Analisis Komparatif Model Long Short-Term Memory (LSTM) dan Gate Recurrent Unit (GRU) Untuk Prediksi Kinerja Turbin Gas
Mahasiswa Peneliti:
Abdul Rohman Rusdan Arif
Dosen Pembimbing:
Ir. Noor Akhmad Setiawan, S.T., M.T., Ph.D., IPM.
Ir. Joko Waluyo, M.T., Ph.D., IPM, ASEAN Eng., APEC Eng.
Turbin gas merupakan peralatan utama di industri migas, karena bobotnya yang ringan dan kemampuannya sebagai penggerak kompresor. Namun, penurunan performa turbin gas dapat menimbulkan risiko kerugian ekonomi akibat downtime yang tidak terencana. Strategi perawatan yang saat ini masih bersifat reaktif perlu ditingkatkan menuju pendekatan berbasis kecerdasan buatan (Artificial Intelligence/AI) yang mampu memberikan prediksi performa turbin gas secara akurat untuk mendukung predictive maintenance. Penelitian ini bertujuan untuk mengembangkan dan membandingkan performa dua model deep learning, yaitu Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU), dalam memprediksi output engine turbin gas menggunakan data operasional time series. Data yang digunakan mencakup parameter suhu, tekanan, dan laju aliran bahan bakar, yang terlebih dahulu melalui tahap preprocessing dan feature selection menggunakan metode Random Forest dan LASSO. Model dilatih dan dievaluasi dengan kombinasi hyperparameter tuning berupa variasi batch size dan jumlah epoch. Evaluasi kinerja model dilakukan menggunakan metrik statistik MSE, RMSE, MAE, dan R². Hasil penelitian menunjukkan bahwa model GRU dengan penerapan feature selection dan tuning hyperparameter menghasilkan performa terbaik, dengan nilai MSE = 23,1489, RMSE = 4,8113, MAE = 3,4259, dan R² = 0,9939, menandakan akurasi dan generalisasi yang sangat tinggi terhadap data pengujian. Model LSTM dengan pendekatan yang sama menghasilkan R² = 0,9892, dan tetap menunjukkan performa yang sangat baik. Sementara itu, model baseline Linear Regression menunjukkan performa terendah dengan nilai R² negatif, menandakan ketidaksesuaian pendekatan linier terhadap pola data yang kompleks dan non-linier. Dari aspek efisiensi waktu komputasi, model GRU juga lebih unggul dibandingkan LSTM. Pada skenario dengan feature selection, waktu pelatihan GRU tercatat selama 61 menit 23 detik, sedangkan LSTM membutuhkan 91 menit 27 detik. Waktu pengujian GRU juga lebih singkat yaitu 15 detik, dibandingkan LSTM yang memerlukan 18 detik. Dengan demikian, penelitian ini menyimpulkan bahwa model deep learning berbasis GRU yang dikombinasikan dengan seleksi fitur dan tuning hyperparameter merupakan pendekatan paling optimal untuk memprediksi engine power turbin gas, baik dari sisi akurasi maupun efisiensi waktu pelatihan. Namun, model LSTM juga tetap relevan untuk digunakan terutama ketika konsistensi prediksi menjadi prioritas.
Kata kunci: deep learning, performance prediction, turbin gas, Long Short-Term Memory, Gated Recurrent Unit