MAKALAH

ANALISIS SISTEM TEKNIK KIMIA

ALGORITMA PEMILIHAN VARIABEL PERANCANGAN

DISUSUN OLEH

Lidana Ega,N 121140013

Rilindaeni Aulia,L 121140022
Laras Nur Aini 121140026
Dodik Purwo 121140032
Muhammad Syafiq 121140047
Putriana Ayu Efrika 121140055
Anditta Taviani,W.P 121140060
Ulfa Rusiana 121140072
Renate R.I.A.S 121140078

PROGRAM STUDI TEKNIK KIMIA

FAKULTAS TEKNIK INDUSTRI
UNIVERSITAS PEMBANGUNAN NASIONAL
“VETERAN” YOGYAKARTA
2016

1
 BAB II

II.1 Latar Belakang

Dalam pabrik sering dijumpai banyak peralatan yang terangkai, dan
masing- masing peralatan mempunyai persamaan matematis. Dijumpai banyak
persamaan dan banyak variable. Berkembang suatu metode sistematis untuk
menganalisis system yang besar tersebut.Berikut disajikan sejumlah contoh aplikasi
Ada beberapa istilah yang harus dipahami terlebih dahulu, yaitu:
1. DEGREES OF FREEDOM: yaitu jumlah variable yang bebas dipilih
nilainya pada suatu system.
Contoh:
a.

/j Variabel yang dapat dipilih ada 2.

Misal: M1 dan M2.
M3 Kg/j
M1 M1 dan M3.
M2
Kg/j Kg M2 dan M3
Jika M1, M2 diketahui nilainya, maka dengan mudah M3 dapat ditentukan.
Tetapi bayangkan jika M1, M2, dan M3 diketahui. Tentu saja hal ini akan
menyimpang dengan hokum kekekalan massa.
b. Suatu Menara Distilasi.

kondenser total
D mol/j
Refluk, L mol A
XD 
molA B

A
B
F mol/j
XF  mol A
molA B Reboiler parsial

W mol/j
Xw  mol A
molA B

2
 Variabel : F, D, W, XF, XD, XW.
Degrees of freedom :
Dipilih : F, XF, XD dan XB, maka (D dan W) dihitung.
Dipilih : F, XF, XD, dan D, maka (XW dan W) dihitung.
Tampak secara intuitiv, degrees of freedom ada 4.

c. Evaporator
Variabel :
Uap A +B
V mol/j F, V, L, zA, yA, xA, T, P, Q
mol A Ada 9 variabel.
yA 
molA B
Secara intuitiv, ada 4
P,T degrees of freedom. Hal ini
Pemanas
A+B bisa dibuktikan dengan
Q panas/jam
F mol/j
menyusun persamaan:
ZA NM total......................(1)
Cairan A+B NM komponen............
L mol/j (2) NP..........
....................(3)
xA  mol A Keseimbangan .......... (4)
molA B
Hubungan P dan T........(5)

Degrees of freedom = jumlah variabel dikurangi jumlah persamaan.

d. HEAT EXCHANGER

Persamaan-persamaan perancangan yang ada berjumlah 7 buah:

1. Q=UA(t)lm
2.
3. W1=W2 kekekalan massa
4. W3=W4 kekekalan massa
5. Q=W1Cp (t1-t2) energi yang dipindahkan di antara dua arus
6. Q=W3Cp (t4-t3) energi yang dipindahkan di antara dua arus U
Merupakan fungsi dari flow rates dan sifat-sifat fluida (yang merupakan
fungsi suhu) dan jenis HE.
7. U=U(W1…W4, t1…t4, K)
Jumlah variable-variable utama ada 13 buah, yaitu:
1. K, macam HE (double pipe, shell and tube, dsb)
2. Q, panas yang ditransfer
3. A, luas transfer panas
4. U, overall heat-transfer coefficient
5. W1, kecepatan aliran massa fluida
6. W2, kecepatan aliran massa fluida
7. W3, kecepatan aliran massa fluida
8. W4, kecepatan aliran massa fluida
9. t1, suhu
10. t2, suhu
11. t3, suhu
12. t4, suhu
13. (t)lm, log mean temperature difference (LMTD

2. FIXED VARIABLE disebut juga dengan perubahan tetap. Nilainya sudah

tidak bisa bebas ditentukan lagi.
Fixed variable sama dengan degrees of freedom sudah tertentu, seperti yang
telah ditulis di atas.
• Dalam persoalan-persoalan teknik kimia, ada perubah-perubah yang
harganya sudah tidak bisa dipilih lagi karena, dihasilkan dari proses
sebelumnya yang sudah tertentu, atau memang harganya diinginkan tertentu,
misal kadar CO2 dalam udara, suhu air pendingin.
Contoh Fixed Variable:
a. suhu air pendingin ( untuk di Indonesia, suhu air pendingin berkisar 35oC
sampai 45oC).
b. kecepatan alir bahan yang akan diolah.

3. NUMBER OF DESIGN VARIABLE, yaitu jumlah variable yang nilainya

bebas dipilih, umumnya bertujuan untuk optimasi.
Number of DV = (Degrees of freedom)- ( number of FV)

4. OBJECTIVE FUNCTION, yaitu suatu fungsi yang nilainya ingin

dimaksimumkan atau diminimumkan pada proses optimasi. Optimasi adalah
proses untuk mencari kondisi-kondisi yang paling menguntungkan (optimum).
Optimasi ada dua jenis:
a. maksimasi : Objective function ( F.Obj.) sebesar-besarnya, missal keuntungan.
b. Minimasi: F.Obj. sekecil-kecilnya, misal pengeluaran, pengorbanan.
II.2 Ada 3 aspek optimasi, yaitu :
a. Optimasi matematis. Optimasi ini dilakukan pada proses (industri/kimia)
yang tetap, kemudian dicari kondisi yang optimum. Misal proses tertentu
pada suatu reaktor, dicari T, P, D optimum untuk produksi maksimum.

b. Optimasi inovatif. Optimasi dilakukan dengan merubah proses supaya

keuntungan sebesar-besarnya. Misal perubahan proses RAP menjadi RATB,
Perubahan dari suatu proses ke proses lain didasarkan atas inovatif kita,
berdasarkan pengalaman. Jadi, optimasi ini merupakan suatu kreativitas.

Contoh optimasi inovatif :

1. Optimalisasi pengutipan minyak pada deoling pond dengan
menggunakan skimmer sebagai alat pengganti mesin pompa diesel.

Banyaknya minyak yang terdapat pada kolam limbah menyebabkan

dilakukan pengutipan kembali untuk dikembalikan menuju proses
pemurnian. Kolam deoling merupakan salah satu bagian instalasi
pengolahan limbah pabrik kelapa sawit, khususnya limbah cair.
Menggunakan kutipan mesin pompa diesel kurang efektif, karena
berdasarkan komposisi buangan ke kolam deoling dari atas ke bawah yaitu,
minyak, emulsi, air, sludge. Bila menggunakan mesin pompa diesel akan
susah digerakan karena pipa penyedot ujung yang dipasang secara statis. Oil
skimmer adalah alat untuk memisahkan partikel cair yang berada diatas
cairan lain atau cairan yang mengambang karena cairan tersebut tidak
homogen. Yang sering kita temui adalah cairan minyak yang mengambang
diatas cairan air. Oil skimmer cukup efektif untuk memisahkan minyak dan
air.

2. Optimasi desain termohidrolika teras dan sistem pendingin reaktor

riset inovatif daya tinggi

Implementasi reaktor inovasi telah diterapkan pada berbagai reaktor

riset baru yang saat ini sedang dibangun. Pada saat ini BATAN sedang
merancang desain konseptual reaktor riset daya tinggi yang telah masuk
pada tahap optimasi desain. Spesifikasi desain konseptual reaktor riset
inovatif adalah reaktor tipe kolam berpendingin air dan reflektor D2O. Teras
reaktor memiliki kisi 5x5 dengan 16 bahan bakar dan 4 batang kendali.
Teras reaktor berada di dalam tabung berisi D2O yang berfungsi sebagai
posisi iradiasi. Daya reaktor 50 MW didesain untuk membangkitkan fluks
neutron termal sebesar 5x1014 n/cm2s. Teras reaktor berbentuk kompak dan
menggunakan bahan bakar U9Mo-Al dengan tingkat muat uranium 7-9
gU/cm3. Desain termohidrolika yang mencakup pemodelan, perhitungan
 dan analisis kecukupan pendingin dibuat sinergi dengan desain fisika teras
agar keselamatan reaktor terjamin. Makalah ini bertujuan menyampaikan
hasil analisis perhitungan termohidrolika teras dan sistem reaktor riset
inovatif pada kondisi tunak. Analisis dilakukan menggunakan program
perhitungan yang telah tervalidasi, masing-masing adalah Caudvap, PARET-
ANL, Fluent dan ChemCad 6.4.1. Hasil perhitungan menunjukkan bahwa
pembangkitan panas yang tinggi dapat dipindahkan tanpa menyebabkan
pendidihan dengan menerapkan desain teras reaktor bertekanan, di samping
itu desain awal komponen utama sistem pembuangan panas yang
terintegrasi telah dilakukan, sehingga konseptual desain termohidrolika
RRI-50 dapat diselesaikan.

c. Optimasi gabungan, yaitu optimasi matematis dan inovatif dilakukan

bersamaan. Misal suatu reaksi dapat dijalan pada fase gas dan cair. Optimasi
matematis untuk mencari kondisi optimum reaksi dengan fase cair. Optimasi
matematis untuk mencari kondisi optimum jika reaksidengan fase gas.
Selanjutnya, antara reaksi dengan fase cair dan fase gas dibandingkan
kondisi optimumnya, lalu dipilih proses yang paling optimum dengan
optimasi inovatif.

Ada metode sistematik untuk menentukan Design Variable, yaitu:

1. susun matrik variabel dan nomor persamaan.
2. coret kolom yang hanya berisi satu variabel.
3. urutan pencoretan harus diingat, karena urutan perhitungan adalah
kebalikan dari urutan pencoretan.
Matrik variabel dan nomor persamaan:

No. Q M TR A deltaT
Pers
1 X
2 X X
3 X X X
4 X X

Keterangan :
Q = panas
M = massa
TR = suhu
A = luas
Delta T = perubahan suhu
II.3 Metode Pencoretan
Dimulai dari variable yang memiliki satu X

Mekanisme pencoretan :
1. Pencoretan dilakukan pada variable yang memiliki 1 ‘x’ di dalam
persamaannya.
2. Jika ada dua atau lebih variable yang memiliki 1’x’ maka di coret
dari yang paling kiri.
3. Mencoret kebawah dan kesamping untuk pilihan pencorettan
pertama.
4. Beri tanda angka 1 pada kolom pertama yang dicoret dan seterusnya.
5. Coret kesamping dan beri tanda sesuai jumlah persamaan dan
diawali dengan angka terbesar dari jumlah persamaan.
6. Disamping itu beri tanda variable yang telah dicoret.
7. Ulangi langkah awal hingga semua persamaan habis tercore t.
Sehingga diperoleh:

Dengan pencoretan seperti di atas, maka delta T dipilih sebagai Design

Variable.

II.4 Algoritma Perhitungan

Berdasarkan design variable diatas, maka dapat kita buat Algoritma
Perhitungan sebagai berikut:

Mekanisme Algoritma Perhitungan:

1. Tulis variabel perancangannya terlebih dahulu
2. Gambar persamaan pertama ( Q )
3. Gambar persamaan kedua ( M ), pada persamaan kedua membutuhkan Q pada
persamaan pertama maka panah persamaan pertama mengarah pada persamaan
kedua
4. Gambar persamaan ke tiga ( A ), pada persamaan ketiga membutuhkan Q pada
persamaan pertama maka panah persamaan pertama mengrah pada persamaan
ketiga dan juga membutuhkan ∆T maka panah ∆T mengarah pada persamaan ke
tiga
5. Gambar persamaan Keempat ( TR ), pada persamaan keempat membutuhkan
∆T (variable perancang ) maka panah ∆T mengarah pada persamaan keempat
 II.5 The Special Property Of Extreme Points
Titik ekstrim merupakan solusi masalah optimasi linier yang dapat
ditemukan hanya disalah satu dari beberapa lokasi yang dibedakan. Algoritma
pemrograman linear seperti metode simpleks berasal efisiensi dengan membatasi
pencarian ke titik ekstrim.
Misalkan kita ingin mencampur tiga logam, A, B, dan C, untuk membentuk
10 ton logam campuran. Logam campuran harus memenuhi spesifikasi tertentu.
Yaitu, logam campuran harus mengandung setidaknya 25% timah, tidak lebih dari

50% timah, dan setidaknya 20% seng. Komposisi dan biaya tiga logam ditampilkan
dalam Table 7.3-1.
Biaya minimum dalam masalah pencampuran dapat berperan sebagai
persamaan linier pemograman. Biarkan xA dan xB menjadi ton logam A dan B yang
digunakan dalam campuran. Dengan perbedaan, ton logam C adalah 10-( xA + xB).

biaya logam campuran, yang akan diminimalkan, yang kemudian

Jumlah A, B, dan C yang membentuk logam yang memenuhi tiga spesifikasi untuk
membentuk solusi yang layak untuk masalah pencampuran. Wilayah solusi layak
ditampilkan dalam fig. 7.3.1. melihat lima poin di ekstrem wilayah solusi yang

layak. Berikut adalah poin yang ekstrim, salah satu yang sesuai dengan biaya
minimum campuran.

Fungsi biaya

Kurva linear dengan slope S=-10/16. Campuran biaya minimum tercapai ketika xA =
10 ton, xB = 0, dan xC = 0; Tapi, solusi ini tidak layak karena pembatas dilanggar.
Kita melihat bahwa campuran layak biaya minimum tercapai pada titik ekstrim 1,
dengan xA = 5 ton, xB = 0, dan xC = 5 ton.
Secara umum, untuk biaya dari tiga logam, kita perlu cari lebih dari hanya lima titik
ekstrem. Dengan demikian, jika tersedia metode untuk mendeteksi titik ekstrem,
pencarian solusi masalah linier pemograman sangat disederhanakan.
II.6 Teori simplex algorithm (Hal 196)
Salah satu teknik penentuan solusi optimal yang digunakan dalam
pemrograman linear adalah metode simpleks. Metode simpleks merupakan suatu
metode untuk menyelesaikan masalah-masalah program linear yang meliputi
banyak pertidaksamaan dan banyak variable. Penetuan solusi optimal menggunakan
metode simpleks didasarkan pada teknik eleminasi Gauss Jordan.Penentuan solusi
optimal dilakukan dengan memeriksa titik ekstrim satu per satu denan cara
perhitungan iterative. Sehingga penentuan solusi optimal dengan simpleks
dilakukan tahap demi tahap yang disebut dengan iterasi. Iterasi ke-i hanya
tergantung dari iterasi sebelumnya. Dalam menggunakan metode simpleks untuk
menyelesaikan masalah-masalah program linear, model program linear harus
diubah ke dalam suatu bentuk yang dinamakan “bantuk baku”. Ciri-ciri dari bentuk
baku model program linear adalah semua kendala berupa persamaan dengan sisi
kanan non negative, fungsi tujuan dapat memaksimumkan atau meminimumkan.
Ada beberapa istilah yang sangat sering digunakan dalam metode simpleks,
diantaranya :
- Iterasi adalah tahapan perhitungan dimana nilai dalam perhitungan itu tergantung
dari nilai tabel sebelumnya.
- Variable non basis adalah variable yang nilainya diatur menjadi nol pada
sembarang iterasi. Dalam terminology umum, jumlah variable non basis selalu
sama dengan derajat bebas dalam sistem persamaan.
- Variable basis merupakan variable yang nilainya bukan nol pada sembarang
iterasi. Pada solusi awal, variable basis merupakan variable slack (jika fungsi
kendala merupakan pertidaksamaan ≤) atau variable buatan (jika fungsi kendala
menggunakan pertidaksamaan ≥ atau =). Secara umum, jumlah variable basis selalu
sama dengan jumlah fungsi pembatas (tanpa fungsi non negatif).
- Solusi atau nilai kanan merupakan nilai sumber daya pembatas yang masih
tersedia. Pada solusi awal, nilai kanan atau solusi sama dengan jumlah sumber daya
pembatas awal yang ada, karena aktivitas belum dilaksanakan.
- Variabel slack adalah variabel yang ditambahkan ke model matematik kendala
untukmengkonversikan pertidaksamaan ≤ menjadi persamaan (=). Penambahan
variabel ini terjadi pada tahap inisialisasi. Pada solusi awal, variabel slack akan
berfungsi sebagai variabel basis.
- Variable surplus adalah variabel yang dikurangkan dari model matematika
kendala untuk mengkonversikan pertidaksamaan ≥ menjadi persamaan (=).
Penambahan ini terjadi pada tahap inisialisasi. Pada solusi awal, variabel surplus
tidak dapat berfungsi sebagai variabel basis.
- Variable buatan adalah variabel yang ditambahkan ke model matematik kendala
dengan bentuk ≥ atau = untuk difungsikan sebagai variabel basis awal. Penambahan
variabel ini terjadi pada tahap inisialisasi. Variabel ini harus bernilai 0 pada solusi
optimal, karena kenyataannya variabel ini tidak ada. Variabel hanya di atas kertas
saja.
- Kolom pivot (kolom kerja) adalah kolom yang memuat variabel masuk.
Koefisien pada kolom ini akan menjadi pembagi nilai kanan untuk menentukan
baris pivot (baris kerja).
- Baris pivot (baris kerja) adalah salah satu baris diantara variabel basis ang
memuat variabel keluar.
- Elemen pivot (elemen kerja) adalah elemen yang terletak pada perpotongan
kolom dan baris pivot. Elemen pivot akan menjadi dasar perhitungan untuk tabel
simpleks berikutnya.
- Variabel masuk adalah variabel yang terpilih untuk menjadi variabel basis pada
iterasi berikutnya. Variabel masuk dipilih satu dari antara variabel non basis pada
setiap iterasi berikutnya akan bernilai positif.
- Variabel keluar adalah variabel yang keluar dari variabel basis pada iterasi
berikutnya dan digantikan oleh variabel masuk. Variabel keluar dipilih satu dari
antara variabel basis pada setiap iterasi. Variabel ini pada iterasi berikutnya akan
bernilai nol.
 DAFTAR PUSTAKA

Dale F Rudd & Charles C Watson.1968.”Strategy Of Process Enginerring”.

Madison Wisconsin.The University Of Wisconsin