IMPLEMENTASI METODE MULTIVARIATE CUMULATIVE SUM (MCUSUM)

UNTUK PENENTUAN SETPOINT KONTROL PREDIKTIF

PADA BIOREAKTOR ANAEROB
(Katherin Indriawati, Hartono Sugiharto)
Jurusan Teknik Fisika, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember
Kampus ITS, Keputih Sukolilo Surabaya 60111

ABSTRAK
Kebutuhan akan sumber energi alternatif semakin mendesak. Bioreaktor anaerob dapat mengolah
limbah untuk menghasilkan gas metan sebagai salah satu sumber energi alternatif. Namun plant bioreaktor
adalah sebuah sistem yang memiliki banyak variabel yang berpengaruh pada prosesnya. Salah satunya
adalah kandungan Volatile Fatty Acid (VFA) dalam limbahnya. Kenaikan kandungan VFA dapat
menyebabkan laju gas metan yang dihasilkan meningkat namun juga menyebabkan pH sistem turun yang
dapat berdampak pada kestabilan sistem. Melihat fenomena tersebut maka pada makalah ini diajukan
suatu strategi pengawasan untuk memperbanyak laju gas metan dan tetap berusaha menjaga kestabilan
sistem dengan cara melakukan perubahan set point secara otomatis. Pembuatan strategi pengawasan
menggunakan grafik kontrol MCUSUM yang mengolah data multivariate dari pH sistem dan laju gas
metan. Dari hasil simulasi dihasilkan peningkatan produksi gas metan sebesar 331.5687 mmol/liter atau
24.11%, yang sebelumnya sebesar 1375.0805 mmol/liter menjadi 1706.6492mmol/ liter.
Kata kunci: bioreaktor anaerob, Volatile Fatty Acid (VFA), strategi pengawasan, MCUSUM, perubahan set
point, laju gas metan
I. PENDAHULUAN

Sistem bioreaktor anaerob merupakan sistem

yang komplek dan mudah menjadi tidak stabil akibat
gangguan dari luar. Bioreaktor anaerob sendiri
merupakan suatu proses biologi yang mengubah
substrat atau limbah organik menjadi gas metan (CH4)
dan karbondioksida (CO2). Salah satu tujuan dari
bioreaktor adalah untuk memaksimalkan laju gas
metan yang dihasilkan, yang dapat digunakan sebagai
sumber energi alternatif. Sistem ini dipengaruhi oleh
banyak variabel baik pada inputannya, semisal jumlah
substrat organik dan perubahan temperatur, maupun
pada variabel outputnya, semisal laju aliran gas metan
ataupun gas karbondioksida.
Salah satu gangguan yang menjadi perhatian
pada bioreaktor adalah konsentrasi Volatile Fatty
Acids (VFA) yang terdapat secara alami pada limbah
organik. Peningkatan konsentrasi VFA menyebabkan
laju gas metan yang dihasilkan meningkat sesaat,
namun disisi lain menyebabkan pH sistem turun. pH
sistem yang turun dapat menyebabkan sistem tidak
stabil, bahkan pada kondisi terburuk dapat
menyebabkan kondisi kematian pada mikroba dalam
bioreaktor atau yang dikenal dengan kondisi washout.
Dalam rangka memperoleh laju gas metan
yang maksimum, maka efek dari perubahan
konsentrasi VFA dapat dimanfaatkan untuk
mengoptimalkan laju gas metan dengan cara
melakukan perubahan set point pada bioreaktor.
Sistem kontrol prediktif adalah sistem kontrol
yang dapat memprediksi proses sampai beberapa
langkah ke depan sehingga dapat menentukan sinyal

kontrol sepanjang waktu tertentu. Sistem kontrol

yang seperti ini cocok digunakan untuk mengontrol
suatu sistem MIMO yang melibatkan beberapa
variabel proses yang saling berinteraksi seperti
halnya pada bioreaktor. Sistem kontrol prediktif juga
memungkinkan perubahan set point dilakukan secara
otomatis
Untuk melakukan perubahan set point maka
diperlukan suatu strategi pengawasan untuk
mengetahui apakah sistem berada dalam kondisi
stabil ataukah tidak. Salah satu teknik pengawasan
yang umum digunakan adalah Statistic Process
Control (SPC), dimana tujuan utama SPC disini
adalah untuk menentukan apakah suatu sistem berada
dalam kondisi terkontrol secara statistik atau tidak.
Dalam penerapan SPC untuk sistem yang bersifat
MIMO seperti plant bioreaktor ini, maka akan lebih
efektif jika menggunakan Multivariate Statistic
Process Control (MSPC). Dimana salah satu grafik
kontrol yang terdapat pada MSPC adalah
Multivariate Cumulative Sum (MCUSUM) yang
bekerja dengan tidak hanya memperhatikan kondisi
saat ini, namun juga memperhatikan kondisi
sebelumnya.
Dari paparan latar belakang di atas, maka
permasalahan yang diangkat dalam makalah ini
adalah bagaimana merancang algoritma strategi
pengawasan untuk sistem Generalized Predictive
Control (GPC) dalam rangka mengoptimalkan laju
gas metan pada bioreaktor anaerob dengan
menggunakan grafik kontrol MCUSUM.

Sehingga tujuan dari makalah ini adalah dapat

merancang
algoritma
strategi
pengawasan
berdasarkan
Multivariate
Cumulative
Sum
(MCUSUM) yang berfungsi untuk mengoptimalkan
laju gas metan pada proses Bioreaktor Anaerob
(MIMO) dengan tetap menjaga kestabilan sistemnya.
Beberapa batasan masalah yang terdapat pada
makalah kali ini adalah:
1. Plant yang digunakan ialah simulator plant
bioreaktor anaerob yang kontinyu untuk
mengolah limbah Venasse.
2. Variabel yang dimonitor ialah laju aliran gas
metan dan pH
3. Data yang digunakan untuk membangun
strategi pengawasan SPC adalah data hasil
simulasi model bioreaktor
Algoritma sistem kontrol prediktif yang digunakan
adalah Generalized Predictive Control (GPC) hasil
penelitian dari Katherin Indriawati [1].
II. TEORI DASAR
2.1 Bioreaktor Anaerob
Bioreaktor anaerob merupakan suatu tangki
yang efektif untuk mengolah limbah organik pada
industri, dimana hasil samping dari pengolahan
limbah ini berupa gas metan (CH4). Proses pada
bioreaktor ini dengan memanfaatkan aktifitas dari
mikroorganisme pada lingkungan tanpa udara
(anaerob). Mikroorganisme dapat tumbuh dengan
mengkonsumsi nutrisi atau substrat yang tersedia,
pada kondisi lingkungan (temperatur, pH) yang
mendukung. Substrat disini dapat berupa limbah
organik.
Proses yang terjadi di dalam bioreaktor
anaerob adalah proses fermentasi limbah oleh
mikrorganisme dan dapat pula disebut sebagai
anaerobic digestion (pencernaan anaerob). Proses
fermentasi merupakan proses degradasi suatu
komponen menjadi komponen lain yang berbeda sifat
secara kimia dan fisika yang diakibatkan kinerja dari
mikroorganisme. Anaerobic digestion (AD) juga dapat
didefinisikan sebagai konversi bahan organik menjadi
gas metan, karbon dioksida, dan lumpur melalui
penggunaan bakteri dalam lingkungan yang
oksigennya banyak dikurangi. Dapat pula dikatakan
bahwa AD adalah proses penguraian senyawa organik
menjadi komponen kimia yang lebih sederhana tanpa
menggunakan oksigen.
Tahapan fermentasi pada bioreaktor anaerob dapat
dikelompokkan menjadi empat tahapan proses, yaitu
hidrolisis,
acidogenesis,
acetogenesis,
dan
metanogenesis. Deskripsi dari masing-masing proses
dapat direpresentasikan seperti gambar 1.

Gambar 1. Skema fermentasi bioreaktor anaerob [2]

Tahap pembentukan gas metana dilakukan
dengan suatu konsorsium bakteri anaerob yang sangat
spesifik dalam hal konsumsi substrat, reproduksi,
pertumbuhan dan kondisi lingkungan. Dengan
demikian pada tahap ini diperlukan waktu untuk
membentuk gas metana dari asam yang sudah
terbentuk. Sejumlah spesies bakteri akan terlibat di
dalam konversi organik kompleks menjadi gas
metana. Untuk mempertahankan sistem dalam
keadaan anaerobic, yang akan menstabilkan limbah
organik secara efisien, bakteri metanogenesis dan
nonmetanogenesis harus dalam kesetimbangan
dinamik. Untuk menciptakan kondisi demikian,
reaktor semestinya tanpa oksigen terlarut dan sulfide.
pH juga harus dijaga dalam rentan 6.6 7.6 dan
alkalinity harus cukup untuk menjamin pH tidak akan
turun dibawah 6.2.
Diantara keempat tahap yang ada : hydrolisis,
acidogenesis, acetogenesis, dan metanogenesis,
tahapan metanogenesis adalah tahap yang paling
lambat. Pada tahapan metanogenesis penurunan
asam asetat (acetat acids) menjadi gas metana (CH4)
memerlukan waktu yang lama, sehingga jika terjadi
fluktuasi yang berlebihan dari substrat yang masuk
kedalam bioreaktor maka akan dapat mengganggu
kestabilan proses. Banyaknya fluktuasi substrat yang
masuk pada kondisi tertentu dapat menyebakan
kematian bakteri, peristiwa inilah yang disebut
fenomena pencucian bioreactor (wash-out).

2.2 Multivariate

Statistical Process Control

(MSPC)
Statistical process control (SPC) adalah suatu
teknik yang digunakan untuk mengevaluasi
performansi suatu proses. Salah satu perangkat SPC

yang sering digunakan adalah grafik kontrol. Pada

proses kontinu, seperti di industri kimia, grafik
kontrol yang digunakan umumnya adalah grafik
individual moving range (MR), yang merupakan
salah satu jenis grafik kontrol Shewhart.
Jika sebuah proses tidak terkontrol secara
statistik, distribusi output akan bervariasi dari waktu
ke waktu. Distribuasi output proses merupakan
variabel dan tidak dapat diprediksi. Pada kasus ini,
proses dipengaruhi tidak hanya oleh variasi sebab
alami, tetapi juga oleh variasi sebab khusus
(special/assignable cause variation). Variasi ini
disebabkan oleh penyebab non random. Jika diketahui
penyebab variasi sebab khusus mempengaruhi proses,
penyebab ini harus diidentifikasi dan dieliminasi agar
kondisi terkontrol secara statistik dapat dipertahankan.
Pada SPC, tujuan utama adalah menentukan
apakah suatu sistem berada pada kondisi terkontrol
secara statistik atau tidak. Jika tidak, kondisi tersebut
harus dicapai dengan mengeliminasi variasi sebab
khusus. Oleh karena itu, proses harus dimonitor dan
penanganan harus dilakukan sesegera mungkin jika
proses terdeteksi bergerak ke kondisi tidak terkontrol
(out of statistical control).
Namun SPC hanya digunakan pada kasus
yang diamati dipandang sebagai univariate, yang
berarti menggunakan asumsi hanya ada satu variabel
output proses yang diamati. Pada kenyataannya
kebanyakan proses monitoring ataupun kontrol
melibatkan
beberapa
variabel
yang
saling
berhubungan. Menerapkan SPC untuk setiap variabel
yang berhubungan tidaklah efisien, dan dapat
menyebabkan kesimpulan yang salah [3]. Oleh
karenanya
perlu
diterapkan
SPC
yang
memperhitungkan antara variabel-variabel yang saling
berhubungan, yaitu Multivariate Statistic Process
Control (MSPC).
MSPC ini menyederhanakan proses yang
rumit dengan banyak variabel menjadi lebih
sederhana. Seperti halnya pada SPC, maka semua
jenis grafik kontrol yang ada di SPC setelah
dikembangkan juga terdapat pada MSPC. Sehingga
pada MSPC dikenal beberapa grafik kontrol seperti
multivariate Shewhart, multivariate CUSUM, dan
multivariate EWMA [4]
Skema kontrol MCUSUM memonitor
kejadian kumulatif dari penyimpangan atau
pergeseran proses dengan menggunakan jumlah
deviasi dari pengamatan terhadap suatu titik referensi.
Skema MCUSUM dapat langsung mendeteksi
pergeseran yang sedang besarnya (dalam orde 1 ),
bahkan melebihi kemampuan pendekatan metode
Shewhart.
Pada MCUSUM, deviasi kumulatif dari target
diperiksa apakah tetap berada dalam batas yang
ditentukan atau tidak. Karena deviasi adalah
kumulatif, CUSUM mampu mendeteksi deviasi yang
sangat kecil lebih cepat.

Cara CUSUM kedua yang diusulkan oleh

Crosier [5] adalah CUSUM vector. Nilai vector dapat
diperoleh dengan mengganti nilai besaran scalar dari
univariate CUSUM dengan vector yang diberikan
sebagai berikut
(1)
dimana

dan

Cara ini menghasilkan sinyal jika

yang dipilih
berdasarkan nilai ARL in-kontrol yang telah tersedia
lewat simulasi. Melihat fakta bahwa performa ARL
dari grafik ini tergantung pada non-centrality
parameter, Crosier merekomendasikan bahwa nilai
.
Kedua CUSUM yang diusulkan oleh Crosier
memungkinkan
penggunanya
menggunakan
perbaikan peningkatan dari CUSUM sebelumnya.
Diantara metode CUSUM yang diusulkan oleh
Crosier, metode yang berdasarkan nilai vektor
memilki performa ARL yang lebih baik dibanding
metode skalar [6].
III. METODOLOGI PENELITIAN
Secara umum strategi pengawasan pada
bioreaktor anaerob dapat dilihat pada gambar 2.

Gambar 2 Diagran alir rancangan strategi

pengawasan

Sinyal grafik kontrol akan menunjukkan kondisi

3.1

Pembuatan Grafik Kontrol

Cumulative Sum (MCUSUM)

Multivariate

Dalam makalah ini digunakan grafik kontrol

MCUSUM seperti pertama kali diusulkan oleh Crosier
(1988). Cara MCUSUM kedua yang diusulkan oleh
Crosier ini adalah CUSUM vektor. Nilai vektor dapat
diperoleh dengan mengganti nilai besaran skalar dari
univariat CUSUM dengan vector yang diberikan
sebagai seperti pada persamaan (1).
Data yang digunakan dalam grafik kontrol
MCUSUM ini adalah pH dan laju gas metan keluaran
dari simulator bioreaktor anaerob. Dimana kedua
variabel diatas adalah proses variabel (PV) pada
plant. Simulator tersebut adalah hasil pemodelan
bioreaktor bersifat kontinyu, yaitu limbah organic
secara terus menerus masuk ke dalam bioreaktor.
Pemodelan bioreaktor tersebut berdasarkan pada
persamaan yang diperoleh dari studi literatur.
Dalam makalah ini nilai

disini diambil dari

data kedua proses variabel (PV) sepanjang waktu
berjalan. Nilai
untuk pH adalah konstan
sebesar tujuh sedangkan
untuk laju gas metan
diambil mengikuti dari nilai set point yang
berubah-rubah sepanjang waktu.
Sedangkan untuk penentuan nilai
digunakan sebesar delta kali besar deviasi dibagi
dua seperti yang direkomendasikan Crosier [5].
Dimana delta yang digunakan disini adalah
sebesar dua. Disini berarti pergeseran pada rerata
proses sebesar satu kali deviasi atau lebih dapat
dideteksi secara langsung.

Gambar 3 Subsystem Simulink untuk MCUSUM.

out of control ketika nilai

yang didapat melebihi

sendiri adalah sebuah bilangan hasil T

statistic dari masing-masing variabel yang
diamati yaitu antara pH dan laju gas metan pada
nilai h.

sistem. Nilai h disini ditentukan melalui uji coba

simulasi berulang-ulang didapatkan nilai sebesar
limabelas. Dimana nilai yang cukup tinggi disini
mengingat bahwa nantinya pola perubahan
yang
tampak pada grafik kontrol MCUSUM ini, yang
diakibatkan oleh perubahan keadaan konsentrasi VFA
atau pun Zin akan digunakan untuk strategi
pengawasan. Jika digunakan nilai h yang relatif kecil
maka bukan tidak mungkin pola tersebut akan
tereduksi terlebih dulu sehingga tidak dapat
dimanfaatkan.
3.2 Pembuatan Strategi Pengawasan
Strategi pengawasan disini digunakan untuk
menghasilkan perubahan set point sehingga didapat
laju gas metan yang lebih optimal. Algoritma
perubahan set point dibuat berdasarkan laju gas
metan yang dihasilkan sistem. Hal ini dikarenakan
hanya set point dari laju gas metan saja yang akan
dirubah-rubah. Data laju gas metan yang dihasilkan
dimasukkan dalam persamaan CUSUM baik untuk
yang menghasilkan perubahan set point naik maupun
yang menghasilkan perubahan set point turun.
Hasil dari algoritma ini akan berupa sinyal
referensi tracking set point yang dapat bertambah
(naik) ataupun berkurang (turun) menyesuaikan
dengan laju gas metan yang dihasilkan bioreaktor
yang dipengaruhi oleh kandungan alami dari limbah
yang masuk. Dalam penelitian makalah ini
kandungan alami yang diasumsikan mengalami
perubahan adalah Volatile fatty acid (VFA) dan
alkalinitas total limbah.
Keluaran dari algoritma perubahan set point
belum dapat langsung digunakan secara maksimal
untuk perubahan set point. Hal ini mengingat perlu
diperhatikannya juga kestabilan sistem, karena bukan
tidak mungkin penggunaan langsung dari algoritma
tersebut membuat kondisi sistem menjadi tidak stabil
atau kurang baik dalam mencapai tujuan
menghasilkan laju gas metan yang optimal. Oleh
karena itu algoritma tersebut harus dipadukan dengan
hasil dari grafik kontrol MCUSUM.
Logika strategi pengawasan yang digunakan
adalah jika (if) hasil MCUSUM berada dalam kondisi
diluar batas tertentu dan (and) pada saat itu juga
algoritma perubahan setpoint terdapat perubah set
point maka (then) nilai perubahan setpoint tersebut
diijinkan untuk dilakukan. Sedang jika tidak diijinkan
(else) maka tidak akan terjadi perintah perubahan set
point.

3.3 Implementasi Strategi Pengawasan

Untuk mengetahui efek dari implementasi
Strategi pengawasan maka dalam makalah ini
dilakukan beberapa kondisi pengujian. Namun
sebelumnya juga dilakukan pengujian sistem plant
bioreaktor untuk keadaan open loop.
Hal ini untuk menunjukkan beberapa hal,
diantaranya kondisi stabil dan kondisi tidak stabil dari
bioreaktor sebagai akibat perubahan variabel yang
dimanipulasi. Variabel yang dimanipulasi adalah laju
dilusi dari S2 (atau limbah yang masuk) yaitu D1, dan
laju dilusi dari larutan penyangga (buffer) bikarbonat,
NaHCOO3, yaitu D2. Larutan penyangga digunakan
untuk mengembalikan nilai pH pada kondisi daerah
kerja (6 8) agar tidak terjadi kondisi washout.
Untuk pengujian pada kondisi closed loop
terdapat dua kondisi perlakuan yang diberikan.
Pertama diberikan perubahan konsentrasi VFA pada
waktu ke seratus dari yang semula 93.6 mmol/l
menjadi 143.6 mmol/l kemudian pada waktu ke dua
ratus menjadi 193.6 mmol/l kemudian pada waktu ke
tiga ratus turun lagi menjadi 143.6 mmol/l lalu pada
waktu ke empat ratus naik menjadi 233.6 mmol/l.
Pada kondisi kedua sama seperti kondisi pertama
namun ditambah dengan perubahan Zin pada waktu
ke tiga ratus limapuluh dari yang semula 66.963
mmol/l menjadi 60 mmol/l kemudian pada waktu ke
empat ratus limapuluh berubah menjadi 74 mmol/l.
Pengujian pada kondisi closed loop ini dilakukan baik
saat tanpa strategi pengawasan dan saat dengan
strategi pengawasan.
IV. HASIL DAN ANALISA
4.1 Hasil Simulasi Bioreaktor Open loop

Gambar 5. Hasil simulator dengan variasi inputan D1.

Gambar 5 adalah hasil simulasi saat D1 yang
semula sebesar 0.0142 pada saat ke seratus dirubah
menjadi 0.0145. Tampak bahwa penambahan D1
(laju dilusi) yang berarti pengenceran menyebabkan
pH menjadi turun drastis sehingga menyebabkan
sistem menjadi tidak stabil bahkan sampai keadaan
washout. Tampak bahwa pada saat tersebut tidak lagi
dihasilkan gas metan.

Gambar 6. Hasil simulasi ketika ada peningkatan

konsentrasi VFA (S2)
Gambar 6 adalah hasil simulasi saat terjadi
perubahan konsentrasi VFA yang terdapat secara
alami dalam limbah, dalam hal ini dimisalkan
perubahan terjadi pada saat ke tiga ratus. Tampak
bahwa adanya peningkatan konsentrasi VFA
menyebabkan pH sistem menjadi turun namun juga
mengakibatkan terjadinya peningkatan laju gas metan
yang dihasilkan.
4.2 Hasil Grafik Kontrol MCUSUM
Berikut ini adalah grafik kontrol MCUSUM
yang diaplikasikan pada kondisi closed loop.

Hasil dari simulasi pemodelan bioreaktor

yang telah dibuat dapat diketahui dengan cara
merubah inputan pada bioreaktor, yaitu D 1 (laju
dilusi) dan D2 (laju bikarbonat).

Gambar 4 Hasil simulator pada keadaan open loop.

Dari gambar diatas tampak bahwa pada keadaan
tersebut bioreaktor berada dalam kondisi stabil,
dimana pH nya berada diatas 6.9 dan menghasilkan
gas metan.

Gambar 7. Hasil Grafik kontrol MCUSUM.

Gambar 7 menunjukkan pola MCUSUM yang
terdeteksi untuk sistem dengan perlakuan perubahan
VFA pada waktu ke 100, 200, 300, dan 400. Tampak
bahwa grafik MCUSUM dapat menunjukkan pola
pendeteksian terhadap peristiwa tersebut, yaitu
berupa spike pada waktu terjadi perubahan yang
kemudian cenderung kembali ke pola semula..

Gambar 8. Hasil Grafik kontrol MCUSUM saat

terdapat perubahan Zin
Gambar 8 menunjukkan grafik kontrol MCUSUM
sistem dimana pada waktu ke 100, 200, 300, dan 400
terjadi perubahan konsentrasi VFA. Dan juga terjadi
perubahan Zin pada waktu ke 350 dan 450. Tamapak
bahwa perubahan Zin pada waktu ke 350 dan 450
menyebabkan perubahan pola MCUSUM yang
cenderung naik mulai dari waktu ke 350 dan turun
kembali pada waktu ke 450. Hal ini karena pola pH
yang turun akibat penurunan Zin pada waktu ke 350
yang terdeteksi semakin out of control tetapi
kemudian Zin dinaikkan kembali pada waktu ke 450
sehingga pH mendekati ke arah stabil sehingga
MCUSUM pun mendeteksi pola penurunan.

Gambar 10. Hasil pH simulasi tanpa ada strategi

pengawasan
Seperti halnya gambar 9. Grafik respon diatas
didapat pada perlakuan yang sama. Dimana tampak
bahwa pada waktu 100, 200, dan 400 terjadi
penurunan pH karena konsentrasi VFA yang
meningkat. Tampak bahwa tanpa strategi pengawasan
dalam hal ini respon pH cenderung jauh dari set point
pH sebesar 7.

4.3 Hasil Implementasi Strategi Pengawasan

Pada bagian ini akan ditampilkan hasil
simulasi sistem bioreaktor ketika tanpa menggunakan
strategi pengawasan dan dengan strategi pengawasan.

Gambar 11. Hasil laju gas metan simulasi dengan

strategi pengawasan.

Gambar 9. Hasil laju gas metan simulasi tanpa strategi

pengawasan.
Gambar 9 adalah hasil simulasi bioreaktor tanpa
strategi pengawasan. Dimana dalam simulasi
diberikan perubahan konsentrasi VFA limbah pada
waktu ke 100, 200, 300, dan 400. Serta perubahan Zin
pada waktu ke 350 dan 450. Dari gambar tampak
bahwa pada waktu 100, 200, dan 400 terjadi
perubahan laju gas metan yang dihasilkan namun
karena set point yang digunakan tetap, maka PV akan
berusaha kembali ke set point.

Tampak pada grafik respon diatas untuk

perlakuan yang sama seperti pada gambar 8. bahwa
dengan adanya
strategi pengawasan dapat
menyebabkan perubahan nilai set point yang otomatis
dan cenderung mengikuti pola akibat perubahan VFA
yang terjadi, sehingga jika dibandingkan dengan yang
tanpa strategi pengawasan tampak jelas bahwa laju
gas metan yang dihasilkan akan meningkat dan
berusaha mengejar set point yang diberikan. Tampak
bahwa untuk perlakuan yang sama set point terakhir
berada pada kisaran 3.8 dibandingkan dengan 2.74
yang tetap tanpa perubahan set point.
Dari hasil gambar 12 jika dibandingkan dengan
gambar 10. tampak bahwa kecenderungan pH tidak
lagi meningkat terus namun sempat turun

dikarenakan adanya perubahan set point pada laju gas

metan. Tampak bahwa pada waktu ada perubahan
VFA seperti pada waktu ke 300 menyebabkan pH
turun sehingga tidak terus naik seperti pada gambar
4.7.

Mathematical Modelling of Systems Vol. 1, No.

1, pp. 000-111., 1996
[3] D.C. Montgomery, Introduction to Statistical
Quality Control, 5th ed., John Wiley & Sons,
NY, 2005
[4]

S. Bersimis, S. Psarakis, J. Panaretos,

Multivariate Statistical Process Control Charts:
An Overview. Journal Quality and Reliability
Engineering International; 23, 517543., 2007

[5] R.B. Crosier, Multivariate Generalizations of

Cumulative Sum Quality-Control Schemes.
Technometrics 30:291303, 1998.

Gambar 12. Hasil pH simulasi saat dengan

strategi pengawasan.

[6] P. Lorscheid, Multivariate Mean CUSUM

Charts. Heinrich-Heine-Universitt Dsseldorf,
Fachgebiet
Statistik
und
konometrie
Universittsstrae 1, D-40225 Dsseldorf,
Germany.

Hal lain yang diamati disini adalah total produksi

gas metan yang dihasilkan selama simulasi untuk
keadaan yang sama, dalam hal ini yang dibandingkan
adalah berdasarkan gambar 9. dan gambar 11. Total
gas metan yang dihasilkan ketika tanpa strategi
pengawasan (gambar 9.) adalah 1375.0805 l sedang
dengan strategi pengawasan akan menghasilkan
1706.6492 l Sehingga dengan adanya strategi
pengawasan ini diperoleh peningkatan produksi gas
metan sebesar 331.5687 l atau 24.11%.
V. KESIMPULAN

Dari penelitian yang telah dilakukan dapat diambil

kesimpulan sebagai berikut:
Telah berhasil dibuat strategi pengawasan yang
dapat melakukan perubahan set point secara
otomatis pada sistem.
Dapat dihasilkan peningkatan laju gas metan yaitu
set point pada sekitar 3.8 mmol/l/hari, dibanding
tanpa strategi pengawasan yang hanya 2.74
mmol/l/hari sesuai settingan awal.
Dengan strategi pengawasan untuk waktu yang
sama diperoleh peningkatan produksi gas metan
sebesar 331.5687 mmol/liter atau 24.11%. Dari
yang sebelumnya sebesar 1375.0805 mmol/liter
menjadi 1706.6492 mmol/liter.

DAFTAR PUSTAKA
[1] K. Indriawati, Multivariable Predictive Control
of The Anaerob Digestion Based Generalized
Predictive Control Algorithm. Seminar Nasional
APTECS, Surabaya, 2009
[2] J.F.Bteau, T. Soehartanto, F. Chaume., Model
Based Selection of An Appropriate Control
Strategy Application To An Anaerobic Digester.