Jurnal ELKON.
Vol.
5 No.
2 Desember 2025 ISSN: 2809-140X (Ceta.
ISSN: 2809-2244 (Onlin.
PEMODELAN OPTIMALISASI PROGRAM PERAWATAN GENERATOR UNIT 7
DI PLTU PAITON MENGGUNAKAN ALGORITMA RANDOM FOREST
CLASSIFIER
Bambang Minto Basuki Fakultas Teknik.
Program Studi Teknik Elektro Universitas Islam Malang Email: bambang.
minto@unisma.
Abdul MutaAoali Fakultas Teknik.
Program Studi Teknik Elektro Universitas Islam Malang Email: amutaali@unisma.
Doni Prasetyo Fakultas Teknik.
Program Studi Teknik Elektro Universitas Islam Malang Email: 22201053014@unisma.
ABSTRAK
Pembangkit Listrik Tenaga Uap (PLTU) Paiton merupakan salah satu pembangkit terbesar di Indonesia yang memiliki peran penting dalam penyediaan energi listrik nasional.
Keandalan generator sebagai komponen utama memerlukan sistem perawatan yang akurat dan terencana.
Selama ini, penentuan jadwal perawatan masih dilakukan secara manual dengan mempertimbangkan berbagai parameter operasional, yang seringkali menyita waktu serta berpotensi menimbulkan kesalahan akibat kompleksitas dan variabilitas data.
Untuk menjawab permasalahan tersebut, penelitian ini menawarkan solusi berbasis algoritma Random Forest Classifier.
Metode ini merupakan pendekatan ensemble learning yang menggunakan sejumlah pohon keputusan untuk menghasilkan klasifikasi yang lebih presisi.
Penelitian dirancang dengan memanfaatkan data historis operasional generator, seperti suhu, getaran, arus listrik, dan tegangan.
Data tersebut diolah menggunakan Random Forest Classifier untuk mengidentifikasi pola yang relevan dalam menentukan jadwal perawatan.
Proses analisis dilakukan melalui pemisahan data latih dan data uji untuk mengukur kinerja prediksi.
Hasil percobaan menunjukkan bahwa algoritma mampu menyaring parameter paling signifikan, sehingga hanya data yang berpengaruh besar terhadap performa generator yang dipertimbangkan.
Analisis pengujian mengindikasikan bahwa metode ini efektif dalam menyederhanakan proses prediksi serta mengurangi beban kerja operasional dengan tingkat akurasi 89 %.
Kesimpulannya.
Random Forest Classifier dapat memberikan prediksi perawatan alternatif yang akurat, sehingga berkontribusi pada peningkatan efisiensi serta keandalan sistem pembangkitan listrik di PLTU Paiton.
Kata kunci: paiton, random forest, optimalisasi, pengujian ABSTRACT The Paiton Coal-Fired Power Plant (PLTU) is one of the largest power plants in Indonesia and plays a crucial role in the national electricity supply.
The reliability of its generators, as a core component, requires an accurate and well-planned maintenance system.
Currently, maintenance scheduling is still performed manually by considering various operational parameters, which is often time-consuming and prone to errors due to data complexity and variability.
To address this issue, this study proposes a solution based on the Random Forest Classifier algorithm.
This method is an ensemble learning approach that uses a number of decision trees to produce a more precise classification.
The research was designed by utilizing historical operational data of the generator, such as temperature, vibration, electric current, and voltage.
This data is processed using the Random Forest Classifier to identify relevant patterns for determining the maintenance schedule.
The analysis process involves separating the data into training and testing sets to measure prediction performance.
Jurnal ELKON.
Vol.
5 No.
2 Desember 2021 ISSN: 2809-140X (Ceta.
ISSN: 2809-2244 (Onlin.
The results show that the algorithm can filter the most significant parameters, so that only data with a major impact on generator performance is considered.
The analysis of the tests indicates that this method is effective in simplifying the prediction process and reducing the operational workload with an accuracy level of 89%.
In conclusion, the Random Forest Classifier can provide an accurate alternative for maintenance prediction, thus contributing to an increase in the efficiency and reliability of the power generation system at the Paiton Coal-Fired Power Plant.
Keywords: paiton, random forest, optimization, testing PENDAHULUAN Pembangkit Listrik Tenaga Uap (PLTU) Paiton yang berlokasi di Kabupaten Probolinggo.
Jawa Timur, merupakan salah satu pembangkit listrik terbesar di Indonesia yang menyuplai kebutuhan energi untuk wilayah JawaAeBali.
Perannya sangat vital dalam menjaga keandalan sistem kelistrikan nasional.
Namun, di balik peran strategis tersebut terdapat tantangan besar, yaitu menjaga kinerja generator sebagai jantung proses pembangkitan.
Kegagalan generator tidak hanya berpotensi menimbulkan pemadaman listrik dalam skala luas, tetapi juga dapat menimbulkan kerugian ekonomi, gangguan bisnis, serta risiko dikenakannya penalti.
Kondisi ini membuat sistem perawatan generator menjadi faktor yang krusial dan harus dilakukan dengan presisi.
Selama ini, perencanaan perawatan di PLTU Paiton masih dilakukan secara manual, mempertimbangkan banyak parameter operasional seperti suhu, arus, getaran, dan tegangan.
Metode tersebut membutuhkan waktu yang panjang, rentan terhadap kesalahan, serta kurang mampu mengakomodasi kompleksitas data operasional yang sangat bervariasi.
Di sinilah muncul kebutuhan akan pendekatan baru yang lebih efisien .
Perkembangan teknologi kecerdasan buatan, khususnya machine learning, menawarkan jalan keluar.
Algoritma Random Forest Classifier menjadi salah satu solusi potensial karena mampu mengolah data dalam jumlah besar, menyaring parameter yang paling relevan, serta menghasilkan prediksi dengan tingkat akurasi tinggi.
Melalui pemanfaatan data historis operasional generator, metode ini diharapkan dapat membantu merancang model prediktif untuk menentukan waktu dan jenis perawatan yang tepat.
Penelitian ini lahir dari kesenjangan antara kebutuhan praktis di lapangan dengan metode tradisional yang masih digunakan.
Pertanyaannya adalah bagaimana Random Forest Classifier dapat diaplikasikan secara efektif pada Unit 7 PLTU Paiton, serta seberapa akurat model yang dihasilkan dalam memprediksi kebutuhan perawatan.
Hipotesis utama penelitian ini adalah bahwa algoritma tersebut mampu menghasilkan prediksi yang lebih efisien dibandingkan pendekatan manual, dengan mengidentifikasi parameter teknis dominan seperti suhu operasi, arus listrik, dan durasi kerja.
METODOLOGI PENELITIAN
Jenis dan Pendekatan Penelitian Penelitian ini merupakan penelitian kuantitatif terapan .
pplied researc.
dengan pendekatan machine learning.
Tujuan penelitian adalah memodelkan dan mengoptimalkan program perawatan Generator Unit 7 PLTU Paiton menggunakan algoritma Random Forest Classifier berbasis data historis Pendekatan ini dipilih karena Random Forest mampu menangani data berdimensi tinggi, bersifat nonlinier, serta memiliki ketahanan yang baik terhadap noise dan overfitting, sehingga sesuai untuk data operasional pembangkit listrik yang kompleks dan dinamis.
Objek dan Lokasi Penelitian Objek penelitian adalah Generator Unit 7 PLTU Paiton.
Kabupaten Probolinggo.
Jawa Timur.
Generator dipilih karena merupakan komponen kritis dalam sistem pembangkitan dan memiliki ketersediaan data historis operasional yang memadai untuk analisis berbasis machine learning.
3 Sumber dan Jenis Data Data yang digunakan dalam penelitian ini merupakan data sekunder, yaitu data historis operasional Generator Unit 7 PLTU Paiton yang diperoleh dari sistem monitoring pembangkit dan catatan teknis Jumlah data yang digunakan sebanyak 4.
000 record, dengan parameter utama sebagai berikut:
Daya keluaran generator (MW) Jurnal ELKON.
Vol.
5 No.
2 Desember 2025 ISSN: 2809-140X (Ceta.
ISSN: 2809-2244 (Onlin.
Frekuensi generator (H.
Temperatur air pendingin stator inlet (AC) Temperatur air pendingin stator outlet (AC) Temperatur batang stator (AC) Getaran horizontal rotor Non-Drive End (AA.
Parameter tersebut dipilih berdasarkan diskusi dengan tim teknis karena merepresentasikan kondisi elektrik, termal, dan mekanis generator.
4 Tahapan Penelitian Tahapan penelitian dilakukan dengan penjelasan sebagai berikut :
1 Pengumpulan dan Validasi Data Data historis dikumpulkan dan diverifikasi bersama tim teknis PLTU Paiton untuk memastikan keakuratan, konsistensi, serta kesesuaian data dengan kondisi aktual di lapangan.
2 Pra-pemrosesan Data Tahap pra-pemrosesan dilakukan untuk meningkatkan kualitas data sebelum digunakan dalam pemodelan, yang meliputi:
A Penghapusan data duplikasi A Penanganan nilai hilang .
issing value.
A Identifikasi dan penanganan outlier A Penyesuaian format data agar sesuai dengan kebutuhan algoritma Apabila diperlukan, dilakukan normalisasi atau standarisasi data untuk menyamakan skala antar 5 Pembangunan Model Random Forest Classifier Dataset yang telah diproses dibagi menjadi 70% data latih dan 30% data uji.
Model Random Forest Classifier dibangun melalui tahapan:
Pembentukan beberapa dataset bootstrap .
Pelatihan sejumlah pohon keputusan .
ecision tre.
Pemilihan subset fitur secara acak pada setiap node Penentuan hasil klasifikasi menggunakan metode majority voting 1 Penentuan dan Pengaturan Hyperparameter Random Forest Algoritma Random Forest memiliki sejumlah hyperparameter yang berperan penting dalam mengendalikan kompleksitas model dan kemampuan generalisasi terhadap data baru.
Pada penelitian ini, pengaturan hyperparameter dilakukan untuk memperoleh keseimbangan antara akurasi prediksi dan risiko overfitting, mengingat data operasional generator bersifat dinamis dan memiliki variabilitas tinggi.
Hyperparameter utama yang digunakan dalam penelitian ini meliputi:
Jumlah pohon .
_estimator.
, yang menentukan banyaknya pohon keputusan dalam ensemble Random Forest.
Kedalaman maksimum pohon .
ax_dept.
, yang mengatur tingkat kompleksitas masing-masing pohon keputusan.
Jumlah minimum sampel untuk pemisahan node .
in_samples_spli.
, yang berfungsi membatasi pembentukan cabang pohon yang terlalu spesifik.
Jumlah minimum sampel pada node daun .
in_samples_lea.
, yang bertujuan meningkatkan stabilitas prediksi.
Bootstrap, digunakan untuk melatih setiap pohon keputusan pada subset data yang diambil secara acak dengan pengembalian .
ampling with replacemen.
Mekanisme ini berfungsi mengurangi korelasi antar pohon, menekan overfitting, serta meningkatkan stabilitas dan kemampuan generalisasi model Random Forest terhadap data uji.
Pemilihan nilai hyperparameter dilakukan secara eksperimental dengan mengamati kinerja model pada data latih dan data uji.
Kombinasi hyperparameter yang memberikan performa terbaik selanjutnya digunakan sebagai konfigurasi akhir model Random Forest Classifier.
6 Evaluasi Kinerja Model Kinerja model dievaluasi menggunakan metrik:
A Accuracy Jurnal ELKON.
Vol.
5 No.
2 Desember 2021 ISSN: 2809-140X (Ceta.
ISSN: 2809-2244 (Onlin.
A Precision A Recall A F1-score Selain itu, digunakan confusion matrix untuk menganalisis kemampuan model dalam mengklasifikasikan kondisi generator.
Untuk memastikan kestabilan hasil, diterapkan validasi silang .
-fold cross-validatio.
7 Analisis Feature Importance dan Penyusunan Rekomendasi Algoritma Random Forest menyediakan informasi feature importance yang digunakan untuk mengidentifikasi parameter paling berpengaruh terhadap kondisi generator.
Hasil analisis ini menjadi dasar dalam:
A Menentukan parameter dominan A Menyusun rekomendasi prioritas perawatan A Mengoptimalkan program predictive maintenance pada Generator Unit 7 PLTU Paiton
HASIL DAN PEMBAHASAN
1 Karakteristik Dataset Penelitian ini menggunakan 4.
000 data historis dari Generator Unit 7 PLTU Paiton sebagai salah satu pembangkit listrik tenaga uap terbesar di Indonesia.
Setiap data berisi enam parameter operasional penting.
Daya keluaran (MW) Ae menunjukkan kontribusi beban generator ke jaringan listrik.
Frekuensi generator (H.
Ae mencerminkan kestabilan sinkronisasi dengan sistem interkoneksi JawaAeBali.
Temperatur air pendingin stator inlet (AC) Ae kondisi termal air pendingin sebelum masuk ke belitan Temperatur air pendingin stator outlet (AC) Ae menunjukkan efektivitas pelepasan panas setelah melewati stator.
Temperatur batang stator (AC) Ae parameter kritis untuk kesehatan isolasi dan pencegahan Getaran horisontal rotor Non-Drive End (AA.
Ae mewakili kondisi mekanis rotor.
Keenam parameter ini dipilih melalui diskusi dengan engineer lapangan karena secara langsung merepresentasikan aspek elektrik, termal, dan mekanis dari kinerja generator.
Berikut sampel datanya ada di Tabel 3.
Tabel.
1 Sampel Data Generator Unit 7
Hari Unit 7 Gen
Megawatt
from MKV
Unit 7 Generator Freq
Stator
Cooling Water Inlet
Temp
Stator
Cooling Water
Outlet Temp
STATOR
C#5 BAR
TEMP
7DWATT
7EXFREQGEN
7SCTI355
7SCTI385
7SCTI505
Generator NDE
Horisontal Vibration(X) 7TGVI210X
407,4278
49,988
39,5984
46,90523
45,8808
25,53139
404,8729
50,0002
39,83643
47,00116
46,26154
29,79171
405,0359
50,02335
39,89484
46,24057
45,43554
29,70491
406,6179
50,00874
40,0339
46,32869
45,47796
31,24437
411,9044
49,97318
40,17296
46,50605
45,7169
30,36444
429,9698
50,02201
39,97426
47,00389
46,19176
31,83439
428,501
50,02182
40,00167
47,31502
46,46336
31,49123
426,4827
50,00122
40,03161
47,09832
46,4912
30,71336
454,4227
50,03078
40,12415
48,04196
47,42384
31,45597
Jurnal ELKON.
Vol.
5 No.
2 Desember 2025 ISSN: 2809-140X (Ceta.
ISSN: 2809-2244 (Onlin.
627,7790 50,03326 40,13510 54,88202 53,68708 28,88838 627,2459 49,99384 40,00221 54,80876
53,90344
28,48350
613,6753
50,06034
39,86933
54,17581
53,17935
29,50620
599,2962
50,14694
39,76574
53,07675
52,14559
29,59741
628,5666
50,02626
40,05685
54,35343
53,15832
31,54780
615,8569
50,05411
39,88188
54,06077
52,68950
29,82426
Pra-pemrosesan Data untuk Model Machine Learning A Data telah melalui tahap pembersihan .
ata cleanin.
untuk menghapus nilai hilang .
issing valu.
dan anomali.
Fitur penting yang mempengaruhi kondisi generator berhasil diidentifikasi, antara lain: daya , frekuensi, temperatur dan getaran mekanis A Dataset telah dibagi menjadi data pelatihan .
sebesar 70% dan data pengujian .
sebesar 30%.
Hasil running Coding Random Forrest dapat dilihat pada Grafik berikut :
Grafik 3.
Hasil Running Random Forrest Classifier Gambar 3.
1 Cofusion Matrix Tabel 3.
2 classification report Jurnal ELKON.
Vol.
5 No.
2 Desember 2021 ISSN: 2809-140X (Ceta.
ISSN: 2809-2244 (Onlin.
2 Kinerja Random Forest Hasil pengujian menunjukkan bahwa Random Forest Classifier mampu mengklasifikasikan kondisi generator dengan tingkat akurasi sebesar 89% pada data uji.
Nilai ini mengindikasikan bahwa model memiliki kemampuan yang baik dalam membedakan kondisi normal dan fault berdasarkan pola data operasional generator.
Kinerja yang relatif tinggi ini dipengaruhi oleh kemampuan Random Forest dalam menggabungkan banyak pohon keputusan .
nsemble learnin.
, sehingga kesalahan dari satu pohon dapat dikompensasi oleh pohon Hal tersebut menjadikan model lebih stabil dibandingkan metode klasifikasi tunggal.
3 Analisis Feature Importance Analisis feature importance menunjukkan bahwa beberapa parameter operasional memiliki kontribusi dominan dalam proses klasifikasi.
Parameter yang berkaitan dengan temperatur dan karakteristik kelistrikan generator memiliki bobot kepentingan lebih tinggi dibandingkan parameter lainnya.
Hal ini sejalan dengan kondisi lapangan, di mana perubahan pada parameter tersebut sering menjadi indikator awal terjadinya gangguan pada generator.
Temuan ini memperkuat bahwa model tidak hanya memberikan prediksi yang akurat, tetapi juga mampu mengidentifikasi parameter kunci yang relevan untuk mendukung pengambilan keputusan dalam program 4 Pembahasan Pengaruh Hyperparameter Random Forest Pemilihan hyperparameter berperan penting dalam mengendalikan kompleksitas dan kemampuan generalisasi model Random Forest.
Pengaturan hyperparameter yang tidak tepat dapat menyebabkan overfitting atau underfitting, sehingga menurunkan keandalan model pada data uji.
1 Jumlah Pohon .
_estimator.
Peningkatan jumlah pohon keputusan cenderung meningkatkan stabilitas prediksi karena mekanisme majority voting.
Namun, setelah mencapai titik tertentu, penambahan pohon tidak memberikan peningkatan performa yang signifikan dan hanya menambah beban komputasi.
Oleh karena itu, jumlah pohon dipilih pada nilai optimal yang memberikan keseimbangan antara akurasi dan efisiensi.
Pada penelitian ini jika nestimators bernilai 50, prediksi menjadi tidak stabil namun jika nilainya dinaikkan menjadi 150-200 maka prediksi menjadi lebih stabil.
2 Kedalaman Pohon .
ax_dept.
Pembatasan kedalaman pohon terbukti efektif dalam mengurangi risiko overfitting.
Nilai max_depth yang moderat memungkinkan model menangkap pola penting tanpa terlalu menyesuaikan diri pada noise data operasional generator.
Nilai yang digunakan pada penelitian .
None, 10, 20, 30 3 min_samples_split dan min_samples_leaf Pengaturan jumlah minimum sampel pada node pemisahan dan node daun berkontribusi terhadap peningkatan stabilitas model.
Parameter ini membantu mencegah pembentukan cabang pohon yang terlalu spesifik dan meningkatkan konsistensi prediksi, khususnya pada kondisi fault.
min_samples_split yang dipilih 2, 5, 10 dan pada min_samples_split adalah 1, 2, 4 Jurnal ELKON.
Vol.
5 No.
2 Desember 2025 ISSN: 2809-140X (Ceta.
ISSN: 2809-2244 (Onlin.
4 Bootstrap Bootstrap digunakan untuk melatih setiap pohon keputusan pada subset data yang diambil secara acak dengan pengembalian .
ampling with replacemen.
Mekanisme ini berfungsi mengurangi korelasi antar pohon, menekan overfitting, serta meningkatkan stabilitas dan kemampuan generalisasi model terhadap data uji.
5 Penjelasana grafik Fitur Penting Fitur Dominan Stator Cooling Water Inlet Temp Ie fitur paling dominan .
ekitar 0,.
Artinya, suhu air pendingin stator sebelum masuk adalah penentu utama klasifikasi kondisi generator.
Jika pendinginan tidak optimal, kinerja generator akan terganggu.
Unit 7 Generator Frequency Ie peringkat kedua.
Frekuensi sangat penting untuk menjaga sinkronisasi dengan jaringan JawaAeBali, sehingga wajar muncul sebagai variabel kunci.
Stator Cooling Water Outlet Conductivity & Average H2 Gas Cold Ie masuk 5 besar.
Konduktivitas pendingin dan suhu gas hidrogen turut memberi sinyal kesehatan sistem pendingin dan isolasi Fitur Penting Tingkat Menengah Vibrasi rotor (NDE & DE, arah X/Y) Ie masuk kategori menengah.
Getaran horizontal memberikan indikasi kesehatan mekanis .
isalignment, unbalance, masalah bearin.
Tekanan hidrogen (H2 Gen Pres.
dan konduktivitas air pendingin inlet Ie ikut berperan dalam kestabilan operasi.
Fitur dengan Pengaruh Rendah Daya keluaran (Unit 7 Gen MW) Ie pengaruhnya rendah.
Ini karena generator biasanya beroperasi dalam rentang daya stabil, sehingga variasi daya tidak banyak membantu prediksi.
Hydrogen Purity.
Temperatur Stator Bar (C#30.
C#5.
Slot #36.
Slot #.
Ie berada di posisi bawah.
Walaupun tidak dominan dalam model, parameter ini tetap penting secara teknis untuk pemantauan jangka panjang .
erutama kesehatan isolasi stato.
Implikasi Teknis Pendinginan stator adalah kunci utama.
Baik temperatur maupun konduktivitas air pendingin sangat Ini mengindikasikan bahwa sistem pendingin harus menjadi prioritas utama dalam predictive maintenance.
Frekuensi generator sebagai indikator makro.
Stabilitas frekuensi bukan hanya faktor operasi harian, tetapi juga indikator potensi anomali yang bisa mengganggu grid.
Getaran rotor tetap perlu dipantau.
Meski tidak dominan, vibrasi sering kali menjadi tanda awal kerusakan mekanis yang bisa berkembang menjadi fault serius.
Parameter daya keluaran kurang berpengaruh.
Hal ini mengonfirmasi bahwa model machine learning lebih fokus pada parameter lingkungan operasi .
ooling, gas, vibras.
daripada output daya.
Sehingga hasil analisis grafik menunjukkan Prediksi Random Forest lebih dipengaruhi oleh faktor pendinginan dan kestabilan operasi dibandingkan oleh variabel beban.
Artinya bahwa program perawatan sebaiknya difokuskan pada pengelolaan pendinginan stator dan stabilitas frekuensi, dengan getaran rotor sebagai faktor pendukung deteksi dini.
KESIMPULAN
Kesimpulan yang dapat ditarik dari penelitian adalah sebagai berikut :
Algoritma Random Forest Classifier dapat diimplementasikan secara efektif untuk mendukung program predictive maintenance pada Generator Unit 7 PLTU Paiton.
Dengan memanfaatkan data historis sebanyak A4000 record yang mencakup variabel daya keluaran, frekuensi, temperatur pendingin stator, temperatur batang stator, serta getaran rotor, model yang dikembangkan mampu mencapai akurasi keseluruhan sebesar 89%.
Analisis confusion matrix menunjukkan bahwa model tidak hanya akurat dalam mengidentifikasi kondisi Normal, tetapi juga cukup andal dalam mengenali kondisi Warning dan Critical dengan tingkat precision dan recall di atas 80%.
Hal ini mengindikasikan bahwa sistem machine learning mampu memberikan peringatan dini serta mendeteksi potensi kegagalan sebelum terjadi kerusakan serius.
Jurnal ELKON.
Vol.
5 No.
2 Desember 2021 ISSN: 2809-140X (Ceta.
ISSN: 2809-2244 (Onlin.
Hasil analisis feature importance menegaskan bahwa suhu pendingin stator inlet, frekuensi generator, dan getaran rotor adalah parameter dominan yang paling berpengaruh terhadap performa model.
Dengan demikian, fokus utama perawatan sebaiknya diarahkan pada stabilitas sistem pendinginan, pemeliharaan kestabilan frekuensi, dan pemantauan kondisi mekanis rotor.
DAFTAR PUSTAKA