PENGEMBANGAN DAN IMPLEMENTASI SOFT SENSOR KOMPOSISI PRODUK FRAKSINASI FATTY ALCOHOL C12 MENGGUNAKAN MACHINE LEARNING DI INDUSTRI OLEOKIMIA

Abstract

Pengukuran komposisi produk kolom fraksinasi fatty alcohol di pabrik oleokimia saat ini dilakukan secara periodik melalui analisis gas chromatography (GC) di laboratorium, sehingga informasi kualitas tidak tersedia setiap saat dan pengendalian proses menghadapi keterlambatan informasi. Penelitian ini mengembangkan sekaligus mengimplementasikan soft sensor berbasis machine learning untuk memprediksi komposisi C12 produk fraksinasi fatty alcohol secara online di lingkungan Operational Technology (OT) pabrik. Model dibangun dari 32 bulan data Distributed Control System (DCS) beresolusi 5 menit dan hasil laboratorium dari Laboratory Information Management System (LIMS) yang tersedia setiap 4 jam. Sembilan model dari empat family algoritme dibandingkan bersama beberapa metode seleksi fitur (Mutual Information, PLS-VIP, Permutation Importance); model dipilih berdasarkan MAE validasi eksternal terendah yang memenuhi ambang generalization gap latih–uji (< 0.05). SVR dengan seleksi fitur Mutual Information mencatat performa terbaik dengan MAE validasi 0.3462 %-C12 (R² = 0.5818). Kontribusi utama penelitian ini adalah perwujudan model menjadi sistem prediksi online yang beroperasi penuh dalam ekosistem Operational Technology (OT). Data instrumentasi DCS diteruskan melalui protokol Modbus menuju OPC UA server dan disimpan pada database PostgreSQL. Apache Airflow mengotomatiskan perpindahan data sekaligus menjalankan inferensi secara terjadwal setiap 5 menit maupun berbasis event saat operator menekan tombol pengambilan sampel di DCS. Hasil prediksi dikirim kembali ke DCS melalui OPC UA server untuk mendukung pemantauan online tanpa menunggu hasil laboratorium. Seluruh komponen dijalankan dalam container Docker sesuai standar pabrik, sehingga arsitektur bersifat portabel dan mudah dipelihara.