UMKUMK

Jurnal Elektro Kontrol (ELKON)Jurnal Elektro Kontrol (ELKON)

Pembangkit Listrik Tenaga Uap (PLTU) Paiton, salah satu pembangkit terbesar di Indonesia, memainkan peran penting dalam pasokan listrik nasional. Keandalan generator sebagai komponen utama memerlukan sistem perawatan yang akurat dan terencana. Penelitian ini menawarkan solusi berbasis algoritma Random Forest Classifier untuk mengatasi permasalahan penentuan jadwal perawatan yang masih dilakukan secara manual. Metode ini menggunakan ensemble learning dengan sejumlah pohon keputusan untuk menghasilkan klasifikasi yang lebih presisi. Penelitian ini memanfaatkan data historis operasional generator seperti suhu, getaran, arus listrik, dan tegangan. Hasilnya menunjukkan bahwa algoritma mampu menyaring parameter signifikan, sehingga hanya data yang berpengaruh besar terhadap performa generator yang dipertimbangkan. Analisis pengujian mengindikasikan bahwa metode ini efektif dalam menyederhanakan proses prediksi dan mengurangi beban kerja operasional dengan akurasi 89%. Kesimpulannya, Random Forest Classifier dapat memberikan prediksi perawatan alternatif yang akurat, sehingga meningkatkan efisiensi dan keandalan sistem pembangkitan listrik di PLTU Paiton.

Algoritma Random Forest Classifier dapat diimplementasikan secara efektif untuk mendukung program predictive maintenance pada Generator Unit 7 PLTU Paiton.Model yang dikembangkan mampu mencapai akurasi keseluruhan sebesar 89% dengan memanfaatkan data historis yang mencakup variabel daya keluaran, frekuensi, temperatur pendingin stator, temperatur batang stator, dan getaran rotor.Analisis confusion matrix menunjukkan bahwa model akurat dalam mengidentifikasi kondisi Normal, Warning, dan Critical.Hasil analisis feature importance menegaskan bahwa suhu pendingin stator inlet, frekuensi generator, dan getaran rotor adalah parameter dominan yang paling berpengaruh terhadap performa model.Fokus utama perawatan sebaiknya diarahkan pada stabilitas sistem pendinginan, pemeliharaan kestabilan frekuensi, dan pemantauan kondisi mekanis rotor.

Untuk penelitian lanjutan, dapat dipertimbangkan pengembangan model yang lebih canggih dengan menggabungkan teknik-teknik machine learning lainnya, seperti deep learning atau reinforcement learning, untuk meningkatkan akurasi prediksi. Selain itu, studi komparatif antara algoritma Random Forest Classifier dengan metode-metode klasifikasi lainnya dapat dilakukan untuk menentukan metode terbaik dalam konteks perawatan generator. Penelitian juga dapat dieksplorasi lebih lanjut dengan menganalisis pengaruh parameter-parameter operasional yang kurang dominan, seperti konduktivitas air pendingin dan tekanan hidrogen, terhadap performa generator. Dengan demikian, penelitian lanjutan dapat memberikan kontribusi yang lebih komprehensif dalam meningkatkan efisiensi dan keandalan sistem pembangkitan listrik di PLTU Paiton.

  1. Detection and Diagnostic with Random Forest Classifier (RFC) to Improve the Maintenance Management System... papers.phmsociety.org/index.php/phmap/article/view/3670Detection and Diagnostic with Random Forest Classifier RFC to Improve the Maintenance Management System papers phmsociety index php phmap article view 3670
Read online
File size306.05 KB
Pages9
DMCAReport

Related /

ads-block-test