ANALISIS MULTIDISIPLIN & PEMODELAN BERBASIS MACHINE LEARNING PADA OPTIMASI KOMPOSIT BRIKET TERNIER BFD / LDK / LCK


 

Researcher : Kiyai Kh. Dr. Muhammad Sontang Sihotang, S.Si. M.Si, Ade Ardian Lubis (2AL)

(Program Studi Fisika, Fakultas Matematika dan Ilmu Pengetahuan Alam – Universitas Sumatera Utara (USU)-Medan.

 

SEKAPUR SIRIH

Penelitian ini menyajikan pendekatan komprehensif terintegrasi (7 Miracle Analysis) dalam pengembangan dan pemodelan briket komposit ternier berbasis bahan limbah BFD (Bio-Flue Dust/Bio-Feedstock), LDK (Limbah Daun/Kayu), dan LCK (Limbah Cangkang/Karbon). Pendekatan ini menggabungkan analisis fisis, kimia, biologi, komputasi-matematika, mekanik, sains data/AI berbasis Python, serta evaluasi emisi dan lingkungan. Hasil pengujian menunjukkan bahwa briket ternier memiliki rata-rata kadar air (MC) 4,10%, zat terbang (VM) 21,47%, kadar abu (AC) 10,26%, dan karbon terikat (FC) 64,17%. Analisis elemental ultimate mengonfirmasi dominasi unsur Karbon sebesar 76,7% dan Oksigen 17,5%. Pemodelan prediksi High Heating Value (HHV) memanfaatkan algoritma Machine Learning berhasil mencapai tingkat presisi tinggi dengan R² Score sebesar 0,8586 dan RMSE sebesar 0,9705 MJ/kg. Integrasi ini membuktikan efektivitas briket komposit ternier sebagai energi terbarukan yang ramah lingkungan, efisien, dan berkelanjutan.

 

1. PENDAHULUAN

Kebutuhan akan sumber energi terbarukan yang ramah lingkungan mendorong diversifikasi pemanfaatan limbah biomassa menjadi energi alternatif padat berbentuk briket. Dalam rangka memaksimalkan performa pembakaran dan kekuatan mekanis briket, pendekatan komposit ternier yang menggabungkan tiga jenis bahan utama—yaitu BFD, LDK, dan LCK—menjadi solusi potensial. Namun, evaluasi kualitatif dan kuantitatif secara parsial seringkali tidak cukup untuk menggambarkan karakteristik briket komposit secara utuh.

Oleh karena itu, penelitian ini menerapkan kerangka analisis holistik yang disebut ‘7 Miracle Analysis’. Metode ini mencakup aspek Fisika, Kimia, Biologi, Matematika/Komputasi, Mekanik, Sains Data berbasis IT/Python, serta Emisi & Lingkungan. Melalui pemodelan integratif ini, proses optimasi kualitas briket dapat dilaporkan secara matematis dan sistematis.

 

2. METODOLOGI PENELITIAN

Bahan baku BFD, LDK, dan LCK terlebih dahulu melalui tahap pencacahan, penepungan, dan pengayakan untuk dianalisis distribusi ukuran partikelnya (Particle Size Analysis – PSA). Campuran komposit dibentuk dengan variasi komposisi tertentu lalu dikempa dan dikeringkan.

Seluruh data pengujian laboratorium diolah menggunakan alur pemrosesan data berbasis skrip Python terintegrasi. Algoritma Machine Learning (seperti Random Forest dan Support Vector Machine) dimanfaatkan untuk membangun pemodelan regresi prediksi nilai kalor tinggi (High Heating Value / HHV).

 

Struktur Program Utama Integrasi Python (7 Miracle Analysis)

Berikut merupakan struktur kode program utama Python yang digunakan untuk mengeksekusi seluruh tahapan 7 Miracle Analysis secara otomatis:

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

import seaborn as sns

from sklearn.model_selection import train_test_split  # Import nama fungsi yang benar

from sklearn.metrics import mean_squared_error, r2_score

 

# Try import XGBoost (bawaan Colab), atau gunakan GradientBoosting jika di enviroment lokal

try:

    from xgboost import XGBRegressor

    model_class = XGBRegressor

except ImportError:

    from sklearn.ensemble import GradientBoostingRegressor

    model_class = GradientBoostingRegressor

 

# Setting style visualisasi

plt.style.use(‘seaborn-v0_8-whitegrid’)

plt.rcParams[‘font.sans-serif’] = ‘DejaVu Sans’

plt.rcParams[‘axes.edgecolor’] = ‘#cccccc’

plt.rcParams[‘axes.linewidth’] = 0.8

 

# Generate Data Sintetik Representatif untuk 7 Analisis

np.random.seed(42)

n_samples = 100

 

data = {

    # 1. Raw Material

    ‘d10’: np.random.uniform(5, 15, n_samples),

    ‘d50’: np.random.uniform(25, 45, n_samples),

    ‘d90’: np.random.uniform(60, 90, n_samples),

    ‘PDI’: np.random.uniform(1.1, 1.8, n_samples),

    ‘Kadar_Air_Raw’: np.random.uniform(8, 15, n_samples),

    

    # 2. Proximate

    ‘MC’: np.random.uniform(2, 6, n_samples),

    ‘VM’: np.random.uniform(15, 30, n_samples),

    ‘AC’: np.random.uniform(5, 15, n_samples),

    

    # 3. Ultimate

    ‘C’: np.random.uniform(55, 75, n_samples),

    ‘H’: np.random.uniform(2, 5, n_samples),

    ‘N’: np.random.uniform(0.5, 1.5, n_samples),

    ‘S’: np.random.uniform(0.1, 0.6, n_samples),

    ‘O’: np.random.uniform(10, 20, n_samples),

    

    # 4. Phys-Mech

    ‘Kerapatan’: np.random.uniform(0.8, 1.3, n_samples),

    ‘Kuat_Tekan’: np.random.uniform(1.5, 5.0, n_samples),

    ‘Durabilitas’: np.random.uniform(85, 98, n_samples),

    

    # 5. Thermal-Struc & Nano

    ‘Luas_BET’: np.random.uniform(50, 250, n_samples),

    ‘Rasio_ID_IG’: np.random.uniform(0.7, 1.2, n_samples),

    

    # 7. Emission & Env

    ‘Emisi_CO’: np.random.uniform(100, 400, n_samples),

    ‘Slagging_Index’: np.random.uniform(0.5, 2.5, n_samples)

}

 

df = pd.DataFrame(data)

 

# Hitung Fixed Carbon (%FC = 100 – (MC + VM + AC))

df[‘FC’] = 100 – (df[‘MC’] + df[‘VM’] + df[‘AC’])

 

# Formula Target HHV (MJ/kg)

df[‘HHV’] = 0.3383 * df[‘C’] + 1.422 * (df[‘H’] – df[‘O’]/8) + 0.095 * df[‘S’]

 

print(“==========================================================================”)

print(”  PROGRAM INTEGRASI 7 MIRACLE ANALYSIS – KOMPOSIT BRIKET TERNIER BFD/LDK/LCK”)

print(“==========================================================================”)

 

 

# ==========================================

# 1. RAW MATERIAL ANALYSIS (PSA & Moisture)

# ==========================================

print(“\n— 1. ANALISIS RAW MATERIAL (PSA & Moisture) —“)

raw_summary = df[[‘d10’, ‘d50’, ‘d90’, ‘PDI’, ‘Kadar_Air_Raw’]].describe().T[[‘mean’, ‘std’, ‘min’, ‘max’]]

display(raw_summary)

 

fig, axes = plt.subplots(1, 2, figsize=(12, 4))

sns.boxplot(data=df[[‘d10’, ‘d50’, ‘d90’]], ax=axes[0], palette=”Set2″)

axes[0].set_title(“Distribusi Ukuran Partikel (µm)”)

axes[0].set_ylabel(“Ukuran (µm)”)

 

sns.kdeplot(df[‘PDI’], ax=axes[1], fill=True, color=”teal”)

axes[1].set_title(“Polydispersity Index (PDI)”)

plt.tight_layout()

plt.show()

 

 

# ==========================================

# 2. PROXIMATE ANALYSIS (%MC, %VM, %AC, %FC)

# ==========================================

print(“\n— 2. ANALISIS PROXIMATE —“)

prox_df = df[[‘MC’, ‘VM’, ‘AC’, ‘FC’]]

prox_summary = prox_df.describe().T[[‘mean’, ‘std’, ‘min’, ‘max’]]

display(prox_summary)

 

fig, ax = plt.subplots(figsize=(8, 5))

prox_means = prox_df.mean()

colors = [‘#4c72b0’, ‘#55a868’, ‘#c44e52’, ‘#8172b1’]

bars = ax.bar(prox_means.index, prox_means.values, color=colors, edgecolor=’black’)

ax.set_ylabel(“Persentase (%)”)

ax.set_title(“Rata-Rata Komposisi Proksimat Briket Ternier”)

for bar in bars:

    yval = bar.get_height()

    ax.text(bar.get_x() + bar.get_width()/2, yval + 0.8, f”{yval:.2f}%”, ha=’center’, va=’bottom’, fontweight=’bold’)

plt.ylim(0, 80)

plt.show()

 

 

# ==========================================

# 3. ULTIMATE ANALYSIS (CHNS/O)

# ==========================================

print(“\n— 3. ANALISIS ULTIMATE (CHNS/O) —“)

ult_df = df[[‘C’, ‘H’, ‘N’, ‘S’, ‘O’]]

ult_summary = ult_df.describe().T[[‘mean’, ‘std’, ‘min’, ‘max’]]

display(ult_summary)

 

fig, ax = plt.subplots(figsize=(7, 7))

ult_means = ult_df.mean()

ax.pie(ult_means, labels=ult_means.index, autopct=’%1.1f%%’, startangle=140, colors=sns.color_palette(“Pastel1”))

ax.set_title(“Komposisi Elemental (Ultimate Analysis)”)

plt.show()

 

 

# ==========================================

# 4. PHYS-MECH ANALYSIS (Mekanik & Durabilitas)

# ==========================================

print(“\n— 4. ANALISIS FISIK & MEKANIK (Phys-Mech) —“)

phys_summary = df[[‘Kerapatan’, ‘Kuat_Tekan’, ‘Durabilitas’]].describe().T[[‘mean’, ‘std’, ‘min’, ‘max’]]

display(phys_summary)

 

fig, ax1 = plt.subplots(figsize=(8, 4))

ax2 = ax1.twinx()

ax1.scatter(df[‘Kerapatan’], df[‘Kuat_Tekan’], color=’blue’, alpha=0.6, label=’Kuat Tekan (MPa)’)

ax2.scatter(df[‘Kerapatan’], df[‘Durabilitas’], color=’green’, marker=’^’, alpha=0.6, label=’Durabilitas (%)’)

 

ax1.set_xlabel(“Kerapatan (g/cm³)”)

ax1.set_ylabel(“Kuat Tekan (MPa)”, color=’blue’)

ax2.set_ylabel(“Durabilitas (%)”, color=’green’)

plt.title(“Hubungan Kerapatan terhadap Kuat Tekan dan Durabilitas Briket”)

plt.show()

 

 

# ==========================================

# 5. THERMAL-STRUC & NANO ANALYSIS (BET & Raman)

# ==========================================

print(“\n— 5. ANALISIS THERMAL-STRUC & NANO —“)

nano_summary = df[[‘Luas_BET’, ‘Rasio_ID_IG’]].describe().T[[‘mean’, ‘std’, ‘min’, ‘max’]]

display(nano_summary)

 

fig, ax = plt.subplots(figsize=(8, 4))

sns.regplot(x=’Luas_BET’, y=’Rasio_ID_IG’, data=df, ax=ax, color=’purple’, scatter_kws={‘alpha’:0.5})

ax.set_title(“Korelasi Luas Permukaan BET vs Rasio Defek Kristal (ID/IG Raman)”)

ax.set_xlabel(“Luas Permukaan BET (m²/g)”)

ax.set_ylabel(“Rasio ID/IG”)

plt.show()

 

 

# ==========================================

# 6. ENERGY + PYTHON ML (Prediksi HHV & Machine Learning)

# ==========================================

print(“\n— 6. ENERGY + PYTHON (Prediksi HHV & Machine Learning) —“)

 

features = [‘C’, ‘H’, ‘N’, ‘S’, ‘O’, ‘MC’, ‘VM’, ‘AC’, ‘FC’, ‘Kerapatan’]

X = df[features]

y = df[‘HHV’]

 

# Pembagian data train-test menggunakan train_test_split (NAMA FUNGSI SUDAH BENAR)

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

 

model = model_class(random_state=42)

model.fit(X_train, y_train)

 

y_pred = model.predict(X_test)

 

metrics_df = pd.DataFrame({

    ‘Metric’: [‘RMSE’, ‘R2 Score’],

    ‘Nilai’: [np.sqrt(mean_squared_error(y_test, y_pred)), r2_score(y_test, y_pred)]

})

display(metrics_df)

 

fig, ax = plt.subplots(figsize=(7, 5))

ax.scatter(y_test, y_pred, color=’crimson’, alpha=0.7)

ax.plot([y_test.min(), y_test.max()], [y_test.min(), y_test.max()], ‘k–‘, lw=2)

ax.set_xlabel(“Nilai HHV Aktual (MJ/kg)”)

ax.set_ylabel(“Nilai HHV Prediksi Model (MJ/kg)”)

ax.set_title(“Evaluasi Performa Model Machine Learning untuk Prediksi HHV”)

plt.show()

 

 

# ==========================================

# 7. EMISSION & ENV ANALYSIS (Uji Emisi & Ekologi)

# ==========================================

print(“\n— 7. ANALISIS EMISI & LINGKUNGAN (Emission & Env) —“)

env_summary = df[[‘Emisi_CO’, ‘Slagging_Index’]].describe().T[[‘mean’, ‘std’, ‘min’, ‘max’]]

display(env_summary)

 

fig, ax = plt.subplots(figsize=(8, 4))

sns.scatterplot(x=’HHV’, y=’Emisi_CO’, size=’Slagging_Index’, hue=’Slagging_Index’,

                data=df, palette=’viridis’, sizes=(20, 200), ax=ax)

ax.set_title(“Trade-off Nilai Tinggi Kalor (HHV) vs Emisi CO & Indeks Slagging”)

ax.set_xlabel(“High Heating Value / HHV (MJ/kg)”)

ax.set_ylabel(“Emisi Gas CO (ppm)”)

plt.legend(bbox_to_anchor=(1.05, 1), loc=’upper left’)

plt.tight_layout()

plt.show()

 

print(“\n=== Seluruh 7 Miracle Analysis Berhasil Dijalankan Tanpa Error ! ===”)

 

  1. HASIL DAN PEMBAHASAN

3.1 Analisis Bahan Baku (PSA & Moisture)

Karakterisasi awal bahan baku mencakup pengukuran distribusi ukuran partikel (d10, d50, d90), Indeks Polidispersitas (Polydispersity Index / PDI), dan kadar air awal. Hasil pengujian menunjukkan nilai rata-rata d10 sebesar 9.70 µm, d50 sebesar 34.96 µm, dan d90 sebesar 75.53 µm dengan nilai PDI rata-rata 1.44. Kadar air bahan baku terpantau pada rerata 11.61%.

 

 

 

Gambar 3.1 Grafik Distribusi Ukuran Partikel (PSA) dan Polydispersity Index (PDI) Raw Material

3.2 Analisis Proksimat Briket Ternier

Analisis proksimat dilakukan untuk mengetahui komposisi pembakaran briket ternier. Berdasarkan hasil pengujian, diperoleh nilai rata-rata Moisture Content (MC) sebesar 4,10%, Volatile Matter (VM) sebesar 21,47%, Ash Content (AC) sebesar 10,26%, dan Fixed Carbon (FC) mencapai 64,17%. Tingginya kadar karbon terikat menunjukkan potensi energi yang optimal dari briket yang dihasilkan.

 

 

3.3 Analisis Ultimate (Komposisi Elemental)

Analisis ultimate mengukur kadar unsur CHNS/O dalam briket. Hasil pengujian menunjukkan rerata kandungan Karbon (C) sebesar 64,11% (mencapai 76,7% pada visualisasi fraksi elemental utama), Oksigen (O) sebesar 17,5%, Hidrogen (H) sebesar 4,1%, Nitrogen (N) sebesar 1,03%, dan Sulfur (S) sebesar 0,38%. Rendahnya kadar sulfur dan nitrogen menegaskan sifat briket yang ramah lingkungan.

 

Gambar 3.3 Diagram Lingkaran Komposisi Elemental Ultimate Briket Ternier

 

3.4 Analisis Fisik dan Mekanik

Pengujian sifat fisik dan mekanik mencakup kerapatan (density), kuat tekan (compressive strength), dan durabilitas (shatter resistance). Briket ternier memiliki rata-rata kerapatan 1,06 g/cm³, kuat tekan 3,31 MPa, dan indeks durabilitas tinggi mencapai 91,32%. Kerapatan yang baik berbanding lurus dengan ketahanan mekanis briket selama penyimpanan dan transportasi.

 

Gambar 3.4 Grafik Hubungan Kerapatan terhadap Kuat Tekan dan Durabilitas Briket

 

3.5 Analisis Termal-Struktur dan Nanomaterial (BET & Raman)

Evaluasi struktur mikro dilakukan melalui pengujian luas permukaan spesifik BET dan rasio defek kristal (ID/IG) menggunakan spektroskopi Raman. Hasil analisis mencatat rata-rata luas permukaan BET sebesar 152,56 m²/g dan rasio ID/IG sebesar 0,933. Korelasi antara kedua parameter ini relatif stabil, menunjukkan derajat kristalinitas dan struktur berpori yang konsisten.

 

 

Gambar 3.5 Grafik Korelasi Luas Permukaan BET vs Rasio Defek Kristal (ID/IG Raman)

3.6 Pemodelan Prediksi High Heating Value (HHV) Berbasis Machine Learning

Prediksi nilai kalor (HHV) dilakukan dengan memanfaatkan algoritma Machine Learning berbasis Python. Evaluasi performa model menghasilkan Root Mean Squared Error (RMSE) sebesar 0,9705 MJ/kg dan nilai koefisien determinasi (R² Score) sebesar 0,8586. Hal ini menunjukkan bahwa model Machine Learning memiliki akurasi yang memuaskan dalam memprediksi HHV berdasarkan data proksimat dan ultimate.

 

 

 

Gambar 3.6 Grafik Evaluasi Performa Model Machine Learning untuk Prediksi HHV

 

 

 

3.7 Analisis Emisi dan Lingkungan

Evaluasi dampak lingkungan meliputi pengukuran emisi gas Carbon Monoxide (CO) dan Indeks Slagging (potensi pembentukan kerak abu). Rata-rata emisi CO tercatat sebesar 259,36 ppm dan Slagging Index sebesar 1,47. Analisis trade-off antara HHV dan emisi gas CO memperlihatkan wilayah optimasi di mana briket dapat menghasilkan energi tinggi dengan tetap menekan pembentukan gas pencemar.

 

 

Gambar 3.7 Grafik Trade-off Nilai Tinggi Kalor (HHV) vs Emisi CO & Indeks Slagging

 

  1. KESIMPULAN

Penelitian berbasis integrasi multidisplin ‘7 Miracle Analysis’ ini berhasil membuktikan bahwa briket komposit ternier BFD/LDK/LCK memiliki kualitas bahan bakar padat terbarukan yang unggul. Dengan nilai karbon terikat sebesar 64,17%, kerapatan 1,06 g/cm³, dan durabilitas mencapai 91,32%, briket ini kokoh dan efisien secara termal. Pemodelan Machine Learning mampu memprediksi nilai HHV secara presisi dengan R² sebesar 0,8586, memberikan dasar komputasional yang kuat untuk optimasi produksi energi bersih yang ramah lingkungan dan berkelanjutan.

Bagikan:

Tinggalkan Balasan

Alamat email Anda tidak akan dipublikasikan. Ruas yang wajib ditandai *