PERDANA, Ery and Sulardjaka, Sulardjaka and Warsito, Budi (2024) PEMODELAN PREDIKSI CAPACITY FACTOR PLTU REMBANG BERBASIS MACHINE LEARNING UNTUK MENINGKATKAN AKURASI PERENCANAAN ENERGI PRIMER. Masters thesis, UNIVERSITAS DIPONEGORO.

	Text Halaman Cover.pdf Download (1MB)
	Text BAB 1.pdf Download (378kB)
	Text BAB 2.pdf Download (878kB)
	Text BAB 3.pdf Restricted to Repository staff only Download (641kB)
	Text BAB 4.pdf Restricted to Repository staff only Download (1MB)
	Text BAB 5.pdf Restricted to Repository staff only Download (329kB)
	Text DAFTAR PUSTAKA.pdf Download (361kB)
	Text LAMPIRAN.pdf Restricted to Repository staff only Download (745kB)

Abstract

PLTU (Pembangkit Listrik Tenaga Uap) Rembang yang berkapasitas 2 x 315 MW merupakan pembangkit listrik berbahan bakar batubara kapasitas yang strategis di area Jawa Tengah. Pengeluaran untuk pembelian bahan bakar menempati pengeluaran terbesar PLTU Rembang. Salah satu upaya untuk menekan pengeluaran bahan bakar ini adalah dengan melakukan perencanaan pembelian bahan bakar yang akurat. Perencanaan pembelian bahan bakar sangat ditentukan oleh proyeksi penjualan tenaga listrik yang bisa diperoleh dari prediksi CF (Capacity Factor) PLTU Rembang. Akan tetapi, PLTU Rembang belum memiliki model prediksi CF yang akurat. Selama ini prediksi CF tahunan PLTU Rembang berbasis data CF ROT (Rencana Operasi Tahunan) dari pengelola operasi sistem Jawa-Madura-Bali yang memiliki selisih yang cukup besar antara CF realisasi dan CF rencana selama 2017-2021, yaitu sebesar rata-rata lebih dari 14% per tahun. Adapun prediksi CF bulanan hanya berdasarkan pada CF bulan sebelumnya.
Penelitian ini mengembangkan dan membandingkan empat model prediksi CF berbasis machine learning yaitu random forest regression, support vector regression, multiple polynomial regression, dan multiple linear regression. Variabel independen dalam model regresi berasal dari internal dan eksternal yang proses pemilihannya melalui uji F dan uji t. Penelitian ini juga memprediksi CF PLTU Rembang di masa mendatang menggunakan model terbaik dari empat model prediksi yang memiliki MAPE (Mean Absolute Percentage Error) terkecil. Dari perbandingan empat model, model multiple linear regression memiliki MAPE terkecil, yaitu sebesar 7,83%. Dengan menggunakan model multiple linear regression, CF tahun PLTU Rembang pada tahun 2024-2026 diprediksi berada pada rentang 82% - 84% CF bulan Februari-Juni 2024 berada pada rentang 87%-91%. Akurasi prediksi CF bulanan termasuk dalam kategori sangat baik dengan nilai MAPE sebesar 2,35%. Prediksi CF bulanan sangat bermanfaat untuk menentukan alokasi pembelian bahan bakar bulanan dengan mempertimbangkan nilai awal stok bahan bakar dan target umur persediaan bahan bakar pada rentang 17-30 HOP (Hari Operasional Pembangkit).
Kata kunci: Capacity Factor, Regresi, Machine Learning, Multiple linear regression, MAPE.

The Rembang Coal-Fired Power Plant (PLTU Rembang), with a capacity of 2 x 315 MW, is a strategically important coal-fired power plant in Central Java. Expenditures on fuel purchases constitute the largest expense for PLTU Rembang. One effort to reduce these fuel costs is through accurate fuel procurement planning. This planning is heavily influenced by the projected electricity sales, which can be derived from the prediction of the Capacity Factor (CF) of PLTU Rembang. However, PLTU Rembang does not yet have an accurate CF prediction model. So far, the annual CF predictions for PLTU Rembang have been based on CF data from the Annual Operating Plan (Rencana Operasi Tahunan, ROT) provided by the Java-Madura-Bali system operators, which has shown a significant discrepancy between the actual CF and the planned CF during 2017-2021, with an average difference of more than 14% per year. Monthly CF predictions have only been based on the CF of the previous month.
This research develops and compares four machine learning-based CF prediction models: random forest regression, support vector regression, multiple polynomial regression, and multiple linear regression. The independent variables in the regression models come from both internal and external sources, selected through F-tests and t-tests. This research also predicts the future CF of PLTU Rembang using the best model among the four prediction models, which has the smallest Mean Absolute Percentage Error (MAPE). Among the four models, the multiple linear regression model has the smallest MAPE, at 7.83%. Using the multiple linear regression model, the annual CF for PLTU Rembang in 2024-2026 is predicted to be in the range of 82% - 84%, and the CF for February-June 2024 is predicted to be in the range of 87% - 91%. The accuracy of the monthly CF predictions is classified as very good, with a MAPE of 2.35%. Monthly CF predictions are very useful for determining the allocation of monthly fuel purchases, considering the initial fuel stock value and the target fuel inventory age in the range of 17-30 HOP (Days of Plant Operation).
Keywords: Capacity Factor, Regression, Machine Learning, Multiple linear regression, MAPE

Actions (login required)

View Item