<![CDATA[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]]>
