Prosiding Seminar Nasional Teknik Industri https://ocs.machung.ac.id/index.php/seminarnasionalindustrimesin en-US yuswono.hadi@machung.ac.id (Yuswono Hadi, M.T.) kukuh.bhayu@machung.ac.id (Kukuh Bhayu Bramastya, S.T.) Thu, 14 Aug 2025 04:25:19 +0000 OJS 3.2.1.1 http://blogs.law.harvard.edu/tech/rss 60 Evaluasi Model LSTM untuk Prediksi Chemical Treatment pada Sistem Ultrafiltrasi https://ocs.machung.ac.id/index.php/seminarnasionalindustrimesin/article/view/679 <p>Penyumbatan atau yang biasa dikenal dengan <em>membrane fouling </em>(<em>MF</em>) merupakan masalah yang umum dalam sistem pemurnian air ultrafiltrasi dan penanganan terhadap permasalahan ini diantaranya adalah dengan pembilasan balik (<em>water treatment</em>) ataupun penggunaan bahan kimia (<em>chemical treatment</em>). Masing-masing perlakuan memiliki keunggulan dan kelemahan masing-masing dari segi waktu dan biaya pelaksanaan. Di dalam dunia nyata, pelaksanaan <em>chemical treatment </em>(<em>CT</em>) seringkali memerlukan waktu yang lama, namun efektivitas yang tinggi sehingga <em>CT</em> menjadi hal yang paling diperhatikan dalam penelitian ini. Keputusan untuk pelaksanaan <em>CT</em> umumnya didasarkan pada penilaian subyektif manusia sehingga sangat beresiko untuk terjadinya inkonsistensi dalam pelaksanaan <em>CT.</em> Oleh sebab itu, diperlukan pemanfaatan <em>deep learning</em> untuk membantu melakukan automasi terhadap pelaksanaan <em>CT</em>. Riset ini dilakukan untuk mengevaluasi performa dari 3 model <em>deep learning</em> yakni <em>LSTM</em>, Bidirectional LSTM (<em>Bi-LSTM</em>), dan <em>Bi-LSTM</em> + Transformer dalam memprediksi laju alir yang kemudian digunakan untuk memprediksi kejadian pelaksanaan <em>CT</em>. Evaluasi dilakukan berdasarkan nilai <em>Root Mean Squared Error </em>(<em>RMSE</em>) dan kecocokan waktu pelaksanaan <em>CT</em> antara prediksi dan aktual. Berdasarkan nilai RMSE yang didapat, <em>Bi-LSTM</em> + Transformer memberikan nilai terbaik dengan nilai <em>RMSE</em> sebesar 26,01 disusul oleh <em>Bi-LSTM</em> dan <em>LSTM</em> 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 <em>CT</em> dengan aktual, model <em>LSTM</em>, <em>Bi-LSTM</em> dan <em>Bi-LSTM</em> + Transformer memberikan hasil <em>F1-Score</em> sebesar 0,80; 0,79; dan 0,72 dimana nilai <em>F1-Score</em> yang semakin mendekati 1 menunjukkan hasil prediksi yang baik/semakin mendekati data aktual. Berdasarkan performa yang diperoleh, dapat disimpulkan bahwa model <em>LSTM</em> memiliki performa yang lebih baik dibandingkan model yang lebih kompleks seperti <em>Bi-LSTM</em> dan <em>Bi-LSTM</em> + <em>Transformer</em>.</p> Jecky Jecky, Chao Lung Yang, Nur Aini Masruroh Copyright (c) 2025 Prosiding Seminar Nasional Teknik Industri https://ocs.machung.ac.id/index.php/seminarnasionalindustrimesin/article/view/679 Thu, 14 Aug 2025 00:00:00 +0000