1
PERANCANGAN SOFTSENSOR KADAR GAS BUANG PADA residu dari turbin gas pada PLTG berupa gas yang kemudian dimanfaatkan untuk memanaskan air hingga STACK HASIL KELUARAN HRSG (HEAT RECOVERY STEAM GENERATOR) DENGAN METODE JARINGAN SYARAF TIRUAN Hera Firdhausa Katili1), Dr. Bambang Lelono Widjiantoro, S.T.,M.T.2) Jurusan Teknik Fisika FTI ITS Keputih Sukolilo Surabaya 601111,2) Telp : +6231-5947188 Fax : 6231-5923626 Email :
[email protected] Abstrak - Analyzer adalah suatu hardsensor yang digunakan untuk menganalisa proses produksi sebagai sistem monitoring. Salah satu contoh aplikasinya adalah CEMS Analyzer yang digunakan untuk menganalisa kadar gas buang sebagai sistem monitoring. CEMS Analyzer ini menganalisa kadar gas NO, CO dan O2 yang mengalir melalui stack sebagai hasil keluaran HRSG (Heat Recovery Steam Generator). Selain harganya yang mahal, dalam jangka waktu tertentu perlu dilakukan maintenance untuk CEMS analyzer. Terkadang juga sering terjadi error dalam pengukurannya. Maka dari itu untuk menggantikan fungsa CEMS analyzer ini dibuatlah softsensor. Untuk merancang softsensor kadar gas buang ini digunakan metode jaringan syaraf tiruan pada software Matlab. Data input yang digunakan adalah pressure, temperature, dust dan opacity sedangkan untuk data output adalah kadar gas NO, CO dan O2 yang diperoleh dari data recorder. Perancangan softsensor dengan metode jaringan syaraf tiruan ini menggunakan algoritma backpropagation, fungsi pelatihan Lavenberg Marquardt dan data yang bersifat MIMO (multi input multi output) dengan 4 variabel input dan 3 variabel output. Dari proses training dan validasi didapatkan hasil terbaik dengan MSE (Mean Square Error) 0,00695 pada jumah node 130. Selain itu juga didapatkan rata-rata eror (ppm) untuk masing-masing kadar gas buang (gas NO, CO dan O2) sebesar 1.7493, 0.01 dan 0.12 ppm dengan tingkat akurasi sebesar 99.01%, 99.03% dan 99.01%. Kata kunci : CEMS Analyzer, jaringan syaraf tiruan, algoritma backpropagation, Matlab, GUI
I.
PENDAHULUAN
Pembangkit listrik tenaga gas dan uap atau yang sering dikenal dengan singkatan PLTGU adalah salah satu pemanfaatan energi yang efisien karena mengkombinasi pembangkit listrik tenaga gas (PLTG) dan tenaga uap (PLTU). Dalam PLTGU terdapat suatu unit yang dikenal dengan nama HRSG (Heat Recovery Steam Generator) dimana perannya sama dengan boiler yaitu sebagai pemanas air dan penghasil uap. HRSG menerima energi
menghasilkan uap untuk menggerakkan turbin uap pada PLTU. Selain uap sebagai hasil utama pemanasan air dari HRSG ada juga hasil residu yaitu berupa gas buang yang sudah tidak dapat digunakan lagi untuk proses berikutnya sehingga dibuang begitu saja ke udara bebas melalui sebuah stack (pipa gas buang). Gas buang sebagai limbah industri ini tentunya tidak boleh menimbulkan polusi udara yang nantinya ditakutkan akan merusak lingkungan sekitar. Untuk mengetahui kadar gas buang yang keluar dari stack dilakukan pengukuran terhadap gas buang tersebut dengan meggunakan hardware sensor atau analyzer yang dikenal dengan istilah CEMS (Continuous Emission Monitoring System) Analyzer. Data hasil pengukuran analyzer tersebut akan tersimpan dalam data recorder. Selain harganya yang mahal, dalam jangka waktu tertentu perlu dilakukan maintenance untuk CEMS analyzer. Terkadang juga sering terjadi error dalam pengukurannya. Maka dari itu untuk menggantikan fungsi CEMS analyzer ini dibuatlah softsensor. Softsensor merupakan perangkat lunak yang digunakan untuk mengukur variabel yang tidak terukur secara langsung dengan estimasi variabel-variabel proses yang mempengaruhinya[2]. Pada tugas akhir ini akan dirancang softsensor kadar gas buang pada stack hasil keluaran dari HRSG. Banyak metode yang dapat digunakan dalam perancangan softsensor seperti fuzzy, ANFIS, jaringan syaraf tiruan dan lain sebagainya[3]. Sedangkan untuk tugas akhir ini metode yang digunakan dalam perancangan softsensor kadar gas buang adalah jaringan syaraf tiruan (JST) dengan algoritma backpropagation dan fungsi pelatihan Levenberg Marquardt. II. METODOLOGI PENELITIAN A. CEMS (Continuous Emission Monitoring System) Analyzer
2 CEMS Analyzer adalah suatu alat yang digunakan untuk menganalisa dan memonitor kadar gas buang sisa hasil proses produksi. Device ini merupakan elemen penting dalam proses pembuangan limbah industri yang erat kaitannya dengan AMDAL agar tidak terjadi pencemaran udara di lingkungan sekitar pabrik. CEMS analyzer mampu mengukur gas NO, SO2, CO2, CO, CH4 dan O2 dalam sampel gas. Gas NO, SO2, CO2, CO dan CH4 diukur dengan menggunakan metode NDIR (non-dispersive infrared) yang memanfaatkan radiasi yang dipancarkan oleh sumber cahaya (sinar infra merah) untuk pengukuran sedangkan O2 diukur menggunakan sensor external (paramagnetic atau zirconia). Sampel gas yang masuk ke dalam CEMS Analyzer harus dalam keadaan rendah temperatur dan tidak banyak mengandung debu dan zat-zat kotoran yang bersifat korosif. Maka dari itu sebelum sampel gas masuk yang ke dalam sample inlet CEMS Analyzer terlebih dahulu dilakukan filterisasi sampel gas pada sample probe. Dimana di dalam sample probe gas yang masuk difilter agar gas yang mengandung debu, uap air dan zat-zat kotoran tidak masuk ke dalam sample inlet CEMS Analyzer yang nantinya ditakutkan akan mengganggu jalannya pengukuran kadar gas buang. Selain itu juga sampel gas harus didinginkan agar temperaturnya rendah sehingga tidak merusak sensor yang ada di dalamnya karena terbuat dari bahan optik dan kaca.
Arsitektur jaringan digunakan untuk menentukan jumlah node yang akan digunakan agar didapatkan hasil yang baik dengan metode trial and error. Berikut arsitektur jaringan yang digunakan dalam pelatihan jaringan syaraf tiruan dengan algoritma backpropagation : Hidden Layer Z1
Z2
Z3
Z4
Input Layer pressure
temperature
dust
opacity
Z5
X1
Z6
X2
Z7
X3
Z8
X4
Z9
Output Layer Y1
GAS NO
Y2
GAS CO
Y3
GAS O2
Z10
Z11
Z12
B. Pengambilan Data Pengambilan data dilakukan di PLTGU Belawan dimana data tersimpan di dalam sebuah recorder yang terhubung langsung dengan CEMS Analyzer . Banyaknya data yang terambil selama kurun waktu tersebut berjumlah 870 data untuk setiap jenis data (pressure, temperature, dust, opacity, kadar gas NO, kadar gas CO dan kadar gas O2). Data gas yang terukur sebelum masuk ke dalam proses CEMS Analyzer dianggap sebagai data input yaitu pressure, temperature, dust dan opacity. Sedangkan data yang terukur oleh CEMS Analyzer dianggap sebagai output (kadar gas buang). C. Arsitektur Jaringan Syaraf Tiruan Pada dasarnya jaringan syaraf tiruan ditentukan oleh 3 hal yaitu : Pola hubungan antar neuron disebut dengan arsitektur jaringan. Metode untuk menentukan bobot penghubung disebut training atau learning/. Fungsi aktivasi, yaitu suatu fungsi yang digunakan untuk menentukan keluaran suatu neuron[4].
Z13
Gambar 1 Arsitektur JaringanSyaraf Tiruan Dari gambar 1 merupakan arsitektur jaringan syaraf tiruan dengan struktur Multi Layer Perceptron (MLP) dimana terdapat 3 lapisan yaitu lapisan input (input layer) dengan 4 node, lapisan tersembunyi (hidden layer) dengan 13 node dan lapisan output (output layer) dengan 3 node. Terdapat dua jenis bobot yang digunakan yaitu bobot dari input layer menuju hidden layer yang dikenal dengan istilah input weight (IW) dan bobot dari hidden layer menuju output layer yang dikenal dengan isilah layer weight (LW). Selain itu juga digunakan 2 bias pertama pada input weight yaitu b1 dan bias kedua pada layer weight yaitu b2. Dengan jumlah layer yang digunakan maka terdapat fungsi aktifasi yaitu sigmoid biner pada hidden layer dan linier pada output layer. D. Penyusunan Algoritma Backpropagation Perancangan softsensor kadar gas buang menggunakan metode jaringan syaraf tiruan dengan algoritma backpropagation menggunaan software Matlab R2009a.
3 Penyusunan algoritma backpropagation ini menggunakan fungsi pelatihan Levenberg Marquardt . Fungsi pelatihan ini dikenal sebagai metode pembelajaran dengan proses penurunan tercepat karena tidak memerlukan perhitungan matriks Hessian. 1.
Pengolahan data
Data input output yang diperoleh dari recorder diolah di Ms.Excel ke dalam bentuk matriks. Matriks yang dibuat terdiri dari 7 baris (4 baris input dan 3 baris target) dan 870 kolom yang menunjukkan jumlah data. Matriks tersebut yang kemudian dijadikan sebagai data pelatihan sekaligus data uji. Dari data yang diperoleh terdapat nilai puluhan bahkan ratusan sehingga perlu dilakukan preprocessing data dimana data-data tersebut diubah ke dalam range -1 – 1. Hal ini dikarenakan fungsi aktifasi hanya dapat membaca nilai dalam range -1 – 1. 2.
Parameter Pelatihan
Ada beberapa parameter pelatihan yang dapat di atur sebelum dilakukan pelatihan untuk mendapatkan hasil yang optimal. Parameter-parameter yang digunakan adalah sebagai berikut :
3.
Learning rate Goal minimum error Epoch
:1 : 0.001 : 1000
Pembagian Data
Setelah parameter pelatihan ditentukan kemudian dilanjutkan dengan pembagian data untuk data training, validation dan testing. Perbandingan jumlah data untuk ketiga jenis data tersebut adalah 70:15:15. Data training sebanyak 610 data, data validation sebanyak 130 data dan data testing sebanyak 130 data. 4.
Inisialisasi Bobot
Setiap kali membentuk jaringan backpropagation, Matlab akan memberi nilai bobot dan bias awal dengan bilangan acak kecil. Bobot dan bias ini akan berubah terus nilainya setiap membentuk jaringan. Namun dengan memberikan bobot dan bias tertentu maka jumah iterasi dan nilai performansi (mse) tidak akan berubah yaitu dengan cara memberi nilai pada net.IW, net.LW, dan net.b. Dari gambar 1 maka terdapat 2 perintah untuk menyimpan nilai bobot pada m-file yaitu net.IW(1,1) yang menyimpan bobot dari input layer ke hidden layer dan net.LW(2,1) yang menyimpan bobot dari hidden layer ke output layer. 5.
merubah nilai tersebut ke dalam nilai aslinya maka digunakan perintah postprocessing data. III. ANALISA DATA DAN PEMBAHASAN A. Pengolahan dan pengelompokan data Pengolahan pada listing program untuk menentukan data input dan output dengan range maksimum dan minimum. Dengan menggunakan perintah normalisasi data maka secara otomatis data yang nilainya lebih dari 1 diubah ke dalam range -1 – 1. Hal ini diperlukan karena fungsi aktifasi yang digunakan hanya dapat membaca nilai dalam range tersebut. Pengelompokan data berdasarkan 3 parameter yaitu data training, validation dan testing dilakukan agar dapat diketahui data mana saja yang digunakan pada tiga parameter tersebut.Untuk data training sebanyak 610 data dari data pertama sampai data ke-610, untuk data validation sebanyak 130 data dari data ke-611 sampai ke-740 sedangkan untuk data testing sebanyak 130 data dari data ke-741 sampai ke-870. B. Pelatihan Jaringan Syaraf Tiruan Dalam pelatihan jaringan syaraf tiruan ini menggunakan algoritma backpropagation dengan fungsi pelatihan Levenberg Marquardt dan mengunakan struktur Multi Layer Perceptron (MLP) 3 layer yaitu input layer, 1 hidden layer dan output layer. Jumlah node yang digunakan pada input layer adalah 4 node, hidden layer sebanyak 130 node sedangkan output layer sebanyak 3 node. Dengan jumlah layer yang digunakan maka terdapat 2 fungsi aktifasi yang digunakan yaitu sigmoid bipolar dan linier. Ada 4 keadaan untuk penentuan jumlah neuron terbaik yang dihubungkan dengan besarnya nilai Mean Square Error (MSE) yang dihasilkan serta nilai korelasi antara output dengan target (regresi). Tabel 1 Perbandingan nilai MSE dalam 4 variasi keadaan Jumlah MSE Node 100 0.0268 110
0.016
120
0.00984
130
0.00695
Simulasi Jaringan
Simulasi jaringan ini digunakan untuk menghitung keluaran jaringan berdasarkan arsiektur, pola masukan dan fungsi aktifasi yang digunakan. Nilai keluaran hasil simulasi jaringan ini masih dalam range -1 – 1. Untuk
Dari tabel 1 menunjukkan bahwa semakin banyak jumlah node maka semakin kecil nilai mse. Hasil terbaik ditunjukkan pada nilai mse terendah yaitu 0.00695 dengan
4 jumlah node 130. Berikut plot performansi yang dihasilkan pada proses pelatihan untuk node 130 :
Gambar 2 Plot Performansi untuk n=130 Gambar 4.1 menunjukkan performansi dimana pada sumbu y merupakan nilai MSE dan sumbu x jumlah iterasi. Grafik performansi menunjukkan kemampuan pengolahan pada data training, validasi dan testing. Garis putus-putus yang berwarna hitam menunjukkan garis goal berdasarkan dari nilai MSE yang terkecil yang telah ditentukan pada parameter goal minimum error. Garis putus-putus yang berwarna hijau merupakan nilai MSE terbaik dari hasil proses pelatihan. Garis biru merupakan MSE dari data training, garis hijau MSE dari data validasi, dan garis merah MSE dari data testing. Dari grafik performansi di atas menunjukkan bahwa garis train, validation dan test semakin turun mendekati bestline dimana nilai MSE juga semakin kecil. Jika ketiga garis tersebut mendekati bestline maka dapat disimpulkan proses pelatihan berjalan dengan baik pada titik dan epoch tertentu. Dari grafik terlihat bahwa performansi validasi terbaik terletak pada titik 0.0097431 pada epoch ke-800 pada data validasi.
Sedangkan untuk gambar 3 adalah plot regersi dimana plot tersebut menunjukkan kedekatan data antara target dengan output. Pada grafik tersebut terdapat garis putusputus menunjukkan garis Y=T dimana nilai output sama dengan target. Sedangkan garis lurus/linear berwarna hitam menunjukkan persebaran data dari hasil proses pelatihan dimana data disimbolkan dengan bentuk lingkaran. Regresi yang baik adalah ketika garis linear tersebut berhimpit dengan garis Y=T dan seluruh data berada di dalam garis linear atau sudah tidak ada lagi data yang tersebar menjauhi garis linear. Nilai regresi (R) adalah perkiraan nilai hubungan antara output dengan target. Nilai regresi all menunjukkan 0.99307 yang hampir mendekati nilai 1 karena semakin mendekati nilai 1 maka hubungan keduanya semakin baik dan persebaran datanya akan mendekati garis Tabel 2 Hasil Perbandingan Kadar Ga NO aktual dengan keluaran softsensor Rata-rata Jumlah eror Prosentase Eror Tingkat Node (ppm) (%) Akurasi (%) 100 8.75 4.99 95.01 110 5.25 2.99 97.01 120 3.55 1.99 98.01 130 1.7493 0.99 99.01 Dari tabel 2 terlihat perbedaan hasil rata-rata eror, prosentase eror dan tingkat akurasi pada masing-masing jumlah node untuk kadar gas NO. Hasil terbaik ditunjukkan oleh jumlah node 130 dengan rata-rata eror 1.7493 ppm prosentase eror 0.99% dan tingkat akurasi 99.01%. Berikut grafik perbandingan kadar gas NO aktual dengan keluaran softsensor pada jumlah node 130.
200
Perbandingan kadar gas NO aktual dengan keluaran softsensor
190 180 ppm
170 160 150 140 130 1 7 13 19 25 31 37 43 49 55 61 67 73 79 85 91 97
120 data Gambar 4 Grafik perbandingan kadar gas NO aktual dengan keluaran softsensor Gambar 3 Plot Regresi untuk n=130
5
100
0.08
4.92
95.08
110
0.04
2.93
97.07
120
0.03
1.94
98.06
130
0.01
0.97
99.03
Dari tabel 3 terlihat juga perbedaan hasil rata-rata eror, prosentase eror dan tingkat akurasi pada masing-masing node untuk kadar gas CO. Hasil terbaik juga ditunjukkan oleh jumlah node 130 dengan rata-rata eror 0.01 ppm prosentase eror 0.97% dan tingkat akurasi 99.03%. Berikut grafik perbandingan kadar gas CO aktual dengan keluaran softsensor pada jumlah node 130.
Perbandinga kadar gas CO aktual dengan keluaran softsensor
menunjukkan jumlah data. Terlihat garis merah mendekati garis biru hal ini juga menunjukkan bahwa nilai kadar gas CO keluaran softsensor mendekati nilai kadar gas CO aktual. Tabel 4 Hasil Perbandingan Kadar Ga O2 aktual dengan keluaran softsensor Rata-rata Tingkat Jumlah eror Prosentase Akurasi Node (ppm) Eror (%) (%) 100 0.63 4.98 95.02 110 0.38 2.99 97.01 120 0.25 1.99 98.01 130 0.12 0.99 99.01 Tabel 4 menunjukkan perbedaan hasil rata-rata eror, prosentase eror dan tingkat akurasi untuk kadar gas O2. Hasil terbaik juga ditunjukkan pada jumlah node 130 dengan rata-rata eror 0.12 ppm, prosentase eror 0.99% dan tingkat akurasi 99.01%. Berikut grafik perbandingan kadar gas O2 aktual dengan keluaran softsensor pada jumlah node 130.
Perbandingan kadar gas O2 aktual dengan keluaran softsensor 12.00 11.90 11.80 11.70 ppm
Dari grafik di atas menunjukkan perbandingan antara kadar gas NO aktual yang ditunjukkan oleh garis biru dengan keluaran softsensor pada jumlah node 130 yang ditunjukkan oleh garis merah. Sumbu Y menunjukkan nilai kadar gas NO dan sumbu X menunjukkan jumlah data. Dari grafik terlihat bahwa garis merah hampir mendekati atau berhimpit dengan garis biru yang menunjukkan bahwa nilai kadar gas NO keluaran softsensor medekati nilai kadar gas NO aktual. Tabel 3 Hasil Perbandingan Kadar Ga CO aktual dengan keluaran softsensor Tingkat Jumlah Rata-rata Prosentase Eror Akurasi Node eror (ppm) (%) (%)
11.60
1.49
11.50
1.47
11.40 11.30
1.45
1 7 13 19 25 31 37 43 49 55 61 67 73 79 85 91 97
11.20 ppm
1.43
data
1.41 1.39 1.37 1 7 13 19 25 31 37 43 49 55 61 67 73 79 85 91 97
1.35 data
Gambar 5 Grafik perbandingan kadar gas CO aktual dengan keluaran softsensor Gambar 5 menunjukkan perbandingan kadar gas CO aktual dengan keluaran softsensor pada jumlah node 130. Sama halnya dengan grafik sebelumnya sumbu Y menunjukkan nilai kadar gas CO dan sumbu X
Gambar 6 Grafik perbandingan kadar gas O2 aktual dengan keluaran softsensor Gambar 6 juga merupakan grafik perbandingan kadar gas buang aktual dan keluaran softsensor pada jumlah node 130 namun grafik di atas untuk kadar gas O2. Sama dengan kedua grafik sebelumnya sumbu Y menunjukkan kadar gas dan sumbu X adalah jumlah data. Terlihat juga bahwa garis merah mendekati garis biru yang menunjukkan juga bahwa nilai kadar gas O2 keluaran softsensor mendekati nilai kadar gas O2 aktual.
6 C. Interface Softsensor dengan GUI Penggunaan GUI sebenarnya memberikan kemudahan kepada pengguna dalam menampilkan hasil data berbasis visual. Berdasarkan input dan output yang terukur pada proses pengukuran kadar gas buang pada CEMS Analyzer maka dalam interface softsensor ini dibuat 4 input dan 3 output seperti gambar di bawah ini :
3. Dari proses training dan validasi didapatkan MSE terkecil yang menunjukkan hasil terbaik dengan memasukkan jumlah neuron 130 yaitu 0,00695. Didapatkan rata-rata eror untuk masing-masing kadar gas buang sebesar 1.7493, 0.01 dan 0.12 dengan tingkat akurasi sebesar 99.01%, 99.03% dan 99.01%. V. DAFTAR PUSTAKA [1] M. Shakil, M. Elshafei, M.A. Habib, F.A. Maleki. 2008. Softsensor NOX and O2 Using Dynamic Neural Networks. [2]Ellyanti, Lia. 2009. Tugas Akhir : “Perancangan Softsensor Faktor Kompresibilitas dan Massa Gas Alam Keluaran Dehydration Unit Pematang Gas Plant dengan Metode Jaringan Syaraf Tiruan di PT. Chevron Pacifi Indonesia”, Teknik Fisika FTI-ITS Surabaya.
Gambar 7 Tampilan figure GUI Gambar 7 adalah tampilam figure GUI ketika nilai input dimasukkan dan tombol count di-klik sehingga menghasilkan nilai output. Ketika dimasukkan nilai input pressure 0.15 mbar, temperature 160.19 C, dust 29.9 mg/m3 dan opacity 15,82% maka muncul nilai output kadar gas NO 181.17 ppm, kadar gas CO 1.45572 ppm dan kadar O2 11.4547 %. Untuk push button reset digunakan untuk menghapus nilai yang tertera pada panel input dan output sehingga siap untuk diberi nilai input baru dan menghasilkan nilai output baru. IV. KESIMPULAN Berdasarkan penelitian yang telah dilakukan untuk merancang softsensor kadar gas buang pada stack keluaran HRSG terdapat beberapa kesimpulan yaitu sebagai berikut : 1. Telah berhasil dirancang softsensor kadar gas buang pada stack hasil keluaran HRSG dengan metode jaringan syaraf tiruan menggunakan algoritma backpropagation. 2. Fungsi pelatihan yang digunakan dalam perancangan ini adalah fungsi pelatihan trainlm karena fungsi ini merupakan metode pembelajaran dengan proses penurunan tercepat tanpa memerlukan perhitungan matriks Hessian.
[3]Kinaka, Sylvia Dwi. 2011. Tugas Akhir : “Perancangan Softsensor Kecepatan Rotasi Kompresor Mesin Peesawat Boeing 737-300 Tipe CFM56 3B-1 Menggunakan Jaringan Syaraf Tiruan”, Teknik Fisika FTI-ITS Surabaya. [4] Rachmawati, Alif Tober. 2012. Tugas Akhir : “Perancangan Softsensor Steam Quality pada Steam Generator dengan Optimasi Nilai Spesifik Volume dengan Metode Jaringan Syaraf Tiruan”, Teknik Fisika FTI-ITS Surabaya. [5]
Susanti, Aini Prisilia. 2013. Tugas Akhir : “Perancangan Sistem Prediktor Daya Pada Panel Photovoltaic di Buoy Weather Station ”, Teknik Fisika FTI-ITS Surabaya.
[6] Yani, Eli, 2005.“Pengantar jaringan syaraf Tiruan”. MateriKuliah.Com [7]Siang, J.J., Jaringan Syaraf Tiruan dan Pemrogramannya menggunakan Matlab, Yogyakarta: Andi, 2005 [8]Abhishek, K., Kumar, A., Ranjan, R.&Kumar, S., “A Rainfall Prediction Model using Artificial Neural Network,” IEEE, 2012. [9]Indonesia, Yokogawa. “IR Information”. Jakarta, 2013.
400
Technology