<![CDATA[Penelitian ini mengembangkan model prediktif untuk estimasi beban turbin uap dengan mengimplementasikan teknik machine learning Random Forest dalam rangka optimasi efisiensi operasional turbin uap pada fasilitas PLTU Ombilin. Proses penelitian melibatkan akuisisi data operasional historis yang kemudian melalui tahap preprocessing menggunakan normalisasi Min-Max Scaler dan pembagian dataset dengan rasio 80:20 untuk training dan testing. Optimasi model Random Forest dilakukan melalui hyperparameter tuning untuk memperoleh konfigurasi optimal, menghasilkan performa dengan MAE 1.024, RMSE 0.987, dan R-squared 0.893 pada evaluasi testing. Hasil evaluasi mengindikasikan kemampuan model dalam menghasilkan prediksi akurat dengan generalisasi yang memadai terhadap data baru. Implementasi model ini diproyeksikan dapat berfungsi sebagai tool decision support dalam manajemen operasional pembangkit, meningkatkan thermal efficiency turbin uap, dan mendukung reduksi konsumsi fuel serta emisi greenhouse gas. Riset ini merekomendasikan eksplorasi algoritma komplementer seperti Gradient Boosting, XGBoost, dan Artificial Neural Network untuk benchmarking performa dan validasi model yang lebih komprehensif.]]>
Copyrights © 2025
