<![CDATA[Kemurnian produk tidak dapat diukur secara on-line dan terdapat time delay dalam pengukuran kemurnian secara offline dan tidak kontinu dengan hasil analisis kemurnian dari laboratorium. Kontrol berbasis variabel inferensial merupakan alternatif untuk memprediksi dan mengendalikan kemurnian produk dengan variabel kondisi operasi yang tepat secara real-time. Pabrik memiliki data kondisi operasi (input) serta data kemurnian produk (output) berasal dari kondisi nyata pabrik dapat digunakan untuk pembangunan model deep learning. Penelitian ini dibagi menjadi tiga tahapan besar, yaitu pertama adalah tahapan persiapan data untuk menentukan variabel paling sensitif dalam memprediksi kemurnian produk menggunakan metode korelasi pearson yaitu temperatur upper column dan process knowledge yaitu pressure top column. Tahapan kedua adalah penyusunan algoritma deep learning menggunakan metode LSTM (long short-term memory) menggunakan bantuan program python. Optimizer yang digunakan untuk melatih data adalah optimizer SGD (stochastic gradient descent). Data yang digunakan untuk melatih dan melakukan validasi model deep learning adalah data dari 2018 hingga semester pertama tahun 2019 dengan rasio training set:test data = 70:30. Tahapan ketiga adalah melatih model dan validasi model, memprediksi hasil, serta melakukan evaluasi model terhadap data pabrik terhadap set data semester kedua tahun 2019. Hasil dari pelatihan adalah model LSTM dengan nilai RMSE (root mean squared error) sebesar 1,4. Nilai validasi untuk model ini adalah RMSE sebesar 0,6389. Model ini dapat memprediksi set data semester kedua 2019 dengan nilai R2 =0,74 dan RMSE = 0,56.]]>
