1
PERANCANGAN SOFTSENSOR STEAM QUALITY PADA STEAM GENERATOR DENGAN OPTIMASI NILAI SPESIFIK VOLUM DENGAN METODE JARINGAN SYARAF TIRUAN (JST) Alif Tober Rachmawati, Fitri Adi Iskandarianto, ST.MT, DR.Gunawan Nugroho,ST.MT Jurusan Teknik Fisika, Fakultas Teknologi Industri Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya 60111 E-mail: Abstrak— Pada dunia industri steam generator merupakan salah satu komponen terpenting untuk melakukan suatu proses dalam industri minyak. Karena pada steam generator tersebut dapat menghasilkan uap. Sedangkan uap yang telah dihasilkan tersebut melakukan proses penginjeksian ke dalam tanah untuk selanjutnya melakukan proses pengolahan minyak. Oleh karena itu uap yang harus digunakan untuk memaksimalkan proses tersebut harus memiliki kualitas steam atau steam quality pada range 60% -70%. Sehingga pada range tersebut dapat diperoleh uap berupa wet steam. Untuk mencapai range steam quality tersebut diperlukanlah sebuah softsensor yang dapat mengidentifikasi suatu steam. Softsensor ini merupakan sebuah sensor dimana dalam pengukurannya menggunakan suatu persamaan dari hubungan input dan output yang telah ada. Metode dalam melakukan perancangan softsensor ini yaitu menggunakan jaringan syaraf tiruan. Arsitektur untuk jaringan syaraf tiruan menggunakan backpropagation dan algoritma yang digunakan yaitu backpropagation. Struktur jaringan syaraf tiruan ini mampu menghasilkan nilai RMSE (root mean square error)yaitu 0.0049 dan 0.013. untuk nilai VAF (variance accounted for) yaitu 99.95 % dan 99.09%. Sehingga dari pemodelan jaringan syaraf tiruan tersebut dapat merancang sebuah softsensor steam quality yang memiliki nilai akurasi yaitu 97.08 %. Kata Kunci — Soft sensor, Jaringan syaraf tiruan, Steam quality
I. PENDAHULUAN alam dunia industri, selain untuk proses pembakaran, uap yang keluar dari generator juga berfungsi untuk proses pengolahan minyak. Seperti halnya pada pengeboran minyak bumi. Agar menghasilkan uap yang maksimal maka diperlukan suatu pengukuran langsung yang dapat mengoptimalkan hasil dari kualitas uap tersebut. Selama ini pengukuran dari uap tersebut masih melakukan sampling dengan menganalisa di laboratorium sehingga pengukurannya tidak langsung. Padahal didalam suatu proses membutuhkan suat pengukurn langsung agar menghasilkan nilai yang optimal dan dapat membuat proses tersebut menjadi lebih baik. Oleh karena dengan adanya tujuan akhir yang berjudul perancangan softsensor steam quality pada steam generator dengan optimasi nilai spesifik volume dengan metode jaringan syaraf tiruan (JST) diharapkan dapat menghasilkan
D
kualitas uap yang baik dengan melakukan suatu pengukuran langsung. Dengan menggunakan softsensor untuk kualitas uap dengan menghitung nilai spesifik volume pada steam generator sehingga akan menghasilkan perhitungan yang nantinya dapat mengoptimalkan uap tersebut. II. METODOLOGI PENELITIAN A. Tahap Telaah Langkah awal dalam melakukan penelitian ini adalah studi literatur yaitu konsep dasar tentang deskripsi proses pada steam generator sampai dapat menghasilkan steam quality serta pembelajaran tentang jaringan syaraf tiruan (JST). Yang kedua pengolahan data yang telah ada untuk melakukan perancangan jaringan syaraf tiruan. Setelah dilakukan sebuah perancangan maka dilakukan pengujian simulasi dari jaringan syaraf tiruan. Hal ini bertujuan untuk mengetahui apakah hasil perancangan JST sudah benar atau belum. Dalam melakukan perancangan JST variabel yang digunakan yaitu 2 input dan 2 output. Dalam hal ini untuk variabel input yaitu pressure dan temperature. Sedangkan untuk output yaitu spesifik volum liquid (vf) atau spesifik volum evaporator (vfg). Setelah diketahui bahwa perancangan ynag telah dilakukan berhasil maka melakukan validasi JST dengan data yang digunakan dalam melakukan pelatihan. Setelah mengetahui bahwa JST tersebut memiliki prosentase eror yang kecil dari hasil validasi, maka dapat dilakukan perhitungan steam quality. Selain data presuure dan temperature juga memerlukan data flow untuk melakukan perhitunga. Data pressure dan temperature yang digunakan dalam steam quality ini berbeda dengan data untuk melakukan pelatihan JST. Data untuk steam quality yaitu data langsung dari lapangan sedangkan data untuk pelatihan JST merupakan data dari steam table. Dengan memasukkan nilai pressure, temperature, mass flow inlet dan flowrate outlet maka dapat diketahui nilai steam quality. Setelah itu melakukan validasi dari hasil simulasi dengan hasil steam quality yang terdapat di lapangan.
2 B. Tahap – Tahap Perancangan Softsensor a. Tahap 1
dari jaringan syaraf tiruan memiliki hasil yang hampir sama dengan output dari data yang sudah ada.
Perancangan JST
Pressure
JST
Temperature
Temperature
Vf
Pressure
Vfg
Vf
JST
Vfg
Gambar 2. Blok diagram pelatihan jaringan syaraf tiruan
b. Tahap 2
Perancangan Softsensor D. Pelatihan Jaringan Syaraf Tiruan (JST)
Pressure Temperature
SOFTSENSOR
Flow Vf JST
SQ
Vfg Gambar 1. Tahap – tahap dalam merancang softsensor
Tahap diatas merupakan langkah – langkah dalam melakukan perancangan softsensor. Untuk tahap pertama merupakan perancangan dengan metode jaringan syaraf tiruan yang secara jelasnya akan dijelaskan di subbab perancangan softsensor. Untuk tahap kedua yaitu perancangan dalam melakukan softsensor sehingga dapat mencapai tujuan yang telah diinginkan dalam tugas akhir ini.
Gambar 3 merupakan struktur hasil pelatihan pada JST. Pelatihan jst merupakan suatu proses dimana terdapat input dan output yang diolah agar mendapatkan suatu bobot yang tepat. Data yang didapatkan yaitu terdapat 41 data input temperature dan 41 data input pressure. Sedangkan untuk output yaitu 41 data output vf dan 41 data output vfg. Dalam melakukan pelatihan ini menggunakan struktur multilayer perceptron (MLP) dengan 3 layer yaitu input layer, hidden layer dan output layer. Dengan masing-masing layer memiliki fungsi aktivasi tersendiri. Agar bisa menghasilkan suatu pemodelan yang sesuai dengan yang diharapkan, maka dalam percobaan JST melakukan pelatihan dengan metode trial dan error. Dalam hal ini melakukan suatu perubahan dengan cara mengubah nilai dari hidden layer dan fungsi aktivasi yang digunakan. Algoritma dalam pelatihan ini menggunakan backppropagation.
C. Perancangan Softsensor Perancangan soft sensor ini dilakukan dengan menggunakan input dari data lapangan dan pelatihan jaringan syaraf tiruan dengan menggunakan data dari steam table yang merupakan data untuk melakukan pelatihan. Input yang masuk pada softsensor ada 3 variabel yaitu temperature, pressure dan flow yang merupakan data lapangan. Kemudian melakukan pengolahan pada soft sensor, dimana didalam soft sensor tersebut terdapat hasil pelatihan dari jaringan syaraf tiruan yang telah diolah oleh temperature dan pressure yang merupakan input, dimana data tersebut diambil dari steam table yang merupakan data acuan untuk melakukan perhitungan, begitu pula dengan output yang digunakan untuk jaringan syaraf tiruan yaitu vf (spesific volume liquid) dan vfg (spesific volume untuk evaporator). Hasil output dari jaringan syaraf tiruan merupakan suatu model yang didapatkan dari hasil pelatihan dari jaringan syaraf tiruan, sehingga didapatkan hasil pemodelan yang sesuai dengan nilai eror yang diharapkan. Dalam hal ini, diharapkan eror yang dihasilkan adalah eror yang terkecil. sehingga dengan menghasilkan eror yang kecil, maka output
Gambar 3.
Arsitektur perancangan JST dengan backpropagation
3
II. HASIL DAN PEMBHASAN A. Pengujian Pelatihan JST Dalam membuat pomedalan pada jaringan syaraf tiruan ini, arsitektur yang digunakan yaitu backpropagation dengan algoritma backpropagation. Sebelum menemukan suatu struktur yang sesuai, terlebih dahulu melakukan uji coba dengan mengganti – ganti struktur jaringannya, ataupun nilai dari hidden layernya. Struktur yang digunakan dalam melakukan penelitian ini yaitu menggunakan multilayer percepton (MLP). Dengan melakukan training berkali – kali sampai pada akhirnya menemukan nilai yang sesuai untuk performance yaitu dengan menggunakan 3 layer yaitu input layer, hidden layer serta output layer. Untuk layer pertama yaitu input layer memiliki 2 node. Sedangkan hidden layer terdapat 2 hidden layer dengan hidden layer yang pertama memiliki 3 node dan hidden layer yang kedua yaitu 9 node. Untuk output layer memiliki 2 node. Fungsi aktivasi yang digunakan yaitu signouid bipolar, signoid biner serta linier sehingga fungsi aktivasi yang digunakan adalah 3 fungsi aktivasi. Untuk gambar grafik yang menunjukkan bahwa nilai performance adalah 10-4 dan telah sesuai dengan hasil yang ditentukan dapat dilihat seperti gambar dibawah ini : Dapat dilihat pada gambar 4 diatas bahwa hasil dari
Gambar 4. Grafik performance training
performance dalam keadaan menurun kebawah, hal ini berarti nilai dari output pelatihan mendekati dengan target yang telah ditentukan. Dalam hal ini performance atau mean square error (mse) adalah 10-4. N Setelah didapatkan suatu pemodelan tersebut maka dapat melakukan validasi dari hasil data yang digunakan untuk pelatihan dengan data hasil pelatihan. Sehingga didapat perbandingan antara hasil output data dan output hasil pelatihan. Agar dapat diketahui apakah hasil pelatihan tersebut benar atau tidak. Hasil nilai pelatihan yang baik atau
dikatakan berhasil yaitu dengan ketentuan semakin kecil nilai RMSE (Root Mean Square Error) akan menghasilkan output yang baik. Selain itu juga terdapat VAF (Variance Accounted For) apabila nilai prosentase VAF yang dihasilkan semakin besar maka untuk menuju keberhasilannya semakin bagus. Berikut merupakan perbandingan dari output antara nilai vf data dan vf hasil pelatihan.
Gambar 5. Perbandingan output data vf dengan output training
Dapat dilihat dari gambar 5 grafik diatas bahwa selilsih antara hasil training dengan data real memiliki selisih yang sangat kecil. Sehingga dari hasil training diatas didapatkan nilai RMSE untuk vf adalah 0.013 dan nilai VAF yaitu 99,09 % sehingga dari hasil tersebut dapat diketahui bahwa pemodelan JST yang telah dibuat telah mendekati target yang diinginkan. Nilai pada VAF tidak dapat tepat 100%, hal ini dikarenakan masih terdapat eror dalam melakukan perhitungan dengan menggunakan Matlab.
Gambar 6. Perbandingan output data vfg dengan output training
Yang kedua yaitu perbandingan output antara nilai vfg data dan vfg hasil pelatihan. Dapat dilihat dari hasil gambar 6 grafik dibawah ini, bahwa pada gambar tersebut terlihat selisih antara data real dan data hasil training memiliki selisih yang sangat kecil sehingga hasil training diatas didapatkan nilai RMSE untuk vfg 0.0049 dan nilai VAF 99.95 % maka dari hasil tersebut dapat diketahui bahwa pemodelan JST yang telah dibuat telah mendekati target yang
4 diinginkan. Nilai pada VAF tidak dapat tepat 100%, hal ini dikarenakan masih terdapat eror dalam melakukan perhitungan dengan menggunakan Matlab B. Pengujian Softsensor Dengan Simulasi Matlab GUI Pengujian softsensor ini dilakukan secara offline, karena hanya sebagai simulasi apakah JST yang telah melakukan pelatihan sudah benar atau tidak. Setelah melakukan pelatihan pada jaringan syaraf tiruan dan telah menemukan pemodelan yang tepat sehingga menghasilkan bobot – bobot yang terbaik maka mulailah dalam melakukan perancangan softsensor offline dengan menggunakan matlab GUI. Dengan menggunakan softsensor ini didapatkan hasil yang cukup mendekati hasil output. Dari gambar 7 dibawah ini dapat diketahui bahwa pada pressure 103.756378 psi, temperature 472.828613 oF, flow outlet steam 75.392 ft3s-1 serta pada mass flow inlet steam 123.582787 lbs-1 dengan nilai spesifik volum liquid (vf) 0.0193351 dan nilai spesifik volum evaporator (vfg) 1.18786. Sehingga dapat menghasilkan steam quality sebesar 59.3775%. dalam simulasi yang pertama diketahui bahwa setpoint untuk steam quality yang terdapat di lapangan yaitu 60.474468. Sehingga masih mampu mengejar setpoint karena mendekati dengan steam quality yang di lapangan.
Gambar 7. Simulasi softsensor 1
Dari gambar 8 dibawah ini dapat diketahui bahwa pada saat pressure 105.189301 psi, temperature 472.781525 oF, flow outlet steam 73.79 ft3s-1 , mass flow inlet steam 123.41407 lbs-1 dengan nilai spesifik volume liquid (vf) 0.0193367 ft3/lb dan nilai spesifik volum evaporator (vfg) 1.18676 ft3/lb. Sehingga menghasilkan perhitungan untuk steam quality yaitu 58.1612 %. Hasil dari simulasi perhitungan steam quality dengan mengggunakan GUI ini tidak jauh beda dengan hasil steam quality di lapangan.
Gambar 8. Simulasi softsensor 2
Pada gambar 9 dapat diketahui bahwa pada saat pressure 117.339752 psi, temperature 471.8898193 oF, flow outlet steam 75.88 ft3s-1 serta pada mass flow inlet steam 121.957069 lbs-1, dengan nilai input untuk menghitung steam quality seperti diatas maka dapat menghasilkan steam quality sebesar 60.5785%. dari nilai setpoint untuk steam quality yang terdapat di lapangan yaitu 60.6563%.
Gambar 9. Simulasi softsensor 3
Dari gambar 10 dibawah ini dapat diketahui bahwa
dengan menggunakan nilai pressure 119.970032 psi, temperature 471.839325 oF, flow outlet steam 73.142 ft3s-1 serta untuk mass flow adalah 121.657913 lbs-1, dengan variabel input seperti itu maka hasil steam quality yaitu 58,4797 %.
5 menggunakan persamaan hasil dari jaringan syaraf tiruan dengan nilai akurasi sebesar 97.08 %. III. KESIMPULAN
Gambar 10. Simulasi softsensor 4
Pada tampilan simulasi diatas terdapat vf dan vfg, keluaran hasil dari vf dan vfg diperoleh dari nilai pressure dan temperature yang dimasukkan yang telah diolah dari hasil ttraining jaringan syaraf tiruan. Sehingga dapat hasil dari vf dan vfg tergantung dengan nilai masukan yang di berikan. Untuk nilai vf dan vfg dalam perhitungan telah dilakukan perhitungan pada persamaan JST. Dimana vf adalah spesifik volum liquid dan vfg adalah spesifik evaporator yang merupakan campuran untuk liquid dan vapor. Dari hasil perhitungan steam quality seperti yang di contohkan diatas dapat dilihat hasil perbandingan hasil steam quality data dengn hasil simulasi menggunakan softsensor tersebut Berikut ini merupakan grafik perbandingan dari simulasi tersebut dengan parameter pressure yang digunakan sebagai masukan.
Berdasarkan penelitian yang telah dilakukan maka dapat disimpulkan bahwa telah drancang suatu softsensor steam quality dengan menggunakan metode jaringan syaraf tiruan (JST) yang memiliki 3 layer. Layer pertama yaitu input yang memiliki 2 node, layer kedua yaitu hidden layer yang terdiri dari 2 hidden layer, untuk hidden layer pertama yaitu 3 node dan hidden layer yang kedua yaitu 9 node serta layer ketiga yaitu output yang terdapat 2 node. Untuk perancangan softsensor tersebut dengan menggunakan JST maka dapat diketahui nilai RMSE 0.0049 dan 0.013 sedangkan nilai VAF 99.95 % dan 99,09 %. Kemudian melakukan simulasi softsensor offline yang telah dirancang dengan struktur model yang sudah melalui tahap identifikasi dengan menggunakan jaringan syaraf tiruan. Setelah melakukan simulasi maka didapatkan akurasi dari steam quality yaitu 97.08 %.
DAFTAR PUSTAKA [1]
[2]
[3] [4] [5]
Ellyanti, Lia, 2009.“Perancangan Soft Sensor Faktor Kompresibilitas dan Massa Gas Alam Keluaran Dehydration Unit Pematang Gas Plant Di PT.Chevron Pacific Indonesia”, ITS. Nugraha, Fatwa Dhana,2009. “Perancangan Soft Sensor Specific Gravity Dalam Gas Compressor Petani Gas Plant Dengan Metode Jaringan Syaraf Tiruan Di PT.Chevron Pacific Indonesia”, ITS. Hermawan, Arief, 2006.“Jaringan Syaraf Tiruan Teori dan Aplikasi”. Yogyakarta: Penerbit Andi. Yani, Eli, 2005.“Pengantar jaringan syaraf Tiruan”. MateriKuliah.Com Cheremisinoff, Nicholas P, dan Cheremisinoff, Paul N, 1983.“Cooling Towers Selection, Design and Practice”, Ann Arbor Science The Butterwortrh Grop.
Biodata Penulis :
Gambar 11. Grafik perbandingan steam quality pada data dan steam quality simulasi dengan presure
Pada grafik tersebut terdapat satu hasil simulasi yang membuat grafik menjadi naik. Hal ini disebabkan untuk inputan nilai dari flow steam outlet yang diterima pada saat proses tersebut terlalu tinggi sehingga pada simulasi terjadilah kenaikan grafik,seperti yang terlihat diabawah ini. Sehingga dari grafik dapat diketahui nilai eror dari steam quality data dan steam quality hasil simulasi dengan
Nama : Alif Tober Rachmawati TTL : Tulungagung, 11 Oktober 1989 Alamat : Keputih Gang Makam Blok C-16, Surabaya Email :
[email protected] Pendidikan : - SD Negeri 2 Botoran (1995-2001) - SMP Negeri 2 Tulungagung (2001-2004) - SMA Negeri 1 Boyolangu (2004-2007) - D3-Teknik Instrumentasi ITS (2007-1010) - S1-Lintas jalur Teknik Fisika ITPS (2010sekarang)
