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. read more

Prediksi Penyimpanan dan Penyerapan Karbon Tahun 2030 pada Daerah Sempadan Waduk Serbaguna Gajah Mungkur untuk Solusi Iklim Alami

Mahasiswa Peneliti:
Bayu Pramadya Kurniawan Sakti

Dosen Pembimbing:
Ir. Muhammad Mufti Azis, S.T., M.Sc., Ph.D., IPM.
Dr. Nugroho Dewayanto, S.T., M.Eng.

Bendungan Serbaguna Wonogiri di Jawa Tengah yang diresmikan pada 17 November 1981, diharapkan selain dapat berperan dalam menekan laju sedimentasi dapat pula berkontribusi terhadap solusi perubahan iklim. Kajian penetapan garis sempadan Waduk Serbaguna Wonogiri atau juga dikenal dengan Waduk Serbaguna Gajah Mungkur, telah dilakukan pada 2023. Dari kajian tersebut diperoleh daerah sempadan seluas 3.557,63 Ha dari area pemetaan kawasan waduk 11.842,57 Ha. Tujuan penelitian ini adalah untuk memodelkan prediksi land cover atau tutupan lahan (tuplah) daerah sempadan waduk pada tahun 2030 sebagai tempat penyimpanan karbon (carbon storage) dan penyerapannya (carbon sequestration) sehingga upaya ini dapat diterjemahkan menjadi upaya penerapan solusi berbasis alam atau solusi iklim alami berorientasi lahan. read more

Perencanaan Distribusi Pupuk NPK Phonska Dengan Mempertimbangkan Ketidaksesuaian Suplai Dan Kebutuhan Di Jawa Tengah Menggunakan Multi Criteria Decision Making

Mahasisa Peneliti:
Fajar Primazona Amdarso

Dosen Pembinbing:
Ir. Wangi Pandan Sari, S.T., M.Sc., Ph.D.
Dr. Ir. Nugroho Dewayanto, S.T., M.Eng.

Sektor pertanian merupakan pilar utama dalam perekonomian Indonesia dengan menyerap tenaga kerja terbesar secara nasional. Untuk meningkatkan produktivitas pertanian, pemerintah menyediakan pupuk bersubsidi, termasuk pupuk NPK Phonska. Namun, distribusi pupuk bersubsidi kerap menghadapi kendala ketidaksesuaian antara suplai dan kebutuhan, serta perubahan regulasi yang memengaruhi mekanisme perencanaan. read more

Optimasi Kinerja dan Analisis Kelayakan Struktural-Ekonomi Panel Surya dengan Sistem Pelacak pada Atap Kanopi

Mahasiswa Peneliti:
Husna Ardian

 Dosen Pembimbing:
Prof. Dr.Eng. Ir. Wahyu Wilopo, S.T., M.Eng., IPM.
Prof. Dr. Ir. Sasongko Pramono Hadi, DEA.

Panel surya merupakan energi terbarukan yang memiliki potensi besar dalam mengurangi ketergantungan pada bahan bakar fosil dan menghasilkan listrik yang bersih dan berkelanjutan. Namun, optimalisasi output energinya sangat dipengaruhi banyak faktor, diantaranya adalah orientasi dan sudut kemiringan, khususnya apabila diaplikasikan pada atap kanopi ringan yang bersifat statis. Solusi sistem pelacak dimunculkan karena panel surya konvensional umumnya dipasang pada posisi tetap, sehingga tidak dapat mengikuti pergerakan matahari sepanjang hari yang berimbas pada penurunan efisiensi konversi energi. Latar belakang inilah yang mengilhami penelitian penulis yang bertujuan untuk mengimplementasikan sistem panel surya dengan pelacak matahari pada atap kanopi ringan melalui metode analisis perbandingan output energinya terhadap sistem panel surya tanpa pelacak matahari disertai analisis struktural-ekonomi yang komprehensif. Hasilnya menunjukkan output energi yang lebih baik pada sistem panel surya dengan pelacak matahari, struktur atap kanopi yang aman dari pembebanan aktual hingga dua kali lipat lebih, dan kelayakan ekonomi yang baik berdasarkan penghematan energi listrik per tahun, Biaya Pokok Produksi (BPP), Return on Investment (RoI), NPV, IRR, dan payback period-nya. read more

Pengembangan Model Evaluasi Keberlanjutan Produk Menggunakan Sistem Inferensi Fuzzy pada Sektor Industri Makanan dan Minuman

Mahasiswa Peneliti:
Mohd. Ridho Al Fariz

Dosen Pembimbing:
Prof. Dr. Mirwan Ushada, S.T.P., M.App.Life.Sc.
Ir. Andi Sudiarso, S.T., M.T., M.Sc., Ph.D., IPM., ASEAN Eng.

Industri makanan dan minuman merupakan sektor yang menghadapi tekanan dalam mempertahankan keberlanjutan produk akibat persaingan pasar ketat serta kompleksitas pengelolaan produk. Perusahaan membutuhkan model evaluasi yang mampu menangani kompleksitas dan pengambilan keputusan secara sistematis. Penelitian bertujuan untuk mengembangkan model evaluasi keberlanjutan produk menggunakan sistem inferensi fuzzy yang mampu mengolah dan merepresentasikan kompleksitas pengelolaan produk secara lebih adaptif. read more

Prediksi Pembangkitan Daya Listrik Steam Turbine Reheat-Regenerative Combine Cycle Menggunakan Artificial Neural Network

Mahasiswa Peneliti:
Muhammad Farhan Ramadhany

Dosen Pembimbing:
Ir. Joko Waluyo, M.T., Ph.D., IPM., ASEAN Eng., APEC Eng. 
Ir. Noor Akhmad Setiawan, S.T., M.T., Ph.D., IPM.

Peningkatan efisiensi operasional turbin uap dalam pengaturan beban merupakan tantangan utama di sektor energi, terutama karena kompleksitas dan sifat non-linear antarparameter operasi. Pendekatan konvensional sering kali tidak mampu memodelkan hubungan tersebut secara akurat, sehingga diperlukan metode prediktif yang lebih adaptif dan presisi tinggi. Penelitian ini bertujuan mengembangkan model prediksi pembangkitan daya listrik turbin uap dengan konfigurasi reheat-regenerative combined cycle menggunakan Jaringan Syaraf Tiruan (Artificial Neural Network, ANN). Tahapan diawali dengan preprocessing data historis, termasuk penanganan data kosong dan outlier menggunakan metode K-Means Clustering dan Grubbs Test, serta feature selection berbasis Principal Component Analysis (PCA). Dalam hal ini, PCA digunakan untuk mengevaluasi kontribusi relatif setiap fitur terhadap principal components, dan dipilih 13 fitur dari 49 fitur asli berdasarkan bobot eigenvector tertinggi pada komponen-komponen yang menjelaskan 95% variasi data guna mempertahankan parameter fisis termodinamika turbin uap. Model ANN dikembangkan melalui skema grid search untuk mengevaluasi kombinasi terbaik dari algoritma pelatihan, fungsi aktivasi, serta konfigurasi hidden layer dan jumlah neuron. Hasil pengujian menunjukkan bahwa model optimal diperoleh dengan algoritma Bayesian Regularization, fungsi aktivasi tangent sigmoid, dan lima hidden layer dengan konfigurasi neuron 22–18–14–10–6. Model ini menghasilkan nilai MSE sebesar 0,00177, RMSE sebesar 0,04203, dan R² sebesar 0,9985, yang menunjukkan akurasi prediksi sangat tinggi dan potensi implementasi yang kuat dalam mendukung optimasi pembangkitan daya di PLTU Banjarsari. read more

Prediksi Kinerja Turbin Gas Menggunakan Long Short-Term Memory (LSTM) Dengan Kombinasi Recursive Feature Elimination (RFE) dan Bayesian Hyperparameter Tuning

 Mahasiswa Peneliti:
Tri Handoyo

 Dosen Pembimbing:
Ir. Joko Waluyo, M.T., Ph.D., IPM, ASEAN Eng., APEC Eng.
Ir. Noor Akhmad Setiawan, S.T., M.T., Ph.D., IPM.

Kinerja (performance) turbin gas menjadi indikator utama untuk menilai kesehatan (health) dari turbin gas. Model termodinamika konvensional yang digunakan untuk memprediksi kinerja turbin gas sering kali gagal memahami pola dalam data yang besar dan kompleks. Metode ini terbukti kurang efisien dan tidak akurat dalam aplikasi praktis di lapangan karena mengandalkan banyak asumsi yang terlalu menyederhanakan kompleksitas operasi turbin gas, akibatnya metode ini gagal mengidentifikasi pola dari variabel operasional, yang pada akhirnya dapat menyebabkan kegagalan yang tidak diinginkan (unplanned shutdown) dan mengakibatkan loss profit opportunity (LPO). Penelitian ini bertujuan untuk mengembangkan model deep learning dengan arsitektur Long Short-Term Memory (LSTM) untuk memprediksi kinerja turbin gas, di mana model termodinamika konvensional gagal memprediksi untuk data yang besar dan kompleks. Metode yang digunakan dalam penelitian ini mencakup tiga tahapan utama: pertama, seleksi fitur dilakukan dengan menggunakan Recursive Feature Elimination (RFE) berbasis Random Forest untuk menyaring 14 fitur awal menjadi 5 fitur utama yang paling berpengaruh terhadap target tanpa kehilangan informasi penting. Kedua, model LSTM dibangun untuk menangkap dinamika temporal dari data operasional turbin gas, dan arsitekturnya dioptimasi secara sistematis. Ketiga, proses hyperparameter tuning dilakukan menggunakan pendekatan Bayesian Optimization, yang secara efisien mengeksplorasi ruang parameter untuk menemukan kombinasi terbaik hanya dalam 15 iterasi. Hyperparameter optimum yang diperoleh mencakup jumlah layer sebanyak 2, jumlah neuron 96, learning rate 1.65e-05, epoch 50, batch size 16, dan dropout rate 0.0 . Model LSTM yang dibangun terbukti dapat menangkap pola data yang kompleks dan menyederhanakan proses prediksi. Hasil dari model menunjukkan performa prediksi yang sangat baik dengan nilai loss function MSE: 0.00001, MAE: 0.00201, dan R²: 0.99735. Studi ini membuktikan bahwa integrasi antara Recursive Feature Elimination (RFE) dan Bayesian Optimization dapat menghasilkan prediksi kinerja turbin gas yang akurat dan efisien, serta berpotensi besar dalam mendukung sistem pemantauan cerdas (intelligent monitoring system) untuk mencegah kegagalan operasi dan memaksimalkan efisiensi operasional. read more

Optimasi Desain Berkelanjutan Bangunan Gas Insulated Switchgear (GIS) PLN di Kawasan IKN

Mahasiswa peneliti:
Adii Munnahar

Dosen Pembimbing:
Hanifrahmawan Sudibyo, S.T., M.Eng., Ph.D.
Dr. Ir. Rachmawan Budiarto, S.T., M.T., IPU

Gas Insulated Switchgear (GIS) merupakan infrastruktur vital untuk distribusi tenaga listrik yang memerlukan efisiensi energi tinggi, terutama di kawasan tropis seperti Ibu Kota Nusantara (IKN). Tantangan utama dalam desain GIS mencakup efisiensi energi, keterbatasan tapak, dan tuntutan keberlanjutan lingkungan sesuai visi IKN sebagai kota hijau. Penelitian ini bertujuan mengoptimalkan desain GIS dengan mengintegrasikan strategi desain aktif dan pasif serta Smart Control System. read more

Evaluasi Debit Andalan dan Environmental Flow untuk Operasional Awal PLTA Peusangan

 Mahasiswa Peneliti:
Alefya Abrar

Dosen Pembimbing:
Ir. Ayodya Pradhipta Tenggara, S.T., M.Sc., Ph.D., IPM.
Johan Syafri Mahathir Ahmad, S.T., M.Eng., Ph.D.,

Provinsi Aceh memiliki potensi energi air yang signifikan, salah satunya melalui pembangunan PLTA Peusangan dengan kapasitas 88 MW yang direncanakan beroperasi pada tahun 2025. Penelitian ini bertujuan mengevaluasi kesiapan operasi awal pembangkit dengan fokus pada analisis debit andalan dan penentuan environmental flow (e-flow) sebagai upaya menjaga keseimbangan antara kebutuhan operasional pembangkit dan keberlanjutan ekosistem sungai. Analisis menggunakan data debit historis dan hasil simulasi HEC-HMS dengan validasi menggunakan root mean square error (RMSE) dan bias. Penentuan acuan e-flow dilakukan dengan membandingkan empat pendekatan, yaitu metode Tennant, flow duration curve (FDC) Q95, Smakhtin, dan Tessmann, untuk mendapatkan acuan nilai e-flow yang adaptif dan konservatif sesuai kondisi sungai dan rencana operasi pembangkit. Hasil analisis menunjukkan bahwa nilai e-flow konservatif berada pada kisaran 6–7 m³/s, dengan nilai minimum 6,28 m³/s, yang mendekati batas debit operasional PLTA sebesar 11,5 m³/s. Temuan ini menegaskan bahwa strategi operasi parsial dan pengaturan pelepasan air melalui bendungan diperlukan pada musim kering untuk memastikan pasokan energi tetap optimal sambil menjaga aliran ekologis Sungai Peusangan. read more

Kajian Tekno-Ekonomi Pembangunan Pembangkit Listrik Tenaga Surya (PLTS) Off-Grid di Daerah Terpencil. Studi Kasus: Desa Kapadiri, Desa Supnin, Kabupaten Raja Ampat, Provinsi Papua Barat Daya

Mahasiswa Peneliti:
Andika Putra Gulfanny

Dosen Pembimbing:
Ahmad Agus Setiawan, S.T., M.Sc., Ph.D.
Dr. Nugroho Dewayanto, S.T., M.Eng.

Ketimpangan akses energi listrik masih menjadi tantangan besar di wilayah-wilayah terpencil Indonesia, termasuk di Kabupaten Raja Ampat, Provinsi Papua Barat Daya. Desa Kapadiri, salah satu desa di Distrik Supnin, hingga saat ini belum terhubung dengan jaringan listrik nasional dan masyarakat masih bergantung pada genset berbahan bakar fosil yang mahal dan tidak ramah lingkungan. Penelitian ini bertujuan untuk melakukan kajian kelayakan teknis dan ekonomis atas pembangunan sistem Pembangkit Listrik Tenaga Surya (PLTS) off-grid sebagai solusi alternatif penyediaan energi yang berkelanjutan. read more