OPTIMALISASI KONTROL SPIRULINA PLATENSIS SEBAGAI AGEN CO2 CAPTURE DALAM BIOREAKTOR ALGA DENGAN TEKNOLOGI ARTIFICIAL NEURAL NETWORK UNTUK MENCAPAI SDGs INDONESIA
Gilang Afif Setya Ramadhani
Universitas Gadjah Mada
Menghadapi era persaingan global, mahasiswa dituntut memiliki standar kompetensi yang baik serta memiliki keterampilan dan pengetahuan abad 21. Berdasarkan data perkembangan bonus demografi, Indonesia memiliki potensi yang dapat dikembangkan, terutama dengan jumlah penduduk usia produktif sebanyak 185,34 juta jiwa. Mahasiswa saat ini diharapkan dapat memberikan dampak positif terhadap perkembangan teknologi di masa depan. Dengan perkembangan teknologi yang sangat pesat, mahasiswa juga harus waspada dan menarik perhatian pada isu - isu lingkungan, perubahan iklim, dan aksi - aksi menjaga bumi. Mahasiswa sendiri harus menjadi agen dalam mewujudkan SDGs yang dapat langsung memberikan kebermanfaatan lingkungan sekitar. Mahasiswa memiliki komunikasi yang baik dan keterampilan untuk membuat kemajuan ini.
Pada September 2015, PBB memperkenalkan Sustainable Development Goals (SDGs) sebagai rencana aksi global untuk manusia, lingkungan, dan ekonomi. SDGs memasukkan 17 tujuan dengan 196 target terkait. Mereka menggantikan Tujuan Pembangunan Milenium, yang berakhir pada tahun yang sama. SDGs adalah tujuan global yang hanya dapat dicapai melalui implementasi dalam agenda pembangunan lokal dan nasional. Sebagian besar negara telah mengadopsi SDGs ke dalam agenda pembangunan mereka, dan pada tahun 2019, 144 negara telah mempresentasikan tinjauan nasional sukarela (VNR) mereka tentang SDGs di Forum Politik Tingkat Tinggi PBB. SDGs adalah tujuan global yang hanya dapat dicapai melalui implementasi dalam agenda pembangunan lokal dan nasional. Indonesia adalah bagian dari lima blok negosiasi pada negosiasi iklim internasional. Ini termasuk Negara Berkembang Sepikiran (LMDCs); G77 dan China; Koalisi Negara Hutan Hujan; Organisasi Negara Pengekspor Minyak (OPEC) dan Dialog Cartagen. Pada COP-21 di Paris tahun 2015, Presiden Republik Indonesia menyatakan komitmen Indonesia untuk mengurangi emisi CO2 sebesar 29%, yang terutama dicapai melalui penghijauan, dan komitmen tersebut dapat meningkat hingga 41% jika ada dukungan internasional. Sejalan dengan komitmen tersebut, Pemerintah Indonesia telah mencanangkan Visi Penyediaan dan Permintaan Energi pada tahun 2025, dimana 32% dari konsumsi energi Indonesia pada tahun 2025 (sekitar 3,2 MMBOE) akan dipasok dari batubara, 20% dari minyak, 23% dari gas dan 25% dari energi terbarukan. Sebagai perbandingan, konsumsi energi Indonesia saat ini sekitar 1,2 MMBOE dengan kontribusi terbesar berasal dari minyak (43%). Untuk mewujudkan visi tersebut, sangat penting bagi Indonesia untuk meningkatkan penggunaan energi baru terbarukan dan gas di masa depan. Oleh karena itu, pada esai ini penulis akan menguraikan suatu penerapan reduksi emisi karbon di Indonesia yang diintegrasikan dengan teknologi Artificial Intelligence. Teknologi ini marak digunakan dalam era digital seperti saat ini, teknologi ini tampaknya juga sudah tidak asing didengar oleh para generasi muda khususnya mahasiswa. Diharapkan dari esai ini bisa memberikan satu peluang baru bagi mahasiswa untuk memanfaatkan pengetahuan dan kemampuan teknologinya untuk mewujudkan SDGs Indonesia.
Beberapa dekade mendatang, Indonesia masih menggunakan bahan bakar fosil sebagai sumber energi mendatang. Jika dibandingkan negara-negara lain, Indonesia memiliki sumber daya bahan bakar fosil yang melimpah. Namun, Pemerintah Indonesia telah dengan tegas berkomitmen untuk mengurangi emisi gas rumah kaca dari konsumsi bahan bakar fosil. Konsumsi bahan bakar fosil meningkat dari 53,4 Mtoe pada tahun 1990 menjadi 154,93 Mtoe pada tahun 2013, ketika pangsa minyak sekitar 50–60%. Peningkatan konsumsi bahan bakar fosil ini akan disertai dengan peningkatan emisi CO2 . Pada tahun 1990 emisi CO2 sebesar 133,9 Mtoe, meningkat menjadi 133,9 Mtoe pada tahun 2013. Emisi gas rumah kaca tahunan Indonesia adalah 2,4 miliar ton setara CO2 (GtCO2e) pada tahun 2015, menurut data yang dikumpulkan oleh Institut Penelitian Dampak Iklim (PIK) Potsdam. Angka tersebut termasuk emisi dari penggunaan lahan, perubahan penggunaan lahan dan kehutanan ( LULUCF ). Emisi Indonesia mewakili 4,8% dari total emisi global dunia untuk tahun itu. Emisi per kapitanya adalah 9,2 ton CO2e tahun itu lebih besar dari rata-rata global (7,0 ton CO2e) dan rata-rata di China (9,0 ton CO2e), Inggris (7,7 ton CO2e) dan Uni Eropa (8,1 ton CO2e). CO2e). Pada tahun 2030 dan 2050 diperkirakan masing-masing mencapai 1000,6 dan 2065,98 Mtoe.
Salah satu upaya untuk mencegah krisis iklim akibat peningkatan suhu global adalah dengan menurunkan kadar gas rumah kaca, khususnya CO2 di atmosfer. Emisi CO2 dari pembakaran bahan bakar fosil, terutama minyak dan batubara, mengganggu keseimbangan siklus alam CO2. Kapasitas fotosintesis tumbuhan hijau dunia tidak mampu menyerap peningkatan CO2. Teknologi yang dapat digunakan untuk menurunkan kadar CO2 di atmosfer secara umum dapat dibagi menjadi dua jenis, yaitu: (1) teknologi untuk menurunkan kadar CO2 yang sudah ada di atmosfer dan (2) teknologi untuk mencegah atau mengurangi emisi CO2 dari kegiatan industri. Secara umum, kedua jenis teknologi ini disebut Carbon Capture, Utilization and Storage (CCUS). Carbon capture adalah teknologi untuk menangkap CO2 dari gas buang hasil pembakaran bahan bakar fosil, misalnya melalui penyerapan kimia atau melalui teknologi membran. CO2 yang ditangkap secara alternatif digunakan sebagai bahan baku industri atau disimpan kembali di dalam tanah sehingga tidak meningkatkan emisi ke atmosfer. Pemanfaatan karbon atau penggunaan CO2 ada secara langsung tanpa pengolahan, misalnya untuk Enhanced Oil Recovery (EOR) atau melalui konversi menjadi berbagai bahan kimia, bahan atau bahan bakar. Sedangkan carbon storage adalah teknologi untuk menyimpan kembali CO2 ke dalam tanah, misalnya dengan mengembalikannya ke reservoir minyak yang sudah habis. Proyek percontohan Carbon Capture, Utilisation, and Storage (CCUS) Gundih , yang terletak di Lapangan Gas Gundih di Provinsi Jawa Tengah, Indonesia, adalah proyek percontohan CO2 Enhanced Gas Recovery (EGR) yang menjanjikan di masa mendatang.
Beberapa telah dilakukan untuk menurunkan penggunaan energi tak terbarukan, yaitu dengan meniru cara kerja alami, yaitu menangkap CO2 menggunakan pendekatan biologis dengan memanfaatkan dan merekayasa kemampuan bawaan untuk mengikat CO2 dari organisme fotoautotrof, seperti tanaman dan alga. Banyak penelitian yang menggunakan mikroalga untuk meregenerasi adsorben, hal ini dikarenakan beberapa penelitian menunjukkan bahwa mikroalga dapat menyerap CO2 hingga 20% v/v. Mikroalga ini juga dapat dengan mudah mengubah CO2 menjadi bahan yang berguna tergantung pada jenis yang digunakan. Hal ini diperlukan untuk mengidentifikasi strain mikroalga terbaik untuk penyerapan CO2 Ini untuk meminimalkan konsumsi energi dan penggunaan yang lebih bermanfaat.
Beberapa strain alga telah diuji dalam sel bahan bakar mikroba dengan hasil yang bervariasi. Baicha dkk. menyusun tabel yang menampilkan strain yang paling umum digunakan dan kinerjanya dalam sel bahan bakar mikroba berbasis air limbah. Kepadatan daya tertinggi berasal dari Chlorella vulgaris (980 mW/m 2 ), Scenedesmus obliquus (102 mW/m 2 ) dan Chlamydomonas reinhardtii (78 mW/m 2 ). Tegangan rangkaian terbuka (OCV) tertinggi berasal dari Chlorella vulgaris (0.8V), Spirulina platensis (0.49V) dan Dunaliella tertiolecta (0.49V). Namun, lebih banyak faktor daripada hanya output daya yang harus dipertimbangkan dalam memilih ganggang - ganggang yang akan digunakan dalam berbagai aplikasi. Faktor - faktor seperti biaya, laju pertumbuhan, efisiensi penghilangan kebutuhan oksigen kimia (COD), output daya, dan kondisi pertumbuhan harus dipertimbangkan. Spirulina platensis adalah kandidat spesies yang paling menjanjikan dibandingkan dengan tumbuhan dan hewan tingkat tinggi karena memiliki karakteristik laju pertumbuhan yang tinggi, cepat menguraikan sampah, menyerap, melepaskan, dan secara efektif mengatur komposisi gas. Oleh karena itu digunakan Bioregenerative Life Support System (BLSS). BLSS terutama terbuat dari tumbuhan dan hewan tingkat tinggi (I Gitelson et, al) . Tumbuhan atau hewan yang lebih tinggi tidak dapat secara instan mempengaruhi konsentrasi gas ketika beberapa kecelakaan terjadi pada sistem. Seperti diketahui, sistem akan mengalami kerusakan yang fatal jika gas berada dalam keadaan tidak seimbang untuk waktu yang lama. Jadi perlu untuk memilih spesies yang laju reaksinya lebih cepat dan lebih mudah dikendalikan sebagai alat yang dapat dikontrol dan terbarukan untuk BLSS. Sebagai subsistem dari Bioregenerative Life Support System (BLSS), Light- Algae Bioreactor (LABR) memiliki sifat laju reaksi yang tinggi, efisien mensintesis biomassa mikroalga, menyerap CO2 dan melepaskan O2, sehingga penting bagi BLSS untuk menyediakan makanan dan menjaga keseimbangan gas.
LABR adalah perangkat transparan, di mana mikroalga telah dibudidayakan secara terus menerus dengan menyerap dan menguraikan berbagai ekskresi atau limbah, seperti urin dan CO2 dalam BLSS, dan selama reaksi mikroalga akan mensintesis biomassa mereka sendiri, dan secara bersamaan melepaskan O2. LABR adalah sistem yang kompleks, karena memiliki karakteristik nonlinier dan bervariasi terhadap waktu, dan biasanya tidak ada titik operasi yang tetap dalam aplikasi nyata, sehingga sangat sulit untuk menggunakan metode konvensional untuk mencapai kontrol yang efektif untuk sistem tersebut. Teknologi kecerdasan buatan (Artificial Neural Network-Model Predictive Control (ANN-MPC) diterapkan di sini, dan dikombinasikan dengan model matematika dan simulasi komputer untuk mewujudkan kontrol yang kuat dan kuat untuk LABR, dan hasilnya membuktikan bahwa efek pengendalian yang ideal telah diperoleh.
Karena manfaat mikroalga untuk BLSS telah terwujud sepenuhnya, proses teknologi harus membuat budidaya mikroalga cukup terkontrol, sehingga perlu dirancang konfigurasi LABR sebagai sistem kontrol loop tertutup (diagram blok simulasi LABR dengan ANN-MPC disajikan pada Gambar 1. di Daftar Lampiran). Ketika ada gangguan internal atau eksternal, LABR dapat menghilangkan pengaruhnya terhadap BLSS dan menjaga keseimbangan gas. Misalkan awalnya konsentrasi CO2 adalah keseimbangan pada tingkat yang diperlukan dalam atmosfer BLSS, jika beberapa gangguan tiba - tiba terjadi, konsentrasi CO2 mungkin menyimpang dari keadaan awalnya, dan secara bersamaan LABR mendeteksi perubahan tersebut dan mengeksekusi untuk menghilangkan penyimpangan seperti urutan pada Gambar 2. di Daftar Lampiran
Pertama, Sensor 1 mengukur konsentrasi sebenarnya dari perbedaan antara arus dan konsentrasi yang diinginkan, dapat dianggap sebagai fungsi tertentu dari biomassa mikroalga yang dapat dianggap sebagai input referensi untuk LABR. Kedua, Sensor 2 mengukur biomassa mikroalga dalam bioreaktor sebagai sinyal umpan balik dan membandingkannya dengan referensi, pengontrol ANN-MPC akan menggunakan perbedaan di antara mereka untuk mengatur intensitas cahaya, sehingga merangsang atau menghambat pertumbuhan mikroalga untuk mempercepat atau memperlambat dalam bioreaktor untuk menghasilkan output yang ideal sesuai dengan referensi, dan prosedur tersebut sesuai dengan pengaruh tidak langsung pada konsentrasi dan sesuai kebutuhan, karena kedua gas ini berkorelasi erat dengan hasil asimilasi mikroalga, sehingga membuat keseimbangan gas dalam BLSS pada tingkat yang diperlukan.
Di sini persamaan kinetik seperti tipe Monod atau tipe Henri-Michaelis- Menten digunakan untuk menggambarkan pertumbuhan mikroalga. LABR dibagi menjadi tiga hierarki, yaitu fase gas, fase cair, dan fase biologis, model matematika untuk mereka telah dikembangkan masing - masing, berdasarkan teori dinamika sistem, stoikiometri, dan data eksperimen, kemudian digabungkan secara multidimensi menjadi sebuah unit utuh. Dalam mengembangkan model matematika yang cukup disederhanakan untuk LABR, beberapa parameter terdistribusi, nonlinier dan faktor variasi waktu yang mungkin ada di LABR telah diabaikan berdasarkan perkiraan dan asumsi. Model matematika telah diperoleh dalam bentuk persamaan diferensial biasa nonlinier orde pertama untuk mewakili dan menggambarkan dinamika LABR, kemudian model simulasi LABR telah dikembangkan oleh MatLab berdasarkan model matematika untuk melakukan eksperimen komputer. Model matematika secara keseluruhan ditampilkan pada Gambar 3. di Daftar Lampiran
Karena modelnya sangat nonlinier dan beberapa parameter dapat berubah seiring waktu, dan ada banyak faktor nonspesifik yang tidak dapat dipertimbangkan dalam model, tidak mungkin menggunakan pengontrol tradisional seperti PID untuk mengontrol sistem secara efektif, jadi teknologi ANN-MPC untuk sementara waktu diterapkan di sini untuk mengontrol LABR, perbandingannya dapat dilihat pada Gambar 4. ANN-MPC dapat melakukan identifikasi sistem dengan secara cerdas dan adaptif mempelajari perilaku sistem dari model matematisnya, serta mengoptimalkan dan menghitung sinyal input kontrol terbaik ke sistem berdasarkan teknik receding horizon. Berdasarkan teknologi ANN-MPC, dengan kombinasi eksperimen dan simulasi komputer, telah dikembangkan pengontrol ANN-MPC terbaik untuk LABR, dan dari hasil simulasi komputer, kita dapat melihat bahwa ANN-MPC dapat tampil cerdas, kontrol yang kuat, adaptif dan otomatis untuk LABR berdasarkan model matematisnya yang nonlinier dan relatif tidak tepat, bahkan variabel keadaan dalam model berubah dalam rentang yang luas, dan selanjutnya dapat memberikan redaman yang sesuai untuk meningkatkan spesifikasi respons transien pertemuan LABR yang ditentukan persyaratan. Meskipun pendekatan dasar untuk desain jaringan saraf tiruan harus melibatkan prosedur coba - coba. ANN-MPC dapat dengan mudah dirancang dan disempurnakan lebih lanjut sesuai kebutuhan melalui komputer dan perangkat lunak canggih. Fakta sebelumnya menunjukkan bahwa ANN-MPC pada dasarnya berbeda dari pengontrol lain dan melampaui apa yang dapat mereka berikan; oleh karena itu, ANN-MPC akan memainkan peran penting dalam keseimbangan gas, pasokan makanan, dan meningkatkan keandalan untuk seluruh sistem BLSS.
Dell Technologies melakukan riset teknologi dan dunia kerja dengan lebih dari 700 mahasiswa di Indonesia. Hasilnya, 94% dari mereka ingin bekerja dengan teknologi tercanggih. General Manager Dell EMC Indonesia, Catherine Lian, mengatakan mahasiswa memiliki pemahaman yang mendalam tentang teknologi dan potensinya di tempat kerja. Sebanyak 69% mahasiswa di Indonesia memiliki kepercayaan diri yang tinggi terhadap keterampilan teknologi mereka. Akan menjadi suatu peluang yang besar bagi mahasiswa dengan segala kemampuan teknologinya mengembangkan Artificial Neural Network–Model Predictive Control (ANN-MPC) untuk merancang pengontrol untuk LABR di mana mikroalga hijau, Spirulina platensis dibudidayakan secara terus menerus. Pengontrol ANN- MPC dapat secara cerdas mempelajari kinerja dinamis LABR yang rumit, dan secara otomatis, kuat dan adaptif mengatur intensitas cahaya yang menyinari LABR, sehingga membuat pertumbuhan mikroalga di LABR menjadi berubah. sesuai dengan referensi, sementara itu memberikan redaman yang tepat untuk meningkatkan kinerja respons transien LABR secara nyata.
Inovasi LABR didasarkan pada Carbon Capture and Storage (CCS) yang saat ini lebih diperhatikan sebagai solusi pengurangan yang mungkin untuk meningkatkan emisi karbon dioksida (CO2 ). Di Indonesia, upaya pengendalian CO2 melalui CCS sejalan dengan komitmen nasional untuk mengurangi emisi CO2. Dalam Rencana Aksi Nasional Perubahan Iklim Indonesia, yang disahkan melalui Keputusan Presiden No. 61 tahun 2011, Indonesia menyatakan bahwa CCS dapat berperan hingga 40% dari target pengurangan sektor energi. Menurut Pusat Unggulan ITB, upaya untuk menguji coba dan mendemonstrasikan teknologi CCS di Indonesia masih terbatas.
Pengembangan CCS di Indonesia antara lain telah dilakukan oleh Badan Litbang ESDM Lemigas dengan berbagai pihak Jepang pada tahun 2003 - 2005 menguji potensi simpanan gas CO2 di Kalimantan Timur dan Sumatera Selatan. ITB juga melakukan penelitian serupa dengan Jepang di kawasan Gundih untuk penyimpanan gas CO2. BPPT bersama Universitas Indonesia telah melakukan kajian teknologi oxy-fuel CCS. Selain itu, penangkapan karbon dengan mikroalga dilakukan oleh P3TEBTKE dan PLTU Suralaya. Namun, di Indonesia belum ada road map penelitian sekuestrasi karbon, sehingga penelitian berkelanjutan merupakan inisiatif dari masing - masing instansi. Sementara teknologi penangkapan karbon telah muncul sebagai pilihan alternatif untuk mengurangi emisi CO2 yang tercantum dalam pembagian kerja untuk mencapai target NDC Indonesia, namun masih tidak ada kerjasama antar instansi menyebabkan penghambatan penerapan teknologi carbon capture di Indonesia. Padahal, Indonesia sendiri merupakan negara tropis yang dilintasi garis khatulistiwa dan hanya memiliki dua musim yaitu musim kemarau dan musim penghujan. Kondisi ini membuat tanaman fotosintesis, termasuk mikroalga, tumbuh subur karena mendapat sinar matahari yang cukup, yaitu rata-rata 12 jam per hari untuk daerah tersebut. Selain itu, potensi laut di Indonesia membuat potensi mikroalga ini semakin besar jika dibudidayakan di sekitar pantai.
Menghadapi tantangan - tantangan di atas, mahasiswa disiapkan untuk menyelesaikan masalah - masalah yang kini belum ditemukan solusinya. Mahasiswa harus kritis terhadap masalah birokrasi yang mungkin menghambat penerapan teknologi carbon capture di Indonesia. Ketika mahasiswa sudah duduk sebagai pemegang kendali di instansi-instansi pemerintahan, maka mereka harus bisa membawa perubahan, mendobrak revolusi agar masalah terkait emisi karbon ini bisa terselesaikan. Tak perlu menunggu menjadi bagian dari instansi pemerintahan, tetapi aspirasi juga bisa disalurkan dengan jalur-jalur hukum yang ada. Biasanya, revolusi diciptakan dari cara - cara radikal, tetapi tetap diharapkan mahasiswa mampu membawa nilai-nilai hukum dan norma dalam melakukan suatu aksi penyaluran aspirasi.
DAFTAR PUSTAKA
Ahmad, Z., & Zhang, J. (2006). A nonlinear model predictive control strategy using multiple neural network models. in: Lecture Notes in Computer Science (pp. 20-100). Springer.
Cost Analysis of Carbon Capture and Storage for Latrobe Valley. (2010).
Retrieved 27 July 2022, from.
G. Santika, W., Anisuzzaman, M., Simsek, Y., A. Bahri, P., & Urmee, T. (2020). Implications of the Sustainable Development Goals on national energy demand: The case of Indonesia. Energy, 196. https://doi.org/117100
Hagan, T., Demuth, H., & Beale, M. (1996). Neural Network Design. PWS Publishing.
Helmy, M., Smith, D., & Selvarajoo, K. (2020). Systems biology approaches integrated with artificial intelligence for optimized metabolic engineering. Metabolic Engineering Communications, 11. https://doi.org/e00149
Longtin, N., Oliveira, D., Mahadevan, A., Gejji, V., Gomes, C., & Fernando,
S. (2021). Analysis of Spirulina platensis microalgal fuel cell. Journal Of Power Sources, 486. https://doi.org/229290
Lu, W., Alam, M., Luo, W., & Asmatulu, E. (2019). Integrating Spirulina platensis cultivation and aerobic composting exhaust for carbon mitigation and biomass production. Bioresource Technology, 271, 59-65. Retrieved 27 July 2022, from.
Meena, M., Paritosh, K., & Pareek, N. (2021). Production of biofuels from biomass: Predicting the energy employing artificial intelligence modelling. Bioresource Technology, 340. https://doi.org/125642
Mulyasari, F., Harahap, A., Rio, A., Sule, R., & Kadir, W. (2021). Potentials of the public engagement strategy for public acceptance and social license to operate: Case study of Carbon Capture, Utilisation, and Storage Gundih Pilot Project in Indonesia. International Journal Of Greenhouse Gas Control, 108. https://doi.org/103312
Othman, M., & Fernando, W. (2009). Strategic planning on carbon capture from coal fired plants in Malaysia and Indonesia: A review. Energy Policy, 37(5), 1718-1735. Retrieved 27 July 2022, from.
Retrieved 26 July 2022, from https://ccs-coe.fttm.itb.ac.id/whats-ccs/ccs-in- indonesia/.
Volk, T., & Rummel, J. (1987). Mass balances for a biological life support system simulation model. Advances In Space Research, 4, 141-148. Retrieved 27 July 2022, from.
Warnecke, G., & Kluge, R. (1998). Control of tolerances in turning by predictive control with neural networks. Journal Of Intelligent Manufacturing, 9, 281-287. Retrieved 27 July 2022, from.
LAMPIRAN
Gambar 1. Diagram Blok Simulasi LABR yang Memiliki Kontroler ANN-MPC
Gambar 2. Diagram Skema LABR Sebagai Sistem Kontrol Loop Tertutup
Gambar 3. Model Matematika Keseluruhan LABR
Sumber : https://ars-els-cdn-com.ezproxy.ugm.ac.id/content/image/1-s2.0- S0094576508000799-gr3.gif
Gambar 4. Perbandingan Waktu - Tanggapan LABR yang Memiliki Pengontrol ANN-MPC dan PID
BIOGRAFI PENULIS
Namanya adalah Gilang Afif Setya Ramadhani, Lahir di Malang, 7 Desember 2001, ia adalah anak tunggal, ia terlahir di keluarga sederhana yang fokus utama adalah Pendidikan. Ayahnya selalu mendorong anaknya untuk bekerja keras, termotivasi dan selalu kreatif dalam berbagai hal.
Ketika berumur 7 tahun, ia memulai pendidikan di SDN Pekuncen, Pasuruan, kemudian setelah lulus dia melanjutkan pendidikannya di SMPN 1 Pasuruan di tahun 2014. Selepas lulus dari SMP di tahun 2017, dia mencari tantangan sebagai perantau Magelang dan melanjutkan pendidikannya di SMA Taruna Nusantara.
Ketika menginjak kelas XI SMA tersebut, dia aktif dalam segala kegiatan organisasi dan sempat juga mengikuti berbagai lomba sains di bidang kimia. Ia sangat senang mengeksplor hal-hal baru, menggalu potensi yang ada dalam dirinya. Gilang tidak memiliki passion apapun, passionnya adalah melakukan sesuatu yang baru dan belajar hal-hal baru.
Setelah lulus nanti pria berkulit hitam manis ini berencana untuk melanjutkan kuliah di jurusan Teknik Kimia Universitas Gajah Mada (UGM) Yogyakarta. Kemudian tertarik dalam hal-hal sains dan mencoba menggali wawasan seluas-luasnya hingga punya banyak ide untuk menulis suatu karya ilmiah. Gilang pernah mengikuti beberapa lomba essay sebelumnya. Beberapa hanya sampai pada tahap final. Dan akhirnya Tuhan mengabulkan doanya dengan memenangkan lomba esai di MCU Unsika.
Posting Komentar