Perpustakaan Digital ITB

Manajemen aset yang efektif sangat penting dalam industri pembangkit listrik untuk menjaga keandalan operasional dan meminimalkan biaya pemeliharaan. Kemampuan untuk memprediksi kondisi aset secara akurat adalah kunci untuk membuat keputusan yang tepat terkait pemeliharaan dan penggantian aset. Penelitian ini bertujuan untuk mengembangkan model prediktif dengan menggunakan metode Random Forest untuk meningkatkan manajemen kesehatan aset dan pemeliharaan pada pembangkit listrik yang dioperasikan oleh perusahaan pembangkit listrik besar di Indonesia. Dataset yang digunakan mencakup informasi seperti Asset Criticality Ranking (ACR), ACRRANK, System Criticality Ranking (SCR), Equipment Criticality Ranking (ECR), dan Maintenance Priority Index (MPI). Hasilnya menunjukkan bahwa model Random Forest mencapai akurasi prediksi sebesar 95% dalam memprediksi kondisi aset. Analisis feature importance menunjukkan bahwa MPI memiliki pengaruh yang paling signifikan dalam memprediksi kondisi aset, diikuti oleh ACR, ACRRANK dan SCR. Informasi ini dapat digunakan sebagai dasar pengambilan keputusan terkait pemeliharaan dan penggantian aset, serta mengidentifikasi area yang memerlukan perbaikan untuk menjaga keandalan operasional pada pembangkit listrik.