Perpustakaan Digital ITB

PT PLN Indonesia Power UBP Keramasan UP Indralaya merupakan unit pembangkitan listrik yang berperan dalam menjaga keandalan pasokan energi di wilayah Sumatera Selatan. Salah satu tantangan yang dihadapi adalah potensi forced outage pada Gas Turbin 1.2 yang menyebabkan peningkatan nilai Equivalent Forced Outage Rate (EFOR), penurunan keandalan pembangkit, serta kehilangan produksi energi listrik. Proses pemantauan kondisi peralatan yang masih mengandalkan pengamatan operator dan metode regresi linier indikasi degradasi komponen sulit dideteksi secara dini sehingga tindakan pemeliharaan cenderung bersifat reaktif. Penelitian ini bertujuan mengusulkan dashboard predictive maintenance terintegrasi machine learning yang mampu mendukung condition monitoring, failure detection, dan pengambilan keputusan pemeliharaan secara proaktif. Penelitian menggunakan pendekatan machine learning lifecycle yang meliputi problem definition, data collection, data preprocessing, exploratory data analysis, feature engineering, model training, model evaluation, deployment, serta model monitoring and retraining. Data yang digunakan merupakan data historis Distributed Control System (DCS) Gas Turbin 1.2 periode 2016-2026 yang terdiri atas 16 parameter. Algoritma machine learning, yaitu Random Forest, Long Short Term Memory (LSTM), Neural Ordinary Differential Equation (Neural ODE), dan Backpropagation Neural Network (BPNN), dikembangkan untuk memprediksi kondisi parameter pada horizon 24 jam, 7 (tujuh) hari, dan 30 hari. Evaluasi model dilakukan menggunakan metrik Coefficient of Determination (R²), Root Mean Square Error (RMSE), dan Mean Absolute Error (MAE). Hasil penelitian menunjukkan bahwa algoritma Random Forest memberikan performa terbaik dengan rata-rata nilai R² sebesar 0,674 pada horizon prediksi 24 jam, 0,488 pada horizon 7 (tujuh) hari, dan 0,294 pada horizon 30 hari, serta menghasilkan nilai RMSE dan MAE yang lebih rendah dibandingkan algoritma lainnya pada sebagian besar parameter. Model terbaik kemudian diimplementasikan ke dalam prototype dashboard yang berhasil mengintegrasikan visualisasi kondisi operasi secara real time, prediksi kondisi parameter, visualisasi 3 (tiga) dimensi Gas Turbin 1.2, serta fitur early warning untuk mendukung condition monitoring dan failure detection. Penelitian ini, menghasilkan rancangan model monitoring and retraining sebagai mekanisme pemeliharaan model agar tetap adaptif terhadap perubahan karakteristik data operasional. Berdasarkan analisis implikasi manajerial, implementasi sistem diperkirakan mampu menurunkan nilai EFOR sebesar 5-20%, sehingga berpotensi mengurangi kehilangan produksi energi listrik dengan estimasi manfaat ekonomi sekitar Rp1,66 miliar hingga Rp6,65 miliar per tahun, sekaligus meningkatkan keandalan operasi pembangkit.