Klasifikasi Kondisi Generator PLTU dengan Algoritma Naive Bayes untuk Pemeliharaan Prediktif

Abstract

Penelitian ini bertujuan mengembangkan model pemeliharaan prediktif (predictive maintenance) untuk generator di Pembangkit Listrik Tenaga Uap (PLTU) dengan memanfaatkan algoritma Klasifikasi Naive Bayes. Latar belakang penelitian didasari oleh keterbatasan strategi perawatan berbasis waktu (time-based maintenance) yang sering gagal mendeteksi kegagalan mendadak, sehingga menyebabkan downtime operasional yang panjang dan biaya perbaikan yang tinggi. Studi kasus difokuskan pada PLTU Paiton. Data historis operasional generator, yang mencakup parameter kunci seperti suhu bantalan (bearing), tekanan oli, dan tingkat getaran, dikumpulkan dan diproses. Data tersebut kemudian dilabeli ke dalam tiga kelas kondisi: Normal, Peringatan (Warning), dan Kritis (Critical). Model Naive Bayes dilatih untuk mengklasifikasikan data uji ke dalam kategori-kategori tersebut guna memprediksi kondisi generator di masa depan. Evaluasi kinerja model menggunakan metrik accuracy, precision, recall, dan confusion matrix. Hasil penelitian menunjukkan bahwa model yang dikembangkan berhasil mencapai akurasi klasifikasi sebesar 89%. Model ini juga mampu memberikan peringatan dini potensi kerusakan hingga 3 hari sebelum kegagalan aktual terjadi. Implementasi model ini diharapkan dapat mentransformasi paradigma pemeliharaan dari yang reaktif dan terjadwal menjadi sistem prediktif berbasis data. Hal ini memungkinkan tim teknis melakukan perawatan terencana, meminimalkan gangguan tak terduga, memperpanjang usia pakai aset, serta menurunkan downtime operasional secara signifikan. Penelitian ini membuktikan bahwa integrasi metode machine learning seperti Naive Bayes dalam manajemen fasilitas pembangkit listrik merupakan solusi yang efektif, efisien, dan praktis untuk meningkatkan keandalan sistem ketenagalistrikan.