Salah satu sistem kendali yang umum digunakan dalam dunia industri adalah sistem kendali tekanan udara. Pengendali tekanan udara dalam industri merupakan sistem atau perangkat yang dirancang untuk mengatur dan memantau tingkat tekanan udara dalam suatu lingkungan industri. Tujuannya adalah untuk memastikan bahwa tekanan udara diatur sesuai dengan persyaratan khusus dari suatu proses industri tertentu. Modul kendali tekanan udara, Pressure Control Trainer (PCT)鈭14 di Laboratorium Kendali Proses Jurusan Teknik Kimia Politeknik Negeri Malang merupakan alat praktikum kendali tekanan yang memberikan pemahaman yang realistis kepada mahasiswa tentang cara kerja sistem kendali. Modul ini dilengkapi dengan Programmable Logic Controller (PLC) dan Human Machine Interface (HMI) yang bekerja secara online dan real-time saat membaca data dari sistem yang dikendalikan. PCT-14 dirancang untuk tujuan pendidikan, menyediakan platform praktis bagi mahasiswa untuk mempelajari teknik kendali proses dan teori kendali. Pada modul kendali tekanan PCT-14, pengendali PID merupakan pengendali utama yang digunakan. Nilai parameter kontrol PID dapat mempengaruhi karakteristik respon sistem. Penyetelan nilai parameter PID dapat dilakukan dengan beberapa metode. Metode yang telah digunakan untuk penyetelan parameter PID pada modul kontrol tekanan PCT-14 adalah metode Skogestad. Sedangkan metode yang digunakan untuk simulasi fungsi transfer sistem kontrol tekanan udara PCT-14 adalah metode Good Gain, Cohen-Coon, dan Ziegler-Nichols. Hasil beberapa metode penyetelan PID disimulasikan pada sistem kontrol tekanan udara PCT-14 melalui diagram blok. Hasil penelitian yang dilakukan [1] menunjukkan bahwa semua parameter kontroler PID yang digunakan menghasilkan error yang kecil ketika setpoint diubah sebesar 20% dari posisi awal. Dari beberapa metode yang digunakan, metode Skogestad menunjukkan hasil penyetelan terbaik untuk kontroler PI, dan metode Good Gain untuk kontroler PID. Kinerja respons, dalam hal waktu penyelesaian, adalah 14 detik untuk pengontrol PID dan 13 detik untuk pengontrol PI, dengan sedikit offset sebesar 1%. PCT-14 sering digunakan dalam pengaturan laboratorium untuk menunjukkan bagaimana strategi kontrol yang berbeda. Metode lain yang dapat digunakan untuk menyetel nilai parameter pengontrol PID meliputi uji coba; penyetelan otomatis; algoritma genetika; dan Tyreus-Luyben. Selain itu, metode lain untuk menyetel nilai parameter PID adalah Kontrol Model Internal (IMC). Hasil simulasi dalam penelitian menunjukkan bahwa pengontrol IMC-PID memiliki kinerja dinamis yang lebih baik dalam pelacakan titik setel, penolakan gangguan, dan ketahanan terhadap perubahan parameter sistem dan tekanan outlet dapat dikontrol dengan baik. IMC-PID dengan nilai 饾渾 yang bervariasi juga digunakan dalam desain sistem kontrol suhu Baffle Segmental Penukar Kalor Shell and Tube. Hasil yang diperoleh menunjukkan bahwa IMC-PID dengan lambda (饾渾 > 0,1饾湉) memberikan hasil yang baik, terutama dalam menjaga stabilitas bahkan ketika gangguan ditambahkan, karena nilai IAE yang dihasilkan kecil. Oleh karena itu, metode ini menunjukkan hasil terbaik di antara berbagai metode kontrol yang digunakan. Metode desain pengontrol IMC-PID juga berhasil diuji pada model proses bioreaktor nonlinier. Pengontrol yang disarankan secara efektif mengelola suhu bioreaktor dalam skenario setpoint dan perubahan gangguan. IAE, ISE, dan ITAE digunakan untuk menilai kinerja pengontrol, dengan nilai yang sesuai masing-masing 20,99, 49,02, dan 292,50. Pendekatan yang disarankan mengungguli strategi yang didokumentasikan sebelumnya untuk manajemen suhu bioreaktor dalam hal IAE dan waktu penyelesaian selama operasi loop tertutup. Analisis kinerja perbandingan dan kontrol kecepatan Motor DC dan Servomotor DC menunjukkan bahwa pengontrol IMC-PID memberikan kinerja terbaik daripada Pengontrol Ziegler-Nichols, PI, dan PID. Tinjauan pustaka singkat ini menunjukkan bahwa desain pengontrol IMC-PID adalah topik yang dieksplorasi dengan baik karena menghasilkan hasil yang baik dan kinerja yang baik dalam responsnya. Penelitian ini bertujuan untuk membangun karya dengan menggunakan metode Internal Model Control (IMC) untuk menyetel nilai parameter PID dari modul kontrol tekanan udara PCT-14 melalui diagram blok sistem. Dengan menggunakan fungsi transfer PCT-14, hasil penyetelan disimulasikan untuk memberikan gambaran umum tentang karakteristik respons sistem. Selanjutnya, analisis kinerja dilakukan menggunakan pengontrol IMC-PID, dengan fokus pada metrik seperti waktu naik, waktu puncak, overshoot, dan waktu penyelesaian. Untuk memvalidasi efektivitas pengontrol, nilai indeks kinerja seperti Integrated Absolute Error (IAE) juga dihitung.
Industri perikanan memiliki peranan yang besar dalam perekonomian Indonesia, dengan potensi keuntungan pada tahun 2020 sekitar US$ 1,338 miliar. Kabupaten Tuban merupakan salah satu daerah di Jawa Timur yang berkontribusi terhadap sektor perikanan. Perikanan berkaitan dengan pekerjaan nelayan. Kecelakaan dalam pelayaran masih menjadi perhatian utama. Salah satu faktor alam yang mempengaruhi kecelakaan pelayaran adalah tinggi gelombang. Regulasi keselamatan nelayan telah ditetapkan oleh Kementerian Kelautan dan Perikanan serta Badan Meteorologi, Klimatologi, dan Geofisika. Selain regulasi, hasil prediksi tinggi gelombang menggunakan metode Long Short-Term Memory (LSTM) dan Extreme Gradient Boosting (XGBoost) dapat membantu nelayan dalam menentukan keberangkatan pelayaran, sehingga dapat mengurangi risiko kecelakaan. Pada penelitian ini, proses tuning hyperparameter Grid Search digunakan untuk kedua metode tersebut yang dilakukan pada empat koordinat lokasi. Berdasarkan hasil analisis, LSTM lebih unggul dalam memprediksi tinggi gelombang 30 hari ke depan karena dapat memprediksi tinggi gelombang di ketiga lokasi, dengan hasil pada lokasi pertama (RMSE 0,045; MAE 0,029; MAPE 8,671%), lokasi kedua (RMSE 0,051; MAE 0,035; MAPE 10,64%), dan lokasi ketiga (RMSE 0,044; MAE 0,027; MAPE 7,773%), sedangkan XGBoost hanya memiliki nilai terbaik pada lokasi keempat (RMSE 0,040; MAE 0,025; MAPE 7,286%).
Memancing pada dasarnya berbahaya, ditandai dengan karakteristik 3D-nya yang berbahaya, kotor, dan sulit. Di antara unsur-unsur alam yang mempengaruhi aktivitas maritim, tinggi gelombang adalah yang paling menonjol. Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) memberikan saran keselamatan penting, merekomendasikan agar nelayan menavigasi ketika tinggi gelombang tidak melebihi 1,25 m. Estimasi tinggi gelombang memainkan peran penting dalam menentukan keberangkatan kapal penangkap ikan yang aman. Berbagai metodologi, termasuk teknik stokastik dan pembelajaran mendalam, umumnya digunakan. Metode stokastik seperti Autoregressive Integrated Moving Average (ARIMA) memprediksi pola gelombang, terutama di Teluk Jakarta. Eksperimen ARIMA yang melibatkan delapan kombinasi menghasilkan nilai Root Mean Square Error (RMSE) yang dioptimalkan untuk model ARIMA (2,2,2) sebesar 0,0106, yang menunjukkan kemampuannya untuk memprediksi gelombang secara akurat hingga 24 jam sebelumnya. ARIMA berkinerja baik untuk peramalan jangka pendek tetapi cenderung memiliki kesalahan yang lebih signifikan dalam hal prediksi jangka panjang. Lebih jauh lagi, karena ARIMA bergantung pada data historis, ARIMA mungkin tidak sepenuhnya memperhitungkan faktor eksternal yang terjadi secara alami di dunia nyata. Metode menarik lainnya adalah Random Forest (RF), yang banyak digunakan dalam peramalan gelombang operasional di Samudra Atlantik. Campos et al. menyoroti penurunan kinerja RF seiring dengan bertambahnya waktu peramalan, RF hanya mampu meramalkan dalam skala waktu yang sangat pendek, sehingga hasil prediksi menjadi tidak pasti dengan peramalan jangka panjang, yang menunjukkan keterbatasannya dalam prediksi jangka panjang.
Londhe dan Panchang menerapkan jaringan syaraf tiruan (ANN) menggunakan algoritma backpropagation umpan-maju untuk memperkirakan tinggi gelombang signifikan pada empat lead time yang berbeda (6, 12, 18, dan 24 jam). Studi ini dilakukan di enam lokasi pelampung di Teluk Meksiko, Alaska, dan Maine. Mereka menguji enam arsitektur jaringan yang berbeda untuk setiap lokasi pelampung, menghasilkan prediksi dari 8 Januari hingga 31 Desember 2004, untuk semua pelampung kecuali satu, yang memiliki prediksi yang berakhir pada 16 September tahun itu. Hasilnya menunjukkan akurasi 86% untuk lead time 6 jam dan antara 67% dan 83% untuk lead time 12 jam. Seperti yang diantisipasi, akurasi menurun untuk lead time yang lebih lama, turun menjadi antara 55% dan 71% selama 18 jam dan turun di bawah 63% untuk perkiraan 24 jam. Meskipun hasil yang menjanjikan ini, keterbatasan yang dicatat dari penggunaan ANN untuk prediksi gelombang laut adalah underprediksi yang signifikan dari puncak gelombang tertinggi, yang dapat dikaitkan dengan prevalensi catatan tinggi gelombang yang lebih rendah dalam kumpulan data yang digunakan untuk melatih jaringan. Arsitektur tradisional jaringan saraf tiruan (ANN) telah mengalami perbaikan, khususnya dengan diperkenalkannya jaringan saraf berulang (RNN), yang menggabungkan setidaknya satu loop umpan balik untuk membuat koneksi siklik antara lapisan. Arsitektur ini bertujuan untuk meningkatkan akurasi prediksi dengan memungkinkan jaringan untuk mempertahankan memori dari satu langkah waktu ke langkah waktu berikutnya. Namun, efektivitas RNN dalam menangkap informasi kontekstual masih dibatasi oleh masalah gradien yang menghilang. Saat informasi bersirkulasi dalam jaringan berulang dari waktu ke waktu, pengaruh input pada lapisan tersembunyi, dan akibatnya pada output, dapat menurun atau meningkat secara eksponensial. Mirip dengan model ANN, RNN menggunakan algoritma backpropagation untuk pembelajaran; Namun, metode ini sering kali terbukti tidak efektif karena nilai gradiennya meledak (meningkat secara signifikan) atau menghilang (menurun hingga mendekati nol). Seiring dengan meningkatnya jumlah iterasi (epoch), nilai gradien ini dapat menyebabkan model kehilangan kemampuannya untuk belajar.
Metode untuk mengatasi permasalahan ANN adalah Long Short-Term Memory (LSTM), modifikasi dari Recurrent Neural Network (RNN) yang mampu memproses, memprediksi, dan mengklasifikasikan informasi berdasarkan data deret waktu. Jaringan LSTM memiliki keunggulan yang signifikan dibandingkan dengan RNN, terutama karena adanya forget gate. Forget gate merupakan komponen yang berfungsi untuk menentukan informasi mana dari data historis yang harus disimpan atau dibuang dari sel memori LSTM [9]. LSTM berkinerja lebih cepat daripada RNN karena dapat menambahkan metode loop-nya sendiri. LSTM merupakan metode yang efektif untuk menangani data sekuensial, menjadikannya sumber daya yang berharga untuk penelitian ilmiah lintas berbagai disiplin ilmu, seperti oseanografi. Meng et al menjelaskan bahwa penerapan LSTM dalam memprediksi tinggi gelombang signifikan memiliki akurasi yang lebih unggul dibandingkan dengan metode lainnya. Penelitian tentang prediksi tinggi gelombang signifikan dan periode puncak gelombang yang digunakan untuk wave energy converter (WEC) dengan dataset yang mencakup dua tahun menunjukkan hasil yang signifikan dalam memprediksi periode gelombang untuk 3 jam berikutnya dengan nilai RMSE sebesar 0,1260. Sementara itu, dengan dataset yang mencakup empat tahun, LSTM menghasilkan hasil yang lebih baik untuk 6 jam berikutnya, dengan RMSE sebesar 0,0268. Penelitian yang dilakukan oleh menggunakan data gelombang dari Wave Analysis for Fatigue and Oceanography (WAFO) dan menemukan bahwa LSTM mencapai akurasi yang baik ketika menggunakan 100 input, sebagaimana dibuktikan oleh nilai MAE dan RMSE minimal masing-masing sebesar 0,015 dan 0,019. Penelitian lain di Selat Bali, Indonesia, menunjukkan bahwa LSTM berkinerja baik dalam memprediksi komponen U (kecepatan arus timur-barat) dengan MAPE sebesar 18,64% dan komponen V (kecepatan arus utara-selatan) dengan MAPE sebesar 5,29%. Penelitian lain di perairan Indonesia dilakukan oleh Abdullah et al. yang datanya dikumpulkan dari empat stasiun: stasiun pertama di Baron, wilayah laut terbuka; yang kedua di Belawan, selat; yang ketiga di Karawang, dengan kondisi gelombang dekat pantai; dan yang keempat di Masalembo, wilayah laut dalam. Penelitian ini menggunakan dua metode: single-step dan multi-step. Hasil penelitian menunjukkan bahwa LSTM dapat menghasilkan prediksi per jam yang akurat. Sementara itu, untuk skema multi-step, kinerja LSTM dalam memprediksi tinggi gelombang selama periode 12, 24, dan 48 jam menunjukkan bahwa model tersebut dapat secara efektif menangkap data tren.
Metode lain yang banyak digunakan untuk memprediksi tinggi gelombang adalah XGBoost. XGBoost, kependekan dari Extreme Gradient Boosting, adalah algoritma pembelajaran mesin yang diperkenalkan oleh Chen dan Guestrin. XGBoost adalah implementasi dari algoritma gradient boosting. Penelitian yang dilakukan oleh Hu et al. [13] pada prediksi tinggi gelombang di Danau Erie menghasilkan MAPE sebesar 23,4 %鈭30,8 % untuk LSTM, sedangkan XGBoost berkinerja lebih baik dengan MAPE sebesar 16,6 %鈭22,9 %. Dalam penelitian prediksi tinggi gelombang yang dilakukan di Pangandaran, Indonesia, XGBoost ditemukan lebih optimal daripada AdaBoost, dengan nilai RMSE terbaik sebesar 0,064 untuk prediksi 14 hari. XGBoost juga digunakan untuk memprediksi tinggi gelombang di pantai datar, menghasilkan MAE sebesar 0,026 dan RMSE sebesar 0,039. Penyetelan hiperparameter yang tepat dapat meningkatkan RMSE hingga 11%. Metode LSTM digunakan secara luas untuk prediksi jangka panjang (lebih dari 100 detik) elevasi gelombang reguler yang tidak teratur. Model LSTM digunakan untuk memprediksi profil gelombang masa depan berdasarkan data gelombang historis. Kemampuan LSTM untuk memahami ketergantungan jangka panjang dalam data oseanografi telah memungkinkannya untuk menghasilkan prediksi tinggi gelombang yang tepat, yang sangat penting untuk memastikan keselamatan laut dan membantu dalam perencanaan pesisir. Dengan memanfaatkan gerbang input, forget, dan output untuk mengelola aliran informasi, model LSTM dapat secara efektif mengidentifikasi pola dan ketergantungan yang rumit. Sementara itu, XGBoost memiliki kemampuan untuk menangani data yang hilang, serta set data yang besar dan kompleks. Selain itu, kinerja LSTM untuk prediksi gelombang membutuhkan waktu 0,24 detik pada 1 CPU, sedangkan XGBoost hanya membutuhkan waktu 0,03 detik pada 1 CPU, membuatnya lebih cepat dibandingkan dengan metode prediksi gelombang berbasis fisika. Berdasarkan penjelasan tersebut, penelitian ini akan menggunakan LSTM dan XGBoost untuk memprediksi tinggi gelombang laut di Kabupaten Tuban, dengan harapan prediksi tersebut dapat membantu mengurangi risiko kecelakaan, meminimalkan kerugian, dan menyelamatkan nyawa nelayan. Penelitian ini sejalan dengan pencapaian poin 13 Tujuan Pembangunan Berkelanjutan (SDGs) yang menekankan penanganan perubahan iklim. Dengan demikian, upaya tersebut tidak hanya melindungi keselamatan nelayan, tetapi juga sejalan dengan visi global dalam menanggulangi tantangan perubahan iklim.
Penulis: Riswanda Ayu Dhiya’ulhaq, S.Si.D, Anisya Safira, S.Si.D, Indah Fahmiyah, S.Si., M.Stat, Mohammad Ghani, Ph.D.
Link:
Baca juga: Prediksi Cuaca Ekstrim Menggunakan Pendekatan Regresi Nonparametrik
