satu proses pemurnian tersebut adalah dengan cara sulfitasi. Dalam proses ini, penetralan air kapur yang berlebihan pada pemurnian nira dilakukan deng

Transkripsi

1 SIMULASI SISTEM PENGONTROL PH NIRA PADA PROSES PEMBUATAN GULA MENGGUNAKAN METODE ANFIS Novan Wahyudi Fakultas Teknologi Industri Jurusan Teknik Informatika Abstrak Proses pemurnian nira rupakan salah satu tahapan yang penting dalam pembuatan gula. Proses ini bertujuan untuk nghilangkan sebanyak mungkin zat bukan gula dari nira ntah. Bejana sulfitasi sebagai objek atur (plant) digunakan sebagai tempat untuk lakukan proses pemurnian, yaitu dengan ncampurkan nira dengan gas SO 2. Pengontrolan ph pada bejana sulfitasi sangat penting, karena ph ini akan berpengaruh pada kualitas gula yang dihasilkan. Dalam proses ini, ph yang diinginkan adalah sebesar 7,2. Kontrol logika fuzzy, dalam hal ini Adaptive Neuro-Fuzzy Inference System (ANFIS), rupakan alternatif yang dapat digunakan untuk ngendalikan ph pada bejana sulfitasi. Perancangan pengontrol ANFIS bertujuan untuk minimasi error dari ph luaran sistem dan ningkatkan mampuan sistem dalam respon gangguan yang diberikan, sehingga ph yang dihasilkan sesuai dengan setting point yaitu 7,2. Dari hasil simulasi dan pengujian sistem, pengontrol ANFIS berhasil ngurangi tingkat salahan (error) dibandingkan sebelum nggunakan pengontrol ANFIS dan mampu ningkatkan handalan sistem dalam ngatasi gangguan yang terjadi pada sistem. Kata Kunci : Adaptive Neuro-Fuzzy Inference System (ANFIS), Pengontrolan ph. I. PENDAHULUAN Seiring dengan permbangan teknologi pengontrol sistem atau yang disebut dengan controller, beradaannya pun semakin diperlukan. Salah satu tode pengontrol yang dapat digunakan untuk nunjang rja sistem adalah pengontrol dengan tode Adaptive Neuro-Fuzzy Inference System atau yang lebih dinal dengan ANFIS. ANFIS adalah pengontrol logika fuzzy yang rupakan salah satu bagian dari sistem pengaturan cerdas. Proses pemurnian rupakan suatu proses yang dilakukan untuk murnikan nira ntah yang dihasilkan oleh proses penggilingan tebu. Dalam proses pemurnian ini, sebanyak mungkin zat bukan gula diluarkan dari nira ntah. Salah

2 satu proses pemurnian tersebut adalah dengan cara sulfitasi. Dalam proses ini, penetralan air kapur yang berlebihan pada pemurnian nira dilakukan dengan jalan mberikan gas SO2. Besarnya ph yang diinginkan dalam proses ini adalah 7,2 [Literatur PT. PG. Krebet Baru II Malang]. Bejana Sulfitasi digunakan sebagai tempat untuk ncampur nira dengan gas SO2. Pengontrolan ph pada Bejana Sulfitasi sangat penting, karena ph ini akan berpengaruh terhadap kualitas gula putih yang dihasilkan. Kontrol logika fuzzy, dalam hal ini ANFIS, rupakan alternatif yang digunakan untuk ngendalikan ph pada Bejana Sulfitasi ini. Tugas akhir ini akan mbahas tentang pengontrolan ph pada Bejana Sulfitasi dengan nggunakan ANFIS (Adaptive Neuro Fuzzy Inference System). Perubahan aliran nira ngakibatkan terjadinya perubahan pada parater plant. Plant adalah objek yang akan dikontrol, dalam hal ini Bejana Sulfitasi. Mekanis adaptasi dari pengontrol ANFIS ini diharapkan mampu untuk ngatasi perubahan parater plant sehingga ph nira yang diinginkan sesuai dengan setting point yaitu 7,2. II. PENGONTROLAN PH NIRA Tujuan dari sistem pengendalian ini adalah untuk mpertahankan ph luaran nira sesuai dengan harga set point sebesar 7,2. Pengendalian ph dilakukan dengan cara ngatur besarnya laju gas SO 2 yang ngalir dalam Bejana Sulfitasi. ph luaran rupakan hasil dari pencampuran antara gas SO 2 dengan nira dan diukur oleh sensor ph. Sinyal luaran tersebut akan dibandingkan dengan set point oleh pengontrol. Laju aliran nira rupakan fungsi dari bukaan katub ndali. Fungsi alih dari tiap-tiap proses diperoleh dari perhitungan setimbangan massa dan komponen. Set point dari sistem berupa ph dengan nilai 7,2. Sinyal luaran dari sistem nantinya akan diumpanbalikkan dan dibandingkan dengan set point sehingga nghasilkan error (E) dan delta error (de). Error rupakan selisih antara sinyal luaran dengan set point dan delta error rupakan selisih antara error sekarang dengan error sebelumnya. Error dan delta error ini rupakan data bagi ANFIS dalam pembelajarannya untuk nghasilkan sinyal kontrol sesuai dengan target yang diinginkan. Blok umum diagram sistem pengendalian ph pada Bejana Sulfitasi adalah sebagai berikut: ph SP Sensor ph + I (ma) P (psi) KONTROLER Valve X (inch) + I/P Tranduser Proses ANFIS Gas SO Aliran _ 2 Sensor ph P (psi) Load Proses Aliran + V S (m 3 / ) Proses Sulfitasi ph output

3 Gambar 1 Blok aliran proses sistem. Dari gambar 1 di atas, masingmasing komponen system miliki model penurunan matematis yang rupakan parater yang mpengaruhi system. I/P tranduser digunakan untuk ngubah arus njadi sinyal pneumatik 3-15 psi. Tipe aktuator control valve gas SO 2 adalah diafragma. Aktuator ini digerakkan dengan nggunakan sinyal pneumatik. Control valve berfungsi untuk ngubah variabel yang dindalikan njadi sinyal luaran aktuator yaitu gerakan kanik dari valve yang akan ngatur laju aliran fluida dan sekaligus rupakan elen yang berfungsi untuk manipulasi variabel proses. Perencanaan pengontrol ini nggunakan ANFIS (Adaptive Neuro Fuzzy Inference System). ANFIS ini rupakan penggabungan kanis fuzzy inference system yang digambarkan dalam jaringan syaraf. Sistem inference fuzzy yang digunakan adalah model Takagi-Sugeno-Kang. ANFIS yang dirancang miliki dua variabel masukan yaitu error dan delta error, serta satu variabel luaran yaitu besarnya arus yang masuk I/P tranduser. Tahap-tahap yang dilakukan dalam perancangan ANFIS ini liputi tahap pengambilan data training, pembentukan fuzzy inference system, pembelajaran FIS, defuzzifikasi FIS dan pengujian FIS. Data yang digunakan sebagai data training adalah data error dan delta error serta data output (luaran) fuzzy yang diinginkan. Pengambilan data training terlihat pada gambar 2. Set Point Z -1 - error delta error SCOPE PLANT Output Gambar 2 Pengambilan data training (Sumber : Perancangan) Data yang didapatkan berjumlah 1200 pasangan data yaitu error dan delta error lalui proses penyamplingan yang dilakukan sebanyak 400 epoch untuk masingmasing beban, dan nilai step size sebesar 0,02 dengan nilai awal 0. Pasangan data yang diperoleh terdiri dari 400 pasangan data untuk beban 3,1 psi, 400 lainnya untuk psi dan 400 lainnya untuk beban 4,4 psi. Sinyal error dan delta error yang telah didapat, mudian dilakukan proses fuzzifikasi dengan cara takan sinyal error dan delta error pada suatu mbership function. Membership function yang digunakan pada penelitian ini adalah tipe gaussian mbership. Tipe ini dipilih karena fungsi ini sangat sederhana dan hanya mpunyai 2 parater serta mudah dalam penurunan fungsinya

4 sehingga diharapkan perhitungan fungsi atau penurunan terhadap paraternya relatif lebih cepat. Penentuan komposisi aturan rupakan tahap selanjutnya setelah penentuan range dan label himpunan fuzzy masukan/ luaran. Aturan yang dibuat sebayak 25 aturan dimana semua anggotan dari sinyal error bertemu dengan semua anggotaan sinyal delta error, begitu juga sebaliknya, semua anggotaan sinyal delta error bertemu dengan semua anggotaan sinyal error. Metode penalaran fuzzy yang dipergunakan oleh pengontrol logika neuro fuzzy (ANFIS) adalah tode MAX-DOT karena tipe ini ndukung w i fungsi µ yang digunakan dalam pelatihan ANFIS. i Setelah dilakukan pembentukan FIS, langkah selanjutnya adalah lakukan proses pembelajaran FIS. Metode belajar yang digunakan ANFIS pada tugas akhir ini adalah tode hybrid off-line yang rupakan penggabungan antara tode Least Square Estimation (LSE) dan gradient descent. Metode hybrid dipakai karena relatif lebih cepat ncapai konvergen, sehingga relatif cepat pula dalam ncari parater dengan salahan minimal seperti yang diinginkan. Dalam penggunaannya tode hybrid terdiri dari dua tahap. Tahap pertama adalah ncari consequent parater. Pada tahap ini, tode belajar yang digunakan adalah tode LSE. Tahap dua digunakan untuk ncari premise parater (parater fungsi anggotaan masukan). Pada tahap ini, tode belajar yang digunakan adalah tode gradient descent. Setelah disimulasikan, proses pembelajaran untuk masing-masing tekanan dapat dilihat pada gambar 3, 4, dan 5 berikut ini. Gambar 3 Proses pembelajaran pada tekanan 3,1 psi Pada gambar 3, error pembelajaran pada tekanan 3,1 psi adalah 9,6898e -5 dan ncapai average testing error sebesar 9,7146e - 5.

5 Gambar 5. Proses pembelajaran pada tekanan psi Gambar 4. Proses pembelajaran pada tekanan 4,4 psi Pada gambar 4, untuk tekanan 4,4 psi error pembelajaran sebesar 5,3662e -5 dan average testing error nilanya sama dengan error pembelajaran. Pada gambar 5, untuk tekanan psi, besarnya error pembelajaran sama dengan average testing error yaitu sebesar 7,3973e -6. Epochs Langkah selanjutnya adalah defuzzifikasi yg rupakan proses petaan himpunan fuzzy himpunan crisp. Proses ini rupakan balikan dari proses fuzzifikasi berfungsi untuk ngubah luaran linguistik dalam luaran crisp. Metode yang digunakan pada tugas akhir ini adalah dengan nggunakan tode weight average. Metode ini valid digunakan untuk bentuk fungsi anggotaan yang sitri dengan formulasi: (4.31) z * µ c ( z). z = _ µ ( z) c dengan z * = nilai luaran pengontrol z = nilai tengah luaran tiap fungsi luaran anggotaan fuzzy μ c = derajat anggotaan hasil inferensi fuzzy III. HASIL SIMULASI Pemberian beban berupa naik Epochsdan turunnya tekanan gas SO 2 ngakibatkan terjadinya perubahan pada ph nira. Hal ini disebabkan berkurangnya dan atau bertambahnya

6 jumlah aliran gas SO 2 yang masuk Bejana Sulfitasi yang digunakan untuk nurunkan atau naikkan ph. Pemberian pengontrol neuro fuzzy dalam hal ini ANFIS telah mampu ngurangi error yang terjadi selama proses penambahan dan pengurangan gas SO 2 dengan prosentase kurang dari 2 %. Tabel 1 untuk tekanan gas SO 2 saat sistem nggunakan pengontrol dan tabel 2 serta 3 untuk variasi perubahan tekanan gas SO 2. Parater Waktu turun Variasi Tekanan Gas SO 2 3,1 psi 4,4 psi 0,761 Waktu 3,174 netap, t s Error Steady - 0,611 State, e ss % 0,6295 2,988-0,0278 Tabel 1. Perbandingan pemberian beban dengan pengontrol ANFIS Berdasarkan tabel 1 tampak bahwa dalam kondisi normal yaitu pada tekanan 4,4 psi, nilai error steady state sebesar 0,0278 % dengan waktu turun sebesar 0,6295 dan waktu netap, t s, sebsar 2,988. Pada tekanan 3,1 psi dicapai error steady state sebesar 0,611 % dengan waktu turun sebesar 0,761 dan waktu netap, t s, sebsar 3,174. Sedangkan pada tekanan psi dicapai error steady state sebesar % psi 0, ,413 0,722 % 0,722 % dengan waktu turun sebesar 0,5875 dan waktu netap, t s, sebsar 2,413. Tanggapan sistem terhadap perubahan gangguan terlihat dalam tabel 2. Tabel 2 Respon sistem terhadap variasi Param eter Waktu pemul ihan tekanan Perubahan Tekanan Gas SO 2 (psi) 4,4 3,1 1,2 17 4,4 1,3 58 3,1 4,4 1,3 44 3,1 1,6 67 3,1 2,1 31 4,4 1,2 38 Pada tabel 2 diatas terlihat bahwa pada saat tekanan berubah dari adaan normal, yaitu 4,4 psi, njadi 3,1 psi, sistem mbutuhkan waktu pemulihan sebesar 1,217. Pada saat tekanan berubah dari adaan normal njadi psi, waktu pemulihan yang dibutuhkan sistem sebesar 1,358. Pada saat tekanan berubah dari 3,1 psi njadi 4,4 psi, waktu pemulihan yang dibutuhkan sistem sebesar 1,344. Pada saat tekanan berubah dari 3,1 psi njadi psi, waktu pemulihan yang dibutuhkan sistem sebesar 1,667. Pada saat tekanan berubah dari psi njadi 3,1 psi, waktu pemulihan yang dibutuhkan sistem sebesar 2,131. Pada saat tekanan berubah dari psi njadi 4,4 psi, waktu pemulihan yang dibutuhkan sistem sebesar 1,238.

7 Untuk perubahan laju aliran nira sebesar 10% dapat dilihat dalam tabel 3. Tabel 3 Respon sistem terhadap perubahan aliran nira Parater Error rata-rata Perubahan Aliran Nira +10% -10% - 0,622 % 0,477 % Dari tabel 3 terlihat bahwa tika laju aliran nira bertambah sebesar 10%, nilai error rata-rata sebesar -0,622%. Sedangkan pada saat laju aliran nira berkurang sebesar 10%, nilai error rata-rata sebesar 0,477%. Error rata-rata rupakan nilai error yang terjadi tika laju aliran naik dan turun. IV. KESIMPULAN Dari hasil simulasi dan pengujian yang telah dilakukan dengan nggunakan pengontrol neuro fuzzy dalam hal ini ANFIS untuk pengendalian ph nira pada Bejana Sulfitasi dapat diambil beberapa simpulan. Pada tekanan gas normal (4,4 psi), sistem di pabrik akan ncapai adaan mantap dengan waktu 5,5 dan miliki e ss sebesar 3 %. Setelah diberikan pengontrol ANFIS, sistem miliki e ss sebesar -0,0278 % dengan waktu netap 2,988. Pada tekanan yang berbeda, pengontrol ANFIS mampu ngurangi error steady state yang terjadi kurang dari 2%. Pada saat tekanan 3,1 psi, waktu turun sebesar 0,761, waktu netap sebesar 3,174, dan error steady state sebesar -0,611%. Sedangkan pada saat tekanan berubah psi, waktu turun sebesar 0,5875, waktu netap 2,413 dan error steady state sebesar 0,722%. Perubahan tekanan yang berbeda akan ngakibatkan ph nira bertambah dan berkurang, dikarenakan terjadi perubahan laju gas SO 2 yang masuk Bejana Sulfitasi. Pada saat terjadi perubahan tekanan dari tekanan normal (4,4 psi) 3,1 psi, sistem mbutuhkan waktu pemulihan sebesar 1,217 dengan error steady state sebesar -0,611%. Sedangkan pada saat tekanan berubah njadi psi, sistem mbutuhkan waktu pemulihan sebesar 1,358 dengan error steady state sebesar 0,722%. Pada perubahan laju aliran nira sebesar ± 10 % dari laju aliran normal sebesar 152,375 ton/jam, pemakaian pengontrol ANFIS mampu ngurangi error yang terjadi. Ketika laju aliran nira bertambah sebesar 10%, error rata-rata sebesar -0,622%. Sedangkan pada saat laju aliran nira berkurang sebesar 10%, error rata-rata sebesar 0,477%. REFERENSI [1]A,Moerdokusumo,1993, Pengawasan Kualitas dan

8 Teknologi Pembuatan Gula di Indonesia, ITB, Bandung. [2] Aprilyanti, I, 2004, Simulasi Perancangan Fuzzy Kontroler Sistem Pengendalian Temperatur Nira Pada Juice Heater di PG. Krebet Baru II. [3] Considine, Douglas M, 1985, Process Instrunt and controls Handbook, Mc Graw Hill, New York. [4]Coulson,JM And J,F,Richardson,1987, Chemical Engineering,An Introduction to Chemical Engineering Design volu 6,Pergamon Press,Singapore. [5] Gilbert F, Front,1990,Chemical Reactor Analysis and design 2 nd edition,john Wiley and Sons Inc,Kanada. [6] Gunterus, Frans, 1994, Falsafah Dasar: Sistem Pengendalian Proses, PT. Elex Media Komputindo,Jakarta.