RIZKAN, Muhammad and Harmoko, Udi and Christwardana, Marcelinus (2025) PENGGUNAAN HEALTH INDEX BERBASIS MACHINE LEARNING DENGAN METODE K- NEAREST NEIGHBORS UNTUK MENJAGA PERFORMA DESALINATION PLANT PEMBANGKIT LISTRIK TENAGA GAS DAN UAP. Masters thesis, UNIVERSITAS DIPONEGORO.

	Text Hal Cover-1.pdf Download (133kB)
	Text Hal Cover.pdf Restricted to Repository staff only Download (1MB)
	Text BAB I.pdf Download (356kB)
	Text BAB II TINJAUAN PUSTAKA.pdf Download (582kB)
	Text BAB III METODE PENELITIAN.pdf Restricted to Repository staff only Download (426kB)
	Text BAB IV HASIL DAN PEMBAHASAN.pdf Restricted to Repository staff only Download (1MB)
	Text BAB V KESIMPULAN DAN SARAN.pdf Restricted to Repository staff only Download (204kB)
	Text DAFTAR PUSTAKA.pdf Download (333kB)

Abstract

Studi ini menyajikan implementasi Indeks Kesehatan Berbasis Pembelajaran Mesin yang memanfaatkan algoritma K-Nearest Neighbors (K-NN) untuk pemeliharaan prediktif di pabrik desalinasi dalam pembangkit listrik tenaga gas dan uap. Penelitian ini berfokus pada pengoptimalan jadwal pemeliharaan Pabrik Desalinasi Blok 3 Priok, yang sangat penting untuk menyediakan air suling berkualitas tinggi untuk pembangkit listrik. Studi ini bertujuan untuk mengembangkan dan mengintegrasikan kerangka kerja pemeliharaan prediktif ke dalam sistem digitalisasi PLN, yang memungkinkan pemantauan otomatis dan jadwal servis yang dioptimalkan. Tidak seperti aplikasi K-NN sebelumnya di Blok 4, yang memanfaatkan lima indeks kesehatan untuk klasifikasi kinerja, Blok 3 memerlukan model yang diperluas yang menggabungkan setidaknya tujuh parameter input karena proses desalinasi multi-efeknya. Dengan menyempurnakan model prediktif dan meningkatkan parameterisasi data, studi ini berupaya untuk meningkatkan akurasi pemeliharaan, meminimalkan waktu henti operasional, dan meningkatkan efisiensi desalinasi secara keseluruhan. Dengan memanfaatkan data operasional historis dan pemantauan waktu nyata, model K-NN memprediksi indeks kesehatan komponen desalinasi dengan akurasi 98%. Penerapan pendekatan ini meminimalkan waktu henti, mengoptimalkan jadwal perawatan, dan meningkatkan efisiensi energi. Hasilnya menunjukkan bahwa perawatan prediktif yang digerakkan oleh AI secara signifikan meningkatkan keandalan, mengurangi biaya, dan mendukung tujuan keberlanjutan energi.
Kata kunci : Pembelajaran mesin, K-Nearest Neighbors (K-NN), prediktif, Desalination Plant, efisiensi.

This study presents the implementation of a Machine Learning-Based Health Index utilizing the K-Nearest Neighbors (K-NN) algorithm for predictive maintenance in Desalination Plants within gas and steam power plants. The research focuses on optimizing the maintenance schedule of the Block 3 Priok Desalination Plant, which is critical for providing high-quality distilled water for power generation. This study aims to develop and integrate a predictive maintenance framework into PLN’s digitization system, allowing for automated monitoring and optimized servicing schedules. Unlike the previous application of K-NN in Block 4, which utilized five health indices for performance classification, Block 3 requires an expanded model incorporating at least seven input parameters due to its multi-effect desalination process. Refining the predictive model and increasing data parameterization, this study seeks to enhance maintenance accuracy, minimize operational downtime, and improve overall desalination efficiency. By leveraging historical operational data and real-time monitoring, the K-NN model predicts the Health Index of desalination components with 98% accuracy. Implementing this approach minimizes downtime, optimizes maintenance schedules, and enhances energy efficiency. The results demonstrate that AI-driven predictive maintenance significantly improves reliability, reduces costs, and supports energy sustainability goals.
Keywords—Machine Learning, K-Nearest Neighbors (K-NN), Desalination Plant, predictive maintenance, power plant efficiency

Actions (login required)

View Item