Rev1 - Lapsem DLT - C6
Rev1 - Lapsem DLT - C6
Disusun oleh:
Kelompok C-6
Tabel 4.2 Data hasil pengamatan kenaikan level tangki dengan perubahan laju alir
60 L/jam pada kondisi laju alir umpan 300 L/jam dan level steady 320
mm.
Laju Alir (L/jam) Level Tangki (mm) Waktu (detik)
320 0
350 10
355 20
360 30
365 40
375 50
380 60
390 70
300, ∆F= +60
395 80
400 90
410 100
420 110
435 120
445 130
455 140
465 150
Tabel 4.2 Data hasil pengamatan kenaikan level tangki dengan perubahan laju alir
60 L/jam pada kondisi laju alir umpan 300 L/jam dan level steady 320
mm (Lanjutan).
Laju Alir (L/jam) Level Tangki (mm) Waktu (detik)
480 160
490 170
510 180
525 190
540 200
550 210
570 220
585 230
300, ∆F= +60
595 240
610 250
625 260
640 270
650 280
660 290
660 300
660 310
Tabel 4.3 Data hasil pengamatan penurunan level tangki dengan perubahan laju
alir 40 L/jam pada kondisi laju alir umpan 350 L/jam dan level steady
540 mm.
540 0
530 10
350, ∆F= -40
529 20
527 30
Tabel 4.3 Data hasil pengamatan penurunan level tangki dengan perubahan laju
alir 40 L/jam pada kondisi laju alir umpan 350 L/jam dan level steady
540 mm (Lanjutan).
525 40
523 50
522 60
518 70
515 80
510 90
495 100
490 110
350, ∆F= -40
485 120
480 130
475 140
473 150
470 160
465 170
465 180
465 190
Tabel 4.4 Data hasil pengamatan penurunan level tangki dengan perubahan laju
alir 60 L/jam pada kondisi laju alir umpan 350 L/jam dan level steady
540 mm.
Laju Alir (L/jam) Level Tangki (mm) Waktu (detik)
540 0
520 10
350, ∆F= -60
517 20
515 30
Tabel 4.4 Data hasil pengamatan penurunan level tangki dengan perubahan laju
alir 60 L/jam pada kondisi laju alir umpan 350 L/jam dan level steady
540 mm (Lanjutan)
Laju Alir (L/jam) Level Tangki (mm) Waktu (detik)
514 40
513 50
510 60
497 70
490 80
485 90
480 100
475 110
470 120
467 130
350, ∆F= -60 465 140
450 150
452 160
448 170
445 180
440 190
537 200
435 210
430 220
430 230
430 240
5.2 Pembahasan
5.2.1 Perbandingan Antara Model Eksponensial dan Power Terhadap
Kenaikan Level Tangki
Hasil data percobaan yang diperoleh pada perubahan kenaikan level tangki
dilakukan pendekatan menggunakan dua model yaitu eksponensial dan power.
Kedua model ini digambarkan dalam bentuk sebuah kurva fungsi dari level air
terhadap waktu. Hubungan antara kenaikan level tangki dengan kedua model
tersebut dapat dilihat pada Gambar 5.1 dan Gambar 5.2.
Gambar 5.1 Hubungan kenaikan level tangki pada kondisi laju alir umpan 300
L/jam dan level steady 320 mm dengan perubahan laju alir 40 L/jam
untuk pemodelan ekponensial.
Gambar 5.2 Hubungan kenaikan level tangki pada kondisi laju alir umpan 300
L/jam dan level steady 320 mm dengan perubahan laju alir 40 L/jam
untuk pemodelan power.
Berdasarkan Gambar 5.1 dan Gambar 5.2 dapat dilihat hubungan kenaikan
level tangki pada kondisi laju alir umpan 300 L/jam dan level steady 320 mm
dengan perubahan laju alir 40 L/jam menggunakan pendekatan pemodelan
eksponensial dan power terhadap data aktual. Pada masing-masing model yang
dilakukan dapat diketahui bahwa nilai konstanta k 1 dan k2 memiliki perbedaan
yang cukup siginifikan. Model eksponensial diperoleh nilai kosntanta k1 dan k2
yaitu sebesar 6,5293 dan 0,9990. Sedangkan model power nilai konstanta k 1 dan
k2 diperoleh yaitu sebesar 53,4003 dan -0,2382. Pendekatan model eksponensial
dan power dapat juga dilihat nilai SSE (Sum of Squared Errors) yang bertujuan
untuk mendapatkan pemodelan yang cocok untuk pendekatan. Pada model
eksponensial dan power diperoleh nilai SSE secara berturut-turut sebesar 2293,5
dan 2392,9. Menurut nilai SSE yang diperoleh pemodelan kenaikan level tangki
lebih cocok digunakan pendekatan model eksponensial dikarenakan memiliki nilai
SSE lebih kecil dibandingkan model power. Hal ini dikarenakan semakin kecil
nilai SSE maka semakin akurat suatu data yang dimodelkan (Agustianto dkk.,
2018).
Gambar 5.4 Hubungan kenaikan level tangki pada kondisi laju alir umpan 300
L/jam dan level steady 320 mm dengan perubahan laju alir 60 L/jam
untuk validasi pemodelan power.
Berdasarkan Gambar 5.3 dan 5.4 dapat dilihat bahwa hasil validasi matlab
dengan pendekatan model eksponensial dan power diperoleh nilai SSE sebesar
11532 dan 76693. Menurut nilai SSE tersebut model eksponensial lebih
mendekati nilai aktual dibandingkan dengan model power. Hal ini disebabkan
SSE adalah salah satu metode pengukuran perfomansi validasi penurunan.
Semakin kecil nilai SSE pada validasi maka semakin baik percobaan yang
dilakukan (Saputra dkk., 2021).
Setelah dilakukan pendekatan dengan pemodelan dan validasi data,
diperoleh perbedaaan nilai SSE yang signifikan dengan model. Sehingga dapat
disimpulkan bahwa model eksponensial merupakan model yang lebih tepat untuk
peristiwa kenaikan level tangki karena memiliki nilai SSE yang lebih kecil
dibandingkan dengan model power. Hal ini dikarenakan bahwa nilai varibalitias
dari validasi data yang sangat akurat. Oleh karena itu nilai SSE yang mendekati
nilai aktual adalah pemodelan ekponensial (Bakri dkk., 2022).
540
data
pemodelan
530
520
level Tangki (mm)
510
500
490
480
470
460
0 20 40 60 80 100 120 140 160 180 200
waktu(s)
Gambar 5.5 Penurunan level tangki dengan pendekatan model eksponensial pada
kondisi laju alir umpan 350 L/jam dengan perubahan laju alir -40
L/jam dan level steady 540 mm.
540
data
pemodelan
530
520
level Tangki (mm)
510
500
490
480
470
460
0 20 40 60 80 100 120 140 160 180 200
waktu(s)
Gambar 5.6 Penurunan level tangki dengan pendekatan model power pada kondisi
laju alir umpan 350 L/jam dengan perubahan laju alir -40 L/jam dan
level steady 540 mm.
Berdasarkan Gambar 5.5 dan Gambar 5.6 dapat dilihat bahwa kurva
pemodelan eksponensial dan kurva pemodelan power tidak memiliki perbedaan
yang signifikan. Pada pendekatan model eksponensial, diperoleh nilai parameter
k1 dan k2 berturut-turut sebesar 10,5266 dan 0,9980 dengan nilai Sum of Square
Error (SSE) sebesar 53460. Sedangkan pada pendekatan model power, diperoleh
nilai parameter k1 dan k2 berturut-turut sebesar 11,0905 dan 0,0508 dengan nilai
SSE sebesar 98294. Dapat dilihat bahwa nilai SSE pada permodelan eksponensial
lebih kecil dibandingkan pada permodelan power. Sehingga pada penurunan level
lebih cocok menggunakan pemodelan Eksponensial karena semakin kecil nilai
Sum of Squared Error pada validasi penurunan maka semakin baik validasi yang
dihasilkan (Dewi dan pramita, 2021).
540
data
pemodelan
520
500
level Tangki (mm)
480
460
440
420
0 50 100 150 200 250
waktu(s)
Gambar 5.7 Validasi matlab untuk penurunan level tangki dengan model
eksponensial pada kondisi laju alir umpan 350 L/jam dengan
perubahan laju alir -60 L/jam dan level steady 540 mm
540
data
pemodelan
520
500
level Tangki (mm)
480
460
440
420
0 50 100 150 200 250
waktu(s)
Gambar 5.8 Validasi matlab untuk penurunan level tangki dengan model power
pada kondisi laju alir umpan 350 L/jam dengan perubahan laju alir -
60 L/jam dan level steady 540 mm.
Berdasarkan Gambar 5.7 dan 5.8 dapat dilihat bahwa hasil validasi matlab
dengan data aktual memiliki nilai yang tidak terlalu berbeda, Pada kedua gambar
tidak terlihat perbedaan yang signifikan, perbedaan hanya terletak pada adanya
titik-titik yang terputus, Namun jika dibandingkan kedua nilai SSE validasi antara
kedua jenis permodelan eksponensial dan power secara berturut turut sebesar
92575 dan 92588. Sehingga dapat disimpulkan bahwa model eksponensial lebih
cocok dibandingkan dengan model eksponensial. Hal ini dikarenakan Pemodelan
akan semakin akurat seiring dengan turunnya nilai SSE, dimana semakin kecil
nilai SSE, semakin tepat pula pemodelan yang dirumuskan (Wahyuni dkk., 2019).
Setelah dilakukan validasi data, didapati nilai SSE yang rendah pada
kedua model percobaan. Sehingga dapat disimpulkan bahwa model eksponensial
merupakan model yang lebih tepat untuk peristiwa penurunan level tangki karena
memiliki nilai SSE yang lebih kecil dibandingkan yang lainnya dan lebih
mendekati nilai aktual yang akurat. Hal ini mungkin dikarenakan efektifitas pada
validitas sehingga data pemodelan power dapat mendekati nilai aktual (Sukri dan
Seniwati, 2022).
5.2.5 Validasi Data Level Aktual Kenaikan dan Data Level Model Kenaikan
dengan Linear Fitting
Hasil data Percobaan yang sudah divalidasi menggunakan Matlab,
dilakukan juga validasi terhadap excel untuk melihat nilai R 2 pemodelan. Validasi
ini dilakukan dengan pemodelan data level aktual tangki dengan nilai SSE yang
lebih kecil, sehingga diperoleh nilai R2 masing-masing pemodelan. Hasil validasi
excel untuk model eksponensial pada laju alir 300L/jam dengan perubahan
kenaikan laju alir 40 L/jam dan hasil validasi data untuk model eksponensial
dengan perubahan keniakan laju alir 60 L/jam dapat dilihat pada Gambar 5.9 dan
Gambar 5.10.
620
Level Model Tangki (mm)
Gambar 5.9 Validasi MATLAB untuk kenaikan level tangki dengan pendekatan
model eksponensial pada kondisi laju alir 300 L/jam dengan
perubahan kenaikan laju alir 40 L/jam dan level umpan 320 mm.
670
Level Model Tangki (mm) f(x) = 0.904598921209981 x + 51.4506907699878
620 R² = 0.976140640855794
570
520
470
420
370
320
320 370 420 470 520 570 620 670 720
Level Tangki (mm)
Gambar 5.10 Validasi MATLAB untuk kenaikan level tangki dengan pendekatan
model eksponensial pada kondisi laju alir 300 L/jam dengan
perubahan kenaikan laju alir 60 L/jam dan level umpan 320 mm.
Dari Gambar 5.9 dapat dilihat nilai slope, intersep, dan R 2 secara berurutan
sebesar 1,0352; 18,499; dan 0,9902. Sedangkan dari Gambar 5.10 diperoleh
nilai slope, intersep, dan R2 secara berurutan sebesar 0,9046; 51,451; dan
0,9761. Nilai Regresi linear (R2) dapat mengukur seberapa jauh kemampuan
model dalam menerangkan variasi variabel terikat atau sebagai informasi
kecocokan suatu model. Jika R2 Semakin mendekati angka satu, maka
model yang dikeluarkan oleh regresi tersebut akan semakin sesuai untuk
aplikasi pada sistem tersebut (Aryanti, 2023). Pada kedua variasi kenaikan laju
alir +40 L/h dan +60 L/h memiliki nilai regresi (R 2) yang mendekati 1 yaitu
0,9902 dan 0,9761 yang menunjukkan bahwa pendekatan model power untuk
kenaikan level cukup mendekati valid.
5.2.6 Validasi Data Level Aktual Penurunan dan Data Level Model
Penurunan Dengan Linear Fitting
Hasil dari percobaan yang telah dilakukan, divalidasi terhadap hasil dari
permodelan dengan menggunakan garis linear. Sehingga dapat diketahui nilai R 2
dari masing masing data. Validasi dilakukan dengan data level tangki melalui
pendekatan model eksponensial karena memiliki nilai SSE terkecil dari
percobaan model sebelumnya. Data yang digunakan untuk validasi model adalah
data eksperimen yang tidak digunakan untuk permodelan, sehingga data validasi
berbeda dengan data permodelan, namun pada kondisi opersi yang sama. Pada
percobaan ini validasi dilakukan pada kondisi laju alir umpan 350 L/h dan level
steady 540 mm dengan perubahan penurunan laju alir -40 L/h dan -60L/h. Hasil
validasi data untuk model power dengan perubahan penurunan laju alir - 40 L/h
dapat dilihat pada Gambar 5.11 dan untuk perubahan penurunan laju alir - 60
L/h dapat dilihat pada Gambar 5.12.
560
Level Model Tangki (mm)
540
f(x) = 0.915310595437181 x + 41.648041221866
520 R² = 0.962025157323593
500
480
460
440
420
465 475 485 495 505 515 525 535 545
Level Tangki (mm)
Dari Gambar 5.11 dapat dilihat nilai slope, intersep, dan R 2 secara
berurutan sebesar 0,9153; 41,648; dan 0,962. Sedangkan dari Gambar 5,12
diperoleh nilai slope, intersep, dan R2 secara berurutan sebesar 0,9989; 0,5632;
dan 1. Nilai regresi linear (R2) dapat mengukur sejauh mana model dapat
menjelaskan variasi variabel terikat atau sebagai informasi kelengkapan model.
Jika nilai linear R2 mendekati 1, maka model yang digunakan semakin sesuai
untuk aplikasi pada sistem tersebut (Hamsa dan Ilhami., 2023). Pada penurunan
laju alir -40 L/h dan -60 L/h memiliki nilai regresi linear (R 2) mendekati 1 yaitu,
0,962 dan 1 yang menunjukkan bahwa pendekatan model eksponensial untuk
penurunan level cukup mendekati valid.
V. Kesimpulan
Berdasarkan percobaan yang telah dilakukan, dapat diambil beberapa
kesimpulan sebagai berikut:
1. Pendekatan dengan pemodelan eksponensial merupakan pemodelan yang
sesuai untuk percobaan kenaikan level tangki, dengan perolehan nilai SSE
sebesar 2293,5.
2. Pendekatan dengan pemodelan eksponensial merupakan pemodelan yang
sesuai untuk percobaan validasi kenaikan level tangki, dengan perolehan
nilai SSE sebesar 11532.
3. Pendekatan dengan pemodelan eksponensial merupakan pemodelan yang
sesuai untuk percobaan penurunan level tangki, dengan perolehan nilai
SSE sebesar 53460.
4. Pendekatan dengan pemodelan ekponensial merupakan pemodelan yang
sesuai untuk percobaan validasi penurunan level tangki, dengan perolehan
nilai SSE sebesar 92575.
VI. DAFTAR PUSTAKA
Abidin, Z., dan Ihsanto, E. 2021. Perancangan Kontroler PID Level Deaerator dan
Kondensor pada Steam Power Plant Berbasis Algoritma Genetika. Jurnal
Teknologi Elektro, 12(3): 153-159.
Agustianto, S. P., Martha, S., dan Satyahadewi, N. 2018. Pemodelan Faktor
Penyebab Kecelakaan Lalu Lintas di Kalimantan Barat dengan Metode
Geographically Weighted Regression (GWR). Buletin Ilmiah Matematika,
Statistika dan Terapannya. 7(4): 303-310.
Andhika, L. R. 2019. Model Sistem Dinamis: Simulasi Formulasi Kebijakan
Publik. Jurnal Ekonomi Dan Kebijakan Publik.10(1):73-86.
Ariasa, K., Gunadi, I. G. A., dan Candiasa, I. M. 2020. Optimasi Algoritma
Klaster Dinamis pada K-means dalam Pengelompokan Kinerja Akademik
Mahasiswa (Studi Kasus: Universitas Pendidikan Ganesha). Jurnal
Nasional Pendidikan Teknik Informatika. 9(2): 181-192.
Aryanti, E. N. (2023). Analisis Pengaruh Indeks Kesehatan dan Indeks
Pendidikan, Angkatan Kerja dan Jumlah Penduduk Terhadap IPM di
Provinsi Jawa Timur Tahun 2015-2021. Jurnal Ilmu Ekonomi. 7(02): 223-
234.
Azizah, Z. 2020. Dinamika Dan Pengendalian Sistem Quadruple Tank
Menggunakan Controller PI-PID Dengan Metode Detuning. Journal Of
Research and Technology. 6(1): 56-69.
Baksir, A. H., Fuad, A., Tempola, F., dan Rosihan, R. 2020. Prediksi Tingkat
Kualitas Kesuburan Pria Dengan Jaringan Saraf Tiruan
Backpropagation. JIKO (Jurnal Informatika dan Komputer), 3(2): 107-
112.
Fi
Fo
Level Model
function sse = levelmodel(x)
global data_t data_L L0 k
global Lmodel
k=x;
tspan=data_t;
%solver
[t,Lmodel]=ode23s('level01',tspan,L0);
sse=sum((data_L-Lmodel).^2)
A=k(1)
B=k(2)
Pemodelan
clc
global data_L data_t L0 Fi A k c
global Lmodel
%data
data_L =
[320;360;365;370;380;385;390;400;410;420;425;430;440;460;470;475;4
80;490;500;510;520;535;540;550;560;570;580;585;585;585];
data_t = 0:10:290
figure(1)
plot(data_t',data_L,'o','MarkerSize',7)
hold on
%tank area
r= 5;
A= 3.14*r^2;
%initial guesses
x0 = [ 1 1];
%solver
[xopt,fval,exitflag] = fminsearch('levelmodel',x0);
figure(1)
plot(data_t',Lmodel','-','LineWidth',3)
Lmodel
xlabel('waktu(s)')
ylabel('level Tangki (mm)')
legend('data','pemodelan')