Perpustakaan Digital ITB

Dalam menghadapi tantangan pengadaan suku cadang yang tepat waktu dan efisien, PT PLN Nusantara Power (PLN NP) memerlukan pendekatan inovatif untuk mengoptimalkan proses pengadaan dan meminimalkan risiko operasional. Penelitian ini bertujuan mengembangkan model rekomendasi berbasis time-series dengan metode machine learning, seperti Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), Prophet, dan Recurrent Neural Network (RNN). Model ini dirancang untuk memprediksi harga, kuantitas kebutuhan, dan waktu pembelian suku cadang secara akurat, yang diharapkan dapat mengurangi risiko trip atau derating pembangkit listrik. Penelitian ini menggunakan data historis dari sistem Enterprise Asset Management (EAM) PLN NP, mencakup purchase order dan transaksi gudang dari 2012 hingga 2023. Data diproses melalui tahap preprocessing yang melibatkan pembersihan, agregasi, normalisasi, dan pengisian nilai yang hilang. Model dievaluasi menggunakan metrik seperti MAE, RMSE, MAPE, R-squared untuk prediksi harga dan kuantitas, serta Accuracy, Precision, Recall, dan F1-Score untuk prediksi waktu pembelian. Hasil penelitian menunjukkan bahwa model LSTM dan GRU memiliki performa superior dibandingkan Prophet dan RNN dalam hal akurasi dan relevansi rekomendasi pengadaan. Dengan implementasi model rekomendasi ini, potensi keterlambatan pengadaan dapat dikurangi hingga 80%, yang dapat mengurangi kerugian hingga 44,8 miliar rupiah per tahun. Penelitian ini memberikan kontribusi signifikan dalam mendukung efisiensi operasional dan keberlanjutan PLN NP, serta menjadi referensi berharga untuk pengelolaan pengadaan suku cadang di sektor pembangkitan energi.