sekarang : Teknik Fisika ITS, Surabaya • 2002 – 2005 : SMA Taruna Dra Zulaeha • 1999 – 2002 : SMP Taruna Dra Zulaeha • 1993 – 1999 : SD Taruna Dra Zulaeha