Pusat Studi Energi UGM bekerja sama dengan PT PLN Indonesia Power melalui Divisi Technology Development dan PLTA UBP Singkarak dalam mengembangkan modul predictive-prescriptive analytics yang menghubungkan data operasi, machine learning, FMEA, dan sistem rekomendasi pemeliharaan. Pekerjaan dilaksanakan selama 16 minggu dan dituntaskan pada November 2025.
Yogyakarta, November 2025 – Pusat Studi Energi Universitas Gadjah Mada (PSE UGM) menyelesaikan pengembangan modul Prescriptive Analytics pada generator-turbin PLTA Singkarak sebagai bagian dari kolaborasi riset terapan dengan PT PLN Indonesia Power melalui Divisi Technology Development dan PLTA UBP Singkarak. Pengembangan ini diarahkan untuk memperkuat pemanfaatan data operasi pembangkit agar tidak berhenti pada fungsi pemantauan, tetapi dapat berkembang menjadi analisis kondisi, prediksi kecenderungan, dan rekomendasi tindakan yang mendukung pengambilan keputusan pemeliharaan secara lebih sistematis.
Gambar 1. Kerangka umum integrasi predictive maintenance dan prescriptive maintenance.
Sumber: Laporan Akhir PSE UGM – PT PLN Indonesia Power, 2025.
Mengubah Data Operasi Menjadi Actionable Insight
Transformasi digital pada pembangkit menghasilkan data dalam jumlah besar dari berbagai kanal operasi dan pemantauan aset. Tantangannya bukan semata-mata menyediakan data, melainkan memastikan data tersebut memiliki kualitas yang memadai, dapat dibaca secara konsisten oleh model analitik, dan diterjemahkan menjadi informasi yang relevan bagi operator serta pengelola aset. Karena itu, metodologi kajian dirancang sebagai alur end-to-end yang mencakup pengelolaan data, pemodelan prediktif, analisis risiko kegagalan, mesin inferensi preskriptif, integrasi dashboard, serta tata kelola siklus hidup model.
Gambar 2. Alur pengembangan model prediktif mulai dari data quality, preprocessing, pemodelan, evaluasi, hingga pemilihan model.
Sumber: Laporan Akhir PSE UGM – PT PLN Indonesia Power, 2025.
Kajian diketuai oleh Ir. Muslim Mahardika, S.T., M.Eng., Ph.D., IPM. dengan dukungan Ardi Wiranata, S.T., M.Eng., Ph.D. pada pengembangan machine learning dan Ir. Achmad Pratama Rifai, S.T., M.Eng., Ph.D. pada data mining serta FMEA. Pengembangan antarmuka didukung Untara Vivi Chahya, S.T., sedangkan pengelolaan proyek didukung Dannys Arif Kusuma, S.T., M.Eng. Tim juga melibatkan Rifqi Fauzi, S.T., M.Sc., Raditya Fadhil Arva, Athan Gibran, dan Adinda Sekar Ludwika, S.T., M.Sc. untuk mendukung pengolahan data, pengembangan modul, validasi, dokumentasi, dan pelaksanaan kegiatan teknis lainnya.
Metodologi Komprehensif: Dari Data Quality hingga Model Selection
Tahap pertama adalah akuisisi dan penyiapan data operasi dari ekosistem pemantauan pembangkit. Data deret waktu disusun berdasarkan indeks waktu yang konsisten agar hubungan temporal antarsinyal tetap terjaga. Nilai nonnumerik akibat gangguan komunikasi atau sensor diperlakukan sebagai missing value, kemudian dilakukan pemeriksaan kualitas untuk mendeteksi noise, data kosong, outlier, dan pola yang tidak wajar. Pada bagian data yang memenuhi kriteria pemulihan, kajian menerapkan interpolasi dan pendekatan regresi untuk membentuk kembali sinyal yang kontinu tanpa menghilangkan karakter operasi utama.
Setelah data dibersihkan, dilakukan preprocessing sesuai kebutuhan algoritma. Untuk model berbasis sekuens, data dipisahkan menjadi kelompok pelatihan, validasi, dan pengujian dengan tetap menjaga urutan waktu, kemudian dinormalisasi agar perbedaan skala antarsensor tidak mendominasi proses belajar. Untuk model berbasis pohon keputusan, struktur data disiapkan dalam format yang sesuai dengan kebutuhan pelatihan dan validasi. Tahap ini penting untuk memastikan perbandingan model dilakukan pada basis data yang konsisten dan dapat dipertanggungjawabkan.
Pada lapisan prediktif, kajian menggunakan dua keluarga algoritma dengan karakter berbeda. Long Short-Term Memory (LSTM) digunakan untuk menangkap ketergantungan temporal dan pola berurutan pada data sensor, sementara Light Gradient Boosting Machine (LightGBM) digunakan sebagai pendekatan berbasis gradient boosting yang efisien untuk memetakan hubungan nonlinier pada data tabular dan deret waktu yang telah direkayasa. Penggunaan dua pendekatan ini memungkinkan proses benchmarking internal sehingga pemilihan model tidak bergantung pada satu algoritma saja.
Evaluasi model dilakukan menggunakan beberapa metrik kesalahan, pemeriksaan konsistensi pola prediksi terhadap data aktual, serta penilaian kewajaran fisik hasil model. Kajian juga memperhatikan kondisi ketika metrik persentase dapat menjadi kurang representatif, misalnya pada sinyal dengan nilai sangat kecil atau mendekati nol. Dengan demikian, proses evaluasi tidak hanya bersifat numerik, tetapi juga mempertimbangkan karakter sensor, stabilitas data, pola operasi, serta kesesuaian hasil dengan konteks engineering. Model yang paling sesuai kemudian dipilih atau dikombinasikan pada level variabel agar keluaran prediksi lebih robust untuk kebutuhan pemeliharaan.
Prescriptive Analytics Berbasis FMEA dan Expert Knowledge
Lapisan preskriptif dibangun dengan menghubungkan hasil prediksi model dengan Failure Mode and Effects Analysis (FMEA). Proses FMEA dilakukan secara sistematis melalui identifikasi komponen dan subkomponen, fungsi peralatan, functional failure, failure mode, penyebab kegagalan, dampak kegagalan, serta penilaian tingkat kritikalitas. Variabel sensor yang relevan kemudian dipetakan terhadap failure mode sehingga perubahan kondisi temperatur atau vibrasi dapat dikaitkan dengan potensi mekanisme kegagalan tertentu.
Dalam tahap inferensi, sistem menggunakan rule-based logic dengan batas kondisi yang terdefinisi jelas. Prediksi kondisi peralatan dibandingkan dengan threshold operasional yang telah dilengkapi faktor keamanan, kemudian diproses bersama konfigurasi FMEA untuk menentukan apakah suatu failure mode perlu diaktifkan sebagai peringatan. Logika ini dirancang agar setiap rekomendasi tetap memiliki traceability: operator dapat menelusuri keterkaitan antara indikator sensor, mode kegagalan, prioritas risiko, rekomendasi inspeksi, dan tindakan pemeliharaan yang disarankan.
Gambar 3. Alur prescriptive analytics yang menghubungkan prediksi kondisi, FMEA, rule-based inference, dan rekomendasi tindakan.
Sumber: Laporan Akhir PSE UGM – PT PLN Indonesia Power, 2025.
Untuk mengurangi risiko human error, informasi FMEA dan threshold dirancang agar dapat diproses secara terstruktur oleh program. Mekanisme normalisasi teks dan pembacaan konfigurasi memungkinkan sistem mengenali variabel terkait secara konsisten meskipun terdapat perbedaan format penulisan. Pendekatan ini penting karena prescriptive analytics tidak hanya membutuhkan model yang akurat, tetapi juga tata kelola pengetahuan engineering yang dapat dipelihara dan diperbarui secara berkelanjutan.
Integrasi dengan Dashboard dan Tata Kelola Siklus Hidup Model
Tahap berikutnya adalah deployment model ke ekosistem digital perusahaan. Hasil predictive dan prescriptive analytics diintegrasikan dengan PI Vision dan diarahkan untuk mendukung fungsi pemantauan pada REOC (Reliability, Efficiency, and Optimization Center). Melalui pendekatan ini, dashboard tidak hanya menampilkan tren parameter, tetapi juga menyajikan indikasi kondisi, potensi failure mode, prioritas, dan rekomendasi tindakan dalam satu alur informasi yang lebih terstruktur.
Kajian juga memperkuat aspek keberlanjutan model setelah implementasi. Dokumentasi teknis mencakup arsitektur deployment, mekanisme pemrosesan data, kebutuhan retraining ketika terjadi perubahan karakteristik operasi atau concept drift, prosedur penanganan missing data dan prediksi ekstrem, mekanisme rollback ketika model bermasalah, serta pembagian peran melalui responsibility matrix. Tata kelola ini diperlukan agar modul analitik dapat dipelihara sebagai sistem operasional, bukan sekadar prototipe pemodelan.
Selain pengembangan sistem, kegiatan juga mencakup knowledge sharing dan workshop teknis untuk mendukung transfer pengetahuan kepada tim internal. Alih pengetahuan mencakup pemahaman alur data, logika pemodelan, cara membaca hasil prediksi, interpretasi rekomendasi preskriptif, serta prinsip pemeliharaan dan pengembangan model. Dengan demikian, keberlanjutan sistem tidak hanya bertumpu pada source code, tetapi juga pada kapasitas pengguna dan pengelola sistem.
Mendukung Pemeliharaan yang Lebih Preventif dan Berbasis Risiko
Pengembangan modul Prescriptive Analytics memberikan kerangka bagi pengelolaan aset pembangkit untuk bergerak dari pemeliharaan berbasis jadwal menuju pendekatan yang semakin condition-based, predictive, dan prescriptive. Dengan menggabungkan data sensor, machine learning, FMEA, dan rule-based recommendation, sistem dapat membantu mengidentifikasi kecenderungan kondisi lebih dini dan menyediakan konteks engineering sebelum tindakan pemeliharaan ditetapkan.
Pendekatan tersebut berpotensi membantu pengelola pembangkit mengurangi ketergantungan pada interpretasi manual, meningkatkan konsistensi pengambilan keputusan, dan memperkuat kesiapan tindakan preventif. Kajian juga membuka ruang pengembangan lanjutan menuju model probabilistik, risk-based maintenance scheduling, dan rekomendasi berbasis konsekuensi sehingga keputusan pemeliharaan pada masa mendatang dapat semakin mempertimbangkan tingkat risiko serta dampak operasional secara terukur.
Penyelesaian kajian oleh PSE UGM untuk menghadirkan riset terapan yang menjembatani keilmuan akademik dengan kebutuhan nyata industri ketenagalistrikan. Kolaborasi ini diharapkan menjadi salah satu pijakan penguatan digitalisasi pemeliharaan pembangkit, khususnya dalam pemanfaatan data untuk menjaga keandalan, ketersediaan, dan keberlanjutan operasi aset pembangkitan.