Keandalan dan efisiensi sistem pembangkitan energi menjadi isu strategis dalam transformasi energi global, terutama di tengah meningkatnya kebutuhan listrik dan penetrasi energi baru terbarukan yang bersifat fluktuatif. Dalam sistem kelistrikan modern, pembangkit berbasis turbin gas memegang peran penting sebagai penyeimbang (balancing power) yang mampu merespons perubahan beban secara cepat. Oleh karena itu, kemampuan untuk memprediksi kinerja turbin gas secara akurat dan real-time menjadi semakin krusial dalam menjaga stabilitas sistem, mengoptimalkan operasi, serta meminimalkan risiko gangguan. Menjawab tantangan tersebut, mahasiswa Magister Teknik Sistem (MeTSi), Fakultas Teknik Universitas Gadjah Mada, Amalia Dewi, telah melaksanakan seminar proposal tesis pada Jumat (17/4). Ia akan mengembangkan penelitian berjudul “Analisis Kinerja Arsitektur ANN untuk Prediksi Power Output Turbin Gas pada Variasi Laju Massa Aliran dan HHV Bahan Bakar.”
Penelitian ini berfokus pada pemanfaatan Artificial Neural Network (ANN) untuk memprediksi daya keluaran turbin gas berdasarkan variasi parameter operasional, khususnya laju massa aliran dan Higher Heating Value (HHV) bahan bakar. Hubungan antara variabel-variabel tersebut bersifat nonlinier dan dinamis, sehingga seringkali sulit dimodelkan secara presisi menggunakan pendekatan konvensional berbasis persamaan fisik semata. Melalui pendekatan berbasis data, model ANN diharapkan mampu menangkap kompleksitas hubungan tersebut secara lebih adaptif dan menghasilkan prediksi yang lebih akurat dalam waktu komputasi yang lebih efisien. Dalam pelaksanaannya, penelitian ini akan mengevaluasi berbagai arsitektur ANN untuk mengidentifikasi konfigurasi model yang paling optimal. Variasi yang diuji meliputi jumlah hidden layer, jumlah neuron, serta fungsi aktivasi, yang masing-masing memiliki pengaruh terhadap kemampuan model dalam mempelajari pola data. Pendekatan komparatif ini menjadi penting untuk memastikan bahwa model yang dikembangkan tidak hanya akurat, tetapi juga robust dan dapat diandalkan dalam berbagai kondisi operasi turbin gas.
Secara metodologis, kinerja model akan dievaluasi menggunakan indikator statistik seperti Mean Squared Error (MSE), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), serta koefisien determinasi (R²). Penggunaan beberapa metrik evaluasi ini bertujuan untuk memberikan gambaran yang komprehensif terhadap performa model, baik dari sisi akurasi prediksi maupun konsistensi hasil. Dengan demikian, model yang dihasilkan diharapkan memiliki tingkat kepercayaan yang tinggi untuk digunakan dalam aplikasi praktis. Dalam perspektif sistem energi, penelitian ini memiliki signifikansi yang kuat dalam mendukung keandalan dan fleksibilitas sistem kelistrikan modern. Turbin gas berperan sebagai pembangkit yang responsif terhadap variabilitas energi terbarukan, sehingga membutuhkan sistem prediksi yang mampu mendukung pengambilan keputusan secara cepat dan tepat. Kemampuan prediksi yang akurat memungkinkan operator untuk mengantisipasi perubahan kondisi operasi, menjaga keseimbangan antara suplai dan permintaan, serta meningkatkan efisiensi penggunaan bahan bakar.
Lebih lanjut, pemanfaatan model berbasis ANN mencerminkan pergeseran paradigma dalam pengelolaan sistem energi menuju pendekatan berbasis data (data-driven energy system). Integrasi teknologi kecerdasan buatan dalam sistem pembangkitan membuka peluang pengembangan smart energy system yang lebih adaptif, terintegrasi, dan responsif terhadap dinamika operasional. Dalam konteks ini, penelitian ini tidak hanya berkontribusi pada peningkatan performa teknis turbin gas, tetapi juga pada transformasi digital sektor energi secara lebih luas. Luaran penelitian yang diharapkan berupa model ANN dengan arsitektur optimal yang mampu memprediksi power output turbin gas pada berbagai kondisi operasi secara cepat dan andal. Model ini berpotensi untuk diimplementasikan dalam sistem pemantauan dan optimasi pembangkit, sehingga dapat mendukung peningkatan efisiensi operasional, pengurangan biaya, serta peningkatan keandalan sistem pembangkitan energi. Penelitian ini berada di bawah bimbingan Ir. Joko Waluyo, M.T., Ph.D., IPM, ASEAN Eng., APEC Eng. sebagai dosen pembimbing utama dan Ir. Achmad Pratama Rifai, S.T., M.Eng., Ph.D. sebagai dosen pembimbing pendamping. Keterlibatan mahasiswa dalam riset ini mencerminkan peran aktif Magister Teknik Sistem FT UGM dalam mengembangkan solusi berbasis kecerdasan buatan yang aplikatif dan relevan dengan kebutuhan sistem energi modern.
Melalui penelitian ini, Fakultas Teknik UGM menegaskan komitmennya dalam mendorong pengembangan inovasi di bidang sistem energi yang mengintegrasikan teknologi digital, analitik data, dan rekayasa sistem. Pendekatan ini menjadi bagian penting dalam mendukung transformasi menuju sistem energi yang lebih cerdas, efisien, dan berkelanjutan, sekaligus menjawab tantangan global dalam pengelolaan energi di era transisi energi.
ditulis oleh Arham