Abstrak - Ageng Shahputra
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
BAB 1 Ageng Shahputra
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Terbatas  Irwan Sofiyan
» Gedung UPT Perpustakaan
Penelitian ini bertujuan membandingkan performa model machine learning dalam
memprediksi heat rate pembangkit listrik siklus kombinasi (PLTGU) berdasarkan parameter
lingkungan (temperatur udara, tekanan udara, humiditas relatif, dan temperatur air pendingin
kondensor), parameter kontrol (laju massa bahan bakar dan laju massa udara, dan daya kotor.
Penelitian lampau hanya membandingkan performa prediksi berdasarkan eror data uji.
Model yang digunakan dalam penelitian ini adalah support vector regression (SVR),
random forest regression (RFR), dan bagged reduced-error pruning decision tree (BREP).
Pengolahan data dilakukan menggunakan program berbasis Python dengan modul sklearn
untuk pelatihan dan prediksi, scipy untuk statistik, dan matplotlib untuk visualisasi. Analisis
hasil prediksi dilakukan melalui konsep Hoeffding’s Inequality, karakteristik distribusi eror
prediksi, dan plot ketergantungan parsial.
SVR, ditemukan dengan kompleksitas terendah [?= 0.002, ? =0.003],
memproduksi eror data uji tertinggi [?= 0.084 MJ/kWh, ?= 0.054 MJ/kWh] namun
dengan eror data simulasi terendah [?= 0.447 MJ/kWh, ?= 0.389 MJ/kWh]. RFR
dan BREP, ditemukan dengan kompleksitas serupa tertinggi, [?= 0.046, ?= 0.017]
dan [?= 0.045, ?= 0.016], memproduksi eror data uji terendah, [?= 0.075
MJ/kWh, ?= 0.029 MJ/kWh] dan [?= 0.077 MJ/kWh, ?= 0.030 MJ/kWh]
namun dengan eror prediksi data simulasi tertinggi, [?= 0.498 MJ/kWh, ?= 0.425
MJ/kWh] dan [?= 0.503 MJ/kWh, ?= 0.428 MJ/kWh]. Kompleksitas ideal tidak
dapat ditentukan. SVR menghasilkan data pencilan paling sedikit [ = 6] dibandingkan
RFR dan BREP [ = 60] dan [ = 64]. Model hanya memiliki pemahaman yang konsisten
dan sesuai teori terhadap pengaruh parameter kontrol dan daya kotor pembangkit terhadap
heat rate.