Optimasi Proses Machine Learning: Mencari Setpoint Terbaik

Di banyak pabrik, setpoint proses seperti suhu oven, kecepatan lini, tekanan, atau laju dosing berasal dari nilai saat commissioning atau kebiasaan operator senior. Setiap shift punya "resep" sendiri. Hasilnya naik turun: konsumsi energi per ton, rendemen, dan jumlah produk yang harus dikerjakan ulang berbeda dari hari ke hari, padahal produknya sama.

Data PLC dan catatan mutu sering sudah menunjukkan bahwa sebagian periode berjalan lebih baik dari yang lain. Yang belum ada adalah cara sistematis untuk bertanya: dalam kondisi apa, dan dengan setelan apa? Di situlah optimasi proses dengan machine learning berperan. Artikel ini membahas data yang dibutuhkan, beda rekomendasi dan kendali otomatis, batas aman, dan cara memvalidasinya bersama tim proses.

Apa itu optimasi proses dengan machine learning

Machine learning di pabrik biasanya menjawab salah satu dari tiga pertanyaan:

• Prediksi: apa yang akan terjadi pada batch ini? Contohnya risiko cacat, dibahas di prediksi cacat produksi dengan machine learning.
• Forecasting: berapa beban produksi atau kebutuhan energi minggu depan? Dibahas di AI forecasting untuk produksi dan energi.
• Optimasi: setelan apa yang sebaiknya dipakai sekarang agar hasilnya terbaik, tanpa melanggar batas mutu dan keselamatan?

Optimasi biasanya memakai model prediksi sebagai "simulator" proses. Model mempelajari hubungan setpoint dan kondisi proses dengan hasilnya. Lalu algoritma optimasi mencoba berbagai kombinasi setpoint di dalam rentang yang diizinkan dan memilih yang diperkirakan memberi hasil terbaik untuk kondisi hari ini.

Tentukan target dan batasannya dulu

Pilih satu target utama yang bisa diukur, misalnya energi per ton produk, rendemen, waktu siklus, atau tingkat rework. Spesifikasi mutu menjadi batasan, bukan target kedua. Tabel berikut contoh umum, bukan studi kasus:

Proses	Setpoint yang bisa diubah	Target	Batasan
Pengering atau oven	Suhu udara, kecepatan konveyor, bukaan damper	Energi per ton	Kadar air produk dalam spesifikasi
Kompresor udara	Tekanan header	kWh per m³ udara	Tekanan minimum di titik pakai
Pencampuran batch	Suhu, lama aduk, laju dosing	Waktu siklus	Hasil uji laboratorium dalam spesifikasi

Data yang dibutuhkan

• Tiga kelompok variabel. Variabel yang bisa diatur (setpoint), gangguan yang tidak bisa diatur (sifat bahan baku, suhu dan kelembapan udara, beban, jenis produk), dan hasil (mutu, energi, output). Tanpa data gangguan, model tidak tahu kenapa setelan yang sama memberi hasil berbeda.
• Variasi setpoint di masa lalu. Kalau suhu selalu 180 °C, data tidak bisa bercerita apa yang terjadi pada 175 °C atau 185 °C. Variasinya bisa datang dari perbedaan antar-shift, atau dari uji coba kecil yang direncanakan di dalam rentang aman.
• Waktu tunda. Perubahan setpoint baru terlihat pada hasil setelah waktu tinggal bahan di proses, dan hasil laboratorium sering keluar berjam-jam kemudian. Data harus disejajarkan per batch atau per waktu tinggal, bukan sekadar per jam.
• Periode yang bersih. Start-up, pergantian produk, dan berhenti mesin perlu ditandai supaya tidak dianggap kondisi normal.
• Catatan konteks seperti perawatan, lot bahan baku, dan keluhan mutu. Bila masih di kertas, mulai dari digitalisasi logsheet produksi.

Cara mencari setpoint yang lebih baik

1. Bandingkan periode terbaik. Kelompokkan kondisi yang mirip, misalnya produk dan bahan baku yang sama, lalu bandingkan setelan pada periode dengan hasil terbaik dan sisanya. Cara ini sederhana, mudah dijelaskan, dan sering sudah cukup sebagai langkah pertama.
2. Model dan optimasi. Model memperkirakan hasil dari setpoint dan gangguan, lalu optimasi mencari setelan terbaik di dalam rentang yang diizinkan. Rekomendasinya mengikuti kondisi saat itu, misalnya setelan berbeda saat bahan baku lebih basah.
3. Tetap di dalam rentang data. Jangan merekomendasikan nilai yang belum pernah dijalankan. Model tidak tahu apa yang terjadi di luar pengalaman datanya.

Hati-hati dengan korelasi

Sebagai ilustrasi, operator menaikkan suhu pengering setiap kali bahan baku datang basah. Di data, suhu tinggi jadi sering muncul bersama produk yang kadar airnya tinggi. Model yang naif bisa menyimpulkan suhu tinggi membuat produk basah, lalu menyarankan menurunkannya. Karena itu data gangguan seperti kadar air bahan baku harus ikut masuk, dan setiap temuan perlu dinilai oleh orang yang paham prosesnya.

Rekomendasi atau kendali otomatis

Aspek	Mode rekomendasi	Kendali otomatis (closed loop)
Cara kerja	Setpoint yang disarankan tampil di dashboard, operator memutuskan	Sistem menulis setpoint ke PLC secara berkala
Risiko	Rendah, akses ke PLC cukup baca	Lebih tinggi, butuh pengaman berlapis
Kapan dipakai	Tahap awal dan proses yang sensitif	Setelah rekomendasi terbukti dalam waktu lama

Mulailah dari mode rekomendasi. Catat setiap saran yang diterima atau ditolak beserta alasannya, karena catatan itu bahan belajar terbaik. Bila nanti beralih ke kendali otomatis, loop PID di PLC tetap menjaga proses, sedangkan model hanya menggeser targetnya di dalam batas. Sistem juga harus kembali ke setpoint aman terakhir bila data rusak atau model berhenti, dan operator harus bisa mematikannya kapan saja.

Batas aman yang tidak boleh dilanggar

• Batas keras dari tim proses dan desain peralatan, seperti suhu dan tekanan maksimum, dipasang di PLC, bukan hanya di model.
• Besar dan frekuensi perubahan dibatasi, misalnya maksimal sekian derajat per perubahan dan jeda minimum antar-perubahan.
• Interlock dan sistem keselamatan di luar jangkauan model. Optimasi tidak pernah menyentuh fungsi keselamatan.
• Perubahan rentang lewat prosedur manajemen perubahan yang sama dengan perubahan proses lain.
• Penjaga mutu data. Bila sensor penting membeku atau di luar rentang wajar, tidak ada rekomendasi yang keluar.

Validasi bersama tim proses

1. Uji mundur (backtest) pada periode yang tidak dipakai untuk melatih model.
2. Tinjauan teknis. Apakah arah rekomendasinya masuk akal secara fisika dan kimia proses?
3. Uji terkendali. Misalnya bergantian hari atau shift, dengan target, baseline, durasi, dan kriteria berhenti yang disepakati sebelum mulai.
4. Ukur dengan jujur. Bandingkan pada kondisi yang mirip, seperti campuran produk dan cuaca, dan catat kapan saran benar-benar diikuti.
5. Pantau dan latih ulang. Keausan peralatan, pemasok bahan baku baru, atau produk baru bisa menggeser kondisi optimal.

Yang perlu diperhatikan

• Besar manfaatnya bergantung pada proses. Proses yang sudah dekat batas fisiknya atau sudah dikendalikan ketat menyisakan ruang perbaikan kecil.
• Model hanya membaca penyebab yang tercatat. Gangguan penting yang tidak diukur membuat rekomendasi lemah.
• Angka penghematan tidak bisa dijanjikan sebelum data dikaji.
• Operator perlu dilibatkan sejak awal. Rekomendasi yang tidak dipercaya tidak akan dijalankan.

Pertanyaan yang sering diajukan

Apa bedanya dengan advanced process control (APC)?

APC, misalnya model predictive control, memakai model dinamis untuk mengendalikan beberapa variabel sekaligus secara terus-menerus. Optimasi setpoint dengan machine learning biasanya bekerja di lapisan yang lebih lambat: menentukan target yang kemudian dijaga oleh sistem kendali. Keduanya bisa saling melengkapi.

Apakah harus memasang sensor baru?

Belum tentu. Banyak setpoint dan nilai proses sudah tercatat di PLC. Sensor baru dibutuhkan bila gangguan penting, misalnya kadar air bahan baku, belum terukur.

Berapa lama data historis yang dibutuhkan?

Yang menentukan adalah variasinya: cukup banyak produk, bahan baku, cuaca, dan setelan yang tercatat. Kecukupannya dinilai saat kajian data, sebelum model dibangun.

Optimasi proses bersama INCLUDE

Data proses dari sensor dan PLC masuk ke platform INCLUDE lewat MQTT, HTTP, atau IncludeGateways untuk perangkat Modbus RTU. Data historis bisa diimpor (paket Pro ke atas) tanpa memicu alarm, sehingga riwayat produksi lama bisa langsung dikaji.

Modelnya dibangun lewat jasa predictive analytics dan machine learning: dimulai dari pertanyaan bisnis dan kajian data, lalu model diuji terhadap data historis Anda dan hasilnya dibahas bersama tim operasional. Setelah berjalan, rekomendasi dan prediksinya tampil di dashboard dan alarm platform yang sama, akurasinya dipantau, dan model dilatih ulang saat kondisi berubah. Platform INCLUDE memang bisa mengubah setpoint dari dashboard, tetapi untuk optimasi kami sarankan mulai dari mode rekomendasi dengan akses baca saja ke PLC.