Laporan Sementara

Laboratorium Satuan Operasi dan Proses

DINAMIKA LEVEL TANGKI

Disusun oleh:
Kelompok C-6

Miftahul Arzaq 2104103010090

Renaldi Putra 2104103010024

JURUSAN TEKNIK KIMIA

FAKULTAS TEKNIK UNIVERSITAS SYIAH KUALA
DARUSSALAM, BANDA ACEH
2023
I. Tujuan Percobaan
Tujuan dari percobaan ini yaitu untuk memahami dinamika level tangki
dan membuat model matematikanya.

II. Dasar Teori

Miftahul Arzaq
Pengukuran level merupakan suatu pengendalian dalam sebuah tangki.
Level yang dimaksud adalah level air atau ketinggian air dalam tangki.
Pengukuran level sendiri banyak dimanfaatkan untuk mengetahui sudah tepat atau
belumkah ukuran level air didalam sebuah tangki. Selain itu, banyak digunakan
untuk mengetahui ketinggian air sungai untuk mendeteksi banjir. Pengukuran
level dapat dilakukan dengan cara pengukuran manual maupun menggunakan
sebuah sensor. Oleh karena itu pengukuran level sangat penting, kegagalan dalam
pengukuran level akan berakibat buruk bahkan dapat membahayakan keselamatan
(Rakhmawati dan Kurniawan, 2020).
Jumlah air yang kurang atau berlebihan dapat berdampak berbagai hal.
Contohnya pada industri kimia terdapat proses pemisahan cairan (distilasi) yang
membutuhkan pengaturan level ketinggian cairan. Apabila ada perubahan laju
aliran masukan yang disebabkan perubahan tekanan aliran inlet atau juga
disebabkan timbulnya gaya gesek pada pipa saluran, maka akan mengakibatkan
perubahan debit masukan yang membuat level cairan berubah-ubah. Masalah
yang muncul ketika level ketinggian cairan dalam tangki penampung tidak
diketahui, sehingga dimungkinkan terjadi keadaan tangki penampung yang
meluap atau kosong dikarenakan kurangnya pengawasan terhadap tangki
penampung. Hal ini dapat mengganggu stabilitas dalam proses pemisahan cairan
tersebut (Suryantoro, 2019).
Secara prinsip, mengontrol ketinggian cairan sama dengan mengatur
jumlah cairan yang masuk dan keluar. Perilaku dan sifat-sifat sistem dapat
dipresentasikan sebagai model matematis. Model matematis dapat memberi
gambaran tentang hubungan fungsional antara input dan output suatu proses dan
merupakan gambaran perilaku dinamik sebuah sistem. Pemodelan matematis ini
diimplementasikan berdasarkan proses input dan output yang terjadi pada tangki
sebagai pendekatan untuk dapat disimulasikan (Abidin dan Ihsanto, 2021).
Renaldi Putra
Industri kimia merupakan serangkaian proses yang mengolah bahan baku
menjadi produk agar memiliki nilai ekonomi yang lebih tinggi. Dalam
pelaksanaannya, diperlukan sistem pengendali yang mampu menjaga kestabilan
proses agar didapat hasil yang optimal. Setiap unit operasi perlu kondisi operasi
yang berbeda-beda, dimana satu unit dengan unit yang lain seringkali saling
mempengaruhi atau berinteraksi. Bahkan dalam satu unit proses, antar variabel
satu dengan variabel yang lain saling berinteraksi, maka dari itu diperlukan suatu
prototype sederhana yang dapat mewakili dinamika proses multivariabel yang
sangat kompleks (Azizah, 2020).
Model sistem dinamis berupaya untuk menganalisis kemungkinan-
kemungkinan yang dapat terjadi sebagai bahan informasi formulasi kebijakan
yang lebih kompleks, berbagai kegiatan seperti konseptual, formulasi dan
penggunaan aplikasi komputer memudahkan untuk menerjemahkan data-data
empiris yang dihimpun. Mempelajari dinamika sistem diharapkan dapat
mengetahui dan membantu dalam menganalisa suatu sistem yang berubah
terhadap waktu. Sistem yang awalnya dalam performa yang baik jika beroperasi
secara terus-menerus berdasarkan fungsi waktu akan mengalami perubahan dan
perbedaan dengan kondisi awalnya. Sehingga dengan mempelajari dinamika
sistem dapat memprediksi kesalahan dan mempercepat proses penanggulangan
terhadap error yang terjadi (Andhika, 2019).
Tangki merupakan salah satu wadah penyimpanan yang sering digunakan
dalam berbagai industri seperti pegilangan, petrokimia, perminyakan dan lain-lain.
Tangki adalah salah satu tempat untuk menjaga ketersedian suatu dan bahan baku.
Selain itu, tangki juga dapat menjaga produk atau bahan baku dari kontaminan
yang dapat menurunkan kualitas suatu produk dan bahan baku (Mahardhika dan
Ratnasari, 2018).
Dalam dinamika level tangki ada sistem kontrol yang mana fungsinya
untuk mengatur dan mengendalikan satu atau beberapa besaran sehingga berada
pada suatu range tertentu. Sistem kontrol adalah salah satu kumpulan metode
yang mempelajari kebiasaan benda. Selain itu sistem kontrol juga gabungan dari
komponen yang saling terikat dan bekerja secara terus menerus dalam mencapai
tujuan yang di harapkan di awal (Friadi dan Junadhi, 2019).
III. Prosedur Kerja
Peralatan yang digunakan dalam percobaan ini adalah Control Rig,
diperlihatkan pada Gambar 3.1 berikut.

Gambar 3.1 Peralatan Control Rig

Sketsa sederhana peralatan yang berkaitan dengan percobaan ini diberikan
pada Gambar 3.2 berikut.

Gambar 3.2 Sketsa peralatan percobaan dinamika level tangki

 Adapun prosedur kerja dalam praktikum Dinamika Level Tangki adalah
sebagai berikut:
3.1 Prosedur Start-up Peralatan
1. Tangki penampungan diisi dengan air hingga penuh
2. Peralatan dinyalakan (saklar listrik: ON)
3. Valve V3 dan V2 dibuka.

3.2 Prosedur Percobaan

1. Mode Level dipilih pada panel (saklar pada posisi L)
2. Pompa dinyalakan
3. Valve 3 diputar untuk mengalirkan fluida ke flow meter dan atur laju alir
masuk dengan menggunakan valve V2 sesuai dengan penugasan
4. Level air ditetapkan dalam tangki sesuai penugasan dengan cara mengatur
valve V5. Pengujian dinamika level siap dilakukan
5. Perubahan laju alir masuk atau keluar dilakukan sesuai dengan penugasan,
amati perubahan level fluida dan catat nilainya setiap waktu sampling.

3.3 Prosedur Shut-down

1. Pompa dimatikan
2. Air dalam tangki penampung dibuang
3. Peralatan dimatikan (saklar listrik: OFF)
IV. Data Pengamatan
Tabel 4.1 Data hasil pengamatan kenaikan level tangki dengan perubahan laju alir
40 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
360 10
365 20
370 30
380 40
385 50
390 60
400 70
410 80
420 90
425 100
430 110
300, ∆F= +40 440 120
460 130
470 140
475 150
480 160
490 170
500 180
510 190
520 200
535 210
540 220
550 230
560 240
Tabel 4.1 Data hasil pengamatan kenaikan level tangki dengan perubahan laju alir
40 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)
570 250
580 260
300, ∆F= +40 585 270
585 280
585 290

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.

Laju Alir (L/jam) Level Tangki (mm) Waktu (detik)

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).

Laju Alir (L/jam) Level Tangki (mm) Waktu (detik)

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

V. Hasil dan Pembahasan

5.1 Hasil Pengolahan Data
Tabel 5.1 Data pendekatan model teoritis untuk dinamika level tangki
Parameter SSE (sum
Percobaan Kondisi Model of squared
k1 k2
errors)
Eksponensia
Kenaikan 6,5293 2293,5
l 0,9990
level
Power 53,4003 -0,2382 2392,9
Pemodelan
Eksponensia
Penurunan 4,9984 53460
l 1,0008
level
Power 1,8127 0,4032 98294
Eksponensia
Kenaikan 8,7944 11532
l 0,9979
level
Power 2,1457 -0,4069 76693
Validasi
Eksponensia
Penurunan 4,5872 92575
l 1,0003
level
Power 4,5409 0,1911 92588

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).

5.2.2 Perbandingan Validasi Matlab Pada Perubahan Kenaikan Level Tangki

dengan Permodelan Eksponensial dan Power
Hasil data percobaan yang diperoleh dengan penggunaan aplikasi matlab
pada perubahan kenaikan level tangki dilakukan sebagai validasi data
menggunakan dua model yaitu eksponensial dan power. Validasi adalah suatu
penilaian terhadap parameter tertentu berdasarkan percobaan untuk membuktikan
bahwa parameter tersebut meemnuhi persyaratan untuk penggunaannya (harmono,
2020). 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 5.3 dan Gambar 5.4.
Gambar 5.3 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 ekponensial.

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).

5.2.3 Perbandingan Antara Model Eksponensial dan Power Terhadap

Penurunan Level Tangki
Pada penurunan level tangki, dari data hasil praktikum dapat dilakukan
pendekatan nilai F0 dengan permodelan eksponensial dan permodelan power pada
kondisi laju alir umpan 350 L/jam dengan perubahan laju alir -40 L/jam dan level
steady 540 mm. Kedua permodelan tersebut dapat dilihat pada Gambar 5.5 dan
Gambar 5.6.

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).

5.2.4 Perbandingan Validasi Matlab Pada Perubahan Penurunan Level

Tangki dengan Permodelan Eksponensial dan Power
Berdasarkan hasil yang telah diperoleh dengan penggunaan program
MATLAB untuk penurunan level tangki dengan perubahan laju alir sebesar -40
L/jam, maka perlu dilakukan validasi. Validasi pada percobaan dilakukan dengan
melakukan percobaan ulang dengan variabel laju alir yang berbeda. Percobaan
validasi dilakukan dengan menurunkan laju alir sebesar 60 L/jam pada kondisi
laju alir umpan 350 L/jam dan level steady 540 mm. Hasil pendekatan dengan
menggunakan model eksponensial dan model power untuk validasi dapat dilihat
pada Gambar 5.7 dan 5.8.

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)

570 f(x) = 1.03523658793888 x − 18.4985441352935

R² = 0.990196952448484
520
470
420
370
320
320 370 420 470 520 570
Level 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)

Gambar 5.11 Validasi MATLAB untuk penurunan level tangki dengan

pendekatan model eksponensial pada kondisi laju alir umpan 350 L/h
dengan perubahan penurunan laju alir -40 L/h dan level steady 540
mm
 550
Level Model Tangki (mm) f(x) = 0.998865172593585 x + 0.563171686964608
530 R² = 0.999995528941698
510
490
470
450
430
439 459 479 499 519 539 559
Level Tangki (mm)

Gambar 5.12 Validasi MATLAB untuk penurunan level tangki dengan

pendekatan model eksponensial pada kondisi laju alir umpan 350 L/h
dengan perubahan penurunan laju alir -60 L/h dan level steady 540
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.

Dewi, D. A. I. C., dan Pramita, D. A. K. 2019. Analisis Perbandingan Metode

Elbow dan Silhouette pada Algoritma Clustering K-Medoids dalam
 Pengelompokan Produksi Kerajinan Bali. Jurnal Manajemen Teknologi
dan Informatika. 9(3): 102-109.
Friadi, R., dan Junadhi. 2019. Sistem Kontrol Intensitas Cahaya, Suhu, Dan
Kelembaban Udara Pada Greenhouse Berbasis Rasberry PI. Journal Of
Technopreneurship And Information System. 2(1): 30-37.
Harmono, H. D. 2020. Validasi metode analisis logam merkuri (Hg) terlarut pada
air permukaan dengan automatic mercury analyzer. Indonesian Journal of
Laboratory. 2(3): 11-16.
Hamsa, P. R., & Ilhami, M. D. (2023). PENGARUH SELF EFFICACY DAN
LOCUS OF CONTROL TERHADAP KINERJA KARYAWAN (Studi
Kasus Pada Kantor Anter Aja Kota Bengkulu). Jurnal Entrepreneur dan
Manajemen Sains (JEMS). 4(2):563-576.
Mahardhika, P., dan Ratnasari, A. 2018. Perancangan Tangki Stainless Steel Untuk
Penyimpanan Minyak Kelapa Murni Kapasitas 75 M3. Jurnal Teknologi
Rekayasa. 3(1): 39-46.
Rakhmawati, A., dan Kurniawan, D. 2020. Linieritas Periode Sensor Kapasitif
Untuk Pengukuran Level Tangki Ukur. In Seminar Nasional Teknik
Elektro. 5(1): 132-134.
Saputra, P. S. 2021. Perbandingan Algoritma Fuzzy C-Means dan Algoritma
Naive Bayes dalam Menentukan Keluarga Penerima Manfaat (KPM)
Berdasarkan Status Sosial Ekonomi (SSE) Terendah. Jurnal Sains dan
Teknologi).10(1): 1-8.
Sukri, M. I. A., dan Seniwati, E. 2022. Perbandingan Kinerja Trend Moment
Dengan Single Exponential Smoothing Terhadap Prediksi Penjualan Di
Soole. Co Store Yogyakarta. Information System Journal. 5(2): 7-10.
Suryantoro, H. 2019. Prototype Sistem Monitoring Level Air Berbasis Labview
dan Arduino Sebagai Sarana Pendukung Praktikum Instrumentasi Sistem
Kendali. Indonesian Journal of Laboratory, 1(3): 20-32.
Wahyuni, S., Supriyanto, dan Djayus. 2019. Estimasi Sebaran Kualitas Batubara
(Ash Content) Menggunakan Metode Invers Distance Weighted (Idw) Dan
 Ordinary Kriging (Ok) Di PT. Kayan Putra Utama Coal Site Separi,
Kalimantan Timur. Jurnal Geosains. 2(1): 1–6.

VI. Contoh Perhitungan

7.1 Penurunan Persamaan Perhitungan Dinamika Level Tangki

Fi

Fo

Laju alir masuk – laju alir keluar + laju generasi – akumulasi = 0

dm
= ṁi – ṁo
dt
m=ρ.v dan m=ρ.F
d (ρV )
= ρFi – ρFo
dt
Asumsikan ρ konstan, karena tidak ada pengaruh terhadap perubahan suhu
dV
ρ = ρFi – ρFo
dt
dV
= Fi – Fo
dt
V=A.L
d ( A . L)
= Fi – Fo
dt
dL
A = Fi -Fo
dt
7.2 Script Pencarian Persamaan Data dan Perhitungan Grafik
Perhitungan Matlab (untuk contoh perhitungan)
Level 01
function dL = level01(t,L)
global A Fi k
%c = k(1) + k(2)*L %konstan
%c = k(1)*L^k(2); %power
c = k (1)*exp(k(2)^L); %eksponensial
dL= (1/A)*(Fi-F0); %Persamaan Neraca Massa

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;

%input flow rate

Fi= 320
%initial level
L0 = data_L(1);

%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')