AFIFI, MUKHLIS (2026) EVALUASI INDEKS KESEHATAN STATOR GENERATOR PLTU TANJUNG AWAR-AWAR MENGGUNAKAN ALGORITMA RANDOM FOREST. Masters thesis, Institut Teknologi Sepuluh Nopember.
Full text not available from this repository. (Request a copy)Abstract
Stator generator merupakan komponen kritikal dalam suatu Pembangkit Listrik Tenaga Uap (PLTU). Untuk memastikan kehandalan stator generator, diperlukan suatu penilaian indeks kesehatan. Model penilaian masih konvensional dengan metode Analytical Hieracrhy Process (AHP). Dengan menggunakan parameter pengujian spesifik dan parameter pemeliharaan, metode AHP dapat menghitung indeks kesehatan secara manual menggunakan metode penilaian dan pembobotan yang bersumber pada referensi internasional dan jastifiksi pakar. Sedangkan validasi indeks kesehatan dengan menggunakan parameter operasi. Metode yang dikembangkan masih bersifat koreksi karena penilaian hanya saat dilakukan pengujian tanpa melibatkan adanya penilaian parameter pengoperasian. Hal ini yang menjadi permasalahan yaitu tidak adanya prediksi kerusakan dan perencanaan pemeliharaan. Pada era modern ini, pengembangan penilaian indeks kesehatan stator bersifat prediktif dengan pendekatan pendekatan berbasis machine learning yang masif digunakan. Prediksi harus bersifat monitoring secara kontinyu, yang berarti mengharuskan adanya penilaian terhadap parameter operasi. Kebaruan penelitian ini terletak dengan penggabungan semua parameter baik pengujian spesifik, pemeliharaan ataupun operasi. Penilaian indeks kesehatan dengan metode AHP yang kemudian dijadikan input dari pendekatan machine learning. Tesis ini menggunakan 3 algoritma untuk regresi yaitu K-Nearest Neigbors (KNN), Random Forest (RF) dan Decision Tree(DT). Data training data dari 4 PLTU dari tahun 2020-2025. Hasil evaluasi menunjukkan algoritma RF mempunyai variansi (R2) tertinggi 0,907. Sedangkan Root Mean Absolute Error(RMSE) terendah 0,231. Kedua parameter ini merepresentasikan nilai prediksi mendekati penilaian aktual. Algoritma RF menerapkan metode ensemble yang didukung dengan banyak pohon keputusan. Hal ini membuat algoritma ini cukup sensitif jika terdapat perubahan data sekecil apapun. Pada stator unit 1, RF melihat adanya pola kenaikan parameter pengujian spesifik dan penurunan parameter operasi yang menunjukkan adanya kenaikan prediksi indeks kesehatan stator. Sedangkan unit 2, RF melihat adanya pola kenaikan parameter operasi yang menyebabkan penurunan nilai indeks kesehatan stator. Dengan demikian RF memberikan prediksi indeks kesehatan stator yang difungsikan meminimalisir resiko operasional ataupun perencanaan pemeliharaan
Kata kunci: Stator, indeks kesehatan stator, AHP, machine learning,prediksi, Random Forest, Prediksi
| Item Type: | Thesis (Masters) |
|---|---|
| Uncontrolled Keywords: | Kata kunci: Stator, indeks kesehatan stator, AHP, machine learning,prediksi, Random Forest, Prediksi Keywords: Stator, stator health index, AHP, machine learning, prediction, Random Forest |
| Subjects: | T Technology > TK Electrical engineering. Electronics Nuclear engineering > TK1322.6 Electric power-plants |
| Divisions: | Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Electrical Engineering > 20101-(S2) Master Thesis |
| Depositing User: | Mukhlis Nur Afifi |
| Date Deposited: | 30 Jul 2026 09:06 |
| Last Modified: | 30 Jul 2026 09:06 |
| URI: | http://repository.its.ac.id/id/eprint/139747 |
Actions (login required)
 |
View Item |