Pendekatan LSTM untuk Memprediksi Kondisi Motor 10 kV pada PLTU Batubara

Abstract

Conditon Based Maintenance merupakan salah satu metode untuk memprediksi kondisi motor. Namun metode ini membutuhkan keakuratan estimasi Remaining Useful Life yang tinggi.  Estimasi Remaining Useful Life bisa sangat sulit terutama ketika jumlah data yang berasal dari sensor terlalu besar. Pendekatan Machine Learning dibutuhkan karena dapat memahami semua korelasi antara pengukuran data sensor, sehingga dapat menghasilkan prediksi Remaining Useful Life yang akurat. Long-Short Term Memory network merupakan salah satu metode pendekatan machine learning terbaik untuk memprediksi kondisi peralatan karena memiliki kemampuan untuk menyimpan ingatan dalam waktu yang lama secara bersamaan serta dapat memahami korelasi yang kompleks antara data sehingga memberikan informasi yang sangat berguna dalam menentukan Remaining Useful Life. Tulisan ini menyajikan perbandingan pendekatan menggunakan model Long-Short Term Memory dan dua model algoritma konvensional untuk memprediksi kondisi motor 10 kV. Hasil pemodelan menunjukkan prediksi sinyal menggunakan pendekatan Long-Short Term Memory lebih akurat daripada model algoritma konvensional karena menghasilkan prediksi model yang paling dekat dengan data aktual, ditunjukkan oleh hasil mean absolute percentage error terkecil yaitu 3,8%. Keakuratan hasil prediksi Long-Short Term Memory menunjukkan keandalan arsitektur sehingga pembangkit memperoleh peringatan sebelum kerusakan terjadi.