1

IMPLEMENTASI METODE MULTIVARIATE CUMULATIVE SUM (MCUSUM)

UNTUK STRATEGI PENGAWASAN SISTEM KONTROL PREDIKTIF

PADA BIOREAKTOR ANAEROB

(Hartono Sugiharto, Katherin Indriawati)

Jurusan Teknik Fisika, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember

Kampus ITS, Keputih Sukolilo – Surabaya 60111

ABSTRAK

Kebutuhan akan sumber energi alternatif semakin mendesak. Bioreaktor anaerob dapat mengolah

limbah untuk menghasilkan gas metan sebagai salah satu sumber energi alternatif. Namun plant bioreaktor

adalah sebuah sistem yang memiliki banyak variabel yang berpengaruh pada prosesnya. Salah satunya

adalah kandungan Volatile Fatty Acid (VFA) dalam limbahnya. Kenaikan kandungan VFA dapat

menyebabkan laju gas metan yang dihasilkan meningkat namun juga menyebabkan pH sistem turun yang

dapat berdampak pada kestabilan sistem. Melihat fenomena tersebut maka pada tugas akhir ini telah dibuat

suatu strategi pengawasan untuk mengoptimalkan laju gas metan dan tetap berusaha menjaga

kestabilannya dengan cara melakukan perubahan set point secara otomatis. Dalam pembuatan strategi

pengawasan memanfaatkan grafik kontrol MCUSUM yang mengolah data multivariate dari pH sistem dan

laju gas metan. Dari hasil simulasi dihasilkan peningkatan produksi gas metan sebesar 331.5687 mmol/liter

atau 24.11%. Dari yang sebelumnya sebesar 1375.0805 mmol/liter menjadi 1706.6492mmol/ liter.

Kata kunci: bioreaktor anaerob, Volatile Fatty Acid (VFA), strategi pengawasan, MCUSUM, perubahan set

point, laju metan gas

I PENDAHULUAN

Sistem bioreaktor anaerob merupakan sistem

yang komplek dan mudah menjadi tidak stabil akibat

gangguan dari luar. Bioreaktor anaerob sendiri

merupakan suatu proses biologi yang mengubah

substrat atau limbah organik menjadi gas metan (CH4)

dan karbondioksida (CO2). Salah satu tujuan dari

bioreaktor adalah untuk memaksimalkan laju gas

metan yang dihasilkan, yang dapat digunakan sebagai

sumber energi alternatif. Sistem ini dipengaruhi oleh

banyak variabel baik pada inputannya, semisal jumlah

substrat organik dan perubahan temperatur, maupun

pada variabel outputnya, semisal laju aliran gas metan

ataupun gas karbondioksida.

Salah satu gangguan yang menjadi perhatian

pada bioreaktor adalah konsentrasi Volatile Fatty

Acids (VFA) yang terdapat secara alami pada limbah

organik. Peningkatan konsentrasi VFA menyebabkan

laju gas metan yang dihasilkan meningkat sesaat,

namun disisi lain menyebabkan pH sistem turun. pH

sistem yang turun dapat menyebabkan sistem tidak

stabil, bahkan pada kondisi terburuk dapat

menyebabkan kondisi kematian pada mikroba dalam

bioreaktor atau yang dikenal dengan kondisi washout.

Dalam rangka memperoleh laju gas metan

yang maksimum, maka efek dari perubahan

konsentrasi VFA dapat dimanfaatkan untuk

mengoptimalkan laju gas metan dengan cara

melakukan perubahan set point pada bioreaktor.

Sistem kontrol prediktif adalah sistem kontrol

yang dapat memprediksi proses sampai beberapa

langkah ke depan sehingga dapat menentukan sinyal

kontrol sepanjang waktu tertentu. Sistem kontrol

yang seperti ini cocok digunakan untuk mengontrol

suatu sistem MIMO yang melibatkan beberapa

variabel proses yang saling berinteraksi seperti

halnya pada bioreaktor. Sistem kontrol prediktif juga

memungkinkan perubahan set point dilakukan secara

otomatis

Untuk melakukan perubahan set point maka

diperlukan suatu strategi pengawasan untuk

mengetahui apakah sistem berada dalam kondisi

stabil ataukah tidak. Salah satu teknik pengawasan

yang umum digunakan adalah Statistic Process

Control (SPC), dimana tujuan utama SPC disini

adalah untuk menentukan apakah suatu sistem berada

dalam kondisi terkontrol secara statistik atau tidak.

Dalam penerapan SPC untuk sistem yang bersifat

MIMO seperti plant bioreaktor ini, maka akan lebih

efektif jika menggunakan Multivariate Statistic

Process Control (MSPC). Dimana salah satu grafik

kontrol yang terdapat pada MSPC adalah

Multivariate Cumulative Sum (MCUSUM) yang

bekerja dengan tidak hanya memperhatikan kondisi

saat ini, namun juga memperhatikan kondisi

sebelumnya.

Dari paparan latar belakang di atas, maka

permasalahan yang diangkat dalam tugas akhir ini

adalah bagaimana merancang algoritma strategi

pengawasan untuk sistem Generalized Predictive

Control (GPC) dalam rangka mengoptimalkan laju

gas metan pada bioreaktor anaerob dengan

menggunakan grafik kontrol MCUSUM.

2

Sehingga tujuan dari tugas akhir ini adalah

dapat merancang algoritma strategi pengawasan

berdasarkan Multivariate Cumulative Sum

(MCUSUM) yang berfungsi untuk mengoptimalkan

laju gas metan pada proses Bioreaktor Anaerob

(MIMO) dengan tetap menjaga kestabilan sistemnya.

Beberapa batasan masalah yang terdapat pada

tugas akhir kali ini adalah:

1. Plant yang digunakan ialah simulator plant

bioreaktor anaerob yang kontinyu untuk

mengolah limbah Venasse.

2. Variabel yang dimonitor ialah laju aliran gas

metan dan pH

3. Data yang digunakan untuk membangun

strategi pengawasan SPC adalah data hasil

simulasi model bioreaktor

Algoritma sistem kontrol prediktif yang digunakan

adalah Generalized Predictive Control (GPC) hasil

penelitian dari Katherin Indriawati (2009).

II. TEORI DASAR

2.1 Bioreaktor Anaerob

Bioreaktor anaerob merupakan suatu tangki

yang efektif untuk mengolah limbah organik pada

industri, dimana hasil samping dari pengolahan

limbah ini berupa gas metan (CH4). Proses pada

bioreaktor ini dengan memanfaatkan aktifitas dari

mikroorganisme pada lingkungan tanpa udara

(anaerob). Mikroorganisme dapat tumbuh dengan

mengkonsumsi nutrisi atau substrat yang tersedia,

pada kondisi lingkungan (temperatur, pH) yang

mendukung. Substrat disini dapat berupa limbah

organik.

Proses yang terjadi di dalam bioreaktor

anaerob adalah proses fermentasi limbah oleh

mikrorganisme dan dapat pula disebut sebagai

anaerobic digestion (pencernaan anaerob). Proses

fermentasi merupakan proses degradasi suatu

komponen menjadi komponen lain yang berbeda sifat

secara kimia dan fisika yang diakibatkan kinerja dari

mikroorganisme. Anaerobic digestion (AD) juga dapat

didefinisikan sebagai konversi bahan organik menjadi

gas metan, karbon dioksida, dan lumpur melalui

penggunaan bakteri dalam lingkungan yang

oksigennya banyak dikurangi. Dapat pula dikatakan

bahwa AD adalah proses penguraian senyawa organik

menjadi komponen kimia yang lebih sederhana tanpa

menggunakan oksigen.

Tahapan fermentasi pada bioreaktor anaerob dapat

dikelompokkan menjadi empat tahapan proses, yaitu

hidrolisis, acidogenesis, acetogenesis, dan

metanogenesis. Deskripsi dari masing-masing proses

dapat direpresentasikan seperti gambar dibawah.

Gambar 1. Skema fermentasi bioreaktor

anaerob[Beteau, 1996]

Fase Hidrolisis

Pada tahap ini, bakteri anaerob mengubah

senyawa komplek organik yang tidak larut, misalnya

selulosa, lignin, lipid dan protein menjadi molekul

terlarut seperti asam lemak, asam amino, dan

glukosa. Fase hidrolitik relatif lambat dan terbatas

untuk limbah selulosa mentah, yang mengandung

lignin. Karena alasan itulah limbah kayu biasanya

tidak diproses secara anaerob. Monomer ini siap

dipakai oleh bakteri acidogenic di kelompok

berikutnya.

Fase Acidogenesis

Pada tahapan ini soluble monomers akan

diabsorpsi dan diubah menjadi asam asetat, asam

puryvic, asam butyric dan asam propianat.

Fase Acetogenesis

Pada tahap ini, bakteri acetogenic mengubah

produk dari tahap pertama yaitu asam lemak dan

alkohol menjadi asam organik sederhana, karbon

dioksida dan hidrogen. Asam-asam yang dihasilkan

antara lain asam asetat, asam butirat, asam propionat,

dan etanol. Produk yang dihasilkan dari tahap ini

bervariasi tergantung jenis bakteri dan kondisi

lingkungan, seperti suhu dan pH. Transisi substrat

dari bahan organik menjadi asam organik

menyebabkan pH sistem turun. Hal ini

menguntungkan bagi bakteri acidogenic dan

acetagenic yang cocok pada lingkungan yang sedikit

asam, yaitu dengan pH 4,5 – 5,5 dan tidak terlalu

sensitif terhadap perubahan aliran feed masuk.

3

Fase Metanogenesis

Pada proses metanogenesis atau fermentasi

metana, bakteri yang biasanya terdapat di sedimen

atau di rumen herbivora mengubah bahan yang larut

menjadi metana. Metana diproduksi oleh bakteri

pembentuk metana dalam dua cara, antara lain dengan

memecah molekul asam asetat untuk membentuk

karbon dioksida dan metana, atau reduksi karbon

dioksida oleh hidrogen. Kira-kira 2/3 metana didapat

dari konversi asetat dan 1/3 dari hasil reduksi karbon

dioksida oleh hidrogen.

Tahap pembentukan gas metana dilakukan

dengan suatu konsorsium bakteri anaerob yang sangat

spesifik dalam hal konsumsi substrat, reproduksi,

pertumbuhan dan kondisi lingkungan. Dengan

demikian pada tahap ini diperlukan waktu untuk

membentuk gas metana dari asam yang sudah

terbentuk. Sejumlah spesies bakteri akan terlibat di

dalam konversi organik kompleks menjadi gas

metana. Untuk mempertahankan sistem dalam

keadaan anaerobic, yang akan menstabilkan limbah

organik secara efisien, bakteri metanogenesis dan

nonmetanogenesis harus dalam kesetimbangan

dinamik. Untuk menciptakan kondisi demikian,

reaktor semestinya tanpa oksigen terlarut dan sulfide.

pH juga harus dijaga dalam rentan 6.6 –7.6 dan

alkalinity harus cukup untuk menjamin pH tidak akan

turun dibawah 6.2.

Diantara keempat tahap yang ada : hydrolisis,

acidogenesis, acetogenesis, dan metanogenesis,

tahapan metanogenesis adalah tahap yang paling

lambat. Pada tahapan metanogenesis penurunan asam

asetat (acetat acids) menjadi gas metana (CH4)

memerlukan waktu yang lama, sehingga jika terjadi

fluktuasi yang berlebihan dari substrat yang masuk

kedalam bioreaktor maka akan dapat mengganggu

kestabilan proses. Banyaknya fluktuasi substrat yang

masuk pada kondisi tertentu dapat menyebakan

kematian bakteri, peristiwa inilah yang disebut

fenomena pencucian bioreactor (wash-out).

2.2 Multivariate Statistical Process Control

(MSPC)

Statistical process control (SPC) adalah suatu

teknik yang digunakan untuk mengevaluasi

performansi suatu proses. Salah satu perangkat SPC

yang sering digunakan adalah grafik kontrol. Pada

proses kontinu, seperti di industri kimia, grafik

kontrol yang digunakan umumnya adalah grafik

individual – moving range (MR) (Mamzic,1995),

yang merupakan salah satu jenis grafik kontrol

Shewhart.

Jika sebuah proses tidak terkontrol secara

statistik, distribusi output akan bervariasi dari waktu

ke waktu. Distribuasi output proses merupakan

variabel dan tidak dapat diprediksi. Pada kasus ini,

proses dipengaruhi tidak hanya oleh variasi sebab

alami, tetapi juga oleh variasi sebab khusus

(special/assignable cause variation). Variasi ini

disebabkan oleh penyebab non random. Jika

diketahui penyebab variasi sebab khusus

mempengaruhi proses, penyebab ini harus

diidentifikasi dan dieliminasi agar kondisi terkontrol

secara statistik dapat dipertahankan.

Pada SPC, tujuan utama adalah menentukan

apakah suatu sistem berada pada kondisi terkontrol

secara statistik atau tidak. Jika tidak, kondisi tersebut

harus dicapai dengan mengeliminasi variasi sebab

khusus. Oleh karena itu, proses harus dimonitor dan

penanganan harus dilakukan sesegera mungkin jika

proses terdeteksi bergerak ke kondisi tidak terkontrol

(out of statistical control).

Namun SPC hanya digunakan pada kasus

yang diamati dipandang sebagai univariate, yang

berarti menggunakan asumsi hanya ada satu variabel

output proses yang diamati. Pada kenyataannya

kebanyakan proses monitoring ataupun kontrol

melibatkan beberapa variabel yang saling

berhubungan. Menerapkan SPC untuk setiap variabel

yang berhubungan tidaklah efisien, dan dapat

menyebabkan kesimpulan yang salah (Montgomery,

1996). Oleh karenanya perlu diterapkan SPC yang

memperhitungkan antara variabel-variabel yang

saling berhubungan, yaitu Multivariate Statistic

Process Control (MSPC).

MSPC ini menyederhanakan proses yang

rumit dengan banyak variabel menjadi lebih

sederhana. Untuk sekarang MSPC ini telah

diaplikasikan dalam bidang science, matematik,

kedokteran, precess kimia,dan biologi.

Seperti halnya pada SPC, maka semua jenis

grafik kontrol yang ada di SPC setelah dikembangkan

juga terdapat pada MSPC. Sehingga pada MSPC

dikenal beberapa grafik kontrol seperti multivariate

Shewhart, multivariate CUSUM, dan multivariate

EWMA.

Skema kontrol MCUSUM memonitor

kejadian kumulatif dari penyimpangan atau

pergeseran proses dengan menggunakan jumlah

deviasi dari pengamatan terhadap suatu titik

referensi. Skema MCUSUM dapat langsung

mendeteksi pergeseran yang sedang besarnya (dalam

orde 1 ), bahkan melebihi kemampuan pendekatan

metode Shewhart.

Pada MCUSUM, deviasi kumulatif dari target

diperiksa apakah tetap berada dalam batas yang

ditentukan atau tidak. Karena deviasi adalah

kumulatif, CUSUM mampu mendeteksi deviasi yang

sangat kecil lebih cepat.

Cara CUSUM kedua yang diusulkan oleh Crosier

adalah CUSUM vector. Nilai vector dapat diperoleh

dengan mengganti nilai besaran scalar dari univariate

CUSUM dengan vector yang diberikan sebagai

berikut

(1)

dimana

4

dan .

Cara ini menghasilkan sinyal jika yang dipilih

berdasarkan nilai ARL in-kontrol yang telah tersedia

lewat simulasi. Melihat fakta bahwa performa ARL

dari grafik ini tergantung pada non-centrality

parameter, Crosier merekomendasikan bahwa nilai

.

Kedua CUSUM yang diusulkan oleh Crosier

memungkinkan penggunanya menggunakan

perbaikan peningkatan dari CUSUM sebelumnya.

Diantara metode CUSUM yang diusulkan oleh

Crosier, metode yang berdasarkan nilai vektor

memilki performa ARL yang lebih baik dibanding

metode skalar.

Suatu sinyal pada CUSUM tidak berarti

proses menghasilkan produk yang buruk, tetapi lebuh

sering berarti suatu aksi harus segera diambil

sehingga proses tersebut tidak menghasilkan produk

yang buruk (Lucas, 1985).

III. METODOLOGI PENELITIAN

Secara umum untuk strategi pengawasan pada

sistem bioreaktor anaerob dapat dilihat seperti pada

diagram alir berikut:

Gambar 2 Diagran alir rancangan strategi pengawasan

3.1 Pembuatan Grafik Kontrol Multivariate

Cumulative Sum (MCUSUM)

Dalam tugas akhir ini digunakan grafik kontrol

MCUSUM seperti pertama kali diusulkan oleh

Crosier (1988). Cara MCUSUM kedua yang

diusulkan oleh Crosier ini adalah CUSUM vektor.

Nilai vektor dapat diperoleh dengan mengganti nilai

besaran skalar dari univariat CUSUM dengan vector

yang diberikan sebagai seperti pada persamaan (1).

Data yang digunakan dalam grafik kontrol

MCUSUM ini adalah pH dan laju gas metan keluaran

dari simulator bioreaktor anaerob. Dimana kedua

variabel diatas adalah proses variabel (PV) pada

plant. Simulator tersebut adalah hasil pemodelan

bioreaktor bersifat kontinyu, yaitu limbah organic

secara terus menerus masuk ke dalam bioreaktor.

Pemodelan bioreaktor tersebut berdasarkan pada

persamaan yang diperoleh dari studi literatur.

Dalam tugas akhir ini nilai disini diambil

dari data kedua proses variabel (PV) sepanjang

waktu berjalan. Nilai untuk pH adalah konstan

sebesar tujuh sedangkan untuk laju gas metan

diambil mengikuti dari nilai set point yang

berubah-rubah sepanjang waktu.

Sedangkan untuk penentuan nilai

digunakan sebesar delta kali besar deviasi dibagi

dua seperti yang direkomendasikan Crosier

(1988). Dimana delta yang digunakan disini

adalah sebesar dua. Disini berarti pergeseran

pada rerata proses sebesar satu kali deviasi atau

lebih dapat dideteksi secara langsung.

Gambar 3 Subsystem Simulink untuk MCUSUM.

Sinyal grafik kontrol akan menunjukkan kondisi

out of control ketika nilai yang didapat melebihi

nilai h. sendiri adalah sebuah bilangan hasil T

statistic dari masing-masing variabel yang

5

diamati yaitu antara pH dan laju gas metan pada

sistem. Nilai h disini ditentukan melalui uji coba

simulasi berulang-ulang didapatkan nilai sebesar

limabelas. Dimana nilai yang cukup tinggi disini

mengingat bahwa nantinya pola perubahan yang

tampak pada grafik kontrol MCUSUM ini, yang

diakibatkan oleh perubahan keadaan konsentrasi VFA

atau pun Zin akan digunakan untuk strategi

pengawasan. Jika digunakan nilai h yang relatif kecil

maka bukan tidak mungkin pola tersebut akan

tereduksi terlebih dulu sehingga tidak dapat

dimanfaatkan.

3.2 Pembuatan Strategi Pengawasan

Strategi pengawasan disini digunakan untuk

menghasilkan perubahan set point sehingga didapat

laju gas metan yang lebih optimal. Algoritma

perubahan set point dibuat berdasarkan laju gas metan

yang dihasilkan sistem. Hal ini dikarenakan hanya set

point dari laju gas metan saja yang akan dirubah-

rubah. Data laju gas metan yang dihasilkan

dimasukkan dalam persamaan CUSUM baik untuk

yang menghasilkan perubahan set point naik maupun

yang menghasilkan perubahan set point turun.

Hasil dari algoritma ini akan berupa sinyal

referensi tracking set point yang dapat bertambah

(naik) ataupun berkurang (turun) menyesuaikan

dengan laju gas metan yang dihasilkan bioreaktor

yang dipengaruhi oleh kandungan alami dari limbah

yang masuk. Dalam penelitian tugas akhir ini

kandungan alami yang diasumsikan mengalami

perubahan adalah Volatile fatty acid (VFA) dan

alkalinitas total limbah.

Keluaran dari algoritma perubahan set point

belum dapat langsung digunakan secara maksimal

untuk perubahan set point. Hal ini mengingat perlu

diperhatikannya juga kestabilan sistem, karena bukan

tidak mungkin penggunaan langsung dari algoritma

tersebut membuat kondisi sistem menjadi tidak stabil

atau kurang baik dalam mencapai tujuan

menghasilkan laju gas metan yang optimal. Oleh

karena itu algoritma tersebut harus dipadukan dengan

hasil dari grafik kontrol MCUSUM.

Logika strategi pengawasan yang digunakan

adalah jika (if) hasil MCUSUM berada dalam kondisi

diluar batas tertentu dan (and) pada saat itu juga

algoritma perubahan setpoint terdapat perubah set

point maka (then) nilai perubahan setpoint tersebut

diijinkan untuk dilakukan. Sedang jika tidak diijinkan

(else) maka tidak akan terjadi perintah perubahan set

point.

3.3 Implementasi Strategi Pengawasan

Untuk mengetahui efek dari implementasi

Strategi pengawasan maka dalam tugas akhir ini

dilakukan beberapa kondisi pengujian. Namun

sebelumnya juga dilakukan pengujian sistem plant

bioreaktor untuk keadaan open loop.

Hal ini untuk menunjukkan beberapa hal,

diantaranya kondisi stabil dan kondisi tidak stabil

dari bioreaktor sebagai akibat perubahan variabel

yang dimanipulasi. Variabel yang dimanipulasi

adalah laju dilusi dari S2 (atau limbah yang masuk)

yaitu D1, dan laju dilusi dari larutan penyangga

(buffer) bikarbonat, NaHCOO3, yaitu D2. Larutan

penyangga digunakan untuk mengembalikan nilai pH

pada kondisi daerah kerja (6 – 8) agar tidak terjadi

kondisi washout.

Untuk pengujian pada kondisi closed loop

terdapat dua kondisi perlakuan yang diberikan.

Pertama diberikan perubahan konsentrasi VFA pada

waktu ke seratus dari yang semula 93.6 mmol/l

menjadi 143.6 mmol/l kemudian pada waktu ke dua

ratus menjadi 193.6 mmol/l kemudian pada waktu ke

tiga ratus turun lagi menjadi 143.6 mmol/l lalu pada

waktu ke empat ratus naik menjadi 233.6 mmol/l.

Pada kondisi kedua sama seperti kondisi pertama

namun ditambah dengan perubahan Zin pada waktu

ke tiga ratus limapuluh dari yang semula 66.963

mmol/l menjadi 60 mmol/l kemudian pada waktu ke

empat ratus limapuluh berubah menjadi 74 mmol/l.

Pengujian pada kondisi closed loop ini dilakukan

baik saat tanpa strategi pengawasan dan saat dengan

strategi pengawasan.

IV. HASIL DAN ANALISA

4.1 Hasil Simulasi Bioreaktor Open loop

Hasil dari simulasi pemodelan bioreaktor

yang telah dibuat dapat diketahui dengan cara

merubah-rubah inputan pada bioreaktor, yaitu D1

(laju dilusi) dan D2 (laju bikarbonat). Dengan

merubah-rubah inputan tersebut dapat diketahui

sampai dimana ketahanan dari bioreaktor anaerob.

Gambar 4 Hasil simulator pada keadaan open loop.

Dari gambar diatas tampak bahwa pada keadaan

tersebut bioreaktor berada dalam kondisi stabil,

dimana pH nya berada diatas 6.9 dan menghasilkan

gas metan.

Gambar 5. Hasil simulator dengan variasi

inputan D1.

6

Gambar diatas adalah hasil simulasi saat D1 yang

semula sebesar 0.0142 pada saat ke seratus dirubah

menjadi 0.0145. Tampak bahwa penambahan D1 (laju

dilusi) yang berarti pengenceran menyebabkan pH

menjadi turun drastis sehingga menyebabkan sistem

menjadi tidak stabil bahkan sampai keadaan washout.

Tampak bahwa pada saat tersebut tidak lagi

dihasilkan gas metan.

Gambar 6. Hasil simulasi ketika ada peningkatan

konsentrasi VFA (S2)

Gambar diatas adalah hasil simulasi saat terjadi

perubahan konsentrasi VFA yang terdapat secara

alami dalam limbah, dalam hal ini dimisalkan

perubahan terjadi pada saat ke tiga ratus. Tampak

bahwa adanya peningkatan konsentrasi VFA

menyebabkan pH sistem menjadi turun namun juga

mengakibatkan terjadinya peningkatan laju gas metan

yang dihasilkan.

4.2 Hasil Grafik Kontrol MCUSUM

Berikut ini adalah grafik kontrol MCUSUM

yang diaplikasikan pada kondisi closed loop.

Gambar 7. Hasil Grafik kontrol MCUSUM.

Gambar diatas menunjukkan pola MCUSUM

yang terdeteksi untuk sistem dengan perlakuan

perubahan VFA pada waktu ke 100, 200, 300, dan

400. Tampak bahwa grafik MCUSUM dapat

menunjukkan pola pendeteksian terhadap peristiwa

tersebut, yaitu berupa spike pada waktu terjadi

perubahan yang kemudian cenderung kembali ke pola

semula..

Gambar 8. Hasil Grafik kontrol MCUSUM saat

terdapat perubahan Zin

Gambar diatas menunjukkan grafik kontrol

MCUSUM sistem dimana pada waktu ke 100, 200,

300, dan 400 terjadi perubahan konsentrasi VFA.

Dan juga terjadi perubahan Zin pada waktu ke 350

dan 450. Tamapak bahwa perubahan Zin pada waktu

ke 350 dan 450 menyebabkan perubahan pola

MCUSUM yang cenderung naik mulai dari waktu ke

350 dan turun kembali pada waktu ke 450. Hal ini

karena pola pH yang turun akibat penurunan Zin pada

waktu ke 350 yang terdeteksi semakin out of control

tetapi kemudian Zin dinaikkan kembali pada waktu

ke 450 sehingga pH mendekati ke arah stabil

sehingga MCUSUM pun mendeteksi pola penurunan.

4.3 Hasil Implementasi Strategi Pengawasan

Pada bagian ini akan ditampilkan hasil

simulasi sistem bioreaktor ketika tanpa menggunakan

strategi pengawasan dan dengan strategi pengawasan.

Gambar 9. Hasil laju gas metan simulasi tanpa

strategi pengawasan.

Gambar diatas adalah hasil simulasi bioreaktor

tanpa strategi pengawasan. Dimana dalam simulasi

diberikan perubahan konsentrasi VFA limbah pada

waktu ke 100, 200, 300, dan 400. Serta perubahan

Zin pada waktu ke 350 dan 450. Dari gambar tampak

bahwa pada waktu 100, 200, dan 400 terjadi

perubahan laju gas metan yang dihasilkan namun

karena set point yang digunakan tetap, maka PV akan

berusaha kembali ke set point.

7

Gambar 10. Hasil pH simulasi tanpa ada strategi

pengawasan

Seperti halnya gambar 9. Grafik respon diatas

didapat pada perlakuan yang sama. Dimana tampak

bahwa pada waktu 100, 200, dan 400 terjadi

penurunan pH karena konsentrasi VFA yang

meningkat. Tampak bahwa tanpa strategi pengawasan

dalam hal ini respon pH cenderung jauh dari set point

pH sebesar 7.

Gambar 11. Hasil laju gas metan simulasi dengan

strategi pengawasan.

Tampak pada grafik respon diatas untuk

perlakuan yang sama seperti pada gambar 8. bahwa

dengan adanya strategi pengawasan dapat

menyebabkan perubahan nilai set point yang otomatis

dan cenderung mengikuti pola akibat perubahan VFA

yang terjadi, sehingga jika dibandingkan dengan yang

tanpa strategi pengawasan tampak jelas bahwa laju

gas metan yang dihasilkan akan meningkat dan

berusaha mengejar set point yang diberikan. Tampak

bahwa untuk perlakuan yang sama set point terakhir

berada pada kisaran 3.8 dibandingkan dengan 2.74

yang tetap tanpa perubahan set point.

Dari hasil gambar 12 jika dibandingkan dengan

gambar 10. tampak bahwa kecenderungan pH tidak

lagi meningkat terus namun sempat turun dikarenakan

adanya perubahan set point pada laju gas metan.

Tampak bahwa pada waktu ada perubahan VFA

seperti pada waktu ke 300 menyebabkan pH turun

sehingga tidak terus naik seperti pada gambar 4.7.

Gambar 12. Hasil pH simulasi saat dengan

strategi pengawasan.

Hal lain yang diamati disini adalah total

produksi gas metan yang dihasilkan selama simulasi

untuk keadaan yang sama, dalam hal ini yang

dibandingkan adalah berdasarkan gambar 9. dan

gambar 11. Total gas metan yang dihasilkan ketika

tanpa strategi pengawasan (gambar 9.) adalah

1375.0805 l sedang dengan strategi pengawasan akan

menghasilkan 1706.6492 l Sehingga dengan adanya

strategi pengawasan ini diperoleh peningkatan

produksi gas metan sebesar 331.5687 l atau 24.11%.

V. KESIMPULAN DAN SARAN

5.1 Kesimpulan

Dari tugas akhir yang telah dilakukan dapat diambil

kesimpulan sebagai berikut:

Telah berhasil dibuat strategi pengawasan yang

dapat melakukan perubahan set point secara

otomatis pada sistem.

Dapat dihasilkan peningkatan laju gas metan yaitu

set point pada sekitar 3.8 mmol/l/hari, dibanding

tanpa strategi pengawasan yang hanya 2.74

mmol/l/hari sesuai settingan awal.

Dengan strategi pengawasan untuk waktu yang

sama diperoleh peningkatan produksi gas metan

sebesar 331.5687 mmol/liter atau 24.11%. Dari

yang sebelumnya sebesar 1375.0805 mmol/liter

menjadi 1706.6492 mmol/liter.

5.2 Saran

Beberapa saran yang bisa disampaikan untuk

mengembangkan penelitian ini antara lain sebagai

berikut:

Perlu dilanjutkan penelitian yang menyeluruh

yang menyangkut tidak hanya algoritma strategi

pengawasan saja, tapi juga menyangkut sistem

kontrol sehingga diharapkan didapat respon sistem

yang lebih baik.

Perlu dilakukan penelitian dengan metode

supervisory yang lain, semisal merubah parameter

kontroler.

8

DAFTAR PUSTAKA

Bernard, O., Zakaria H.S, D. Dochain, A. Genovesi,

Jean-Philippe Steyer, 2001, “Dynamical model

development and parameter identification for an

anaerobic wastewater treatment process”.

Biotech.Bioeng vol. 75, pp. 424-438.

Béteau, Jean-François., Soehartanto, Totok., F.

Chaume., 1996. ”Model Based Selection of An

Appropriate Control Strategy Application To An

Anaerobic Digester”. Mathematical Modelling

of Systems Vol. 1, No. 1, pp. 000-111.

Bersimis, S., Psarakis, S., and Panaretos, J., 2007.

“Multivariate Statistical Process Control Charts:

An Overview”. Journal Quality and Reliability

Engineering International; 23, 517–543.

Crosier RB. 1988 “Multivariate Generalizations of

Cumulative Sum Quality-Control Schemes”.

Technometrics 30:291–303.

Jin,J., Guo, H., Zhou, S., February 2006. “Statistical

Process Control Based Supervisory Generalized

Predictive Control of Thin Film Deposition

Processes”. Journal of Manufacturing Science

and Engineering, 128, 315-325.

Indriawati, Katherin, 2009. Multivariable Predictive

Control of The Anaerob Digestion Based

Generalized Predictive Control Algorithm.

Seminar Nasional APTECS, Surabaya.

Lestage, R., Pomerleau, A., Hodouin, C., 2002.

“Constrained Real-Time Optimization of A

Grinding Circuit Using Steady-State Linear

Programming Supervisory Control.” Powder

Technology 124:254– 263.

Linkens, D.A., Ting, C.H., Mahfouf, M., 1994.

“Supervisory Generalised Predictive Control for

Electro-fluid System”. Trans Inst MC vol 16 no

5.

Lorscheid, P., _ , Multivariate Mean CUSUM

Charts. Heinrich-Heine-Universität Düsseldorf,

Fachgebiet Statistik und Ökonometrie

Universitätsstraße 1, D-40225 Düsseldorf,

Germany.

Montgomery, D.C., 2005. Introduction to Statistical

Quality Control, 5th ed., John Wiley & Sons,

NY.

Pignatiello JJ, Runger GC. 1990. “Comparisons of

Multivariate Cusum Charts.” Journal of Quality

Technology vol 22, 3:173–186.

Saputra, Rahmat Andy, 2009, Perancangan Sistem

Monitoring Pada Bioreaktor Anaerob Berbasis

MultiVariate Statistical Process Control

Berbantukan Logika Fuzzy. Tugas Akhir,

Jurusan Teknik Fisika FTI-ITS.

Biodata Penulis :

Nama : Hartono Sugiharto

Ttl : Surabaya, 11 Juli 1987

Alamat : Kebraon Manis Selatan I/33

Surabaya

Riwayat Pendidikan :

SDK Santo Yusup Surabaya 1993 - 1999

SLTPK AC II Surabaya 1999 - 2002

SMAN I Surabaya 2002 - 2005

Teknik Fisika – ITS 2005 - Skrg