Perpustakaan Digital ITB

Gas Turbine Compressor (GTC) merupakan peralatan vital dalam sistem produksi minyak dan gas (migas) karena berperan dalam mengatur aliran dan tekanan gas dalam proses eksplorasi dan produksi. Kegagalan pada GTC dapat menyebabkan kerugian besar berupa Loss Production Opportunity (LPO) yang tinggi serta biaya pemulihan yang mahal. Dalam menghadapi tantangan ini, PT. X bekerja sama dengan PT. SPC untuk mengembangkan model deteksi anomali berbasis pembelajaran mesin (machine learning) yang mampu mengenali kondisi abnormal sejak dini. Pendekatan yang digunakan adalah deteksi anomali berbasis residual menggunakan normal pattern group tanpa label, mengingat tidak tersedianya data kerusakan yang memadai dan seluruh fitur bersifat numerik kontinu. Penelitian ini menggunakan data historis selama 24 hari dari satu GTC, dengan frekuensi pencatatan tiap 10 detik, mencakup 424 fitur dan lebih dari 200.000 entri data. Dalam proses pengembangan, digunakan empat model regresi: Multiple Linear Regression (MLR), XGBoost, LightGBM, dan Multilayer Perceptron Regression (MLP). Model dilatih hanya pada data kondisi normal (healthy), dan deteksi anomali dilakukan berdasarkan selisih (residual) antara prediksi dan data aktual. Ambang batas anomali ditentukan menggunakan pendekatan Interquartile Range (IQR) dan batasan outlier tiap sampel (m). Evaluasi model dilakukan dengan metrik MAE, RMSE, dan R2 untuk akurasi prediksi, serta tingkat deteksi anomali untuk performa klasifikasi. Hasil menunjukkan bahwa model MLPR menghasilkan performa terbaik karena akurasinya yang tinggi (96,58 %) dan juga kestabilan prediksinya.