xxiii

DAFTAR NOTASI

xn = input JST yn = output JST vji = bobot input ke hidden layer zj = hidden layer vj0 = bobot bias ke hidden layer wkj = bobot hidden layer ke layer output wk0 = bobot bias ke layer output tk = target JST δ = radius e = error f(i) = arah pencarian (search direction) G = gradien r (i) = rasio R(θ) = Gaus Newton Hessian L(i)(θ) = kriteria perkiraan (approximation criterion) Vn = kriteria sebenarnya (true criterion) f = fungsi aktivasi dari neuron fi = fungsi aktivasi hidden layer Fi = fungsi aktivasi output φi = input untuk neuron N = jumlah data yt = data target JST

∧

ty = data hasil simulasi JST

T = kondisi benar (true) F = kondisi salah (false)

( )smb

•

= laju aliran amine yang termanipulasi (kg/s)

( )sU = sinyal masukan ke control valve (mA)

xxiv

K = gain control valve

vτ

= time constant control valve (s)

∆V = fraksi massa perubahan control valve Rv = perbandingan time constant inherent dengan time

stroke Yc = faktor stroking time valve Cv = koefisien control valve

1

BAB I PENDAHULUAN

1.1 Latar Belakang

Proses penghilangan senyawa belerang pada proses kilang minyak terjadi pada H2S removal unit. Unit ini terdiri dari amine contactor dan amine regenerator. Amine contactor berfungsi untuk menyerap H2S dari sour gas yang melewati plant ini sedangkan amine regenerator berfungsi untuk meregenerasi amine yang telah digunakan untuk menyerap H2S tadi agar dapat digunakan untuk proses penyerapan kembali di amine contactor. Pada plant HESS ini terdapat amine contactor yang didesain mengunakan bahan penyerap amine yaitu berjenis methyl diethanol amine (MDEA). Berdasarkan desain yang ada, MDEA digunakan pada konsentrasi 45% weight dengan toleransi hingga ± 5%. Perhitungan secara desain dengan konsentrasi seperti ini akan mampu menghasilkan spesifikasi sales gas dengan kadar H2S maksimum 10 ppm.

Ketika awal pengoperasian dihasilkan laju gas dari sumur sekitar 100 MMSCFD. Dengan laju gas seperti ini diperlukan laju amine sebesar ± 33 m3/h dengan konsentrasi 43,44 %. Dari perbandingan ini didapatkan hasil sales gas dengan spesifikasi maksimum 9 ppm. Permasalahan yang terjadi adalah pada saat ini laju gas dari sumur hanya 40 MMSCFD tetapi membutuhkan amine sebesar ± 29 m3/h dengan konsentrasi yang lebih tinggi yaitu 47,39 %. Hal ini menunjukkan pengunaan amine yang tidak efisien jika kita lihat dari perbandingan jumlah gas dan jumlah amine yang dibutuhkan.

Permasalahan ini dapat terjadi karena tiga hal utama. Pertama adalah karena terjadinya penurunan laju gas yang dihasilkan dari sumur pengeboran. Kedua tidak adanya kontroller yang mengatur secara langsung banyaknya pengunaan amine yang dibutuhkan, sehingga ketika terjadi perubahan laju sour gas yang ekstrim tidak dapat teratasi. Ketiga adalah tidak diketahuinnya secara pasti komposisi campuran bahan penyerap amine terhadap jumlah sour gas yang masuk contactor, karena

2

memang semakin banyak amine yang ditambahkan akan semakin banyak H2S yang diserap tetapi di sisi lain pada batas tertentu juga akan mengurangi kadar hidrocarbon yang merupakan unsur terpenting pada gas.

Untuk itu pada penelitian ini dilakukan analisa laju amine terhadap sour gas pada saat laju gas masih sekitar 100 MMSCFD sebagai acuan penetapan perbandingan paling efisien terhadap perubahan laju gas dari sumur. Dari data tersebut kemudian dicari hubungan korelasinya antara laju amine dan sour gas. Korelasi ini nantinya digunakan sebagai dasar mengenerate pasangan data laju amine dan sour gas yang sesuai dengan set point yang diharapkan. Dari data ini dibuatlah pemodelan plant yang berbasis jaringan syaraf tiruan dan kontroller berbasis data berdasarkan pasangan data tersebut untuk mengendalikan konsentrasi H2S yang dihasilkan.

Melalui penelitian ini, maka penambahan amine dapat dikontrol sesuai dengan perubahan laju sour gas mengunakan kontroller berbasis data yang dibuat. Nantinya diharapkan dari penelitian ini akan sangat membantu HESS dalam peningkatan kinerja operasional dan efisiensi plant.

1.2 Permasalahan

Dari latar belakang di atas maka permasalahan pada tugas akhir ini adalah bagaimana menganalisa hubungan antara laju sour gas yang masuk dan amine yang harus ditambahkan serta bagaimana merancang sistem pengendalian laju amine yang dapat mengatasi setiap perubahan laju sour gas yang masuk.

1.3 Tujuan

Adapun tujuan dari tugas akhir ini adalah menganalisis hubungan laju sour gas yang masuk dengan jumlah amine yang harus ditambahkan dan merancang sistem pengendalian laju amine yang mampu mengatasi setiap perubahan laju sour gas yang masuk.

3

1.4 Batasan Masalah Untuk memfokuskan permasalahan yang diangkat dalam

tugas akhir ini, maka beberapa batasan masalah yang diambil adalah sebagai berikut : • Data yang digunakan untuk melihat kondisi plant didapatkan

dari data DCS pada bulan Juni 2008. • Data yang digunakan sebagai acuan adalah data desain

kapasitas terpasang dari vendor. • Metode yang akan digunakan adalah dengan mengunakan

kontroler berbasis data, dimana data yang dijadikan acuan adalah data desain.

• Pengaruh temperatur dari luar tidak diperhitungkan. • Pemodelan plant amine contactor mengunakan jaringan

syaraf tiruan dengan arsitektur backpropagation dan algoritma training Lavenberg Marquardt.

• Arsitektur model plant JST mengunakan variasi antar 1-3 hidden layer dan jumlah hidden node tiap layer antara 1 – 10 hidden node.

• Model plant terbaik ditetapkan berdasarkan nilai RMSE dan VAF.

4

Halaman ini sengaja dikosongkan

5

BAB II TINJAUAN PUSTAKA

Bab ini berisi landasan teori yang menunjang penyelesaian

masalah yang diangkat melalui penelitian ini. Teori-teori ini menjadi rujukan dan pedoman dalam penyusunan tugas akhir. Selain itu juga sebagai landasan berfikir penulis untuk menganalisa process plant yang telah ada. Penyusunan tinjauan pustaka ini didapatkan dari berbagai sumber, antara lain adalah studi pustaka, internet, wawancara, manual instrument operating dan data real yang terjadi di lapangan.

2.1 Hidrogen Sulfida

Minyak bumi tersusun dari senyawa hidrokarbon sebanyak 50-98% berat, sisanya terdiri dari zat – zat organik yang mengandung belerang, oksigen dan nitrogen serta senyawa – senyawa anorganik. Belerang terdapat dalam bentuk hidrogen sulfida (H2S), belerang bebas (S), merkaptan (R-SH, dengan R = gugus alkil), sulfida (R-S-R’), disulfida (R-S-S-R’) dan tiofen (sulfida siklik). Senyawa-senyawa belerang tidak dikehendaki karena menimbulkan bau tidak sedap, bersifat korosif pada produk pengolahan, mengurangi efektivitas zat-zat bubuhan pada produk pengolahan, meracuni katalis-katalis perengkahan dan juga menyebabkan pencemaran udara pada proses pembakaran bahan bakar minyak karena senyawa belerang teroksidasi menjadi zat-zat korosif yang membahayakan lingkungan, yaitu SO

2 dan

SO3.

2.2 Proses pada H2S Removal

H2S removal adalah salah satu plant yang bertujuan untuk menyerap kandungan hydrogen sulfida (H2S) dan karbon dioksida (CO2) yang terkandung di dalam gas alam (sour gas) agar sesuai dengan spesifikasi sales gas yaitu maksimum 10 ppm kadar H2S. Komponen ini perlu dihilangkan karena dapat menyebabkan

6

korosif pada perpipaan. Berikut akan dijelaskan aliran proses yang terjadi di H2S removal.

Gambar 2.1 Proces flow diagram H2S removal

Pertama input gas proses yang berasal dari production

separator pertama kali masuk ke dalam amine contactor inlet KO drum, ujuanya adalah untuk mengambil hydrocarbon liquid yang kemungkinan masih ada dalam gas proses, walaupun sebelumnya telah dilakukan proses pemisahan di slug catcher. Hidrocarbon liquid yang didapat kemudian dialirkan menuju ke liquid separator. Selanjutnya gas yang telah bersih dari kandungan liquid ini dilewatkan pada mercury guard beds dan beds guard

7

filter sebelum dimasukkan ke dalam amine contactor. Fungsi kedua filter ini yang jelas adalah menangkap mercury dan partikel – partikel padatan kecil yang masih terbawa oleh gas proses.

Gas proses yang sudah bersih dimasukkan ke dalam kolom amine contactor yang memiliki 12 buah tray. Fungsi dari kolom ini adalah untuk menyerap H2S dan CO2. Penyerapan ini dilakukan dengan bantuan larutan amine yaitu MDEA (Methyl Diethanol Amine). MDEA ini efektif digunakan untuk menyerap sulfur pada konsentrasi 30% -50% wt dalam air. Selain itu MDEA juga tidak mudah terdegradasi baik secara thermal maupun chemical dan mempunyai heat of reaction dengan H2S yang rendah. Gas proses dimasukkan dari bagian bawah kolom sedangkan larutan MDEA (lean amine) dari bagian atas, dimana antar kedua fluida ini akan saling terjadi kontak dan fungsi dari tray ini adalah untuk memperluas permukaan kontak sehingga proses absorpsi dapat maksimal.

Hasil gas dari amine contactor kemudian dialirkan ke dalam amine overhead gas KO drum sedangkan larutan MDEA yang telah digunakan (rich amine) dialirkan menuju amine flash drum. Di dalam amine overhead gas KO drum ini larutan amine carry over atau yang masih terbawa oleh gas produk dipisahkan sehingga hasilnya sudah berupa sweet gas yang kemudian akan diproses lebih lanjut di TEG dehydration system, sedangkan larutan amine yang telah dipisahkan tadi (rich amine) dialirkan menjadi satu di amine flash drum.

Amine flash drum terdiri dari tiga input yaitu dari amine contactor, amine overhead KO drum dan dari blanketing fuel gas, sedangkan outputnya ada dua yaitu ke acid flare system dan ke lean amine exchanger dimana sebelumnya dilewatkan pada rich amine filter. Bagian ini didesain untuk mem-venting flash ligh hydrocarbon dan memisahkan liquid hydrocarbon berupa LPG sampai dengan gas oil.

Lean / rich amine heat exchanger berguna untuk pemanasan awal rich amine yang akan dimurnikan lagi di dalam kolom amine regeneration. Fluida yang digunakan adalah lean amine hasil dari amine generation colom dimana permuniannya dengan

8

cara dipanaskan, sehingga fluida hasilnya masih cukup panas untuk dialirkan ke heat exchanger. Tipe dari heat exchanger ini adalah shell and tube.

Setelah pemanasan awal di heat exchanger rich amine kemudian diolah di dalam amine regeneration untuk mendapatkan lean amine kembali dengan cara dipanaskan dengan amine reboiler mengunakan hot oil sebagai fluidanya. H2S akan terlepaas dan menguap ke atas sedangkan amine akan turun ke bawah. Gas ini kemudian didinginkan oleh amine regenerator overhead cooler sebelum kemudian ditampung di amine reflux drum. Sedangkan yang keluar dari bagian bawah kolom dan masih panas karena proses tadi dialirkan oleh hot lean amine pump untuk digunakan sebagai fluida pemanas pada heat exchanger tadi.

Setelah dilewatkan heat exchanger, karena masih tinggi suhunya maka didinginkan lagi oleh lean amine air cooler. Kemudian lean amine ini dialirkan melalui tiga buah filter yaitu amine mechanical filter, carbone filter dan solvent filter sebelum nanti hasilnya ditampung dalam amine surge vessel. Fungsi dari ketiga filter ini adalah untuk untuk mengambil partikel – partikel kecil yang terikut di dalam lean amine dan juga untuk mengilangkan hydrocarbon yang terikut untuk meningkatkan kualitas lean amine.

Di dalam amine reflux drum akan terbagi lagi, untuk yang benar – benar sudah murni gas H2S keluar menuju ke thermal oxidizer dan acid flare untuk dibakar. Sedangkan yang masih berbentuk liquid diumpankan kembali (reflux) kedalam amine regeneration untuk diproses kembali dan sebagian lagi ke amine drain vessel.

Larutan amine dari amine reflux drum dan amine regeneration dikumpulkan jadi satu di dalam amine drain vessel bersama blanketing fuel gas. Dari sini sebagian amine yang masih belum murni dikembalikan lagi ke amine contactor, sedangkan yang sudah benar – benar murni dialirkan ke amine surge vessel mengunakan amine drain vessel pump.

9

Amine surge vessel mendapat input lean amine dari amine regeneration yang sudah murni dan sudah melalui tiga filter, selain itu dari amine drain vessel. Dalam vessel ini juga mendapat input blanketing fuel gas yang berfungsi untuk menjaga viscositas larutan agar tidak meningkat tajam saat cuaca dingin. Dalam vessel ini juga sangat dihindari terjadinya venting tangki ke atmosfer. Dari amine surge vessel ini sudah didapatkan larutan amine murni lagi yang sudah siap untuk diumpankan kembali oleh lean amine pump ke amine contactor.

2.3 Amine Contactor

Proses penyerapan memainkan peranan penting pada industri oil and gas. Input dari reaktor kimia seringkali berisi komposisi tertentu. Beberapa diantaranya harus dipisahkan untuk menghasilkan produk akhir atau untuk digunakan pada proses selanjutnya.

Salah satu proses itu terjadi pada amine contactor yang berfungsi menyerap kadar H2S. Pada kolom tersebut terdapat campuran antara fase gas dan fase liquid. Gas yang mengalir masuk (sour gas) melalui bagian bawah kolom mengalami kontak dengan cairan kimia (lean solution) yaitu methyl diethanol amine (MDEA). Reaksi penyerapannya adalah sebagai berikut.

Hydrogen sulfida (H2) merupakan asam lemah dan terionisasi dalam air untuk membentuk ion hidrogen dan ion sulfide :

H2S ↔ H+ + HS- (2.1)

Sedangkan senyawa amine merupakan basah lemah dan terionisasi dalam air untuk membentuk ion amine dan ion hydroxyl :

CH3N(C2H4OH)2 + H2O ↔ CH4+N(C2H4OH)2 + OH- (2.2)

Jika H2S terlarut dalam larutan yang mengandung ion amine,

maka akan bereaksi membentuk garam ikatan lemah dari asam dan basa, dan disulfide ion diabsorb oleh larutan amine :

10

CH4+N(C2H4OH)2 + HS- ↔ CH4NHS(C2H4OH)2 (2.3)

Reaksi totalnya dapat dituliskan dengan persamaan reaksi

sebagai berikut :

CH3N(C2H4OH)2 + H2S ↔ CH4NSH(C2H4OH)2 (2.4) 2.4 Kondisi Operasi

H2S removal system pada Hess Ujung Pangkah ini mengunakan MDEA ( Methyl Diethanolamine ) pelarut (Ucarsol HS 115 dari Dow Chemical) untuk menyerap kandungan di aliran gas dan mengurangi konsentrasi dari H2S hingga maksimal 10 ppm untuk memenuhi spesifikasi gas jual. Tetapi pada proses permunian ini ditetapkan set point 8 ppm sebagai target dari pihak HESS sendiri untuk menjaga kualitas gas yang dihasilkan.

Gambar 2.2 Desain operasi H2S removal plant

Pelarut Urcasol diformulasikan untuk bekerja pada konsentrasi 45%-wt berdasarkan rekomendasi dari Dow

11

Chemical. Dow juga menyebutkan bahwa Ucarsol dapat efisien pada konsentrasi 50 ± 5%-wt. Operasi diatas range konsentrasi ini dapat menyebabkan permasalahan seperti tidak efisiennya penyerapan gas asam dan peningkatan hidrokarbon yang terikut, efisiensi perpindahan panas yang buruk dan daya pompa yang tinggi. Sedangkan operasi dibawah konsentrasi yang direkomendasikanakan menyebabkan peningkatan jumlah sirkulasi dan kerja reboiler yang tinggi.

Desain kapasitas terpasang amine contactor adalah mampu mengolah sour gas hingga 144 MMSCFD. Amine contactor ini memiliki 12 tray dimana laju saluran lean amine yang paling utama terletak pada tray 1. Feed gas masuk melalui bagian bawah dengan tekanan 45,8 barg dan suhu 29,50C dan di kontakkan dengan larutan amine dari atas kolom. Flow sour gas sebelum masuk kedalam amine contactor melalui inlet KO drum terlebih dahulu. Dimana KO drum ini didesain seperti seperator untuk melakukan proses penyaringan hingga level 10 micron. Gas yang telah bersih meninggalkan amine contactor dengan kadar H2S yang rendah sedangkan rich amine membawa banyak H2S keluar melalui kolom bagian bawah.

2.5 Jaringan Syaraf Tiruan

Jaringan Syaraf Tiruan (JST) dibangun pada awalnya dengan tujuan untuk meniru secara fungsional mekanisme kerja otak manusia dalam menyimpan, belajar, dan mengambil kembali pengetahuan yang tersimpan dalam sel saraf atau neuron[3]. Otak manusia berisi berjuta – juta sel syaraf yang bertugas untuk memproses informasi. Tiap – tiap sel bekerja seperti suatu prosesor sederhana. Masing - masing sel tersebut berinteraksi sehingga mendukung kemampuan kerja otak manusia.

Gambar 2.3 menunjukkan susunan syaraf pada manusia. Setiap sel syaraf neuron memiliki satu inti sel, inti sel ini nanti yang akan bertugas untuk melakukan pemrosesan informasi. Informasi yang datang akan diterima oleh dendrit. Selain menerima informasi , dendrit juga menyertai axon sebagai keluaran dari suatu pemrosesan informasi. Informasi hasil olahan

12

ini akan menjadi masukan bagi neuron lain yang mana antar dendrit dari kedua sel tersebut dipertemukan dengan synapsis.

Gambar 2.3 Susunan syaraf manusia[3]

Informasi yang dikirimkan antar neuron ini berupa

rangsangan yang dilewatkan melalui dendrit. Informasi yang datang dan diterima oleh dendrit akan dijumlahkan dan dikirim melalui axon ke dendrit akhir yang bersentuhan dengan dendrit dari neuron yang lain. Informasi ini akan diterima oleh neuron lain jika memenuhi batasan tertentu yang sering dikenal dengan nama nilai ambang batas (threshold).

Jaringan syaraf tiruan seperti halnya manusia, belajar dari suatu contoh karena mempunyai karakteristik yang adaptif, yaitu dapat belajar dari data – data sebelumnya dan mengenal pola data yang selalu berubah. Selain itu, jaringan syaraf tiruan merupakan sistem yang tak terprogram, artinya semua keluaran atau kesimpulan yang ditarik oleh jaringan didasarkan pada pengalaman selama mengikuti proses pembelajaran atau pelatihan.

Hal yang ingin dicapai dengan melatih jaringan syaraf tiruan adalah untuk mencapai keseimbangan antara kemampuan memorisasi dan generalisasi. Kemampuan memorisasi adalah kemampuan jaringan syaraf tiruan untuk mengambil kembali secara sempurna sebuah pola yang telah dipelajari. Kemampuan generalisasi adalah kemampuan jaringan syaraf tiruan untuk menghasilkan respon yang bisa diterima terhadap pola – pola input yang serupa namun tidak identik dengan pola – pola yang sebelumnya telah dipelajari. Hal ini sangat bermanfaat ketika

13

jaringan syaraf tiruan itu dimasukkan informasi baru yang belum pernah dipelajari, maka jaringan syaraf tiruan itu masih akan tetap dapat memberikan tanggapan yang baik dan memberikan keluaran yang paling mendekati[4].

2.5.1 Komponen jaringan syaraf tiruan

Ada bebrapa tipe jaringan syaraf, namun demikian hampir semuanya memiliki komponen – komponen yang sama. Seperti halnya otak manusia, JST juga terdiri dari beberapa neuron dan ada hubungan antar neuron – neuron tersebut. Neuron – neuron tersebut akan mentransformasikan informasi yang diterima melalui sambungan keluarannya menuju ke neuron – neuron yang lain. Pada JST hubungan ini dikenal dengan nama bobot. Informasi tersebut disimpan pada suatu nilai tertentu pada bobot tersebut. Gambar 2.4 di bawah ini menunjukkan struktur neuron pada jaringan syaraf tiruan. Pada struktur neuron terdapat tiga bagian penting yaitu input neuron, fungsi aktivasi dan output neuron, selain itu juga terdapat nilai bobot yang dapat ditambahkan pada tiap layer.

Gambar 2.4 Struktur neuron JST

Jika kita lihat neuron buatan ini sebenarnya mirip dengan sel

neuron biologis. Neuron – neuron buatan tersebut bekerja dengan cara yang sama pula dengan neuron – neuron biologis. Informasi disebut dengan input akan dikirim ke neuron dengan bobot kedatangan tertentu. Input ini akan diproses oleh suatu fungsi perambatan yang akan menjumlahkan nilai – nilai semua bobot yang datang. Hasil penjumlahan ini kemudian akan dibandingkan dengan suatu nilai ambang ( threshold ) tertentu melalui fungsi aktivasi setiap neuron. Apabila input tersebut melewati suatu nilai ambang tertentu, maka neuron tersebut akan diaktifkan, tetapi

14

jika tidak maka neuron tersebut tidak akan diaktifkan. Apabila neuron tersebut diaktifkan, maka neuron tersebut akan mengirimkan output melalui bobot – bobot outputnya ke semua neuron yang berhubungan dengannya, demikian seterusnya.

Pada jaringan syaraf, neuron – neuron akan dikumpulkan dalam lapisan – lapisan atau layer yang disebut dengan lapisan neuron (neuron layer). Biasanya neuron – neuron pada satu lapisan akan dihubungkan dengan lapisan – lapisan sebelum dan sesudahnya kecuali lapisan input dan lapisan output. Informasi yang diberikan pada jaringan akan dirambatkan mulai dari lapisan input sampai lapisan output melalui lapisan yang lainnya yang sering dikenal dengan nama lapisan tersembunyi (hidden layer). Tergantung pada algoritma pembelajarannya, bisa jadi informasi tersebut akan dirambatkan secara mundur atau maju pada jaringan. 2.5.2 Arsitektur jaringan

Jaringan syaraf tiruan memiliki beberapa arsitektur jaringan yang sering digunakan dalam berbagai aplikasi. Arsitektur JST tersebut antara lain jaringan lapis tunggal, jaringan lapis banyak dan jaringan dengan lapisan kompetitif [5].

Jaringan dengan lapisan tunggal (single layer)

Jaringan dengan lapisan tunggal terdiri dari 1 layer input dan 1 layer output. Setiap neuron atau unit yang terdapat di dalam lapisan atau layer input selalu terhubung dengan setiap neuron yang terdapat pada layer output. Jaringan ini hanya menerima input kemudian secara langsung akan mengolahnya menjadi output tanpa harus melalui lapisan tersembunyi.

Pada gambar 2.5 tersebut lapisan input memiliki 3 neuron yaitu x1, x2 dan x3. Sedangkan pada lapisan output memiliki 2 neuron yaitu y1 dan y2. Neuron – neuron pada kedua lapisan saling berhubungan dimana besar hubungan antar keduannya ditentukan oleh bobot yang bersesuaian.

15

Gambar 2.5 Arsitektur layer tunggal[5]

Jaringan dengan lapisan jamak (multi layer)

Jaringan dengan lapisan jamak memiliki ciri khas tertentu yaitu memiliki 3 jenis layer yakni layer input, layer output dan layer tersembunyi. Jaringan dengan banyak lapisan ini dapat menyelesaiakan permasalahan yang lebih kompleks dibandingkan jaringan lapisan tunggal. Namun, proses pelatihan jaringan sering membutuhkan waktu yang lama.

Gambar 2.6 Arsitektur layer jamak[5]

Pada gambar 2.6 terlihat bahwa arsitektur ini memiliki 1

atau lebih lapisan yang terletak diantara lapisan input dan output yaitu yang dinamakan lapisan tersembunyi.

16

2.5.3 Proses pelatihan jaringan syaraf tiruan Jaringan syaraf tiruan mencoba untuk mensimulasikan

kemampuan otak manusia untuk belajar. Jaringan syaraf tiruan juga tersusun atas neuron – neuron dan dendrit. Tidak seperti model biologis, jaringan syaraf memiliki struktur yang tidak dapat diubah, dibangun oleh sejumlah neuron dan memiliki nilai tertentu yang menunjukkan seberapa besar koneksi antar neuron yang dikenal dengan nama bobot. Perubahan yang terjadi selama proses pembelajaran adalah perubahan nilai bobot. Nilai bobot akan bertambah jika informasi yang diberikan oleh neuron yang bersangkutan tersampaikan, sebaliknya jika informasi tidak disampaikan oleh suatu neuron ke neuron lain, maka nilai bobot yang menghubungkan keduanya akan dikurangi. Pada saat pembelajaran dilakukan pada input yang berbeda maka nilai bobot akan diubah secara dinamis hingga mencapai suatu nilai yang cukup seimbang. Apabila nilai ini sudah tercapai mengindikasikan bahwa tiap – tiap input telah berhubungan dengan output yang diharapkan. Cara berlangsungnya pembelajaran atau pelatihan jaringan syaraf tiruan dikelompokkan menjadi 3 yaitu[4] :

Supervised learning (pembelajaran terawasi)

Pada metode ini, setiap pola yang diberikan kedalam jaringan syaraf tiruan telah diketahui outputnya. Selisih antara pola output aktual (output yang dihasilkan) dengan pola output yang dikehendaki (output target) yang disebut error digunakan untuk mengoreksi bobot jaringan syaraf tiruan sehingga mampu menghasilkan output sedekat mungkin dengan pola target yang telah diketahui oleh JST. Contoh arsitektur jaringan yang mengunakan metode ini adalah backpropagation.

Unsupervised learning (pembelajaran tak terawasi)

Pada metode ini tidak memerlukan target output. Metode ini tidak dapat ditentukan hasil seperti apakah yang diharapkan selama proses pembelajaran. Selama proses pembelajaran, nilai bobot disusun dalam suatu range tertentu tergantung pada nilai

17

input yang diberikan. Tujuan pembelajaran ini adalah mengelompokkan unit – unit yang hampir sama dalam suatu area tertentu.

Hybrid learning (pembelajaran hibrida)

Merupakan kombinasi dari metode pembelajaran supervised learning dan unsupervised learning. Sebagian dari bobot – bobotnya ditentukan melalui pembelajaran terawasi dan sebagian lainnya melalui pembelajaran tak terawasi.

2.5.4 Arsitektur backpropagation

Backpropagation memiliki beberapa unit yang ada dalam satu atau lebih layer tersembunyi. Gambar 2.7 adalah arsitektur backpropagation dengan n buah masukan (ditambah sebuah bias), sebuah layer tersembunyi yang terdiri dari p unit (ditambah sebuah bias), serta m buah unit keluaran.

Gambar 2.7 Arsitektur backpropagation dengan n masukan[6] vji merupakan bobot garis - garis unit masukan x1 ke unit

layer tersembunyi zj (vj0 merupakan bobot garis yang menghubungkan bias dari unit masukan ke unit layer tersembunyi zj). wkj merupakan bobot dari unit layer tersembunyi zj ke unit

18

keluaran yk (wk0 merupakan bobot dari bias di layer tersembunyi ke unit keluaran zk). 2.5.5 Fungsi aktivasi

Dalam backpropagation, fungsi aktivasi yang dipakai harus memenuhi bebrapa syarat yaitu : kontinu, terdiferensial dengan mudah dan merupakan fungsi yang tidak turun. Salah satu fungsi yang memenuhi ketiga syarat tersebut sehingga sering dipakai adalah fungsi sigmoid biner yang memiliki range (0,1).

���� = ���� dengan turunan ����� = �����1 − ����� (2.5)

Gambar 2.8 Grafik fungsi sigmoid biner

Fungsi lain yang sering dipakai adalah fungsi sigmoid

bipolar yang bentuk fungsinya mirip dengan fungsi sigmoid biner, tapi dengan range (-1,1).

���� = ���� − 1 dengan turunan ����� = ����������������

� (2.6)

Gambar 2.9 Grafik fungsi sigmoid bipolar

19

Fungsi sigmoid memiliki nilai maksimum = 1. Maka untuk

pola yang targetnya > 1, pola masukan dan keluaran harus terlebih dahulu ditransformasi sehingga semua polanya memiliki range yang sama seperti fungsi sigmoid yang dipakai. Alternatif lain adalah menggunakan fungsi aktivasi sigmoid hanya pada layer yang bukan layer keluaran. Pada layer keluaran, fungsi aktivasi yang dipakai adalah fungsi identitas : f(x) = x 2.5.6 Pelatihan standar backpropagation

Pelatihan backpropagation terdiri dari 3 fase. Fase pertama adalah fase maju. Pola masukan dihitung maju mulai dari layer masukan hingga layer keluaran mengunakan fungsi aktivasi yang ditentukan. Fase kedua adalah fase mundur. Selisih antara keluaran jaringan dengan target yang diinginkan merupakan kesalahan yang terjadi. Kesalahan tersebut dipropagasikan mundur, dimulai dari garis yang berhubungan langsung dengan unit – unit di layer keluaran. Fase ketiga adalah modifikasi bobot untuk menurunkan kesalahan yang terjadi. Langkah pengerjaanya adalah sebagai berikut : • Inisialisasai semua bobot dengan bilangan acak kecil Fase I Propagasi Maju • Tiap unit masukan menerima sinyal dan meneruskannya ke

unit tersembunyi diatasnya. • Hitung semua unit keluaran di unit tersembunyi zj (j=1,2,..,p)

����� = ��� + � ������

��� �2.7�

�� = �������� = 11 + ��$��%& �2.8�

• Hitung semua keluaran jaringan di unit yk (k=1,2,..,m)

(���) = *)+ + � ��*)� �2.9�-

���

20

() = ��(���)� = ����./012 �2.10�

Fase II Propagasi mundur • Hitung faktor δ unit keluaran berdasarkan kesalahan di setiap

unit keluaran yk (k=1,2,..,m) •

4) = ��) − ()����(���)� = ��) − ()�()�1 − ()� �2.11� ∆k merupakan unit kesalahan yang akan dipakai dalam perubahan bobot lapisan di bawahnya

• Hitung suku perubahan bobot wkj ( yang akan dipakai nantinya untuk merubah bobot wkj) dengan laju percepatan α

∆*)� = 64)7� ; 9 = 1,2, . . ; ; < = 0,1, … , >

4���� = ��� + � 4)*)�?

)�� �2.12�

Faktor δ unit tersembunyi :

4� = 4������������� = 4���� 7��1 − 7�� �2.13�

• Hitung suku perubahan bobot vji ( yang akan dipakai nanti untuk merubah bobot vji)

∆��� = 64��� ; < = 1,2, . . > ; A = 0,1, … , � �2.14�

Fase III Perubahan bobot • Hitung semua perubahan bobot • Perubahan bobot garis yang menuju unit keluaran :

wkj (baru) = wkj (lama) + ∆wkj (k=1,2,...,m ; j=0,1,...,p) (2.15)

• Perubahan bobot garis yang menuju ke unit tersembunyi : vkj (baru) = vkj (lama) + ∆vkj (j=1,2,...,p ; i=0,1,...,n) (2.16)

21

Ketiga fase tersebut diulang – ulang terus hingga kondisi

penghentian dipenuhi. Umumnya kondisi penghentian yang sering dipakai adalah jumlah iterasi atau kesalahan. Iterasi akan dihentikan jika jumlah iterasi yang dilakukan sudah melebihi jumlah maksimum iterasi yang ditetapkan, atau jika kesalahan yang terjadi sudah lebih kecil dari batas tolerasi yang diijinkan. 2.5.7 Algoritma belajar Lavenberg Marquardt

Training JST merupakan proses pemetaan antara input dan output JST untuk mendapatkan bobot yang tepat. Pada metode supervised training diperlukan input dan output. Untuk mendapatkan hasil pemodelan yang lebih baik digunakan algoritma Levenbeg Marquardt, meskipun algoritma pembelajaran ini lebih komplek dibandingkan dengan algoritma yang lain. Karena itu dalam penelitian ini menggunakan algoritma pembelajaran Levenberg Marquardt, dengan penurunan algoritma ini adalah sebagai berikut:

Data training adalah suatu set input u(k) yang berpasangan dengan output yang diinginkan y(k). atau dapat ditulis:

�C = DEF�9�, (�9�G|9 = 1, … , IJ (2.17)

Tujuan pembelajaran ini menentukan bobot yang mungkin dari pasangan data yang diberikan:

�C → * Sehingga jaringan akan mengeluarkan perkiraan output ŷ(k) yang sama atau mendekati output y(k). Perkiraan error akan didekati dengan mean square error criterion:

LC�*, �C� = M��*� − ��C ∑E(�9� − (O�9|*�GPE(�9� − (O�9|*�G (2.18)

Bobot yang diperoleh:

),(minarg NN

wZwVw = (2.19)

22

)()()()1( iiii fww µ+=+ (2.20)

wi bobot saat ini, f(i) adalah arah pencarian dan µ(i) adalah besar langkah.

Levenberg Marquardt adalah metode standar untuk minimisasi dari mean square error criterion. Pada algoritma ini mempunyai parameter λ untuk menjaga konvergensi. Harga λ dikontrol dengan rasio antara penurunan harga aktual dan harga prediksi.

)(),(

),(),()()()()(

)()()()(

iiiNiN

NiiN

NiNi

fwLZwV

ZfwVZwVr

+−+−

= (2.21)

dimana :

2)( ])|(

)|()([)(w

wkyfwkykyfwL Ti

∂∂

−−=+

∧∧

∑ (2.22)

)()(),( )()()( iTiTNiN wRfwGfZwV ++= (2.23)

G merupakan gradient kriteria dengan mengacu pada bobot dan R adalah pendekatan dari Hessian. Jika rasio mendekati satu, L(i)(w(i) + f) mendekati VN, dan λ seharusnya dikurangi dengan beberapa faktor. Begitu juga sebaliknya jika rasio kecil atau negatif maka λ sebaiknya ditambah.

Algoritma Levenberg Marquardt dapat diringkas sebagai berikut: 1. Pilih vektor bobot awal w(0) dan harga awal λ(0).

Dimana w adalah bobot dan λ diberikan harga awal. 2. Tentukan arah pencarian.

)()]([ )()()()( iiii wGfIwR −=+ λ (2.24)

23

maka diperoleh f dan dimasukan ke:

),(minarg NN

wZwVw=

jika VN(w(i) + f(i) ,ZN) < VN (w(i) ,ZN) sehingga memenuhi w(i+1) = w(i) + f(i) sebagai iterasi baru, maka λ(i+1) = λ(i). Jika tidak maka mencari harga baru dari r

)(),(

),(),()()()()(

)()()()(

iiiNiN

NiiN

NiNi

fwLZwV

ZfwVZwVr

+−+−

= (2.25)

jika r(i) > 0,75 maka λ(i) = λ(i) /2 jika r(i) < 0,25 maka λ(i) = 2λ(i) dimana:

∑ −−−= )]|(ˆ)([)]|(ˆ)([2

1)(),( 1 wkykywkyky

NwLZwV TN

N

)()()( )()()()()()()( GffffwL TiiTiiiii −=+ λ (2.26)

3. Jika kriteria tercapai, maka perhitungan berhenti. Jika kriteria belum tercapai maka mengulangi langkah nomor 2.

2.6 Pemodelan Plant Amine Contactor dengan JST

Pada pemodelan ini data input yang digunakan adalah flow sour gas dan juga flow amine (MDEA). Sedangkan data output yang digunakan adalah konsentrasi ppm H2S.

Struktur yang digunakan untuk pemodelan ini adalah backpropagation karena ini merupakan metode yang paling mudah digunakan untuk mengenali pola hubungan data input output. Diagram blok pemodelan plant seperti ditunjukkan pada gambar di bawah ini.

24

PLANT

PEMODELAN

PLANT JST

u y

e

yhat

Gambar 2.10 Blok diagram pemodelan plant JST

Dari gambar di atas u merupakan data input plant, sedangkan y merupakan data output plant. Setelah itu kemudian data dilatih dan divalidasi dengan JST sehingga menghasilkan output JST yang berupa yhat. Kemudian data output JST (yhat) dibandingkan dengan data output plant (y) sehingga didapatkan nilai error (e). Dari nilai error inilah yang akan digunakan untuk meng-update nilai bobot JST secara terus menerus atau sering disebut dengan istilah iterasi. Proses iterasi ini dilakukan terus menerus hingga didapatkan nilai output model plant JST yang paling bagus sesuai dengan kriteria pemodelan plant yang telah ditentukan.

Arsitektur backpropagation yang digunakan memiliki tiga layer utama yaitu layer input, layer output dan hidden layer. Layer input terdiri dari 2 node dimana hal ini merepresentasikan jumlah masukan yaitu flow sour gas dan flow amine. Layer output terdiri dari 1 node merepresentasikan satu output yaitu ppm H2S. Sedangkan jumlah hidden layer dan jumlah node tiap hidden layer dapat bervariasai. Pada penelitian ini dilakukan variasi 1 – 3 hidden layer dan 1 – 10 variasi hidden node tiap hidden layer. Secara sederhana arsitektur pemodelan dapat dilihat pada gambar di bawah ini.