<![CDATA[Pembangkit Listrik Tenaga Uap (PLTU) merupakan salah satu sumber utama pasokan listrik nasional, di mana keandalan komponen kritis seperti bearing turbin sangat menentukan kontinuitas operasional. Kegagalan pada bearing dapat menyebabkan downtime tidak terduga dan kerugian biaya yang signifikan. Oleh karena itu, pendekatan predictive maintenance menjadi strategi penting dalam memitigasi potensi kegagalan tersebut. Penelitian ini bertujuan untuk membandingkan performa empat algoritma deep learning yaitu LSTM, GRU, BiGRU, dan BiLSTM dalam memprediksi Remaining Useful Life (RUL) dari bearing turbin. Data yang digunakan merupakan data sensor aktual dari pembangkit, yang telah direduksi dimensinya menggunakan Principal Component Analysis (PCA) untuk membentuk Health Index sebagai representasi degradasi peralatan. Evaluasi dilakukan menggunakan metrik MAE (Mean Absolute Error) dan RMSE (Root Mean Squared Error). Hasil eksperimen menunjukkan bahwa model BiLSTM memiliki performa terbaik dengan nilai MAE sebesar 0.27 dan RMSE sebesar 0.37. Penelitian ini berkontribusi dalam menyediakan panduan pemilihan model prediksi RUL berbasis data sensor riil pada peralatan PLTU, yang mendukung penerapan pemeliharaan prediktif secara lebih akurat dan efisien]]>
Copyrights © 2025
