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.

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

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

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

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

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

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

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)

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.

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