PERANCANGAN SOFT SENSOR FAKTOR KOMPRESIBILITAS DAN MASSA

GAS ALAM KELUARAN DEHYDRATION UNIT PEMATANG GAS PLANT

DENGAN METODE JARINGAN SYARAF TIRUAN
DI PT. CHEVRON PACIFIC INDONESIA
(Lia Ellyanti, Ir. Moch. Ilyas HS.)
Jurusan Teknik Fisika FTI ITS Surabaya
Kampus ITS Keputih Sukolilo Surabaya 60111
Telp : +6231-5947188 Fax : +6231-5923626
E-mail : liatf_imoet@yahoo.co.id

Abstrak
Faktor kompresibilitas dan massa dibutuhkan oleh Unit Power dan generator Turbin untuk mengetahui
seberapa efisien pembakaran dari gas yang dihasilkan oleh Pematang Gas Plant. Dehydraton unit merupakan
unit terakhir dari Pematang gas Plant, dimana terjadi proses pemisahan gas dari kotoran yang terkandung di
dalamnya, teruatama uap air, sehingga gas keluarannya mangandung sedikit uap air dan siap dikirim ke Power
dan Generator Turbin. perhitungan faktor kompresbilitas dan massa didasarkan pada konsentrasi molekul
kandungan gas yang dapat dimonitor dengan menggunakan Gas Chromatography yang mana membutuhkan
waktu relatif lama dalam mendeteksi. Soft sensor dapat digunakan untuk mengatasi kendala dari Gas
Chromatography, dimana soft sensor ini merupakan salah satu aplikasi dari identifikasi jaringan syaraf tiruan.
Dehydration Unit yang diidentifikasi memiliki 4 variabel input dan 2 variabel output, dengan hubungan Multi
Input Multi Output (MIMO), struktur jaringan feed forward, arsitektur jaringan Multilayer Perceptron (MLP)
dan struktur model menggunakan NNARX (Neural Network AutoRegresive with eXogenous) dengan metode
pembelajaran Lavenberg Marquardt. Soft sensor yang telah dirancang mampu mengestimasi faktor
komprseibilitas dan massa gas keluaran Dehydration Unit dengan nilai RMSE masing-masing yaitu 7.1933e-
005 dan 0.011897, sedangkan nilai VAF masing-masing 97.8093% dan 98.2926%. Struktur JST yang telah
didapat digunakan untuk merancang soft sensor online menggunakan Matlab GUI.
Kata kunci : Identifikasi, Dehydration Unit, Faktor Kompresibilitas, Massa, Jaringan Syaraf Tiruan

1. Pendahuluan lapangan, kemudian dilakukan analisa di TS Duri

Pada industri eksplorasi, selain minyak bumi, juga
dihasilkan gas alam yang nantinya dijual ke konsumen.
PT. Chevron Pacific Indonesia sebagai salah satu
perusahaan yang bergerak di bidang eksplorasi,
mengelola gas alam bukan untuk dijual ke konsumen,
akan tetapi digunakan sebagai bahan bakar di Power
dan Generator Turbin untuk unit pembangkit listrik.
Pada pengelolaan gas alam ini, diharapkan benar-benar
dry gas, dengan kandungan konsentrasi molekul
tertinggi dimiliki oleh methane (C1). dengan faktor
kompresibilitas minimal 0.9955 dan massa maksimal
28mol%. Faktor kompresibilitas mengindikasikan
seberapa mampat gas tersebut dan massa menyatakan
rata-rata kandungan mol yang terkandung di dalam gas
tersebut, dimana kedua besaran tersebut
mengindikasikan seberapa efisiensi pembakaran gas
yang dihasilkan untuk digunakan di Unit
Pembangkitan Listrik. Pada Pematang Gas Plant, unit
terakhir pengelolaan gasnya terletak pada Dehydration
Unit, dimana terjadi proses pemisahan gas dari kotoran
yang terkandung di dalamnya, terutama uap air,
sehingga gas keluarannya mengandung sedkit uap air
dan siap dikirim ke Unit Power dan Generator Turbin.
Selama ini, untuk mengetahui besarnya faktor
kompresibilitas dan massa yang dimiliki oleh gas yang
dihasilkan oleh outgoing Pematang Gas Plant,
dilakukan dengan pengambilan sampel gas di
Laboratorium yang membutuhkan waktu relatif lama
dan proses yang cukup rumit, dengan menggunakan
Gas Chromatography, kemudian dilakukan
perhitungan faktor kompresibilitas dan massa
berdasarkan konsentrasi masing-masing kandungan
gas tersebut. Karena kebutuhan proses di unit
pembangkitan, maka dibutuhkan analisa gas hasil
keluaran Pematang Gas Plant setiap harinya. Melihat
prosedur laboratorium membutuhkan waktu yang
lama, maka untuk menutupi kekurangannya
dibutuhkan suatu sensor untuk mengganti kerja Gas
Chromatography, salah satunya dengan menggunakan
soft sensor.
Soft sensor adalah software sensor atau
perangkat lunak yang digunakan untuk mengukur
variabel tak terukur secara langsung dengan cara
estimasi berdasarkan variabel-variabel proses yang
mempengaruhinya. Pada tugas akhir ini metode yang
digunakan dalam perancangan soft sensor adalah
jaringan syaraf tiruan. Berdasarkan uraian diatas tujuan
yang ingin dicapai adalah merancang soft sensor
dengan metode jaringan syaraf tiruan. Yang kemudian
hasil pengukurannya akan dibandingkan dengan Gas
Chromatography. Dengan batasan-batasan terhadap
penelitian yang akan dilakukan yaitu :
 Proses perancangan soft sensor dilakukan
dengan menggunakan Jaringan Syaraf Tiruan.
Metode pengenalan pola yang digunakan
adalah Jaringan Syaraf Tiruan dengan struktur
NNARX (Neural Network Auto Regressive
eXogenous) atau model series parallel dan
algoritma pembelajaran yang digunakan
adalah Levenberg-Marquardt.
Gas keluaran Dehydration Unit dengan
kandungan konsentrasi Methane 80-97%
mole.
Input output yang digunakan adalah input
output dari Glycol to Gas Heat Exchanger
pada saat beroperasi (real time).
Plant yang akan digunakan sebagai bahan
penelitian adalah Glycol to Gas Heat
Exchanger sebagai unit terakhir dari proses
Dehydration yang terdapat di Pematang Gas
Plant PT. Chevron Pacific Indonesia.
Software yang digunakan dalam pengerjaan
tugas akhir ini adalah Matlab dan Simulink
pada Matlab 7.7.0
2. Teori Penunjang
2.1 Deskripsi Dehydration Unit Pematang Gas Plant
Di Pematang Gas Plant, proses Gas Dehydration
dilakukan dengan metode penyerapan yang
menggunakan Glyclol, khususnya Triethylen Glyclol
(TEG). Proses Dehydration Unit dibagi menjadi dua
phase yaitu :
Phase 1 Gas Dehydration, proses penyerapan
(absorbtion) uap air yang larut dalam aliran gas di
dalam contactor tower.
Phase 2 Glycol Dehydration, merupakan proses
regenerasi untuk mengembalikan konsentrasi
glycol yang telah digunakan pada phase 1 agar
dapat dipergunakan kembali.
Dalam proses tersebut berjalan secara terus-
menerus antara phase 1 dan phase 2, seperti gambar di
bawah ini :
Gambar 1 Proses Gas dan Glycol Dehydration
Gas dan glycol bertemu di dalam bejana yang
disebut contactor tower, kemudian berpisah
berdasarkan specific gravity-nya, uap air dan
condensate akan terbawa oleh glycol (rich glycol)
menuju bagian bawah contactor dan gas keluar dari
bagian atas contactor, selanjutnya rich glycol didaur
ulang (glycol dehydration).
Proses Penyerapan Uap Air yang Larut dalam
Gas oleh TEG
1. Lean glycol, yang mempunyai specific gravity
lebih besar daripada wet gas masuk dari bagian
atas contactor dan mengalir menggenangi tray
paling atas.
2. Jika tray sudah penuh sampai batas weir, maka
glycol akan melimpah ke downcomer menuju
trayyang di bawahnya dan seterusnya sampai
apada tray yang paling bawah.
3. Wet gas masuk dari bagian bawah, melayang ke
atas dan menabrak tray yang sudah digenangi oleh
glycol. Ketika terjadi pertemuan antara gas dan
glycol, uap air yang larut dalam gas diserap oelh
glycol.
4. Gas yang sudah melepaskan sebagian kandungan
uap air keluar dari tray melalui celah-celah di
bubble cap dan menabrak lagi tray yang di bagian
atasnya sampai pada tray yang paling atas,
sehingga menembus mist extractor dan keluar di
bagian puncak contactor. Gas hasil proses ini
disebut dry gas.
5. Dry gas menuju ke glycol-to-gas heat exchanger,
pada saat ini terjadi pepindahan temperatur antara
dry gas dan lean glycol yang masuk ke contactor.
6. Glycol pada tray paling bawah sudah banyak
bercampur dengan air dan partikel padat yang
terbawa dari aliran gas (rich glycol), mengalir dan
terkumpul di weir box. Jika ketinggian level rich
glycol sudah mencapai settingnya, maka level
controller memberi sinyal ke control valve untuk
membuka dan rich glycol mengalir ke proses
Glycol Dehydration (Phase 2).
2.2 Massa dan faktor Kompresibilitas Gas
Di alam ini, hampir setiap unsur senantiasa
didapati bergabung dengan unsur lain sebagai
senyawa, yang sering disimbolkan sebagai sebuah
rumus kimia yang berisi simbol-simbol atom unsur.
Berat dari atom-atom unsur yang tergabung dalam
sebuah rumus kimia molekul disebut dengan massa.
Perhitungan massa gas keluaran Dehydration Unit
merupakan jumlah rata-rata dari keseluruhan berat
molekul masing-masing kandungan gas yang dikalikan
dengan konsentrasi mol gas keluaran tersebut, dimana
gas tersebut terdiri dari N2, O2, CO2, H2S, C1 sampai
dengan C10.
Gas nyata bersifat tidak sempurna yaitu gas yang
tidak memenuhi dengan tepat hukum gas sempurna.
Penyimpangan hukum terutama lebih terlihat pada
tekanan tinggi dan temperatur rendah. Tolok ukur
penyimpangan terhadap sifat gas ideal tersebut dikenal
dengan istilah faktor kompresibilitas, yang dinyatakan Terdapat beberapa metode yang digunakan untuk
dengan rumus sebagai berikut: perancangan soft sensor antara lain dengan metode
PV fuzzy,, rekonsiliasi data, jaringan syaraf tiruan, dan
Z= ; PV = ZRT lain-lain.
lain. Soft sensor biasanya digunakan dalam Unit
RT ...(1) (2.1)
Dehydration, soft sensor digunakan untuk
dengan : mengestimasi faktor kompresibilitas dan molecular
P = tekanan (bar) weight gas alam keluaran Unit Dehydration dimana
V = volume molar gas ideal perhitungan dalam soft sensor ini menggunakan
Z = faktor kompresibilitas metode Jaringan syaraf tiruan.
R = tetapan gas ideal
T = temperatur (K) 2.4 Jaringan Syaraf Tiruan
Z untuk semua gas sama pada PR dan TR yang sama Jaringan Syaraf Tiruan merupakan salah satu
(Principle of corresponding states"). representasi buatan dari otak manusia yang selalu
mencoba T untuk mensimulasikan proses
P T TR =
pembelajaran pada otak manusia. Sistem
PR = TR = Tcr
Pcr Tcr identifikasi merupakan
(2.2) (2.3) usaha untuk mendapatkan
dan (2) deskripsi matematik (model) suatu sistem dinamik
dimana : berdasarkan data pengukuran dan pengamatan yang
PR, TR = tekanan dan temperatur tereduksi diperoleh dari sistem tersebut. Secara umum model
Pcr, Tcr = tekanan dan temperatur kritis suatu sistem dapat dikategorikan menjadi 2, yakni:
PR << 1 mendektai gas ideal dan temperatur tinggi Fundamental model (first principle model):
(TR>>2) mempunyai ketelitian yang baik tanpa didasarkan pada kaidah-kaidah
kaidah hukum fisika dan
memperhatikan tekanannya kecuali untuk PR>>1. kimia (mass-energy
energy balance, hukum Newton, dll).
Keuntungan: dapat diperkirakan ke ekstrapolasi
pada daerah operasi yang tidak digunakan pada
data latih.
Kelemahan: model dinamik yang dihasilkan
mungkin sangat kompleks.
Empirical mode:: didasarkan pada hubungan input-
input
output sistem.
Keuntungan: detail proses yang terjadi tidak perlu
dicari terlebih dahulu dan dapat digunakan untuk
model yang sangat kompleks.
Sesuai dengan
gan karakteristik yang dimiliki oleh
JST, maka model yang dihasilkan oleh JST merupakan
empirical model serta non-parametric model.
Pada prinsipnya, sistem identifikasi non linier
Gambar 2 Perbandingan Nilai-Nilai
Nilai Z dari Berbagai Gas dapat dibedakan menjadi 2, yaitu:
Series-parallel
parallel / NNARX (Neural Network Auto A
2.3 Soft Sensor Regresive with eXogenous input) model
Soft sensor adalah suatu model yang digunakan
untuk mengestimasi outputan unmeasurable dari PROCESS
u(k) y(k)
proses industri. Soft sensor atau sensor virtual
merupakan sebuah perangkat lunak atau software
dimana dapat memproses beberapa pengukuran secara
-1
bersamaan. Yang pengukurannya dapat berlusin-lusin
berlusin q
hingga beratus-ratus
ratus pengukuran. Interaksi dari sinyal-
sinyal q
-1

sinyal yang terjadi dapat digunakan untuk

q-1
mengkalkulasi besaran baru. Biasanya berguna untuk
penggabungan
bungan data dimana pengukuran pada q
-1 NEURAL
karakteristik berbeda dan dinamis dikombinasikan. NETWORKS y (k )
Soft sensor dapat digunakan untuk mendiagnosa q-1

kesalahan pengukuran sebaik pada aplikasi kontrol.

Soft sensor menerima input dari variabel yang terukur q-1
sensor lain, yang kemudian
mudian diolah dengan persamaan
matematis sistem tersebut, dan kemudian dihasilkan
outputan variabel yang diingikan berdasarkan Gambar 3 Series--parallel model/NNARX
persamaan matematis tersebut.
 Parallel / NNOE (Neural Network Output Error)
model
y (k )
Gambar 4 Parallel / NNOE model
Tahapan dalam sistem identifikasi:
1. Experiment, meliputi input sequence design.
Eksperimen dilakukan untuk mendapatkan
serangkaian data input-output yang menerangkan
perilaku proses pada suatu range daerah operasi
tertentu. Ide utama dari proses experiment adalah
untuk memasukkan input yang bervariasi, u, dan
mengamati akibatnya pada output,y.
Pasangan data yang berhubungan dengan input
dan output:
Z N = {[u (t ), y (t )], T = 1,...., N } ..................(3)
kemudian digunakan untuk mendapatkan sebuah
model dari sistem. Apabila sistem yang akan
diidentifikasi menjadi tidak stabil atau
mengandung sedikit peredaman dinamik, maka
pembangkitan data dilakukan dalam keadaan lup
tertutup. Beberapa parameter penting dalam
melakukan eksperimen antara lain: pemilihan
sampling frekuensi, pemilihan sinyal input yang
sesuai dan pemrossan data.
2. Select model structure, meliputi structur selection,
noise modeling. Pemilihan struktur model
menyangkut jumlah sinyal input-output
(regressor) yang digunakan sebagai masukan bagi
model dalam menghasilkan output prediksi.
Struktur model adalah pasangan kandidat model.
Masalah utama dalam pemilihan model struktur
adalah:
1. Memilih sebuah keluarga dari struktur
model untuk mendiskripsikan sebuah sistem,
contohnya: struktur model linier, jaringan
multilayer percepteron, jaringan radial basis
function, wavelets atau model Hammerstein.
2. Memilih sebuah subset dari keluarga yang
telah ditentukan. Pada struktur sistem linier,
dapat berupa sebuah struktur model
ARX(3,2,1), dimana (3,2,1) adalah waktu
tunda dari satu periode sampling dan output
saat ini tergantung dari dua output masa
lampau dan tiga input masa lampau.
3. Estimate parameter, meliputi parameter
estimation. Jika struktur model telah ditentukan,
maka tahap berikutnya adalah melakukan estimasi
terhadap parameter model agar mampu
memberikan hasil yang baik berdasarkan kriteria
tertentu. Kriteria tersebut dapat dirumuskan
dengan berbagai cara, tetapi harus secara ideal
menghubungkan penggunaan model yang
diharapkan. Strategi yang paling umum adalah
dengan mengambil yang menyediakan one-step a
head prediction paling bagus dengan squared
error terkecil antara output sistem dengan output
prediksi. Dalam tahap ini, proses yang paling
penting adalah penentuan bobot jaringan atau
proses pelatihan. Pasangan data diberikan oleh
persamaan (3) dan pasangan model kandidat
adalah:
)
y (t ) = y (t | ) + e(t ) = g[t , ] + e(t ) ...............(4)
Tujuan dari pelatihan adalah untuk mendapatkan
sebuah pemetaan dari pasangan data ke pasangan
kandidat model
)
Z N ............................................(5)
sehingga didapatkan model yang menyediakan
prediksi mendekati output sistem yang sebenarnya.
Metode yang paling sering digunakan untuk
mengukur kemiripan antara model output dengan
model sebenarnya adalah tipe kriteria mean square
error.
Pola ini disebut sebagai Prediction Error Methode
(PEM), dimana tujuannya adalah untuk meminimasi
jumlah dari error prediksi. Fitur utama dari kriteria
mean square error adalah kesederhanann
pemakaiannya, dimana aturan update bobot dapat
diperoleh dan pengetahuan tentang distribusi noise
biasanya tidak diperhitungkan.
Penskalaan pada jaringan syaraf tiruan diperlukan
untuk mempercepat konvergensi pada saat training
dilakukan. Hasil dari skala adalah data dibawa pada
range 0 sampai 1. Rumus yang dipakai untuk
menskala adalah sebagai berikut :
X min ( X )
XA =
max ( X ) min ( X ) ..(6)
Untuk melihat keberhasilan training, maka
digunakan acuan parameter nilai RMSE (Root Mean
Square Error). RMSE merupakan Akar rata-rata total
kuadrat error yang terjadi antara output proses dan
output target, makin kecil nilai RMSE maka makin
besar tingkat keberhasilan training. Persamaan
RMSE dapat dituliskan sebagai berikut :
N
(y
i =1
i y i )2
RMSE = ............................................(7)
N
Selain menggunakan nilai RMSE dalam
menyatakan kriteria model plant, juga dinyatakan
dalam VAF (Variance Accounted For) dalam persen
sebagaimana dinyatakan dalam persamaan 6 Dengan
ketentuan bahwa nilai VAF yang dihasilkan semakin
besar semakin bagus (mendekati nilai 100).
var [y (t ) y (t ) ]
VAF = 1 x100 % ................ (8)
var [y (t ) ]
 4. Model validation, diperlukan untuk
mengetahui apakah model yang telah diperoleh
mampu memenuhi kebuthuan yang diperlukan.
3. Metodologi Penelitian
Gambar 5 Diagram Alir Perancangan Sistem
3.1 Pengambilan Data Jaringan Syaraf Tiruan
Data jaringan syaraf tiruan merupakan data
lapangan yang diambil pada glycol-to-gas heat
excanger sebagai unit terakhir dari Dehydration Unit
di Pematang Gas Plant berupa data input output,
dengan jumlah data yang diambil sebanyak 200
pasangan data input output, antara lain :

Temperatur gas yang masuk ke glycol-to-gas heat
excanger.

Tekanan gas yang masuk ke glycol-to-gas heat
exchanger.

Temperatur gas yang keluar dari glycol-to-gas heat
exchanger.

Tekanan gas yang keluar dari glycol-to-gas heat
exchanger.

Faktor kompresibilitas dan massa gas keluaran
Unit Dehydration berdasarkan dari Gas Analysys
Duri TS Laboratorium.
3.2 Perancangan Soft Sensor
Perancangan soft sensor ini dilakukan dengan
menggunakan data input output yang telah didapatkan
dari proses di lapangan, dimana perancangan ini
merupakan salah satu aplikasi dari identifikasi jaringan
syaraf tiruan (JST).
Gambar 6 Blok Skema Jaringan Syaraf Tiruan untuk
Perancangan Soft Sensor
Gambar 6 di atas merupakan blok skema dari
jaringan syaraf tiruan yang dirancang untuk soft sensor
faktor kompresibilitas dan massa gas keluaran
Dehydration Unit, dengan variabel input meliputi
temperatur dan tekanan gas input serta temperature dan
tekanan gas output, sedangkan untuk variabel output
adalah faktor kompresibilitas gas (Z) dan massa gas
(MW).
Pengidentifikasian jaringan syaraf tiruan dilakukan
berdasarkan beberapa data-data proses pengukuran
yang telah didapatkan. Adapun prosedur dalam
identifikasi dapat dilihat pada gambar 7 berikut ini.
start
Eksperimen (pengambilan data)
Pemilihan struktur model
Estimasi model
Validasi model
Apakah tidak
Sesuai?
ya
end
Gambar 7 Prosedur Identifikasi Sistem
Pasangan data input dan output yang digunakan
pada identifikasi ini terdiri dari 4 input dan 2 output,
dimana data input dan output yang digunakan untuk
pelatihan dan pengujian model tersebut memiliki
hubungan yang nonlinier. Data-data input output
sesuai dengan data input output lapangan. Data input
ini terdiri dari :

Temperatur input glycol-to-gas heat excanger (oF)

Tekanan input glycol-to-gas heat exchanger (psi)

Temperatur output glycol-to-gas heat exchanger
(oF)

Tekanan output glycol-to-gas heat exchanger (psi)
Sedangkan untuk data output terdiri dari :

Faktor kompresibilitas gas keluaran Dehydration
Unit

Massa gas keluaran Dehydration Unit
Output dari jaringan syaraf tiruan merupakan
model yang didapatkan dari hasil pelatihanl dan
pengujian jaringan syaraf tiruan. Output model yang
diharapkan sesuai dengan output hasil lapangan yang
sesungguhnya dengan nilai error yang minimal dari
model jaringan syaraf tiruan.
 Penyusunan Arsitektur Jaringan Syaraf Tiruan
Dalam perancangan soft sensor ini digunakan
jaringan syaraf tiruan, yang dilakukan dengan Matlab
7.7.0 dengan menggunakan MIMO (Multi Input Multi
Output). Dari data-data ini memiliki hubungan sebagai
berikut :
ZN ={[u1(t),u2(t),u3(t),u4(t),y1(t),y2(t)],t =1,....N} ................(9)
Dengan,
N = Jumlah data
u1 = Temperatur gas input (oF)
u2 = Tekanan gas input (psi)
u3 = Temperatur gas output (oF)
u4 = Tekanan gas output (psi)
y1 = Faktor kompresibilitas gas (Z)
y2 = Massa gas (MW)
Struktur jaringan syaraf tiruan yang digunakan
dalam dalam perancangan system ini adalah NNARX
(Neural Network Auto Regressive eXogenous) atau
model series parallel dengan jumlah regressor
sebanyak 4 input (u(t-1), (u(t-2)), (u(t-3)) dan u (t-4) )
dan 2 output ( y (t-1) dan y (t-2) ).
Gambar 8 Blok Diagram Pemodelan Soft Sensor JST
Pada gambar 3.3 dapat terlihat bahwa pemodelan
soft sensor ini tidak memiliki feedback. Dan NNARX
ini mempunyai atau dapat menghasilkan prediktor.
 Pelatihan Jaringan Syaraf Tiruan
Proses pelatihan (pelatihan) JST merupakan
proses pemetaan antara input dan output jaringan
syaraf tiruan untuk mendapatkan bobot yang tepat.
dapat dilakukan dengan menggunakan data-data yang
telah didapatkan dari proses di lapangan, meliputi 100
data untuk pelatihan dan 100 data untuk validasi.
Pelatihan JST ini menggunakan struktur Multilayer
Layer Perceptron (MLP) dengan 3 layer, yaitu input
layer, hidden layer dan output layer. Dimana tiap-tiap
neuron terdapat fungsi aktifasi pada arsitektur jaringan
tersebut. Fungsi aktifasi pada hidden layer
menggunakan tangent hyperbolic sedangkan pada
output layer menggunakan fungsi aktifasi linier.
Algoritma pelatihan yang digunakan adalah Levenberg
Marquardt, sehingga setelah didapatkan bobot
pelatihan maka bobot tersebut digunakan untuk proses
validasi. Data tersebut digunakan untuk pelatihan dari
Jaringan Syaraf Tiruan, yaitu menggunakan struktur
jaringan Multi Layer Perceptron (MLP) dengan
jumlah layer sebanyak tiga, yaitu input layer, hidden
layer dan output layer.
Untuk mendapatkan model soft sensor dengan
metode JST yang bagus, agar mampu memprediksi
output proses dengan baik, struktur jaringan syaraf
tiruan diuji coba dengan mengganti-ganti struktur
jaringan. Diantaranya adalah jumlah hidden node dan
jumlah history length. Tujuan dari proses pelatihan ini
adalah untuk mendapatkan bobot yang menghasilkan
output paling baik. Kriteria yang digunakan untuk
menilai baik tidaknya output model adalah Root Mean
Square Error (RMSE) dan Variance Accounted For
(VAF).
RMSE adalah akar rata-rata total kuadrat error
yang terjadi antara output model dan output proses.
RMSE digunakan untuk mengetahui berhasil tidaknya
suatu pelatihan. Semakin kecil nilai RMSE (mendekati
nol), maka semakin besar tingkat keberhasilan dari
pelatihan tersebut. Sebaliknya semakin besar nilai
RMSE, maka tingkat keberhasilan dari pelatihan
tersebut akan semakin kecil pula.
Selain menggunakan nilai RMSE dalam
menyatakan kriteria model, juga dinyatakan dalam
VAF (Variance Accounted For) dalam persen. Dengan
ketentuan bahwa nilai VAF yang dihasilkan semakin
besar semakin bagus (mendekati nilai 100).
Dalam penelitian ini menggunakan history length
dengan nilai yang dicoba-coba antara 1 sampai 5 pada
tiap-tiap input JST dan juga jumlah hidden layer yang
dicoba-coba antara 1 sampai 10. Dapat diartikan
dimana node input JST sebanyak 4 x jumlah history
length dan dimensi bobot hasil pemodelan adalah
untuk W1 (bobot dari input layer ke hidden layer)
sama dengan jumlah input jaringan dikalikan dengan
jumlah hidden node kenudian ditambah satu sebagai
biasnya.. Sedangkan untuk W2 bobot dari hidden layer
ke output layer berdimensi jumlah hidden node
dikalikan dengan jumlah output ditambah satu.
Hasil yang didapat dalam penelitian ini adalah
output dari model proses hasil pelatihan dengan nilai
RMSE (Root Mean Square Error) terkecil dan nilai
VAF (Variance Accounted For) terbesar. Dengan
memperhatikan nilai RMSE dan nilai VAF dari hasil
pengujian. Karena ketika mendapatkan nilai RMSE
dan VAF dari pelatihan yang baik belum tentu nilai
RMSE dan VAF dari pengujian hasil pemodelan juga
baik, terkadang bobot yang diperoleh dari hasil
pelatihan tidak sesuai dengan input output proses yang
digunakan dalam pengujian.
Algoritma pelatihan yang digunakan untuk
mendapatkan bobot -bobot jaringan adalah Lavenberg
Marquadrt (LM). Secara umum algoritma LM dapat
dituliskan sebagai berikut:
 [ R( w( i ) + (i ) I ] f (i ) = G ( w(i ) )

w = arg min Vn( w, Z N )

w(i +1) = w(i ) + (i ) f (i )
V N ( w(i ) , Z N ) V N ( w (i ) + f (i ) , Z N )
r (i ) =
V N ( w (i ) , Z N ) L(i ) ( w (i ) + f (i ) )

V N ( w(i ) + f (i), Z N ) < VN ( w(i ), Z N )

w(i + 1) = w(i) + f (i)

(i + 1) = (i)

Gambar 10 Data Input Output Proses Dehydration Unit

Gambar 9 Flowchart Levenberg Marquardt

 Pengujian Jaringan Syaraf Tiruan

Data input output yang digunakan dalam pengujian
JST merupakan data yang berbeda dengan data untuk
pelatihan. Pada bagian sebelumnya telah dijelaskan
bahwa 100 data input output proses lapangan
digunakan untuk pengujian JST. Setelah model proses
didapatkan dari pelatihan Jaringan Syaraf Tiruan, yaitu
nilai bobot W1 (bobot dari input layer ke hidden layer)
dan W2 (bobot dari hidden layer ke output layer).
Kedua bobot itu kemudian digunakan untuk proses
pengujian.

3.3 Soft Sensor Online dengan Matlab GUI Gambar 11 Data Output Faktor Kompresibilitas Gas
Keluaran Dehydration Unit
Perancangan sistem online untuk soft sensor faktor
kompresibilitas dan massa pada tugas akhir kali ini
menggunakan Matlab GUI dengan list program seperti
pada lampiran. Berdasarkan struktur yang telah
terbentuk pada proses identifikasi dan dengan dengan
memasukkan nilai matrik bobot W1f dan W2f pada
persamaan (2.13), maka dapat dilakukan perhitungan
nilai output untuk faktor kompresibilitas dan massa gas
keluaran Dehydration Unit, dengan memberikan nilai
inputan berupa temperatur gas input (oF), tekanan gas
input (psi), temperatur gas output (oF) dan tekanan gas
output (psi).

4. Simulasi dan Analisa Data

4.1 Data Input Output Dehydration Unit
Data yang digunakan sebagai input output
Gambar 12 Data Output Massa Gas Keluaran Dehydration
perancangan soft sensor faktor komresibilitas dan Unit
massa gas keluaran Dehydration Unit adalah data input
output lapangan yang meliputi:
4.2 Perancangan Soft Sensor

Data inlet temperature gas (Fahrenheit)
Pada perancangan soft sensor digunakan metode

Data inlet tekanan gas (psi)
jaringan syaraf tiruan. Telah dijelaskan pada bab

Data outlet temperature gas (Fahrenheit)
sebelumnya bahwa perancangan soft sensor ini

Data outlet tekanan gas (psi)
merupakan aplikasi dari identifikasi jaringan syaraf

Data faktor kompresibilitas gas
tiruan. Hasil yang didapatkan berupa faktor

Data massa gas (mole%)
kompresibilitas gas alam keluaran Dehydration Unit
Data input output yang digunakan berjumlah 200
yang berasal dari pelatihan dan pengujian.
pasangan data, dimana 100 data untuk pelatihan
identifikasi dan 100 data untuk pengujian identifikasi.
 Dari data-data yang telah didapatkan, maka
sebagian dari data-data tersebut digunakan untuk
proses pelatihan JST, dengan menggunakan struktur
Multi Layer Perceptron (MLP) dengan 3 layer, yaitu
input layer, hidden layer dan output layer. Pada tiap-
tiap neuron terdapat fungsi aktifasi pada arsitektur
jaringan tersebut. Fungsi aktifasi pada hidden layer
menggunakan tangent hyperbolic sedangkan pada
output layer menggunakan fungsi aktifasi linier.
Algoritma pelatihan yang digunakan adalah Levenberg
Marquardt sehingga setelah didapatkan bobot
pelatihan maka bobot tersebut digunakan untuk proses
pengujian. Data tersebut digunakan untuk pengujian
JST. Pemodelan yang digunakan dalam perancangan
soft sensor adalah pemodelan feed forward dengan
struktur input yang digunakan adalah NNARX (Neural
Network AutoRegresive with eXogenoes Input). Gambar 15 Data Inputan Pengujian setelah Scalling Data
Normal Operasi
 Scalling Data
Data input output lapangan didapatkan 200
pasangan data yaitu 100 data input output digunakan
untuk pelatihan dan 100 data input output digunakan
untuk pengujian. Selanjutnya, data input output
tersebut discalling sesuai dengan persamaan (6).
Penskalaan pada jaringan syaraf tiruan diperlukan
untuk mempercepat konvergensi pada saat pelatihan
dilakukan. Hasil dari skala adalah data dibawa pada
range 0 sampai 1. Proses pelatihan pada artificial
neural network akan lebih efektif dan efisien apabila
data-data yang masuk berada pada suatu range
tertentu.

Gambar 16 Data Output Pengujian setelah Scalling Data

Normal Operasi

Gambar 13 Data Inputan Pelatihan setelah Scalling

Gambar 17 Data Inputan Pengujian setelah Scalling untuk

Data Di Luar Normal Operasi

Gambar 14 Data Output Pelatihan setelah Scalling


Gambar 18 Data Outputan Pengujian setelah Scalling untuk
Data Di Luar Normal Operasi
Gambar 19 Data Inputan Pengujian setelah Scalling untuk
50 Data Pelatihan dan 50 data Pengujian
Gambar 20 Data Outputan Pengujian setelah Scalling untuk
50 Data Pelatihan dan 50 data Pengujian
 Pelatihan Jaringan Syaraf Tiruan
Struktur yang digunakan dalam penelitian ini
adalah multilayer perceptron (MLP), dan untuk
mendapatkan hasil yang maksimal struktur JST ini
diuji cobakan dengan mengganti-ganti struktur
jaringannya. Hal ini dilakukan untuk mendapatkan
model proses yang bagus, sehingga mampu
memprediksi output proses yang baik.
Struktur JST yang dicoba untuk diganti- ganti
diantaranya adalah jumlah hidden node dan jumlah
history length. Batas iterasi yang dipakai dalam
pemodelan ini adalah 500 iterasi. Berikut ini hasil
proses training sistem dengan menggunakan JST.
Kriteria hasil pelatihan adalah nilai RMSE (Root
Mean Square Error) dan nilai VAF (Variance Account
For). RMSE merupakan nilai error dari hasil model
Jaringan Syaraf Tiruan. Nilai error merupakan
penyimpangan nilai faktor kompresibilitas gas yang
didapatkan dari hasil identifikasi terhadap output
proses yang sebenarnya. Hasil proses pelatihan JST
dapat dilihat pada gambar 21.
Gambar 21 Hasil Pelatihan JST untuk Faktor
Kompresibilitas Gas
Gambar 22 Hasil Pelatihan JST untuk Massa Gas
Dari hasil pelatihan di atas didapatkan nilai RMSE
untuk faktor kompresibilitas gas (Z) adalah 7.2177e-
005 dan untuk Massa gas (MW) adalah 0.0122,
sedangkan untuk nilai VAF faktor kompressibilitas gas
(Z) = 97.7944% dan untuk Massa gas (MW) =
98.1903%.
 Pengujian Jaringan Syaraf Tiruan
Pada proses pengujian identifikasi digunakan nilai
bobot W2f dan W2f dari hasil pelatihan. Data yang
digunakan untuk proses pengujian ini pun tidak sama
dengan data-data pelatihan sebelumnya.
Pengujian bertujuan untuk mengetahui kehandalan
dari JST yang telah dibangun, apakah mampu
mengidentifikasi input yang belum pernah diterima
sebelumnya (dalam proses pelatihan). Data yang
digunakan untuk input JST yang akan digunakan
dalam proses pengujian adalah data-data yang belum
pernah di-latih-kan sama sekali pada jaringan syaraf
tiruan yang telah dibangun. Hasil pengujian dari
pelatihan yang telah dilakukan dapat dilihat pada
gambar 23 berikut ini.
Gambar 23 Hasil Pengujian JST untuk Faktor
Kompresibilitas dan Massa Gas
Dari hasil pengujian di atas didapatkan nilai
RMSE untuk faktor kompresibilitas gas (Z) adalah
4.9542e-005 dan untuk Massa gas (MW) adalah
0.00809, sedangkan untuk nilai VAF faktor
kompressibilitas gas (Z) = 97.8948% dan untuk Massa
gas (MW) = 97.4753%.
Gambar 24 Hasil Pengujian JST untuk Faktor
Kompresibilitas dan Massa Gas untuk Data di Luar Normal
Operasi
Dari hasil pengujian di atas didapatkan nilai
RMSE untuk faktor kompresibilitas gas (Z) adalah
4.9542e-005 dan untuk Massa gas (MW) adalah
0.00809, sedangkan untuk nilai VAF faktor
kompressibilitas gas (Z) = 97.8948% dan untuk Massa
gas (MW) = 97.4753%.
Gambar 25 Hasil Pengujian JST untuk Faktor
Kompresibilitas dan Massa Gas untuk 50 Data Pelatihan
dan 50 Data Pengujian Normal Operasi
Dari hasil pengujian di atas didapatkan nilai
RMSE untuk faktor kompresibilitas gas (Z) adalah
0.00022892 dan untuk Massa gas (MW) adalah
0.036897, sedangkan untuk nilai VAF faktor
kompressibilitas gas (Z) = 75.5974% dan untuk Massa
gas (MW) = 79.8961%.
Jika dilihat dari hasil pengujian yang dilakukan,
baik pada data normal operasi maupun di luar normal
operasi, nilai RMSE dan VAF sudah cukup bagus,
karena jaringan syaraf tiruan sudah mampu
mengidentifikasi proses yang belum pernah
diterimanya pada saat pelatihan. Sehingga bobot hasil
pelatihan bisa diterima sebagai model hasil pelatihan.
Dan digunakan sebagai bobot untuk pengujian. Akan
tetapi, ketika pengujian dilakukan pada 50 data
terakhir pelatihan dan 50 data pertama pengujian,
struktur jaringan syaraf tiruan yang ada tidak mampu
melakukan estimasi secara maksimal seperti pada
pengujian data normal dan di luar normal operasi.
Akan tetapi masih bisa dimaklumi karena data-data
tersebut sudah mampu menerima struktur JST yang
terbentuk pada proses pelatihan dan proses pengujian
dengan nilai RMSE dan VAF masing-masing pada
proses pelatihan dan pengujian JST.
4.3 Soft Sensor dengan Matlab GUI
Hasil perancangan soft sensor online
menggunakan Matlab GUI, berdasarkan struktur yang
telah terbentuk pada proses identifikasi, didapatkan
hasil yang cukup mendekati hasil outputan lapangan,
meskipun untuk nilai-nilai tertentu perumusan yang
ada tidak dapat menghasilkan nilai yang hampir sama.
Berikut ini beberapa contoh hasil soft sensor untuk
faktor kompresibilitas dan massa gas keluaran
Dehydration Unit. Ketika diberi inputan berupa
tekanan gas input = 314 psi, temperatur gas input 77oF,
tekanan gas output = 313 psi, temperatur gas output
80oF, didapat hasil seperti gambar berikut, sedangkan
dengan hasil lapangan yaitu untuk faktor
kompresibilitas = 0.9971 dan massa = 20.29.
Gambar 26 Hasil Soft Sensor Online untuk Contoh Input
Pertama
Ketika diberi inputan berupa tekanan gas input =
313.1 psi, temperatur gas input 77oF, tekanan gas
output = 311.7 psi, temperatur gas output 80oF, didapat
hasil seperti gambar berikut, sedangkan dengan hasil
lapangan yaitu untuk faktor kompresibilitas = 0.9970
dan massa = 20.00.
Gambar 27 Hasil Soft Sensor Online untuk Contoh Input
Kedua
5. Kesimpulan dan Saran
5.1 Kesimpulan
Dari serangkaian metodologi, pengujian, analisa
serta pembahasan yang telah dilakukan didapatlah
beberapa kesimpulan diantaranya:
Telah dirancang soft sensor faktor kompresibilitas
dan massa gas keluaran Dehydration Unit
menggunakan metode Jaringan Syaraf Tiruan
dengan history length 3 (tiga) dan hidden node 6
(enam).
Hasil perancangan soft sensor faktor
kompresibilitas dan massa gas keluaran
Dehydration Unit dengan menggunakan JST
mampu mengestimasi dan memonitor faktor
kompresibilitas dan massa gas alam keluaran
Dehydration Unit pada saat training identifikasi
dengan nilai RMSE masing-masing 7.1933e-005
dan 0.011897, sedangkan nilai VAF masing-
masing adalah 97.8093% dan 98.2926%.
Pada saat pengujian didapatkan nilai RMSE untuk
faktor kompresibilitas dan massa gas keluaran Unit
Dehydration Unit masing-masing adalah 5.5889e-
005 dan 0.009139, sedangkan nilai VAF masing-
masing adalah 98.701 % dan 98.9551 %.
Telah dirancang Soft sensor online menggunakan
Matlab GUI berdasarkan struktur model yang
terbentuk pada proses identifikasi.
5.2 Saran
Saran yang dapat diberikan berdasarkan
serangkain kegiatan Tugas Akhir adalah pada
penelitian selanjutnya, perancangan soft sensor dapat
dilakukan secara online dilengakapi dengan sarana
yang menghubungkan antara DCS dan soft sensor
yang telah dirancang ini, sehingga dapat dilakukan
secara otomatis tanpa memasukkan data secara
manual. Selain itu, perancangan soft sensor juga dapat
menggunakan metode lain seperti metode fuzzy,
rekonsiliasi data, dan lain-lain. Serta dapat digunakan
sebagai estimator dalam sistem kontrol.
DAFTAR PUSTAKA
Cahyanta, Yosef Agung. 2005. Termodinamika I.
Jakarta.
Hanselman, Duane;Littlefield, Bruce . 1997.
Matlab, Bahasa Komputasi Teknis (Komputasi,
Visualisasi, Pemrograman). Andi. Yoyakarta.
Laurence. Fausett. 1994. Fundamental of Neural
Network. Prentice Hall.Inc.
Norgaard, Magnus. 2000. Neural Network for
Modelling and Control of Dynamic Systems.
Verlag Springer. London.
O & TC-HR Learning & Development. 2006.
Operator & Technician Certification
Instrumentasi, Modul 4. Duri. PT CPI.
Sri. Kusumadewi. 2003. Artificial Intelligence
(Teknik dan Aplikasi). Yogyakarta : Graha Ilmu.
Triananto, Bayu Indra. 2008. Perancangan Soft
Sensor Konsentrasi CO2 dalam Gas Alam
Keluaran Amine Contactor dengan Metode
Jaringan Syaraf Tiruan di Terminal Lawe-Lawe
Chevron Indonesia Company. Jurusan Teknik
Fisika. ITS.
Widjiantoro, Bambang L. 2005. Handout Ajar
Jaringan syaraf Tiruan. Jurusan Teknik Fisika.
ITS .
BIODATA PENULIS
Nama : Lia Ellyanti
TTL : Pasuruan, 09 Februari 1988
Alamat : Keputih 1B/27AB, Surabaya
Email : liatf_imoet@yahoo.co.id
Pendidikan :
SD Negeri V Pecalukan (1993-1999)
SLTP Negeri 1 Pandaan (1999-2002)
SMU Negeri 1 Pandaan (2002-2005)
Teknik Fisika ITS (2005-sekarang)