OPTIMASI PREDIKSI TOTAL SPRAY REHEAT PADA PEMBANGKIT LISTRIK TENAGA UAP MENGGUNAKAN PENDEKATAN MACHINE LEARNING BERBASIS HYPERPARAMETER TUNING

Abstract

Penelitian ini bertujuan untuk mengoptimalkan prediksi Total Spray Reheat pada sistem reheater Pembangkit Listrik Tenaga Uap (PLTU) menggunakan pendekatan machine learning berbasis hyperparameter tuning. Dataset operasional PLTU sebanyak 354 baris, mencakup variabel seperti Generator Load, Temp 1st Stage Superheat, Slagging Index, dan suhu reheater (TEMP RHTR TE0-TE9), digunakan untuk melatih 12 model regresi: Linear Regression, Ridge, Lasso, ElasticNet, Decision Tree, Random Forest, Gradient Boosting, AdaBoost, SVR, KNN, XGBoost, dan LightGBM. Data diolah melalui praproses, termasuk pengkodean variabel kategorikal, penskalaan fitur dengan StandardScaler, dan pembagian data (80% latih, 20% uji). Model dioptimalkan menggunakan GridSearchCV dengan validasi silang 5-lipat dan dievaluasi berdasarkan metrik Mean Squared Error (MSE), R-squared (R²), dan Mean Absolute Error (MAE). Hasil menunjukkan SVR sebagai model terbaik dengan Test MSE 29.38, Test R² 0.84, dan Test MAE 3.76 ton/jam, diikuti oleh XGBoost dengan Test MSE 31.52, Test R² 0.83, dan Test MAE 3.78 ton/jam. Analisis kepentingan fitur mengidentifikasi Temp 1st Stage Superheat dan Generator Load sebagai variabel utama. Penelitian ini mendukung pengendalian reheater yang lebih presisi, meningkatkan efisiensi termal hingga 4%, mengurangi emisi CO₂ hingga 2%, dan memberikan rekomendasi untuk integrasi model ke sistem kontrol PLTU guna operasi yang lebih efisien dan ramah lingkungan.