Simulasi Pengendalian pH dengan Perbandingan Metode MPC, Pengendali PI, dan Tuning Pengendali

SIMULASI PENGENDALIAN PH DENGAN PERBANDINGAN METODE MPC, PENGENDALI PI

DAN TUNING PENGENDALI

Arenst Andreas,S.T., S.Si.

Universitas Katolik Parahyangan, Jurusan Teknik Kimia, arenst75@gmail.com

Siu Lie
Universitas Katolik Parahyangan, Jurusan Teknik Kimia, goeisiulie92@gmail.com

Abstrak
Latar belakang dilakukannya penelitian ini adalah adanya kesulitan-kesulitan dalam pengendalian pH dan
ketidakstabilan pH pada kondisi netral yang diinginkan. pH memiliki sifat nonlinieritas yang sangat tinggi
dan rentan terhadap gangguan, karena itu perlu dilakukan pengendalian dengan model, teknik, dan tuning
yang cocok untuk mempertahankan pH. Tujuan penelitian secara umum adalah untuk mendapatkan model
linier dari model dinamik nonlinier yang dimiliki, dengan linierisasi dan fitting data step response orde
satu, melakukan perancangan sistem terhadap pengendalian pH, dan mencari pengaruh dari parameter,
serta tuning yang paling baik untuk pengendalian pH tersebut. Manfaat penelitian secara umum adalah
mengetahui jenis, model, tuning, dan pengendali apa saja yang cocok pada kasus pengendalian pH
berdasarkan hasil simulasi. Metode penelitian yang digunakan terdiri atas simulasi awal dan simulasi
utama. Simulasi awal dilakukan dengan menentukan model pH dari suatu sistem dimana sistemnya
merupakan asam kuat dan basa kuat, kemudian dilakukan linierisasi pada model tersebut. Simulasi utama
dilakukan dengan memvariasikan model yang telah dibuat pada simulasi awal. Model pH tersebut dibuat
dalam blok Simulink, lalu disimulasikan dengan PI controller dan MPC. Langkah selanjutnya adalah
pengerjaan tuning dan variasi parameter dengan metode Cohen Coon, Ziegler Nichols, serta MPC. Variasi
parameter ini dilakukan untuk mengetahui nilai parameter yang paling baik pada pengendalian dan
pengaruh dari parameter terhadap pengendalian pH yang dilakukan. Variasi parameter mencakup
parameter pengendali PI, yaitu kc dan ki serta parameter MPC, yaitu M dan P serta ywt dan uwt. Untuk
membandingkan pengendalian dengan metode yang paling baik dilakukan perhitungan error
menggunakan ISE dengan mencari nilai error terkecil. Berdasarkan penelitian yang dilakukan,
pengendalian pH paling baik dilakukan menggunakan metode MPC.
Kata Kunci: pengendalian pH, Cohen Coon, Ziegler Nichols, Model Predictive Control, pengendali PI

Abstract
The background of this study is there are some difficulties in pH control and unstability of pH in desirable
neutral condition. pH has a very high nonlinearity properties and vulnerable to disturbance, therefore it is
necessary to do pH control by appropriate models, techniques and tuning to maintain the pH. Main
objective of this research is to form a linear model from the nonlinear dynamic model owned, by
linearization and data fitting step response of first order, performing system design of pH control, and
finding the influence of parameters, also the best tuning for the pH control. Benefits of this research in
general are to know which type, model, tuning, and controller are suitable for the case of pH control based
on simulation results. Research methods used are consisted of initial simulation and main simulation.
Initial simulation was done by determining pH model from a system which is a strong acid and a strong
base, and then do the model linearization. Main simulation was done by varying the model that has been
created at the beginning of the simulation. The pH model was created in Simulink blocks and then
simulated by PI controller and MPC. The next steps are tuning and varying parameters with Cohen Coon,
Ziegler Nichols and MPC method. Variation parameter includes parameter control PI, namely kc and ki,
and parameter MPC namely P, M, ywt, and uwt. Based on research, the number of errors was assessed by
ISE method, the least number of errors is found in MPC controller with a more diverse parameter.
Keywords: pH control, Cohen Coon, Ziegler Nichols, Model Predictive Control, PI controller

PENDAHULUAN
Dalam suatu pabrik kimia, proses yang terjadi
didalamnya harus berjalan secara efisien dan efektif.
Selama operasi, setiap pabrik kimia harus memenuhi

beberapa persyaratan yang dibuat oleh desainer dan

berdasarkan kondisi lingkungan. Kondisi itu akan
berubah seiring dengan adanya gangguan. Beberapa
persyaratan itu dilihat dari keamanan, spesifikasi

Simulasi Pengendalian pH dengan Perbandingan Metode MPC, Pengendali PI, dan Tuning Pengendali
. Volume 01 Nomor 01 Tahun 2012, 0 - 5
produksi, peraturan lingkungan, kendala operasional dan
ekonomi. Karena itu, pengendalian pH merupakan faktor
yang sangat berpengaruh untuk setiap persyaratan
tersebut. Pengendalian pH banyak digunakan dalam
berbagai proses seperti proses netralisasi pH, reaksi
biologi dan kimia, produksi obat-obatan, fementasi,
produksi makanan, proses koagulasi dan presipitasi.
Pada dasarnya, sistem pengendalian pH akan
mengukur pH larutan dan mengontrol penambahan zat
penetralisir sesuai dengan yang dibutuhkan agar
menetralisir pH larutan tersebut. Sistem pengendalian pH
sangat bervariasi dan kebutuhannya bergantung dari
beberapa faktor seperti aliran, kuatnya asam basa, metode
penambahan zat penetralisir.
Pada penelitian ini akan dilakukan simulasi
pengendalian pH dengan proses netralisasi asam kuat dan
basa kuat yang dilakukan dengan menggunakan
pendekatan model linier. Model linier tersebut didapat
dari hasil linierisasi model nonlinier berdasarkan neraca
massa atau dari hasil fitting data step response terhadap
model orde satu dengan waktu tunda (first order + time
delay ). Kedua model linier yang didapat akan digunakan
dalam desain sistem pengontrol umpan balik untuk kasus
setpoint tracking dan disturbance rejection dengan
pendekatan
algoritma
menggunakan
pengendali
Proportional Integral (PI) dan metode MPC. Penalaan
parameter pengendali dilakukan berdasarkan metode
Cohen-Coon dan Ziegler Nicols dengan membandingkan
kriteria galat minimum terhadap waktu.
Dalam penelitian ini dilakukan simulasi dari
model yang diperoleh sehingga dapat diketahui
bagaimana pengaruh model yang digunakan terhadap pH
yang dihasilkan. Alat yang digunakan dalam penelitian
ini adalah seperangkat komputer yang dilengkapi dengan
software MATLAB dan simulink yang dapat melakukan
simulasi dinamika proses
METODE
Dalam penelitian ini akan dilakukan dua buah
simulasi, yaitu simulasi awal dan simulasi utama.
Simulasi awal dilakukan untuk mendapatkan model
dinamik linier proses yang akan disimulasikan pada
simulasi utama. Pada Simulasi awal dilakukan penentuan
sistem dan pencarian model yang cocok untuk sistem
tersebut. Sistem yang digunakan adalah asam kuat, yaitu
HCl dengan
dan basa kuat, yaitu NaOH yang
dicampurkan ke dalam tangki CSTR dengan volume
1000 L . HCl dan NaOH yang digunakan memiliki laju
alir 1.8333 L/s dan konsentrasinya 10 -6 mol/L. lalu
dilakukan pencarian model dari neraca massa dan energi.
Setelah itu model tersebut akan dilinierisasi dan
dilakukan fitting step response orde 1.
Simulasi utama dilakukan dengan menggunakan
model yang telah didapat dari simulasi awal. Model
tersebut dibuat ke dalam blok simulink. Lalu dari grafik
yang didapat dari blok simulink dapat dicari kc dan i.
Kemudian dilakukan tuning parameter pengendali PI
dengan menggunakan tuning Ziegler Nichol dan Cohen
Coon, serta variasi parameter untuk mengetahui pengaruh

parameter tersebut. Selain itu, digunakan pula metode

MPC yang dibuat dalam bentuk matlab dan dilakukan
variasi parameter, yaitu pengaruh dari ywt dan uwt serta
P dan M.
Kemudian hasil dari setiap tuning dan variasi
yang dilakukan akan dihitung errornya menggunakan ISE
(Integral Squared Error). Dimana setelah diketahui error
dari masing-masing run, maka dilakukan perbandingan
data dengan mencari nilai error yang paling kecil yang
berarti menunjukkan hasil terbaik dalam pengendalian
pH ini.
HASIL DAN PEMBAHASAN
Model asam kuat dan basa kuat yang dihitung
dengan asumsi volum konstan, dan bahan tercampur
sempurna dihitung dengan neraca massa sehingga didapat
model sebagai berikut :

+
H

2+ K w

+
H

H + 1
d
=
dt V

Cl

+
Na

Lalu model tersebut dimasukkan ke dalam blok simulink

dimana model ini dibuat berdasarkan persamaan dinamik
untuk mendapatkan nilai pH campuran saat kita
mencampur asam kuat dan basa kuat. Parameter dan
kondisi yang digunakan dalam simulink adalah HCl dan
NaOH yang digunakan memiliki laju alir 1.8333 L/s dan
konsentrasinya 10-6 mol/L sebagai berikut :

Gambar 1. Model Simulink

Setelah model simulink dibuat, parameter dan
nilai variabel dimasukkan ke dalam model simulasi
tersebut. Nilai dari variabel merupakan hasil dari literatur
dimana asam yang digunakan merupakan asam kuat HCl
dengan konsentrasi 37 % dan dicampur dengan basa kuat.
Perubahan step dilakukan pada laju alir asam sebesar 1
satuan, yaitu dari laju alir awal 1.8333 menjadi 2.833.

Simulasi Pengendalian pH dengan Perbandingan Metode MPC, Pengendali PI, dan Tuning Pengendali
sehingga diperoleh profil perubahan pH seperti terlihat
pada gambar berikut :

Tabel 2. Variasi parameter ki dengan tuning Cohen Coon

ki
ISE
0

12.9338

10

13,9099

50

15.6071

100

21.62

Berdasarkan tabel 2 dimana kc konstan =

50.8649 dan run yang dilakukan terhadap penalaan
parameter ki ini dapat dinyatakan bahwa semakin besar
nilai ki, maka nilai error yang dihasilkan dengan
menggunakan ISE semakin besar pula. Dengan semakin
besarnya nilai error tersebut maka kinerjanya semakin
kurang baik.

Gambar 2. Respon pH terhadap penambahan step 1

satuan
Dari gambar 2, grafik yang dihasilkan adalah
grafik orde satu sehingga dapat dihitung nilai parameter
orde 1, yaitu kc dan i. Fungsi alih yang didapat dari
parameter tersebut adalah :

Tabel 3. Variasi parameter kc dengan tuning Ziegler

Nichols

1.0043
G ( s )=
566.67 s+1

Nilai parameter yang didapat tersebut akan

digunakan dalam simulasi pengendali PI dan perhitungan
parameter pengendali PI yang berupa kc dan ki akan
dilakukan dengan menggunakan tuning Ziegler Nichols
dan Cohen Coon. Kedua parameter tersebut kemudian
diubah-ubah untuk melihat pengaruhnya terhadap
pengendalian. Variasi parameter kc dilakukan dengan
mengkonstankan nilai ki dan mengubah nilai kc lalu
dihitung errornya. Hal yang sama dilakukan pula untuk
parameter ki, yaitu dengan mengkonstankan kc dan
mengubah nilai ki. Lalu nilai tersebut dibandingkan
dengan menghitung ISE atau error pada masing-masing
variasi parameter tersebut. Perhitungan ISE dilakukan
dengan menggunakan bantuan MATLAB yang dibuat
scriptnya terlebih dahulu. ISE memiliki rumus

kc

ISE

22.6534

20.651

10

19.0327

50

14.4341

100

11.6979

Nilai ki konstan = 0.03802, hasil menunjukkan

semakin besar nilai kc maka error yang dihitung semakin
besar, dimana error paling kecil adalah pada kc = 100.
Jika dilihat pada grafik, perubahan yang dihasilkan tidak
begitu terlihat.
Tabel 4. Variasi parameter ki dengan tuning Ziegler
Nichol

ISE = (Xi-Xs)2
Tabel 1. Variasi parameter kc dengan tuning
Coon

Cohen

ki

ISE

21.2741

kc

ISE

19.3542

15.1652

10

17.4521

10

14.7903

50

10.0028

50

13.9424

100

8.0083

100

13.7326
Dari tabel dimana kc = 0.90007 dapat dilihat
bahwa ki dengan nilai 100 memiliki error yang paling
kecil, sehingga semakin besar ki maka ISE semakin besar
pula. Nilai ki yang lebih dari 100 tidak dapat dihitung
ISE nya.

Tabel 1 menunjukkan error pada variasi nilai kc

dengan nilai ki konstan = 32.1321 Pada tabel diatas
terlihat bahwa semakin besar nilai kc maka nilai ISE juga
semakin kecil, sehingga terlihat bahwa nilai kc yang
semakin besar membuat error lebih kecil dan lebih baik.
Pada kc lebih dari 50 nilai ISE yang dihasilkan turun
secara perlahan. Karena itu nilai ISE pada kc = 100 tidak
berbeda jauh dengan nilai kc = 50.

Tabel 5. perbandingan parameter kc dan ki pada kedua

tuning
kc
ki
ISE

Simulasi Pengendalian pH dengan Perbandingan Metode MPC, Pengendali PI, dan Tuning Pengendali
. Volume 01 Nomor 01 Tahun 2012, 0 - 5
Cohen-Coon

50.8649

32.1321

14.4415

Ziegler Nichols

0.90007

0.03802

22.2454

Berdasarkan run dan penelitian yang dilakukan,

dapat dilihat nilai error yang ada pada Tuning Cohen
Coon jauh lebih kecil dibanding nilai error yang ada pada
tuning Ziegler Nichols. Sehingga jika dilihat dari nilai
error ISE, maka tuning Cohen Coon lebih baik. Tapi
tuning Cohen Coon menggunakan nilai td yang diasumsi.
Nilai td tersebut seharusnya yang paling mendekati 0.
Dikarenakan terlalu besarnya parameter kc dan ki yang
dihasilkan dan fluktuasi yang sangat besar
maka
digunakan nilai td = 10 sehingga sebenarnya metode ini
kurang akurat karena nilai asumsi td yang begitu besar.
ISE yang lebih kecil disebabkan karena nilai td yang
digunakan cukup besar. Sedangkan tuning dengan
Ziegler Nichol lebih akurat karena tidak ada asumsi.
Metode MPC Dilakukan dengan bantuan
MATLAB, dimana nilai k, i, dan td yang didapat pada
Simulasi diatas diinput lagi ke dalam matlab. Kemudian
run dilakukan dengan setpoint = 4. Parameter yang
digunakan dalam MPC ini ada empat, yaitu ywt, uwt, P
dan M. pada keadaan awal untuk melakukan run, nilai
parameter P = 30, M= 20 dan ywt serta uwt = 0. Nilai
error ISE yang didapat dari run ini adalah 17.8885

Tabel 7. Variasi nilai P dan M

ISE
ywt dan uwt = 0

P = 30 dan M = 20

17.8885

(keadaan awal)

P = 50 dan M =10

17.8896

ywt = 3 dan uwt = 0.5

P = 30 dan M = 20

14.8085

P = 50 dan M = 10

14.8194

Jika ditinjau dari segi grafik, pada tabel 7, pengaruh P

dan M tidak begitu kelihatan karena grafik tidak berubah,
sedangkan jika dilihat dari error, nilai P = 50 dan M = 10
memiliki error lebih besar dibanding P = 30 dan M = 20.
Untuk nilai M, pada saat dilakukan, hasil menunjukkan
bahwa nilai M tidak bisa lebih besar daripada P,
setidaknya nilai M = P. saat dicoba M = P = 35, grafik
menunjukkan gambar yang sama yang artinya nilai M
tidak begitu berpengaruh.
Tabel 8. Variasi setpoint pada metode MPC
Setpoint
ISE
3

13.4164

17.8885

22.3607

Pada tabel 8 terlihat bahwa Setpoint yang

semakin besar memiliki error yang semakin besar pula,
sehingga tidak baik digunakan dalam run.
Tabel 9. Perbandingan ISE metode MPC, Cohen Coon,
Ziegler Nichol
Metode
ISE
Tuning Cohen Coon dengan kc =

12.9338

50.8649 dan ki = 0

Gambar 3. Simulasi dengan MPC

Tabel 6. Variasi parameter ywt dan uwt pada matlab
ywt
uwt
ISE

Ziegler Nichol dengan, kc =

0.90007 dan ki =100

5.7869

MPC dengan P = 20, M = 20 dan

0.5

14.8085

ywt = 0.5 uwt = 6

0.5

0.3038

0.5

15.9982

0.3

0.5

3.0091

0.5

0.0775

Hasil yang paling baik pada tabel 6 dilihat dari

nilai ISE yang paling kecil, dimana ISE yang paling kecil
adalah 0.0775 yaitu pada ywt =0.5 dan uwt = 6. Semakin
besar nilai ywt maka error yang dihasilkan semakin
besar, sedangkan semakin besar nilai uwt, error yang
dihasilkan semakin kecil. Jika dilihat dalam bentuk
grafik, ywt memiliki pengaruh besar karena grafik
berubah drastis tidak seperti uwt.

8.0083
0.0775

Perbandingan
ini
dilakukan
dengan
membandingkan nilai error yang paling kecil yang ada
pada masing-masing run agar terlihat metode mana yang
paling baik dalam pengontrolan pH tersebut. Dimana
nilai error yang paling kecil ada pada metode MPC yang
berarti kinerja MPC yang paling baik dalam pengontrolan
pH.

PENUTUP
Simpulan

Simulasi Pengendalian pH dengan Perbandingan Metode MPC, Pengendali PI, dan Tuning Pengendali
Pengendalian pH sulit dilakukan karena pH merupakan
model nonlinier yang harus dilinierisasi terlebih dahulu.
Tuning dengan Ziegler Nichol lebih baik daripada Cohen
Coon. Pada Cohen Coon, semakin besar kc, maka error
semakin kecil, sedangkan semakin besar ki, error
semakin besar pula. Pada Ziegler Nichol, semakin besar
ki dan kc maka error semakin kecil. Nilai parameter ywt
dan uwt memiliki pengaruh lebih besar dibanding P dan
M pada MPC. Semakin besar nilai ywt, maka error akan
semakin besar pula sedangkan semakin besar uwt, error
yang ditimbulkan lebih kecil. Nilai M yang digunakan
tidak bisa lebih besar dari P,
setidaknya M = P. Kinerja MPC lebih baik daripada
Cohen Coon dan Ziegler Nichol

edition, McGraw-Hill Publishing Company,

International Edition, USA.
Marlin, Thomas E., (1995), Process Control Designing
Processes and Control Systems for Dynamic
Performance , McGraw-Hill International Editions,
Chemical Engineering
Mohammad Sharohkhi : Comparison between
backstepping and Input-Output Linierization
Techniques for pH Process
R.A. Wright, C. Kravaris, Nonlinear-control of ph
Processes using the Strong Acid Equivalent, Ind.
Eng. Chem. Res. 30 (1991) 1561-1572

DAFTAR PUSTAKA

Schon, Thomas, Identification for Predictive Control

A Multiple Model Approach, Division of Automatic
Control, Department of Electrical Engineering,
Linkoping University, Sweden

Bequette, B.Wayne, (1998), Process Dynamic

Modeling, Analysis and Simulation, Prentice-Hall,
Inc., New Jersey

Seborg, D., Edgar, T., dan Mellichamp, D., (1989),

Process Dynamic and Control, John Wiley & sons,
New York.

Derar Issam Abd Al Kareem : Implementation of Neural

Control for Neutralization Process
Edgar, Thomas F., David M. Himmelblau, Leon S.
Lasdon, (2001), Optimization of Chemical
Processes 2nd edition, McGraw-Hill International
Edition, Singapore.

Stephanopoulos, G., (1984), Chemical Process Control:

An Introduction to Theory and Practice, PrenticeHall International Editions.

Henson, Michael A., Dale E. Seborg (editor), (1997),

Nonlinear Process Control, Prentice-Hall PTR,
New Jersey.
Luyben, William L., (1990), Process Modeling,
Simulation and Control for Chemical Engineer 2nd