Studi Kasus di PT.Petrokimia Gresik

dokumen-dokumen yang mirip
BAB V MODEL SEDERHANA DISTRIBUSI TEMPERATUR DAN SIMULASINYA

BAB 2 LANDASAN TEORI. Untuk mengetahui pola perubahan nilai suatu variabel yang disebabkan oleh

FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (STUDI KASUS: KLASIFIKASI KUALITAS PRODUK)

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

BAB 2 LANDASAN TEORI

FUZZY BACKPROPAGATION UNTUK KLASIFIKASI POLA (Studi kasus: klasifikasi kualitas produk)

BAB 2 LANDASAN TEORI

Bab III. Plant Nonlinear Dengan Fase Nonminimum

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

Probabilitas dan Statistika Distribusi Peluang Diskrit 1. Adam Hendra Brata

USULAN PENERAPAN TEORI MARKOV DALAM PENGAMBILAN KEPUTUSAN PERAWATAN TAHUNAN PADA PT. PUPUK KUJANG

INVERS DRAZIN DARI SUATU MATRIKS DENGAN MENGGUNAKAN BENTUK KANONIK JORDAN

Karakterisasi Matrik Leslie Ordo Tiga

BAB III ANALISIS DISKRIMINAN. Analisis diskriminan (discriminant analysis) merupakan salah satu metode

BAB 10. Menginterpretasikan Populasi Variabel Kanonik. Variabel kanonik secara umumnya artifisal. Jika variabel awal X (1) dan X (2)

VI. KETIDAKPASTIAN. Contoh : Asih mengalami gejala ada bintik-bintik di wajahnya. Dokter menduga bahwa Asih terkena cacar

III FUZZY GOAL LINEAR PROGRAMMING

BAB II DIMENSI PARTISI

BAB 2 TINJAUAN TEORITIS. 2.1 Konsep Dasar Infeksi, Saluran Pernafasan, Infeksi Akut, dan Infeksi Saluran Pernafasan Akut (ISPA)

BAB III METODE RESPONSE SURFACE DENGAN SIMULASI MONTE CARLO. solusi dari suatu masalah diberikan berdasarkan proses rendomisasi (acak).

PENYELESAIAN MULTIKOLINEARITAS MELALUI METODE RIDGE REGRESSION. Oleh : SOEMARTINI

IDENTIFIKASI SISTEM NONLINIER DENGAN MENGGUNAKAN RECURRENT NEURAL NETWORK DAN ALGORITMA DEAD-ZONE KALMAN FILTER

Strategi Meminimalkan Load Shedding Menggunakan Metode Sensitivitas Untuk Mencegah Voltage Collapse Pada Sistem Kelistrikan Jawa-Bali 500 kv

PEMODELAN PENGELUARAN RUMAH TANGGA UNTUK KONSUMSI MAKANAN DI KOTA SURABAYA DAN FAKTOR-FAKTOR YANG MEMPENGARUHI MENGGUNAKAN PENDEKATAN REGRESI SPLINE

KOLINEARITAS GANDA (MULTICOLLINEARITY) Oleh Bambang Juanda

Benyamin Kusumoputro Ph.D Computational Intelligence, Faculty of Computer Science University of Indonesia METODE PEMBELAJARAN

BAB IV PEMBAHASAN MODEL

Pengolahan lanjut data gravitasi

Restorasi Citra Dengan Menggunakan Metode Iteratif Lanczos Hybrid Regularization

Eman Lesmana, Riaman. Jurusan Matematika FMIPA Universitas Padjadjaran, Jl. Raya Bandung-Sumedang km 21 Jatinangor ABSTRAK

Bab III Model Estimasi Outstanding Claims Liability

JARINGAN SARAF TIRUAN UNTUK IDENTIFIKASI POLA KODE DERAU PALSU

BAB III METODOLOGI PENELITIAN. Penelitian ini mengenal dua macam variabel yaitu : 2. Variabel terikat (Y) yaitu : Hasil belajar Sejarah

EKSPEKTASI SATU PEUBAH ACAK

IMPLEMENTASI MODEL OPTIMASI LINIER INTEGER DENGAN BANYAK TUJUAN UNTUK PENGALOKASIAN PEKERJAAN

BAB II LANDASAN TEORI

Created by Simpo PDF Creator Pro (unregistered version)

BAB III MODUL INJEKTIF

ANALISIS DATA WORLD DEVELOPMENT INDICATORS MENGGUNAKAN CLUSTER DATA MINING

Analisis Penyelesaian Persamaan Kuadrat Matriks

MODEL REGRESI SEMIPARAMETRIK SPLINE UNTUK DATA LONGITUDINAL PADA KASUS KADAR CD4 PENDERITA HIV. Lilis Laome 1)

Optimasi Baru Program Linear Multi Objektif Dengan Simplex LP Untuk Perencanaan Produksi

KLASTERISASI SINYAL SUARA MENGGUNAKAN METODE PARTICLE SWARM OPTIMIZATION PADA PENGEMBANGAN SISTEM PENGENALAN INDIVIDU BERBASIS SUARA UCAPAN

PRA-PEMROSESAN DATA LUARAN GCM CSIRO-Mk3 DENGAN METODE TRANSFORMASI WAVELET DAUBECHIES UNTUK PEMODELAN STATISTICAL DOWNSCALING

BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER

BAB I PENDAHULUAN. 1.1 Latar Belakang. Di dalam matematika mulai dari SD, SMP, SMA, dan Perguruan Tinggi

IV. PERANCANGAN DAN IMPLEMENTASI SISTEM

Studi Perhitungan CCT Menggunakan Metode EEAC (Extended Equal Area Criterion) Dan Trajektori Kritis/ Critical Trajectory Untuk Kestabilan Transien

P i KULIAH KE 3 METODA KELOMPOK (COHORT SURVIVAL METHOD) METODE ANALISIS PERENCANAAN - 1 TPL SKS DR. Ir. Ken Martina K, MT.

ANALISIS MODEL PERSEDIAAN BARANG EOQ DENGAN MEMPERTIMBANGKAN FAKTOR KADALUARSA DAN FAKTOR ALL UNIT DISCOUNT

Perbandingan Masalah Optimasi TSP dengan Menggunakan Algoritma Ant Colony dan Jaringan Hopfield

PENERAPAN PETA P MULTIVARIAT PADA PENGONTROLAN PROSES PEMOTONGAN KACA JENIS LNFL DI PT. ASAHIMAS FLAT GLASS, TBK.

PENYELESAIAN SISTEM PERSAMAAN TAK LINIER

ANALISIS REGRESI KOMPONEN UTAMA UNTUK MENGATASI MASALAH MULTIKOLINIERITAS DALAM ANALISIS REGRESI LINIER BERGANDA

ANALISIS KAPABILITAS PROSES

KAJIAN METODE SUMBER EKIVALEN TITIK MASSA PADA PROSES PENGANGKATAN DATA GRAVITASI KE BIDANG DATAR

ANALISIS VARIASI PARAMETER BACKPROPAGATION ARTIFICIAL NEURAL NETWORK TERHADAP PENGENALAN POLA DATA IRIS

APLIKASI JARINGAN SARAF TIRUAN REKUREN PADA IDENTIFIKASI SISTEM NONLINIER DENGAN ALGORITMA OPTIMAL BOUNDED ELLIPSOID

BAB IV HASIL ANALISIS

APLIKASI PENENTUAN PENERIMA BEASISWA MENGGUNAKAN METODE ALGORITMA FUZZY MADM PADA BEASISWA RUTIN UKSW

PENGUJIAN PROPORSI MENGGUNAKAN KETERKAITAN DISTRIBUSI CHI-SQUARE DENGAN PENDEKATAN DISTRIBUSI BINOMIAL TERHADAP DISTRIBUSI NORMAL STANDARD

PENGENALAN WAJAH BERBASIS METODE TWO-DIMENSIONAL LINEAR DISCRIMINANT ANALYSIS

Pendekatan Hurdle Poisson Pada Excess Zero Data

IMPLEMENTASI BACKPROPAGATION NEURAL NETWORK DALAM PRAKIRAAN CUACA DI DAERAH BALI SELATAN

P n e j n a j d a u d a u l a a l n a n O pt p im i a m l a l P e P m e b m a b n a g n k g i k t Oleh Z r u iman

PENENTUAN LOKASI GUDANG DISTRIBUSI PADA SISTEM DISTRIBUSI PRODUK KONSUMSI PT X DI JAWA TIMUR

Lucas Theorem Untuk Mengatur Penyimpanan Memori yang Lebih Aman

BAB IV PENGUJIAN DAN ANALISA

Penggunaan Model Regresi Tobit Pada Data Tersensor

Pengenalan Jenis Kelamin Berdasarkan Citra Wajah Menggunakan Metode Two-Dimensional Linear Discriminant Analysis

BAB II STUDI PUSTAKA

BAB III METODOLOGI PENELITIAN

BAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.

JURNAL SAINS DAN SENI POMITS Vol. 3, No.1, (2014) ( X Print) D-36

Pemodelan Peran Perempuan Terhadap Pertumbuhan Ekonomi di Jawa Timur Tahun Menggunakan Regresi Data Panel

STATISTIKA. Bab. Di unduh dari : Bukupaket.com. Mean Median Modus Simpangan baku Varian Histogram Quartil Desil Persentil

Diagram Kontrol Fuzzy Multinomial Untuk Data Linguistik

Implementasi Jaringan Saraf Tiruan Backpropagation Pada Aplikasi Pengenalan Wajah Dengan Jarak Yang Berbeda Menggunakan MATLAB 7.0

BAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c

BAB 2 LANDASAN TEORI. Teori Galton berkembang menjadi analisis regresi yang dapat digunakan sebagai alat

BAB 2 LANDASAN TEORI. Universitas Sumatera Utara

ANALISA UNJUK KERJA SISTEM V-BLAST PADA KANAL FREQUENCY SELECTIVE FADING DALAM RUANGAN DENGAN MENGGUNAKAN MODULASI J-ary QAM

BAB 2 ANALISIS ARUS FASA PADA KONEKSI BEBAN BINTANG DAN POLIGON UNTUK SISTEM MULTIFASA

BAB V ANALISA PEMECAHAN MASALAH

SISTEM PENDUKUNG KEPUTUSAN UNTUK MENENTUKAN PILIHAN MINAT PERGURUAN TINGGI DI KOTA JAMBI DENGAN MENGGUNAKAN FUZZY MULTI CRITERIA DECISION MAKING

Transkripsi:

J.Oto.Ktrl.Inst (J. Auto.trl.Inst) Vol (), 9 ISSN: 85-57 Perancangan Sstem Kontrol egar H untu Optmsas Pembaaran oler Abstra Stud Kasus d P.Petroma Gres A.. Setad, Y.Y. Nazaruddn, E. Joelanto, dan S. Nugroho Kelompo Keahlan Instrumentas dan Kontrol Faultas enolog Industr I Jl. Ganesha No. andung 43 Pada paper n aan daj mengena optmas pembaaran boler. Optmas menjad pentng untu daj, buan saja untu epentngan eonoms perusahaan tetap juga untu meredus jumlah polutan yang dhaslan. Optmas dlauan dengan mennjau laju alran bahan baar dan udara yang dgunaan untu pembaran. Saat jumlah bahan baar dan udara sudah optmal maa excess ar aan berurang dan efsens boler aan menngat. Pembaaran yang optmal berart tda ada bahan baar yang terbuang bersama alran udara. Selan tu tda ada elebhan udara yang membuat sebagan alor hasl pembaaran terbuang. Pada tugas ahr n, aan drancang sstem ontrol tegar H untu mengoptmas sstem pembaaran boler P. Petroma Gres. Sstem ontrol H dgunaan untu menjamn robustness terhadap gangguan dan etdapastan model. Pengontrol H yang dterapan berhasl mengoptmalan pembaaran dapat dlhat dar rata rata persentase ssa osgen sebesar.7 dan penghematan bahan baar sebesar 97 Nm 3 /hr Keywords : boler, optmas, ontrol tegar H Pendahuluan Pada boler, pembaaran meml peranan yang pentng. Energ yang dgunaan untu menghaslan uap berasal dar proses pembaaran. Pada onds boler P. Petroma Gres persentase ssa osgen besar 6% - 8%. Hal n menunjuan bahwa boler belum beerja optmal. Optmas aan memberan euntungan eonoms pada perusahaan, selan tu pula dapat mengurang ems gas ssa pembaaran,optmas pembaaran aan membuat pembaaran lebh efsen, hal n dlauan dengan cara mengatur laju alran bahan baar dan udara agar ssa pembaaran menjad optmal. Permasalahan juga terjad pada level permodelan, dmana setap metoda perancangan sstem ontrol bergantung pada eauratan model sstem yang aan dontrol. Sedangan hampr tda mungn menghaslan model yang merepresentasan dnama sstem yang sebenarnya. Hal n serngal menyebaban terjadnya perbedaan performans maupun establan yang cuup sgnfan pada level smulas dan saat mplementas, terutama ja pada sstem dengan sala besar sepert d ndustr. Solus yang dtawaran adalah merancang model sstem ontrol tegar H untu mengoptmsas pembaaran pada boler dengan bantuan perangat omputer. Sstem ontrol tegar H merupaan metoda ontrol optmal dan sanggup menangan etdapastan antara model dan sstem sebenarnya. Sstem Pembaaran oler. Proses Pembaaran Pembaaran terjad dengan mencapuran bahan baar dan udara pada ushu yang tepat. Pembaaran aan menghaslan alor untu memanasan ar menjad uap. Pembaaran sempurna aan mengahaslan produ berupa ar dan arbon dosda besamaan dengan alor, sedangan pembaaran tda sempurna dapat menghaslan produ beracun sepert arbon monosda.

J.Oto.Ktrl.Inst (J. Auto.trl.Inst) Vol (), 9 ISSN: 85-57 Gambar Proses Pembaaran Sempurna Gambar Proses Pembaaran da Sempurna Jumlah bahan baar dan udara yang dgunaan memengaruh hasl pembaaran. Jumlah udara yang terlalu banya megabatan jumlah ems yang bertambah abat adanya bahan baar yang tda terbaar. Sedangan ja jumlah udara yang terlalu banya mengabatan penyerapan alor oleh ssa udara mengat dan temperatur proses menurun. Ssa udara pembaaran (excess ar) merupaan menjad ndas ualtas pembaaran. Persentase osgen dgunaan untu mengetahu seberapa banya ssa udara. Hubungan ssa udara terhadap osgen adalah [4] : Excess Ar (%) K % osgen () Persentase osgen yang optmal untu boler dangan bahan baar gas adalah pada rentang.5%-3% [4].. Sstem Pembaaran oler Sstem pembaaran boler basanya melbatan sstem ontrol perbandngan bahan baar terhadap udara. ujuan sstem ontrol n adalah menjaga alran bahan baar dan udara pada sutu nla pembandng tertentu. asanya strateg ontrol yang dgunaan adalah pengontrol cascade, dengan nner loop berupa pengontrol teanan maupun temperatur yang aan menentuan frng rate bahan baar, dan outer loop merupaan pengontrol alran bahan baar maupun udara. Gambar 3 Sstem Kontrol Pembaaran

J.Oto.Ktrl.Inst (J. Auto.trl.Inst) Vol (), 9 ISSN: 85-57 Pada Gambar 3 frng rate dtentuan dar pengontrol teanan uap. Penggunaan sensor osgen dgunaan untu mengetahu onds pembaaran, pada P. Petroma Gres terdapat O rmmng System yang aan mengores set pont dar laju alran udara agar Persentase osgen ecl. 3 Identfas Pembaaran oler 3. Identfas Sstem dengan Jarngan Saraf ruan (JS) ahapan pertama dalam perancangan sstem ontrol adalah menghaslan model dar sstem yang aan dontrol. Pada asus al n masuan pada sstem adalah alran bahan baar dan udara. Sedangan varabel eluaran adalah teanan uap dan persentase udara. Identfas dlauan secara offlne, dengan metoda estmas parameter menggunaan jarngan saraf truan. u (t-) u (t-) wj -y (t-) -y (t-) j y (t) u (t-) y (t) u (t-) -y (t-) -y (t-) Gambar 4 Strutur Jarngan Saraf ruan Fungs atfas pada eluaran adalah lner, dan masuan pada jarngan saraf truan merupaan regressor untu strutu model Auto egressve wth External Varables (AX). Sehngga bobot dar JS merupaan merupaan parameter dar model. Model AX yang dhaslan dapat dtulsan pada persamaan berut : y () t wu ( t ) + w5u ( t ) + wu ( t ) + w6u ( t ) w3u ( t ) w7u ( t ) w4u ( t ) w8u ( t ) y ( t) wu ( t ) + w5u ( t ) + wu ( t ) + w6u ( t ) w u ( t ) w u ( t ) w u ( t ) w u ( t ) 3 7 8 () 3. epresentas Ketdapastan Ketdapastan berasal dar dentfas sstem. Varas parameter yang dhaslan saat melauan dentfas dengan rentang data yang berbeda menjad sumber etdapastan. Model yang daugmentas dengan etdapastan tersebut merepresentasan araterst sstem yang berubah ubah pada rentang erja yang berbeda. epresentas model yang telah teraugmentas dengan etdapastan menggunaan near Fractonal ransformaton. entu umum persamaan ruang eadaan dengan etdapastan parameter[]: 3

J.Oto.Ktrl.Inst (J. Auto.trl.Inst) Vol (), 9 ISSN: 85-57 4 + + + + A A s G ) ( (3) Aan dubah dalam bentu F menjad ),,, ( ), ( ) ( u dag G F s G Δ Δ (4) defnsan matrs etdapastan A P (5) meml ran matrs q, matrs P dapat dfatorsas menjad [ ] Z W P (6) dengan q x n, y q x n W, q x n, dan u q x n Z, dapat dbentu [ ] Z W P O (7) Sehngga persamaan (4.4) dapat juga dtulsan + Z Z W W A s G M M O ) ( (8) ealsas sstem yang telah daugmentas dengan etdapastan adalah u w w x A y z z x M M & (9) engan

J.Oto.Ktrl.Inst (J. Auto.trl.Inst) Vol (), 9 ISSN: 85-57 [ ] [ ] [ Z Z Z ] [ W W W ] () epresentas F model dengan etdapastan dperlhatan pada Gambar 5. z z O w w y A u Gambar 5 Strutur Ft Model dengan Ketdapastan Notas z dan w dgunaan untu merepresentasan pertubas pada sstem abat etdapastan. 4 Perancangan Pengontrol 4. Nla Sngular dan Norm Nla sngular suatu matrs omples P dengan dmens m x n, merupaan aar uadreat nyata ta negatf sebanya buah dar nla egen matrs PP dengan mn{m.n}. σ ( P) ( P P) j,,..., () j λ j Hubungan antara nla sngular dengan norm spetral matrs, norm- adalah : Gu σ ( G) max u u Gu σ ( G) mn u u () Ja sstem G bersfat stabl dan proper atau merupaan sstem IO, maa norm H dar sstem G adalah o G sup σ ( G( jω)) o (3) ωε dmana norm H menguantfasan nla penguatan energ dar sstem I G. 5

J.Oto.Ktrl.Inst (J. Auto.trl.Inst) Vol (), 9 ISSN: 85-57 4. Sstem Kontrol egar H Masalah perancangan sstem ontrol tegar H adalah mencar pengontrol K yang admssble sehngga ( I + GK) K( I + GK) < γ (4) Konfguras standar dar sstem yang ter-nterones adalah []: I P I G A I G A I I I (5) asumsan onds berut terpenuh (A,) adalah stablzable dan (,A) adalah detectable A jωi meml full column ran untu setap ω A jωi meml full row ran untu setap ω Matrs pengontrol K dapat dcar dengan memecahan persamaan ccat berut [] A X + XA X X + ( γ ) AY + YA Y Y (6) Sehngga formulas dar pengontrol K adalah A X ( γ ) ZY K X ZY (7) mana Z ( I γ YX ) (8) 4.3 Perancangan Pengontrol egar H Hal yang esensal dalam perancangan sstem ontrol tegar adalah menentuan fungs bobot performans dan bobot dar atuator. obot bobot n dplh sedeman sehngga respon freuens dar sstem lup tertutup memenuh rtera yang dngnan. Krtera desan pengontrol yang dngnan adalah : Sstem lup tertutup adalah stabl. Sstem lup tertutup dapat stabl mencapa set pont yang dngnan, dan dapat mengatas gangguan w(t) pada eluaran teanan berupa snyal ota dengan ampltudo 4 g/cm. Snyal ontrol alran bahan baar harus mnmum. Hal n dlauan agar dapat dlauan penghematan bahan baar untu mencapa set-pont teanan yang dngnan. H norm dar operator yang menghubungan masuan esogenous menuju eluaran adalah stabl dan dbatas oleh γ, yatu oefsen performans. Hal n menunjuan W p ( I + GK) < γ rtera performas : 6

J.Oto.Ktrl.Inst (J. Auto.trl.Inst) Vol (), 9 ISSN: 85-57 Matrs fungs pembobot perfomans Wp dplh untu membatas H norm fungs senstftas eluaran, sedangan matrs fungs pembobot Wu berfungs untu membatas as ontrol. Nla dar masng masng matrs fungs pembobot adalah: w p w u s s.5 +.8s + + 3s + 5 Hasl Smulas 5. Hasl Identfas s s +.8s + + 3s + () Identfas dlauan 3 al pada rentang data yang berbeda untu mendapatan etdapastan. 9) Gambar 6 Valdas untu entang ata 5 7

J.Oto.Ktrl.Inst (J. Auto.trl.Inst) Vol (), 9 ISSN: 85-57 Gambar 7 Valdas untu rentang data 5 Gambar 8 Valdas untu rentang data 5 abel Perbandngan crtera valdas ata Identfas eanan Uap MSE Persentas O -5..4 5-75.6.96 5-.7.4 5. Uj oba Kemampuan Penjejaan 8

J.Oto.Ktrl.Inst (J. Auto.trl.Inst) Vol (), 9 ISSN: 85-57 Gambar 9 espon Penjejaan Set pont Gambar As Kontrol espon Penjejaan abel Perbandngan nla Krtera performans untu Uj oba Kemampuan penjejaan Jens Pengontrol s (mnt) Krtera Performans Mp (%) SME eana n Uap %O atarata H 69.4 6.67 5 PI 54. 7.7 73 5.3 Uj oba sturbance ejecton 9

J.Oto.Ktrl.Inst (J. Auto.trl.Inst) Vol (), 9 ISSN: 85-57 Gambar espon erhadap Gangguan Gambar As Kontrol erhadap Gangguan abel 3 Perbandngan Nla Krtera Performans untu Uj oba terhadap Gangguan Jens Pengontrol H 5.4 Uj oba terhadap Ketdapastan Krtera Performans SME eanan Uap.86.33 PI 3.69 6.8 %O atarata 3

J.Oto.Ktrl.Inst (J. Auto.trl.Inst) Vol (), 9 ISSN: 85-57 Gambar 3 espon Sstem dengan Ketdapastan - Gambar 4 As Kontrol dengan Ketdapastan - Gambar 5 espon Sstem dengan Ketdapastan.5 3

J.Oto.Ktrl.Inst (J. Auto.trl.Inst) Vol (), 9 ISSN: 85-57 Gambar 6 As Kontrol dengan Ketdapastan.5 Gambar 7 espon Sstem dengan Ketdapastan Gambar 8 As Kontrol dengan Ketdapastan Pada pengontrol PI menjad tda stabl abel 4 Perbandngan Nla Krtera Performans untu Uj oba terhadap Ketdapastan Pengontrol PI s(mnt) Mp(%) MSE teanan - 79 5.4 5.9. % O atarata 3

J.Oto.Ktrl.Inst (J. Auto.trl.Inst) Vol (), 9 ISSN: 85-57.5 4. 9.7 5.7 - - - - 5.5 Analss espon Freuens Pengontrol H s(mnt) Mp(%) MSE teanan - 33 3.3 5.89.36.5 454 7.4 7.9 3. 7 8. 9.7.89 % O atarata Plot Nyqust dgunaan untu mengetahu tngat establan dat masng masng pengontrol Masuan udara Masuan bahan baar Gambar 9 Plot Nyqust Pengontrol PI Masuan udara Masuan bahan baar Gambar Plot Nyqus Pengontrol H 33

J.Oto.Ktrl.Inst (J. Auto.trl.Inst) Vol (), 9 ISSN: 85-57 abel 5 Perbandngan Nla Gan Margn dan Phase Margn GMudara (d) GM bahan baar (d) PMudara ( ) PM bahan baar ( ) Pengontrol PI 8.97. 68. 8.9 Pengontrol H.5 3.7 73.7 6. 6 Kesmpulan erdasaran pengujan yang telah dlauan, esmpulan yang dapat dambl dar paper n adalah :. elah dhaslan model untu sstem pembaaran boler P. Petroma Gres MSE saat valdas untu eluaran teanan uap adalah.,.66 dan.7.. Sedangan untu eluaran osgen adalah.4,.96 dan.4. 3. Optmas pembaaran telah dlauan dengan memnmalan ssa osgen. ata rata atual persentas osgen adalah 6.76% sedangan setelah dlauan optmas.5%. Sstem ontrol tegar H yang drancang berhasl menghemat bahan baar sebsear 97 Nm3/h. Sstem ontrol tegar H yang drancang mampu mempertahanan establan dan performans mespun dberan pertubas berupa etdapastan abat esalahan permodelan. Hal n terlhat dar nla rata rata SME yang cuup ecl yatu 7.54 dan rata rata persentase osgen adalah.7 %. Menggunaan acuan harga gas alam adalah $.44 [8] maa dapat dlauan penghematan sebesar $ 373.5,47 / tahun. 7 aftar Pustaa [] K. Zhou, J. oyle, and K. Glover, obust and Optmal ontrol, New Jersey : Prentce Hall, [].jung, System Identfcaton heory for the User, Prentce Hall, 999. [3] G.J. alas et all, μ-analyss and Synthess oolbox, he Mathwors Inc.,. [4] uelow, S. G, he ontrol of olers nd ed,instrument Socety of Amerca.,99 [5] S. Hayn, Neural Networ A omprehensve Foundaton, New Yor : McMllan ollege Publshng ompany,994. [6] K.Glover, J. oyle, State Space Formulae for All Stablzng ontrollers that Satsfy an H - norm ound and elatons to s Senstvty. System and ontrol etters, vol, pp 67 7,988 [7] K.Ogata, Modern ontrol Engneerng,Prentce Hall,997. [8] NN Money, Maret and Stocs ommodtes, June,8. http://money.cnn/com/marets/commodtes.html 34