Pembuatan Model Quality Control Raw Mill Semen menggunakan Metode Artificial Neural Network dan Long- Short Term Memory (Studi Kasus: PT Indocement Tunggal Prakarsa Tbk. Plant- Cirebon)

Abstract

Kontrol kualitas pada industri semen membutuhkan kecermatan dan intensitas yang tinggi selama proses. kualitas semen sangat bergantung pada klinker yang ditentukan dari stabilnya nilai modulus kimia yang dikendalikan oleh operator QC. permasalahan muncul ketika mesin yang menunjang proses QC seperti lengan robot mengalami downtime tidak terjadwal sehingga menyulitkan operator dalam menentukan modulus yang harus ditetapkan setiap 30 menit, akibatnya kualitas hasil klinker yang dihasilkan dibawah standar kualitas yang telah di tentukan dan tidak memenuhi permintaan pasar domestik untuk proyek nasional, sehingga menyebabkan perusahaan mengalami opportunity loss.. Penggunaan machine learning diduga mampu memberikan solusi mengendalikan kualitas pada industri semen. Long Short-Term Memory (LSTM) dan Artificial Neural Network (ANN) merupakan salah satu machine learning yang dapat memprediksi nilai modulus kimia dan campuran komposisi pada pembobotan weighing feeder di proses produksi semen. Hasilnya LSTM efektif dalam memprediksi modulus kimia dan campuran komposisi selama proses produksi. Hasil dari ANN backpropagation menunjukkan akurasi yang cukup baik dengan penggunaan data input dari hasil prediksi LSTM berupa modulus Limestone Saturation Factor, Alumina modulus, dan Silica modulus yang digunakan untuk menentukan pembobotan pada mesin weighing feeder yang mengendalikan bahan material berupa batu kapur, tanah liat, pasir besi, dan pasir silika, namun terdapat anomali selama pelatihan model karena data yang digunakan dalam penelitian diambil saat kondisi mesin tidak sepenuhnya dalam kondisi Steady State.