PADA MODEL MULTI-INPUT MULTI-OUTPUT (MIMO)
(STUDI KASUS: SISTEM KILN SEMEN PT. SEMEN PADANG)
1. PENDAHULUAN
Pemodelan suatu sistem atau proses dapat dilakukan dengan Jaringan Syaraf Tiruan (JST). Model tersebut merupakan salah satu penyelesaian yang dapat digunakan untuk menggantikan model lainnya seperti model matematis yang sangat sulit. Bentuk dan sifat JST sangat fleksibel sehingga memungkinkan JST digunakan untuk memodelkan sistem dinamik multi-input multioutput (MIMO) yang sangat kompleks.
Sebagai studi kasus, JST digunakan pada pemodelan sistem Kiln semen yang merupakan sistem dinamik MIMO[1]. Kiln adalah salah satu bagian terpenting dalam pabrik semen, karena kualitas hasil produksi dari kiln (yaitu clinker) sangat menentukan kualitas semen yang diproduksi oleh pabrik semen yang bersangkutan. Proses pembakaran kiln dan proses kimia untuk pembuatan clinker merupakan proses yang cukup kompleks dan sulit dikendalikan. Kesulitan ini karena adanya perilaku sistem yang berubah terhadap waktu.
Masing-masing pabrik semen mempunyai spesifikasi kiln, meskipun kelihatannya semua kiln adalah identik. Kondisi di atas menyebabkan sulitnya memperkirakan perilaku sistem kiln semen apabila tidak ada suatu model yang dapat mewakilinya. Kehadiran model JST yang mewakili sistem kiln semen akan membatu proses simulasi sistem kiln semen tanpa harus mengganggu proses produksi yang sedang berlangsung. Dengan proses simulasi tersebut akan diketahui dan dianalisa perilaku sistem kiln semen yang pada akhirnya dapat dilakukan optimasi pengendalian proses. Sehingga kerja sistem kiln semen menjadi lebih optimal dan efisien di dalam memproduksi clinker.
2. SISTEM KILN SEMEN
Semen merupakan hasil penggilingan clinker yang dicampur dengan gypsum dengan jumlah tertentu pada sebuah tromol baja. Tromol ini lebih dikenal dengan nama tromol semen (cement mill). Clinker diproduksi di dalam kiln dengan memanaskan raw meal yang berasal dari unit sebelumnya yang dinamakan raw mill. Raw meal merupakan campuran empat bahan utama pembuat semen yaitu: batu kapur, batu silika, tanah merah dan pasir besi. Ditinjau dari proses yan ada pada kiln dapat dibedakan menjadi dua, yaitu proses basah dan proses kering[1].
Sistem kiln semen yang terdapat di PT. Semen Padang (Persero) merupakan sistem kiln semen proses kering yang mempunyai single pre-heater dan planetary cooling system, dimana sistem kiln semen tersebut mempunyai 4 buah parameter keluaran yang disebut juga sebagai Process Variable (PV) dan 5 buah parameter masukan yang disebut juga sebagai Manipulated Variable (MV), seperti yang dijelaskan dalam Tabel 2.1.
3. JARINGAN SYARAF TIRUAN (JST)
Jaringan syaraf tiruan (JST), terjemahan dari Artificial Neural Network, merupakan suatu bentuk baru dari sistem komputasi yang didasarkan pada model biologis sistem syaraf manusia. JST bertujuan untuk mengembangkan sistem komputasi baru yang mampu beroperasi dan mengemulsi, serta mempunyai karakteristik seperti sifat-sifat jaringan syaraf biologis yang terdapat pada manusia dalam mengolah informasi[2].
Proses identifikasi sistem kiln semen dengan JST ini menggunakan pelatihan dengan target, dimana target yang dimaksud adalah data operasional sistem kiln semen yang diperoleh dari plant. Target dapat diberikan oleh supervisi atau guru, dan salah satu contoh algoritma pelatihannya adalah Error Back Propagation (EBP). Algoritma pelatihannya menggunakan EBP seperti berikut ini:
Tahap 1: Menyiapkan pasangan data masukan (X(p)) dan data keluaran (D(p)) yang
diinginkan. Dimana p=1,...P adalah banyaknya pasangan data dan X(p) berukuran (Ix1) sedangkan D(p) berukuran Lx1.
Tahap 2: Set harga target error sekecil mungkin, learning rate η>0, E=0, dan Inisialisasi bobot (Uji, Vkj, Wlk) dengan harga acak yang kecil.
Tahap 3: Propagasi maju, yaitu menghitung keluaran masing-masing lapisan (dari lapisan tersembunyi R & S sampai lapisan keluaran Y) dengan
perhitungan sebagai berikut:
Tahap 4: Menghitung kesalahan keluaran yang terjadi dengan perhitungan:
Tahap 5: Pengecekan harga Sum-Squared Error (SSE) dengan persamaan sebagai berikut:
Dengan SSEpl adalah Sum-Squared Error yang didapat dari perhitungan keluaran ke-l untuk data ke-p.
Tahap 6: Memperbarui bobot interkoneksi antara masing-masing lapisan (Uji, Vkj & Wlk) dengan perhitungan:
Tahap 7: Pengulangan tahap 3 sampai tahap 5 untuk setiap jumlah epoch, yaitu sebanyak pasangan data masukan dan keluaran.
Gambar 3.1 Struktur JST untuk sistem kiln semen di PT. Semen Padang (Persero).
4. HASIL PROGRAM
5. PEMBAHASAN KELOMPOK
Identifikasi sistem kiln semen untuk PT. Semen Padang yang dilakukan dengan menggunakan JST akan menghasilkan bobot interkoneksi dengan harga dan suatu konfigurasi tertentu sesuai dengan struktur model JST yang digunakan didalam pelatihan. Dengan bantuan program MATLAB, proses pelatihan model JST untuk sistem kiln di PT. Semen Padang yang strukturnya sudah ditentukan (dari 8 vektor masukan, 20 neuron pada lapisan tersembunyi pertama, 10 neuron pada lapisan tersembunyi kedua, 5 vektor keluaran dan fungsi aktifasi yang digunakan dalam processsing unit pada setiap neuron adalah fungsi sigmoid) dilakukan beberapa kali dengan harga learning rate (η) yang berubah-ubah, mulai dari η = 0,15 sampai η = 0,01. Sedangkan konstanta pelatihan momentum cost (η) dibuat tetap yaitu η = 0.98. Hal tersebut dilakukan untuk mendapatkan hasil model JST yang paling baik. Sehingga model JST tersebut merupakan model yang benar-benar dapat mewakili sistem kiln semen yang diidentifikasi.
Secara kuantitatif, konvergensi hasil pelatihan model JST untuk sistem kiln semen di atas dapat dilihat dari perubahan harga Sum Square Error (SSE) terhadap jumlah epoch seperti yang ditunjukkan dalam Tabel 4.1. Dalam Tabel 4.1 tampak bahwa konvergensi minimum hasil pelatihan model JST terjadi pada kolom η = 0,01 dan η = 0,05. Hal tersebut ditunjukkan oleh perubahan harga SSE yang semakin mengecil dengan bertambahnya jumlah epoch.
Dari Tabel 4.1 menunjukkan harga SSE terkecil adalah 0,3911, maka jelas bahwa harga η yang optimal adalah 0,05. Secara logika dapat juga dinyatakan bahwa semakin kecil harga SSE yang diperoleh dari hasil pelatihan maka semakin baik JST tersebut dalam memodelkan system yang diidentifikasi.
Bobot interkoneksi antara neuron-neuron dalam tiap lapisan hasil proses pelatihan model JST pada η = 0,05 dapat dilihat pada Tabel 4.2 sampai Tabel 4.4. Sedangkan secara kualitatif atau secara visual dapat dilihat perbandinngan antara model JST dengan data sebenarnya yang diperoleh dari plant dengan harga η = 0,05 pada Gambar 4.1 sampai Gambar 4.4.
6. KESIMPULAN
1. Identifikasi sistem kiln semen yang merupakan sistem dinamik multi-input multioutput (MIMO) yang kompleks dapat dilakukan dengan menggunakan JST tipe multi-layer feedforward dengan struktur yang terdiri dari 8 vektor masukan, 20 neuron pada lapisan tersembunyi pertama, 10 neuron pada lapisan tersembunyi kedua, 5 vektor keluaran dan fungsi aktifasi yang digunakan dalam processsing unit pada setiap neuron adalah fungsi sigmoid.
2. Model JST yang terbaik untuk sistem kiln semen di PT. Semen Padang (Persero) diperoleh dari hasil pelatihan model JST tersebut dengan parameter pelatihan learning rate (η) = 0,05, momentum cost (η) = 9,8 dan jumlah epoch = 500.000 dengan menggunakan algoritma belajar error back propagation. Secara kualitatif, hasil identifikasi sistem kiln semen PT. Semen Padang (Persero) telah mendekati prilaku plant yang sebenarnya.
7. DAFTAR PUSTAKA
[1]. Asri Manaf, “Fuzzy Logic”, Seminar Artificial Intelligent, PIKSI, ITB, 1993.
[2]. Altrox Constantin Von, “Fuzzy Logic & Neurofuzzy Applications Explained”, Prentice Hall PTR, 1995.
[3]. Lin Chin-Teng & Lee C.S.George, “Neural Fuzzy System, A Neuro-Fuzzy Synergism to Intelligent Systems”, Prentice-Hall, Inc., 1996.
[4]. Pham Duc Truong and Xing Liu, “Neural Networks for Identification, Prediction and Control”, Springer-Verlag London Limited, 1995.
Pemodelan suatu sistem atau proses dapat dilakukan dengan Jaringan Syaraf Tiruan (JST). Model tersebut merupakan salah satu penyelesaian yang dapat digunakan untuk menggantikan model lainnya seperti model matematis yang sangat sulit. Bentuk dan sifat JST sangat fleksibel sehingga memungkinkan JST digunakan untuk memodelkan sistem dinamik multi-input multioutput (MIMO) yang sangat kompleks.
Sebagai studi kasus, JST digunakan pada pemodelan sistem Kiln semen yang merupakan sistem dinamik MIMO[1]. Kiln adalah salah satu bagian terpenting dalam pabrik semen, karena kualitas hasil produksi dari kiln (yaitu clinker) sangat menentukan kualitas semen yang diproduksi oleh pabrik semen yang bersangkutan. Proses pembakaran kiln dan proses kimia untuk pembuatan clinker merupakan proses yang cukup kompleks dan sulit dikendalikan. Kesulitan ini karena adanya perilaku sistem yang berubah terhadap waktu.
Masing-masing pabrik semen mempunyai spesifikasi kiln, meskipun kelihatannya semua kiln adalah identik. Kondisi di atas menyebabkan sulitnya memperkirakan perilaku sistem kiln semen apabila tidak ada suatu model yang dapat mewakilinya. Kehadiran model JST yang mewakili sistem kiln semen akan membatu proses simulasi sistem kiln semen tanpa harus mengganggu proses produksi yang sedang berlangsung. Dengan proses simulasi tersebut akan diketahui dan dianalisa perilaku sistem kiln semen yang pada akhirnya dapat dilakukan optimasi pengendalian proses. Sehingga kerja sistem kiln semen menjadi lebih optimal dan efisien di dalam memproduksi clinker.
2. SISTEM KILN SEMEN
Semen merupakan hasil penggilingan clinker yang dicampur dengan gypsum dengan jumlah tertentu pada sebuah tromol baja. Tromol ini lebih dikenal dengan nama tromol semen (cement mill). Clinker diproduksi di dalam kiln dengan memanaskan raw meal yang berasal dari unit sebelumnya yang dinamakan raw mill. Raw meal merupakan campuran empat bahan utama pembuat semen yaitu: batu kapur, batu silika, tanah merah dan pasir besi. Ditinjau dari proses yan ada pada kiln dapat dibedakan menjadi dua, yaitu proses basah dan proses kering[1].
Sistem kiln semen yang terdapat di PT. Semen Padang (Persero) merupakan sistem kiln semen proses kering yang mempunyai single pre-heater dan planetary cooling system, dimana sistem kiln semen tersebut mempunyai 4 buah parameter keluaran yang disebut juga sebagai Process Variable (PV) dan 5 buah parameter masukan yang disebut juga sebagai Manipulated Variable (MV), seperti yang dijelaskan dalam Tabel 2.1.
3. JARINGAN SYARAF TIRUAN (JST)
Jaringan syaraf tiruan (JST), terjemahan dari Artificial Neural Network, merupakan suatu bentuk baru dari sistem komputasi yang didasarkan pada model biologis sistem syaraf manusia. JST bertujuan untuk mengembangkan sistem komputasi baru yang mampu beroperasi dan mengemulsi, serta mempunyai karakteristik seperti sifat-sifat jaringan syaraf biologis yang terdapat pada manusia dalam mengolah informasi[2].
Proses identifikasi sistem kiln semen dengan JST ini menggunakan pelatihan dengan target, dimana target yang dimaksud adalah data operasional sistem kiln semen yang diperoleh dari plant. Target dapat diberikan oleh supervisi atau guru, dan salah satu contoh algoritma pelatihannya adalah Error Back Propagation (EBP). Algoritma pelatihannya menggunakan EBP seperti berikut ini:
Tahap 1: Menyiapkan pasangan data masukan (X(p)) dan data keluaran (D(p)) yang
diinginkan. Dimana p=1,...P adalah banyaknya pasangan data dan X(p) berukuran (Ix1) sedangkan D(p) berukuran Lx1.
Tahap 2: Set harga target error sekecil mungkin, learning rate η>0, E=0, dan Inisialisasi bobot (Uji, Vkj, Wlk) dengan harga acak yang kecil.
Tahap 3: Propagasi maju, yaitu menghitung keluaran masing-masing lapisan (dari lapisan tersembunyi R & S sampai lapisan keluaran Y) dengan
perhitungan sebagai berikut:
Tahap 4: Menghitung kesalahan keluaran yang terjadi dengan perhitungan:
Tahap 5: Pengecekan harga Sum-Squared Error (SSE) dengan persamaan sebagai berikut:
Dengan SSEpl adalah Sum-Squared Error yang didapat dari perhitungan keluaran ke-l untuk data ke-p.
Tahap 6: Memperbarui bobot interkoneksi antara masing-masing lapisan (Uji, Vkj & Wlk) dengan perhitungan:
Tahap 7: Pengulangan tahap 3 sampai tahap 5 untuk setiap jumlah epoch, yaitu sebanyak pasangan data masukan dan keluaran.
Tahap 8: Penghentian program pelatihan ini saat SSE < error goal atau jumlah epoch telah tercapai. Program pelatihan diulangi dari tahap 1 jika kedua syarat tersebut belum tercapai.
Penentuan struktur JST harus didasarkan pada tahap pengumpulan data dan penentuan model identifikasi yang akan digunakan. Salah satu model identifikasi sistem dengan JST adalah identifikasi berdasarkan model masukan-keluaran dengan struktur serial-paralel[4]. Jika ditinjau dari struktur JST-nya sendiri, maka struktur yang digunakan dalam pemodelan system kiln semen di PT. Semen Padang (Persero) adalah struktur Multi-Layer Feedforward Network yang terdiri dari 9 (sembilan) vektor masukan, 20 (dua puluh) neuron pada lapisan tersembunyi pertama, 10 (sepuluh) neuron pada lapisan tersembunyi kedua dan 4 (empat) vektor keluaran, seperti yang ditunjukkan dalam Gambar 3.1.
Gambar 3.1 Struktur JST untuk sistem kiln semen di PT. Semen Padang (Persero).
4. HASIL PROGRAM
5. PEMBAHASAN KELOMPOK
Identifikasi sistem kiln semen untuk PT. Semen Padang yang dilakukan dengan menggunakan JST akan menghasilkan bobot interkoneksi dengan harga dan suatu konfigurasi tertentu sesuai dengan struktur model JST yang digunakan didalam pelatihan. Dengan bantuan program MATLAB, proses pelatihan model JST untuk sistem kiln di PT. Semen Padang yang strukturnya sudah ditentukan (dari 8 vektor masukan, 20 neuron pada lapisan tersembunyi pertama, 10 neuron pada lapisan tersembunyi kedua, 5 vektor keluaran dan fungsi aktifasi yang digunakan dalam processsing unit pada setiap neuron adalah fungsi sigmoid) dilakukan beberapa kali dengan harga learning rate (η) yang berubah-ubah, mulai dari η = 0,15 sampai η = 0,01. Sedangkan konstanta pelatihan momentum cost (η) dibuat tetap yaitu η = 0.98. Hal tersebut dilakukan untuk mendapatkan hasil model JST yang paling baik. Sehingga model JST tersebut merupakan model yang benar-benar dapat mewakili sistem kiln semen yang diidentifikasi.
Secara kuantitatif, konvergensi hasil pelatihan model JST untuk sistem kiln semen di atas dapat dilihat dari perubahan harga Sum Square Error (SSE) terhadap jumlah epoch seperti yang ditunjukkan dalam Tabel 4.1. Dalam Tabel 4.1 tampak bahwa konvergensi minimum hasil pelatihan model JST terjadi pada kolom η = 0,01 dan η = 0,05. Hal tersebut ditunjukkan oleh perubahan harga SSE yang semakin mengecil dengan bertambahnya jumlah epoch.
Dari Tabel 4.1 menunjukkan harga SSE terkecil adalah 0,3911, maka jelas bahwa harga η yang optimal adalah 0,05. Secara logika dapat juga dinyatakan bahwa semakin kecil harga SSE yang diperoleh dari hasil pelatihan maka semakin baik JST tersebut dalam memodelkan system yang diidentifikasi.
Bobot interkoneksi antara neuron-neuron dalam tiap lapisan hasil proses pelatihan model JST pada η = 0,05 dapat dilihat pada Tabel 4.2 sampai Tabel 4.4. Sedangkan secara kualitatif atau secara visual dapat dilihat perbandinngan antara model JST dengan data sebenarnya yang diperoleh dari plant dengan harga η = 0,05 pada Gambar 4.1 sampai Gambar 4.4.
6. KESIMPULAN
1. Identifikasi sistem kiln semen yang merupakan sistem dinamik multi-input multioutput (MIMO) yang kompleks dapat dilakukan dengan menggunakan JST tipe multi-layer feedforward dengan struktur yang terdiri dari 8 vektor masukan, 20 neuron pada lapisan tersembunyi pertama, 10 neuron pada lapisan tersembunyi kedua, 5 vektor keluaran dan fungsi aktifasi yang digunakan dalam processsing unit pada setiap neuron adalah fungsi sigmoid.
2. Model JST yang terbaik untuk sistem kiln semen di PT. Semen Padang (Persero) diperoleh dari hasil pelatihan model JST tersebut dengan parameter pelatihan learning rate (η) = 0,05, momentum cost (η) = 9,8 dan jumlah epoch = 500.000 dengan menggunakan algoritma belajar error back propagation. Secara kualitatif, hasil identifikasi sistem kiln semen PT. Semen Padang (Persero) telah mendekati prilaku plant yang sebenarnya.
7. DAFTAR PUSTAKA
[1]. Asri Manaf, “Fuzzy Logic”, Seminar Artificial Intelligent, PIKSI, ITB, 1993.
[2]. Altrox Constantin Von, “Fuzzy Logic & Neurofuzzy Applications Explained”, Prentice Hall PTR, 1995.
[3]. Lin Chin-Teng & Lee C.S.George, “Neural Fuzzy System, A Neuro-Fuzzy Synergism to Intelligent Systems”, Prentice-Hall, Inc., 1996.
[4]. Pham Duc Truong and Xing Liu, “Neural Networks for Identification, Prediction and Control”, Springer-Verlag London Limited, 1995.
Tidak ada komentar:
Posting Komentar
Isi Komentarnya Ya