Evaluasi Model LSTM untuk Prediksi Chemical Treatment pada Sistem Ultrafiltrasi
Keywords:
automasi, deep learning, membrane fouling, ultrafiltrasiAbstract
Penyumbatan atau yang biasa dikenal dengan membrane fouling (MF) merupakan masalah yang umum dalam sistem pemurnian air ultrafiltrasi dan penanganan terhadap permasalahan ini diantaranya adalah dengan pembilasan balik (water treatment) ataupun penggunaan bahan kimia (chemical treatment). Masing-masing perlakuan memiliki keunggulan dan kelemahan masing-masing dari segi waktu dan biaya pelaksanaan. Di dalam dunia nyata, pelaksanaan chemical treatment (CT) seringkali memerlukan waktu yang lama, namun efektivitas yang tinggi sehingga CT menjadi hal yang paling diperhatikan dalam penelitian ini. Keputusan untuk pelaksanaan CT umumnya didasarkan pada penilaian subyektif manusia sehingga sangat beresiko untuk terjadinya inkonsistensi dalam pelaksanaan CT. Oleh sebab itu, diperlukan pemanfaatan deep learning untuk membantu melakukan automasi terhadap pelaksanaan CT. Riset ini dilakukan untuk mengevaluasi performa dari 3 model deep learning yakni LSTM, Bidirectional LSTM (Bi-LSTM), dan Bi-LSTM + Transformer dalam memprediksi laju alir yang kemudian digunakan untuk memprediksi kejadian pelaksanaan CT. Evaluasi dilakukan berdasarkan nilai Root Mean Squared Error (RMSE) dan kecocokan waktu pelaksanaan CT antara prediksi dan aktual. Berdasarkan nilai RMSE yang didapat, Bi-LSTM + Transformer memberikan nilai terbaik dengan nilai RMSE sebesar 26,01 disusul oleh Bi-LSTM dan LSTM dengan nilai 26,02 dan 26,03 dimana nilai RMSE yang lebih kecil dari 30 menunjukkan akurasi prediksi yang moderat. Berdasarkan kecocokan antara prediksi waktu pelaksanaan CT dengan aktual, model LSTM, Bi-LSTM dan Bi-LSTM + Transformer memberikan hasil F1-Score sebesar 0,80; 0,79; dan 0,72 dimana nilai F1-Score yang semakin mendekati 1 menunjukkan hasil prediksi yang baik/semakin mendekati data aktual. Berdasarkan performa yang diperoleh, dapat disimpulkan bahwa model LSTM memiliki performa yang lebih baik dibandingkan model yang lebih kompleks seperti Bi-LSTM dan Bi-LSTM + Transformer.
References
Bi, J., Chen, Z., Yuan, H., Lin, Y., & Qiao, J. (2022). Hybrid Prediction for Water Quality with Bidirectional LSTM and Temporal Attention. IEEE International Conference on Systems, Man and Cybernetics (pp. 2009–2014). IEEE. https://doi.org/10.1109/SMC53654.2022.9945409
Kovacs, D. J., Li, Z., Baetz, B. W., Hong, Y., Donnaz, S., Zhao, X., Zhou, P., Ding, H., & Dong, Q. (2022). Membrane fouling prediction and uncertainty analysis using machine learning: A wastewater treatment plant case study. Journal of Membrane Science, 660, 120817. https://doi.org/10.1016/j.memsci.2022.120817
Li, H., Rajbahadur, G. K., Lin, D., Bezemer, C. P., & Jiang, Z. M. (2024). Keeping Deep Learning Models in Check: A History-Based Approach to Mitigate Overfitting. IEEE Access, 12, 70676–70689. https://doi.org/10.1109/ACCESS.2024.3402543
Nie, Q., Wan, D., & Wang, R. (2021). CNN-BiLSTM water level prediction method with attention mechanism. Journal of Physics: Conference Series, 2078(1). https://doi.org/10.1088/1742-6596/2078/1/012032
Niu, C., Li, X., Dai, R., & Wang, Z. (2022). Artificial intelligence-incorporated membrane fouling prediction for membrane-based processes in the past 20 years: A critical review. Water Research, 216, 118299. https://doi.org/10.1016/j.watres.2022.118299
Papageorgiou, S. N. (2022). On correlation coefficients and their interpretation. Journal of Orthodontics, 49(3), 359–361. https://doi.org/10.1177/14653125221076142
Shi, J., Wang, S., Qu, P., & Shao, J. (2024). Time series prediction model using LSTM-Transformer neural network for mine water inflow. Scientific Reports, 14(1), 1–16. https://doi.org/10.1038/s41598-024-69418-z
Wang, J., & Chai, W. (2025). Research and Application of Intelligent Learning Path Optimization Based on LSTM-Transformer Model. Systems and Soft Computing, 7, 200332. https://doi.org/10.1016/j.sasc.2025.200332
Zhang, Q., Wang, R., Qi, Y., & Wen, F. (2022). A watershed water quality prediction model based on attention mechanism and Bi-LSTM. Environmental Science and Pollution Research, 29(50), 75664–75680. https://doi.org/10.1007/s11356-022-21115-y
Zhang, W., Jia, J., Pang, X., Wen, J., Shi, Y., & Zeng, J. (2024). An Improved Transformer Model for Remaining Useful Life Prediction of Lithium-Ion Batteries under Random Charging and Discharging. Electronics, 13(8). https://doi.org/10.3390/electronics13081423