Perpustakaan Digital ITB

Turbin pada pembangkit listrik tenaga panas bumi rentan terhadap berbagai mode kegagalan akibat kondisi operasional dan lingkungan yang ekstrem. Kegagalan komponen turbin dapat menurunkan keandalan pembangkit, meningkatkan biaya pemeliharaan, dan menyebabkan penghentian operasi yang tidak direncanakan. Penelitian terdahulu umumnya menerapkan Failure Mode and Effects Analysis (FMEA) untuk mengevaluasi risiko kegagalan secara konvensional, sedangkan penelitian yang mengintegrasikan FMEA dengan model machine learning untuk memprediksi nilai Risk Priority Number (RPN), khususnya pada komponen turbin PLTP, masih terbatas. Penelitian ini bertujuan mengembangkan model prediktif untuk memperkirakan tingkat risiko kegagalan komponen turbin menggunakan Random Forest Regression (RFR) berdasarkan metode FMEA. Metodologi penelitian diawali dengan pengelompokan data historis kegagalan menggunakan algoritma K-Means Clustering untuk mengidentifikasi klaster mode kegagalan yang memiliki karakteristik serupa. Selanjutnya, setiap mode kegagalan dianalisis menggunakan metode FMEA untuk memperoleh nilai RPN yang digunakan sebagai variabel target pada proses pelatihan model RFR. Model dikembangkan menggunakan pembagian dataset pelatihan dan pengujian, serta optimasi hyperparameter. Hasil validasi silang dan metrik evaluasi menghasilkan nilai RMSE sebesar 1,603, MAE sebesar 0,533, MAPE sebesar 4,97% dan R² sebesar 99% pada data pelatihan. Selanjutnya, pengujian pada data uji menghasilkan peningkatan kinerja dengan RMSE sebesar 1,674, MAE sebesar 0,574, MAPE sebesar 3,41% dan R² sebesar 99%, yang menunjukkan kemampuan prediksi sangat baik terhadap nilai RPN. Kontribusi utama penelitian ini adalah pengembangan kerangka kerja terintegrasi antara FMEA dengan pendekatan machine learning untuk mendukung penentuan prioritas pemeliharaan berbasis risiko, serta pengembangan sistem predictive maintenance yang lebih efektif dan berkelanjutan.