Abstract:
Reactive Dividing Wall Column (RDWC) merupakan salah satu contoh keberhasilan
dari intersifikasi proses dalam teknik kimia. Kelebihannya dalam menghasilkan produk
dengan kemurnian tinggi, efisiensi energi yang sangat baik, serta mengurangi banyak alat
operasi pada satu kolom menunjukkan kehebatan yang sangat menjanjikan. Dibalik
kelebihannya, RDWC memiliki proses yang rumit akibat keterkaitan antar variabel proses
dan karakteristik yang bersifat non-linear. Kesulitan dalam memprediksi kelakuan dinamik
pada RDWC menjadi salah satu masalah yang diakibatkan oleh kompleksitas alat ini.
Penelitian ini mencoba menyelesaikkan kerumitan dalam memprediksi dinamika
proses RDWC menggunakan machine learning berjenis LSTM dan GRU. Dinamika proses
dilakukan dengan mengubah beban panas reboiler ataupun rasio refluks sebagai
Manipulated Variable(MV) dan kemurnian produk sebagai Controlled Variable (CV). Data
dinamika RDWC dihasilkan menggunakan ASPEN Plus Dynamics dan diolah melalui
proses pre-treatment. Variasi hyperparameter dilakukan pada saat pelatihan model hingga
diperoleh model paling akurat.
Pengujian menggunakan test data dilakukan untuk melihat bagaimana kemampuan
LSTM serta GRU dalam memprediksi respon dinamik RDWC. Model yang dibuat oleh
LSTM dan GRU diharapkan mampu memprediksi dengan akurat besar kemurnian produk
RDWC ketika terjadi perubahan rasio refluks ataupun beban panas reboiler. Model ini juga
diharapkan mampu memprediksi secara akurat bila MV diubah lebih dari 10%.
LSTM maupun GRU menghasilkan model yang sama baiknya dari segi akurasi.
Activation function Tanh, Sigmoid, ReLU, maupun ELU juga merupakan fungsi yang sama
baiknya dari segi akurasi. Batch size sebesar 16 menjadi nilai kritis dimana waktu training
tidak menunjukkan perubahan yang signifikan di atas nilai 16. Kombinasi LSTM/GRUTANH-
16 dan LSTM/GRU-RELU-16 memberikan model yang terbaik dari segi akurasi dan
waktu training. Pemodelan menggunakan model terbaik ini dengan perubahan MV diatas
10 % juga mampu memberikan akurasi yakni 𝑅2 diatas 0.98 dan RMSE dibawah 0.0009.
Kombinasi LSTM-TANH-16 memberikan hasil terbaik dari sisi akurasi maupun waktu
pelatihan yang dibutuhkan untuk memprediksi data dinamik RDWC dengan perubahan di
atas ±10%.
