Evaluasi Performa Model Berbasis Deep Learning dalam Prediksi Perlakuan Kimia pada Sistem Pemurnian Air Ultrafiltrasi
Jecky, Prof. Nur Aini Masruroh, ST., M.Sc., Ph.D., IPM., ASEAN Eng.
2025 | Tesis | S2 Teknik Industri
Sistem pemurnian air merupakan bagian penting dalam
industri modern, namun sering menghadapi masalah seperti penyumbatan filter
(membrane fouling) yang dapat mengurangi produksi air bersih. Penelitian ini
mengusulkan sistem pendukung keputusan berbasis data dengan menggunakan metode
deep learning untuk mengatasi masalah tersebut. Model LSTM (Long Short-Term
Memory), Bidirectional LSTM, dan Bidirectional LSTM + Transformer dilatih dengan
menggunakan data historis untuk memprediksi laju aliran (flowrate), yang
kemudian digunakan untuk mendeteksi perlakuan kimia (chemical treatment).
Penelitian dimulai dengan melakukan pre-processing
terhadap data dalam kurun waktu 1 bulan (46.000) menit yang berisikan 3
variabel yakni laju alir, tekanan masukan dan tekanan keluaran, kemudian model
yang dibangun akan meleati 2 tahap. Tahap pertama memprediksi laju aliran
selama 60 menit ke depan berdasarkan data historis selama 60 menit sebelumnya
dari fitur-fitur penting. Tahap kedua menggunakan hasil prediksi tersebut untuk
mengidentifikasi kemungkinan terjadinya chemical treatment dan membandingkan waktu
prediksi dengan kejadian sebenarnya.
Hasil menunjukkan bahwa model Bidirectional LSTM +
Transformer menghasilkan nilai RMSE terendah sebesar 26,01, sedikit lebih baik dibandingkan
Bidirectional LSTM sebesar 26,02 dan LSTM sebesar 26,03. Akan tetapi, model
LSTM memberikan hasil terbaik dalam memprediksi chemical treatment dengan
F1-Score tertinggi sebesar 0,80, dibandingkan nilai F1 sebesar 0,79 untuk
Bidirectional LSTM dan 0,72 untuk Bidirectional LSTM + Transformer. Temuan ini
menunjukkan bahwa meskipun model yang lebih kompleks dapat sedikit meningkatkan
akurasi prediksi flowrate, model yang lebih sederhana seperti LSTM justru lebih
baik dalam mengenali pola perlakuan kimia. Hal ini memberikan wawasan penting
mengenai pemilihan model untuk tugas prediksi deret waktu di aplikasi industri.
Water purification systems are essential in modern
industry but often face issues like filter clogging (membrane fouling), which
can reduce freshwater production. This research proposes a data-driven decision
support system using deep learning to address this problem. All of the four
models, LSTM (Long Short-Term Memory), Bidirectional LSTM, and Bidirectional
LSTM + Transformer were trained using historical data to predict flowrate,
which was then used to detect chemical treatments.
The study was started by pre-processing the data
that consist of 1 month (46,000 minutes) of data that consist of flowrate,
inlet pressure and outlet pressure variable, then the prediction model were built
in two stages. At the first stage, 60 minutes of future flowrate prediction were
made based on a 60-minute historical input of key features. The second stage
used the predicted flowrate to identify potential chemical treatments and
compare their predicted timings with actual events.
Results show that the Bidirectional LSTM +
Transformer achieved the lowest RMSE of 26.01, slightly outperforming
Bidirectional LSTM RMSE of 26.02 and LSTM RMSE of 26.03. However, the LSTM
model provided the best chemical treatment prediction, with the highest
F1-Score of 0.80, compared to 0.79 for Bidirectional LSTM and 0.72 for
Bidirectional LSTM + Transformer. These findings highlight that while more
complex models may slightly improve flowrate prediction accuracy, simpler
models like LSTM can outperform them in identifying treatment patterns. This
offers valuable insight into model selection for time-series prediction tasks
in industrial applications.
Kata Kunci : Ultrafiltrasi, Deep Learning, Membrane Fouling, LSTM, Transformer
