Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 11.
Nomor 1.
Februari 2026, pp 12-20 Terakreditasi Nomor 204/E/KPT/2022 | ISSN: 2527-5771/EISSN: 2549-7839 https://tunasbangsa.
id/ejurnal/index.
php/jurasik Pemodelan Prediktif Plugging Pulverizer PLTU Indramayu Berbasis Random Forest Classifier Agus Mustofa1.
Purwatiningtyas2 1,2Fakultas Teknologi Informasi dan Industri.
Universitas Stikubank Semarang.
Indonesia Email: Agusmustofa6009@mhs.
id1, purwati@edu.
Abstract Indramayu Steam Power Plant (PLTU Indramay.
is one of the strategic power generation facilities that plays a vital role in supplying national electrical energy.
One of the operational issues frequently encountered in the power generation system is Plugging in the Pulverizer, which refers to the blockage of coal flow inside the mill.
This condition can lead to reduced combustion performance, increased equipment load, and even unit trip events.
Therefore, an early detection and prediction system for Plugging conditions based on operational data is required.
This study aims to develop a Plugging forecasting system for the Pulverizer at PLTU Indramayu using the Random Forest Classifier The data used in this research were obtained from historical Pulverizer operational records, including mill motor current, coal flow rate, primary air flow rate, and mill outlet temperature.
The research stages consist of initial data preprocessing, feature selection, labeling of operating conditions .
ormal and Pluggin.
, and model testing using the Random Forest Classifier algorithm.
Model performance was evaluated using accuracy, precision, recall.
F1-score, and cross-validation metrics.
The results show that the Random Forest Classifier model is capable of classifying Plugging conditions with high and stable accuracy, indicating its effectiveness as a decision-support tool for predictive maintenance systems.
With the implementation of this system, operators are expected to take preventive actions at an earlier stage, thereby minimizing operational disturbances and enhancing the reliability of the power generation system.
Keywords: Random Forest Classifier.
Pulverizer Plugging.
PLTU Indramayu.
Machine Learning.
Predictive Maintenance Abstrak Pembangkit Listrik Tenaga Uap (PLTU) Indramayu merupakan salah satu pembangkit strategis yang berperan penting dalam penyediaan energi listrik nasional.
Salah satu permasalahan operasional yang sering terjadi pada sistem pembangkitan adalah Plugging pada Pulverizer, yaitu kondisi penyumbatan aliran batubara di dalam mill yang dapat menyebabkan penurunan kinerja pembakaran, peningkatan beban peralatan, hingga terjadinya trip unit.
Oleh karena itu, diperlukan suatu sistem yang mampu mendeteksi dan memprediksi kondisi Plugging secara dini berbasis data Penelitian ini bertujuan untuk mengembangkan sistem forecasting Plugging pada Pulverizer PLTU Indramayu menggunakan metode Random Forest Classifier.
Data yang digunakan berasal dari histori operasi Pulverizer berupa parameter arus motor mill, aliran batubara, aliran udara primer, serta temperatur outlet mill.
Tahapan penelitian meliputi pengolahan data awal, seleksi fitur, pembentukan label kondisi operasi .
ormal dan Pluggin.
, serta pengujian model menggunakan algoritma Random Forest Classifier.
Kinerja model dievaluasi menggunakan metrik akurasi, precision, recall.
F1-score, dan cross-validation.
Hasil pengujian menunjukkan bahwa model Random Forest Classifier mampu mengklasifikasikan kondisi Plugging dengan tingkat akurasi yang tinggi dan stabil, sehingga efektif digunakan sebagai alat bantu dalam sistem pemeliharaan prediktif.
Dengan adanya sistem ini, diharapkan operator dapat melakukan tindakan preventif lebih awal untuk meminimalkan gangguan operasi dan meningkatkan keandalan sistem pembangkitan listrik.
Kata Kunci: Random Forest Classifier.
Plugging Pulverizer.
PLTU Indramayu.
Machine Learning.
Pemeliharaan Prediktif Pemodelan Prediktif Plugging Pulverizer PLTU Indramayu (Agus Mustof.
Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 11.
Nomor 1.
Februari 2026, pp 12-20 Terakreditasi Nomor 204/E/KPT/2022 | ISSN: 2527-5771/EISSN: 2549-7839 https://tunasbangsa.
id/ejurnal/index.
php/jurasik PENDAHULUAN Transformasi energi yang dipicu oleh fenomena 3D (Decarbonization.
Decentralization, dan Digitalizatio.
mendorong peningkatan pemanfaatan data operasional dalam sistem pembangkitan listrik.
Dalam era Industri 4.
Machine Learning (ML) menjadi teknologi yang semakin penting untuk mendukung analisis data berskala besar, prediksi gangguan peralatan, serta pengambilan keputusan operasional yang lebih cepat, akurat, dan berbasis data .
ata-driven decision PLTU Indramayu berkapasitas 330 MW menggunakan batubara sebagai bahan bakar utama, yang dalam proses pembangkitan harus terlebih dahulu digiling menggunakan Pulverizer (Coal Mil.
hingga menjadi serbuk halus sebelum dialirkan ke ruang bakar.
Keandalan Coal Mill memiliki peran yang sangat krusial terhadap kontinuitas operasi pembangkit, karena gangguan pada subsistem ini dapat menyebabkan penurunan daya, derating unit, hingga kehilangan output pembangkitan secara signifikan .
Dalam tiga tahun terakhir, penggunaan Medium Rank Coal (MRC) di PLTU Indramayu mengalami penurunan dan secara bertahap digantikan oleh Low Rank Coal (LRC).
Selain itu, diterapkannya kebijakan bauran biomassa .
o-firin.
sesuai dengan Permen ESDM Nomor 12 Tahun 2023 turut mengubah karakteristik bahan bakar yang digunakan.
Perubahan ini berdampak pada meningkatnya risiko terjadinya Plugging, yaitu kondisi penyumbatan aliran batubara dan biomassa di dalam sistem Pulverizer.
Plugging umumnya disebabkan oleh kondisi bahan bakar yang basah dan tidak homogen, tekanan kerja Grinding Roller yang tidak optimal, serta suplai udara pendorong (Primary Ai.
yang lemah, sehingga material tidak dapat tertransportasi dengan baik menuju ruang bakar.
Berdasarkan data Pareto Loss Output tahun 2024, gangguan pada Coal Mill, termasuk kejadian Plugging, menjadi salah satu kontributor utama kehilangan output pembangkit dan menyumbang nilai Equivalent Forced Outage Rate (EFOR) sebesar 1,07%.
Kondisi ini menunjukkan perlunya pendekatan yang lebih proaktif dan berbasis data dalam mendeteksi potensi gangguan sejak dini.
Oleh karena itu, diperlukan pengembangan sistem prediksi dini .
arly warning syste.
berbasis Machine Learning untuk meningkatkan keandalan operasi Pulverizer.
Penelitian ini mengusulkan pengembangan model klasifikasi menggunakan algoritma Random Forest yang dikombinasikan dengan metode Synthetic Minority Over-sampling Technique (SMOTE) guna mengatasi ketidakseimbangan data.
Model ini diharapkan mampu mendeteksi potensi Plugging secara akurat dan mendukung strategi pemeliharaan prediktif .
redictive maintenanc.
pada sistem Pulverizer di PLTU Indramayu.
METODOLOGI PENELITIAN
Penelitian ini menggunakan pendekatan kuantitatif berbasis Machine Learning untuk memprediksi kejadian Plugging pada coal mill.
Alur penelitian secara umum ditunjukkan pada Gambar 1.
Pemodelan Prediktif Plugging Pulverizer PLTU Indramayu (Agus Mustof.
Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 11.
Nomor 1.
Februari 2026, pp 12-20 Terakreditasi Nomor 204/E/KPT/2022 | ISSN: 2527-5771/EISSN: 2549-7839 https://tunasbangsa.
id/ejurnal/index.
php/jurasik Gambar 1.
Diagram Alur Penelitian Data yang digunakan berasal dari data historis operasi coal mill tahun 2024 dengan parameter utama meliputi outlet temperature, motor current, coal mill flow, inlet temperature, dan mixing flow.
Prototype sistem prediksi Plugging dibangun menggunakan data operasional Coal Mill yang meliputi temperatur, arus motor, dan aliran batubara.
Data diproses melalui tahap preprocessing, pelabelan kondisi Plugging, serta pemisahan data latih dan uji dengan rasio 70:30.
Model dikembangkan menggunakan algoritma Random Forest Classifier dan dievaluasi berdasarkan nilai akurasi, recall, dan F1-score.
Hasil evaluasi dimanfaatkan sebagai dasar evaluasi sistem serta perumusan usulan SOP penanganan Plugging.
Pemodelan Prediktif Plugging Pulverizer PLTU Indramayu (Agus Mustof.
Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 11.
Nomor 1.
Februari 2026, pp 12-20 Terakreditasi Nomor 204/E/KPT/2022 | ISSN: 2527-5771/EISSN: 2549-7839 https://tunasbangsa.
id/ejurnal/index.
php/jurasik Pembangkit Listrik Tenaga Uap Pembangkit Listrik Tenaga Uap (PLTU) merupakan jenis pembangkit yang paling banyak digunakan di Indonesia untuk menghasilkan energi listrik dalam skala besar dan beroperasi berdasarkan siklus Rankine, di mana energi panas hasil pembakaran batubara dimanfaatkan untuk menghasilkan uap bertekanan tinggi yang menggerakkan turbin uap dan generator .
Batubara dipilih sebagai bahan bakar utama karena ketersediaannya yang melimpah dan biaya produksi yang relatif rendah, meskipun variasi karakteristiknya, seperti kadar air, sulfur, dan abu, berpengaruh terhadap efisiensi pembakaran serta kinerja peralatan pembangkit, khususnya Pulverizer dan Boiler .
Dalam sistem PLTU batubara.
Pulverizer berperan penting dalam menggiling batubara menjadi serbuk halus guna menjamin pembakaran optimal, dengan tingkat kehalusan yang direkomendasikan mencapai minimal 70% lolos ayakan 200 mesh sesuai SPLN K7.
004-1:2021 .
sisi lain, tantangan lingkungan akibat emisi gas rumah kaca mendorong penerapan co-firing biomassa melalui Permen ESDM No.
12 Tahun 2023 sebagai bagian dari transisi energi.
Seiring perkembangan teknologi digital, pemanfaatan sistem pemantauan berbasis sensor dan Machine Learning memungkinkan prediksi dini gangguan operasional, seperti Plugging pada Pulverizer, sehingga dapat meningkatkan efisiensi, keandalan, dan keberlanjutan operasional PLTU .
Pulverizer pada PLTU Pulverizer merupakan komponen utama pada sistem pembakaran PLTU berbahan bakar batubara yang berfungsi menghaluskan batubara menjadi partikel kecil agar luas permukaan meningkat dan pembakaran berlangsung lebih efisien .
Plugging Plugging merupakan fenomena penyumbatan aliran batubara pada sistem penyaluran bahan bakar, seperti Pulverizer, coal feeder, atau saluran udara primer.
Kondisi ini disebabkan oleh kelembaban tinggi, ukuran partikel tidak seragam, kecepatan udara rendah, atau akumulasi material, yang dapat menurunkan efisiensi pembakaran, mengganggu suplai batubara, hingga memicu shutdown unit pembangkit .
Machine Learning Machine Learning (ML) merupakan cabang kecerdasan buatan yang memungkinkan sistem komputer belajar dari data untuk mengenali pola dan membuat prediksi atau klasifikasi tanpa pemrograman eksplisit.
Teknologi ini banyak diterapkan di berbagai sektor karena kemampuannya mengolah data dalam jumlah besar secara otomatis .
Random Forest Algoritma Random Forest merupakan metode ensemble learning yang menggabungkan banyak decision tree untuk tugas klasifikasi atau regresi.
Model ini menggunakan teknik bagging dan pemilihan fitur secara acak pada setiap Pemodelan Prediktif Plugging Pulverizer PLTU Indramayu (Agus Mustof.
Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 11.
Nomor 1.
Februari 2026, pp 12-20 Terakreditasi Nomor 204/E/KPT/2022 | ISSN: 2527-5771/EISSN: 2549-7839 https://tunasbangsa.
id/ejurnal/index.
php/jurasik percabangan untuk mengurangi varian.
Prediksi akhir ditentukan melalui voting mayoritas atau nilai rata-rata, sehingga menghasilkan model yang lebih akurat dan stabil .
HASIL DAN PEMBAHASAN
Bab ini menyajikan hasil perancangan dan implementasi sistem prediksi Plugging pada Pulverizer PLTU Indramayu menggunakan Random Forest Classifier.
Pembahasan meliputi gambaran umum data operasi, tahapan pengolahan data, pemilihan fitur, pembentukan model prediksi, hingga evaluasi performa model.
Analisis dilakukan terhadap tiga kondisi operasi berbeda untuk memahami pola perubahan parameter sebelum terjadinya Plugging, sehingga dapat diimplementasikan sebagai early warning system yang mendukung pemeliharaan prediktif di PLTU Indramayu.
Gambaran Umum Data yang digunakan dalam penelitian ini diperoleh dari hasil pencatatan proses operasi Coal mill 1F di PLTU Indramayu yang merupakan salah satu unit Pulverizer pada sistem pembangkitan listrik tenaga uap berkapasitas 3 y 330 MW.
Dalam penelitian ini, data yang digunakan bersumber dari Distributed Control System (DCS) Foxboro melalui sistem AIM*Historian, yang merekam parameter proses secara otomatis dengan interval pencatatan setiap 1 menit.
Pengambilan data difokuskan pada periode Tahun 2025, yang meliputi beberapa peristiwa aktual terjadinya Plugging pada Coal mill 1B.
Untuk mendapatkan hasil analisis yang komprehensif, data penelitian dibagi menjadi tiga kategori kondisi operasi, yaitu: Kondisi 1 Ai Plugging dengan campuran sawdust .
o-firin.
Kondisi 2 Ai operasi normal dengan campuran sawdust.
Kondisi 3 Ai operasi normal dengan batubara murni.
Total data yang digunakan berjumlah 181 baris data dengan rentang waktu 06/11/2025 16:00:00 sampai 06/11/2025 19:00:00 dengan interval data 1 menit.
Parameter yang digunakan meliputi Coal feeder E Flow.
Mill E Motor current.
Mix Air Flow Entering Pulverizer E.
Pulverizer E Inlet Temperature.
Pulverizer E Primary Air Flow.
Pulverizer E Primary Air Pressure.
Pulverizer E Primary Air Temperature.
Pulverizer E Outlet Air and Coal Mixture Temperature.
Pulverizer E Outlet Air Coal Mixture Temperature, serta Air Fuel Ratio (AFR).
Pembahasan Dua parameter utama, yaitu AirAeFuel Ratio (AFR) dan arus motor Pulverizer, digunakan sebagai acuan dalam pengembangan model Machine Learning berbasis Random Forest Classifier, dengan temperatur outlet Pulverizer sebagai parameter Seluruh proses diimplementasikan menggunakan bahasa pemrograman Python.
Proses pengembangan model prediksi Plugging dimulai dengan inisialisasi pustaka Python (Pandas.
NumPy.
Random Forest.
SMOTE.
Matplotli.
dan pemuatan dataset historis kejadian Plugging Pulverizer 1B dari file Excel ke dalam dataframe, kemudian dilakukan standarisasi penamaan atribut serta pembentukan Pemodelan Prediktif Plugging Pulverizer PLTU Indramayu (Agus Mustof.
Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 11.
Nomor 1.
Februari 2026, pp 12-20 Terakreditasi Nomor 204/E/KPT/2022 | ISSN: 2527-5771/EISSN: 2549-7839 https://tunasbangsa.
id/ejurnal/index.
php/jurasik parameter turunan AFR dan DP dengan menetapkan kolom waktu sebagai indeks temporal sesuai Gambar 2.
Gambar 2.
Pengolahan dan standarisasi dataset historis Tahap eksplorasi data dilakukan melalui visualisasi tren berbasis waktu untuk mengidentifikasi pola operasi dan anomali, serta analisis statistik deskriptif untuk memahami karakteristik dan rentang nilai normal setiap parameter.
Pelabelan kondisi Plugging kemudian diterapkan secara rule-based berdasarkan kombinasi threshold parameter MIL.
MOT.
AFR, dan DP sesuai Gambar 3.
Gambar 3.
Pelabelan Kondisi Plugging Berbasis Aturan Operasi Pulverizer Kemudian dilanjutkan dengan penambahan fitur lag hingga 20 interval waktu untuk menangkap dinamika temporal kejadian Plugging.
Variabel target prediksi dibentuk melalui pergeseran label berbasis waktu untuk mendeteksi Plugging 30 menit ke depan sesuai Gambar 4, lalu dataset dibagi dengan rasio 80:20 untuk pelatihan dan pengujian model Random Forest yang dikonfigurasi dengan teknik penanganan ketidakseimbangan kelas dan pencegahan overfitting.
Gambar 4.
Pembentukan Target Prediksi Plugging 30 menit kedepan Pemodelan Prediktif Plugging Pulverizer PLTU Indramayu (Agus Mustof.
Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 11.
Nomor 1.
Februari 2026, pp 12-20 Terakreditasi Nomor 204/E/KPT/2022 | ISSN: 2527-5771/EISSN: 2549-7839 https://tunasbangsa.
id/ejurnal/index.
php/jurasik Tahap akhir meliputi evaluasi komprehensif performa model menggunakan beberapa metrik evaluasi yaitu akurasi keseluruhan, classification report yang mencakup precision, recall, dan f1-score untuk setiap kelas, serta cross-validation untuk memastikan konsistensi dan generalisasi model.
Penjelasan konseptual terkait penerapan fitur lag dan dampaknya terhadap prediksi disajikan secara deskriptif tanpa menampilkan potongan kode Gambar 5.
Gambar 5.
Penambahan Fitur Lag Temporal Sebelum Dilakukan Pelatihan Dan Evaluasi Model Random Forest Hasil dan Evaluasi Model Evaluasi model dilakukan untuk menilai kemampuan Random Forest Classifier dalam memprediksi potensi terjadinya Plugging pada Pulverizer berdasarkan parameter operasi serta fitur berbasis waktu yang telah dibentuk.
Hasil evaluasi dirangkum dalam Gambar 6 yang mencakup metrik accuracy, precision, recall.
F1-score, dan cross-validation sebagai indikator performa dan kestabilan model.
Berdasarkan Gambar 6, evaluasi akurasi menunjukkan bahwa model Random Forest Classifier menghasilkan nilai akurasi sebesar 0,93, yang berarti 93% data uji berhasil diklasifikasikan dengan benar.
Nilai ini mengindikasikan bahwa model memiliki kemampuan yang baik dalam membedakan kondisi operasi normal dan kondisi plugging pada pulverizer, serta mencerminkan bahwa pola hubungan antara parameter operasi pulverizer dan kejadian plugging telah dipelajari secara efektif oleh model.
Evaluasi precision yang tertera pada Gambar 6 menunjukkan model menghasilkan nilai precision sebesar 1,00 pada kelas non-plugging dan 0,87 pada kelas plugging.
Nilai precision yang sangat tinggi pada kelas non-plugging menunjukkan bahwa seluruh prediksi operasi normal yang dihasilkan oleh model bersifat tepat, sementara nilai precision pada kelas plugging menunjukkan bahwa sebagian besar prediksi plugging yang dihasilkan oleh model sesuai dengan Pemodelan Prediktif Plugging Pulverizer PLTU Indramayu (Agus Mustof.
Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 11.
Nomor 1.
Februari 2026, pp 12-20 Terakreditasi Nomor 204/E/KPT/2022 | ISSN: 2527-5771/EISSN: 2549-7839 https://tunasbangsa.
id/ejurnal/index.
php/jurasik kondisi aktual, sehingga model mampu meminimalkan kesalahan peringatan palsu dengan baik.
Dari segi recall sebagaimana ditampilkan pada Gambar 6, model menghasilkan nilai recall sebesar 0,86 pada kelas non-plugging dan 1,00 pada kelas Nilai recall sebesar 1,00 pada kelas plugging menunjukkan bahwa seluruh kejadian plugging pada data uji berhasil terdeteksi oleh model tanpa adanya kejadian yang terlewatkan, yang mengindikasikan bahwa model memiliki tingkat sensitivitas yang sangat tinggi terhadap kondisi plugging dan mampu meminimalkan kesalahan false negative secara efektif.
Hasil evaluasi F1-score pada Gambar 6 menunjukkan nilai sebesar 0,92 pada kelas non-plugging dan 0,93 pada kelas plugging.
Nilai F1-score yang tinggi pada kedua kelas ini menunjukkan bahwa model memiliki keseimbangan yang baik antara precision dan recall.
Secara khusus, nilai F1-score pada kelas plugging mengindikasikan bahwa model mampu mendeteksi sebagian besar kejadian plugging dengan tingkat ketepatan yang memadai, sehingga memberikan penilaian performa yang representatif terhadap kemampuan prediksi model.
Terakhir, berdasarkan hasil cross-validation yang tercantum pada Gambar 6, model memperoleh nilai mean cross-validation score sebesar 0,79.
Nilai ini menunjukkan bahwa secara rata-rata model mampu mempertahankan tingkat kinerja yang cukup baik ketika diuji pada subset data yang berbeda menggunakan metode 5-fold cross-validation.
Meskipun terdapat variasi nilai skor antar lipatan yang mencerminkan karakteristik data operasi pulverizer yang dinamis, nilai mean cross-validation yang diperoleh mengindikasikan bahwa model memiliki kemampuan generalisasi yang memadai dan tidak mengalami overfitting yang signifikan terhadap data pelatihan.
Dengan demikian, hasil evaluasi secara keseluruhan memperkuat kesimpulan bahwa model Random Forest yang dikembangkan memiliki kestabilan performa yang cukup baik dan layak digunakan untuk memprediksi potensi plugging pada pulverizer dalam kondisi operasional yang bervariasi.
Gambar 6.
Grafik Hasil Evaluasi Model Pemodelan Prediktif Plugging Pulverizer PLTU Indramayu (Agus Mustof.
Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 11.
Nomor 1.
Februari 2026, pp 12-20 Terakreditasi Nomor 204/E/KPT/2022 | ISSN: 2527-5771/EISSN: 2549-7839 https://tunasbangsa.
id/ejurnal/index.
php/jurasik SIMPULAN Berdasarkan hasil perancangan, implementasi, serta evaluasi sistem prediksi Plugging pada Pulverizer PLTU Indramayu, dapat disimpulkan bahwa Plugging memiliki keterkaitan kuat dengan perubahan pola parameter operasi, terutama pada kondisi co-firing biomassa.
Parameter Air Fuel Ratio (AFR) dan arus motor Pulverizer menunjukkan perubahan signifikan sebelum terjadinya Plugging sehingga layak dijadikan indikator utama prediksi.
Random Forest Classifier berhasil diterapkan menggunakan data historis dari DCS Foxboro dan mampu mempelajari hubungan non-linear antar parameter secara efektif.
Penambahan fitur lag berbasis waktu dan target prediksi 30 menit ke depan menjadikan model bersifat prediktif dan mendukung pemeliharaan prediktif.
Evaluasi model menunjukkan performa sangat baik dengan accuracy 0,93 yang mampu mengklasifikasikan 93% data uji secara benar.
Precision sebesar 1,00 .
on-Pluggin.
dan 0,87 (Pluggin.
menunjukkan ketepatan tinggi dalam meminimalkan peringatan palsu.
Recall sebesar 0,86 .
on-Pluggin.
dan 1,00 (Pluggin.
membuktikan seluruh kejadian Plugging berhasil terdeteksi tanpa F1-score sebesar 0,92 .
on-Pluggin.
dan 0,93 (Pluggin.
menunjukkan keseimbangan baik antara precision dan recall.
Mean cross-validation sebesar 0,79 mengindikasikan kemampuan generalisasi yang baik dan model tidak mengalami overfitting signifikan meskipun data dinamis.
Secara keseluruhan, sistem prediksi ini layak digunakan sebagai early warning system karena mampu memberikan peringatan dini terhadap potensi Plugging dengan akurasi dan keandalan tinggi serta berpotensi meningkatkan reliability sistem Pulverizer di PLTU Indramayu.
DAFTAR PUSTAKA