MODEL PREDIKSI ADAPTIF BERBASIS JARINGAN SARAF TIRUAN UNTUK OPTIMALISASI DOSIS KOAGULAN PADA INSTALASI PENGOLAHAN AIR

Abstrak

Pendosisan koagulan Poly Aluminium Chloride (PAC) pada instalasi pengolahan air selama ini masih banyak mengandalkan pengalaman operator melalui metode jar-test manual yang responsnya relatif lambat terhadap perubahan karakteristik air baku. Kondisi ini kerap memicu ketidak tepatan dosis, baik dalam bentuk pemborosan bahan kimia maupun penurunan kualitas air olahan. Artikel ini membahas pengembangan model prediksi adaptif berbasis jaringan saraf tiruan (Artificial Neural Network) dengan algoritma back-propagation untuk menentukan dosis PAC secara lebih presisi pada Instalasi Pengolahan Air (IPA) Buaran 3. Arsitektur jaringan yang digunakan terdiri atas lima neuron masukan, dua lapisan tersembunyi berturut-turut berisi 64 dan 32 neuron, serta satu neuron keluaran (konfigurasi 5-64-32-1), dengan fungsi aktivasi tanh pada lapisan tersembunyi. Model dilatih menggunakan data operasional historis dari sistem SCADA berupa debit aliran, kekeruhan air baku, dan pH, kemudian diuji terhadap data yang tidak dilibatkan pada proses pelatihan. Sistem ditempatkan dalam kerangka kontrol loop terbuka (open-loop) sehingga keluaran model berperan sebagai rekomendasi bagi operator, bukan sebagai perintah aktuasi otomatis. Hasil pengujian menunjukkan galat prediksi yang jauh lebih kecil dibandingkan pendekatan regresi konvensional, dengan penghematan konsumsi PAC sekitar 12,4% dibandingkan metode jar-test manual serta waktu respons yang turun dari kisaran 15-30 menit menjadi kurang dari satu detik. Temuan ini mengindikasikan bahwa pendekatan machine learning cukup layak diadopsi sebagai instrumen bantu pengambilan keputusan pada operasional IPA berskala industri.

Coagulant dosing of Poly Aluminium Chloride (PAC) in water treatment plants is still largely determined through manual jar-test procedures that respond slowly to changes in raw water characteristics, often resulting in chemical waste or degraded effluent quality. This paper presents the development of an adaptive prediction model based on a back-propagation Artificial Neural Network to determine PAC dosage more precisely at the Buaran 3 Water Treatment Plant. The network architecture consists of five input neurons, two hidden layers with 64 and 32 neurons respectively, and a single output neuron (5-64-32-1 configuration), using the tanh activation function in the hidden layers. The model was trained on historical SCADA operational data covering flow rate, raw water turbidity, and pH, then evaluated on data withheld from training. The system operates within an open-loop control framework, so its output functions as an advisory recommendation for the operator rather than an automatic actuation command. Testing shows prediction error considerably lower than conventional regression, with roughly 12.4% savings in PAC consumption compared to manual jar-test dosing and a reduction in decision response time from 15-30 minutes to under one second. These results suggest that the machine learning approach is reasonably suited for adoption as a decision-support tool in industrial-scale water treatment operations.