Abstract:
Seiring dengan berjalannya waktu, proses di industri juga terus berkembang
menjadi semakin kompleks untuk dapat mencapai efisiensi dan efektivitas yang lebih baik.
Salah satu dari proses yang dikembangkan untuk tujuan tersebut adalah distilasi reaktif
yang menggabungkan proses reaksi dan pemisahan (distilasi) dalam satu kolom. Distilasi
reaktif dinilai sangat baik karena dapat mengurangi total biaya investasi alat serta dapat
meningkatkan efisiensi pemisahan proses yang memiliki azeotrop. Salah satu penerapan
distilasi reaktif adalah reaksi esterifikasi untuk produksi 2-ethylhexyl dodecanoate karena
kondisi operasinya yang sesuai dengan operating window kolom distilasi reaktif. Namun,
proses distilasi reaktif memiliki kompleksitas yang tinggi akibat interaksi dari variabelvariabel
proses reaksi dengan distilasi yang kemudian membuat proses ini sangat sulit
untuk dapat dipelajari dinamikanya menggunakan first-principle modelling.
Untuk menjawab hal tersebut, penelitian ini mencoba untuk mengaplikasikan datadriven
modelling dengan menggunakan model neural network LSTM dan GRU yang
diketahui memiliki kemampuan untuk memodelkan suatu sequential data dengan baik.
Dalam penelitian ini, akan ditentukan konfigurasi hyperparameter dengan akurasi terbaik
untuk memodelkan kemurnian produk 2-ethylhexyl dodecanoate akibat multiple
disturbances perubahan laju alir umpan 1 (asam dodekanoat) dan 2 (2-etilheksanol). Data
yang akan digunakan untuk pelatihan model bersumber dari simulasi dinamik. Konfigurasi
hyperparameter terbaik akan ditentukan dengan hyperparameter tuning pada activation
function (ReLU, tanh, sigmoid, SeLU, dan elu) dan batch size (20-210).
Berdasarkan hasil penelitian, konfigurasi model neural network terbaik yang
diperoleh adalah LSTM-elu16 dengan nilai R2 sebesar 0,999999821. Namun, selain dari
konfigurasi tersebut pada penelitian ini ditemukan seluruh konfigurasi memiliki nilai R2 >
0,99 yang menunjukkan akurasi model yang sangat tinggi. Hal ini disebabkan oleh
penggunaan data simulasi yang bersih dalam pelatihan dan pengujian model neural
network.
