Penulis: DEWANTARA (2602305215) dan ABIMANYU BAGARELA ANJAYA PUTRA (2602300113) – Alumni BIOn Computer Science

Sumber : https://finance.detik.com/energi/d-6912748/bakar-batu-bara-35-ribu-ton-hari-pltu-suralaya-diklaim-penuhi-standar-emisi

Di era industri 4.0, efisiensi bukan lagi sekadar pilihan, melainkan keharusan—terutama bagi sektor vital seperti pembangkit listrik. PT PLN Indonesia Power UBP Suralaya, salah satu raksasa Pembangkit Listrik Tenaga Uap (PLTU) di Indonesia dengan kapasitas 3.400 MW, kini tengah menjajaki inovasi cerdas untuk menjaga keandalan operasionalnya.

Fokus utama inovasi ini terletak pada sistem conveyor, “urat nadi” yang menyalurkan batu bara menuju ruang bakar. Gangguan sedikit saja pada sistem ini dapat berdampak fatal pada produksi listrik nasional.

Tantangan Metode Konvensional

Selama ini, tim operator dan pemeliharaan di PLTU Suralaya melakukan pemantauan parameter secara konvensional. Bayangkan ribuan data mulai dari temperatur motor, gearbox, kopling, puli, hingga tingkat vibrasi dan tegangan elektrik harus diperiksa secara manual.

Masalah muncul ketika proses deteksi anomali bergantung pada komunikasi antarbidang melalui telepon dan input data yang memakan waktu. Metode ini rentan terhadap human error dan lambat dalam memberikan peringatan dini jika terjadi kerusakan alat.

Solusi Cerdas: Integrasi Machine Learning

Untuk mengatasi hambatan tersebut, sebuah tim dari BINUS Online yang dibimbing oleh Dr. Yulius Prabowo mengusulkan solusi berbasis Machine Learning. Ide utamanya adalah menyederhanakan deteksi anomali agar lebih akurat dan efisien.

Bagaimana cara kerjanya?

  1. Pengumpulan Data Terpusat: Semua parameter operasi (suhu, vibrasi, arus listrik) tidak lagi sekadar dicatat, tetapi diolah sebagai dataset.

  2. Pemrosesan Algoritma: Machine learning mempelajari pola data normal dan mampu mengidentifikasi penyimpangan (anomali) sekecil apa pun yang tidak tertangkap oleh mata manusia.

  3. Visualisasi Komprehensif: Hasil pengolahan data disajikan dalam bentuk grafik dan sistem peringatan (warning) yang mudah dipahami.

Dampak Nyata bagi Operasional

Penerapan teknologi ini membawa perubahan signifikan bagi tiga lini sekaligus:

  • Operator: Mendapatkan informasi real-time mengenai kesehatan mesin.

  • Tim Maintenance: Dapat merencanakan perbaikan secara preventif sebelum kerusakan parah terjadi.

  • Engineering: Memiliki basis data yang kuat untuk analisis jangka panjang.

Dengan deteksi anomali yang lebih cepat, potensi downtime (waktu mati mesin) dapat dikurangi drastis. Hasilnya adalah peningkatan keandalan peralatan conveyor yang secara langsung menjaga stabilitas pasokan listrik bagi masyarakat.

Kesimpulan

Proyek ini membuktikan bahwa teknologi Machine Learning bukan hanya milik perusahaan perangkat lunak, tetapi memiliki peran krusial dalam infrastruktur fisik dan energi. Transformasi dari pemeliharaan konvensional menuju predictive maintenance adalah langkah maju menuju ketahanan energi Indonesia yang lebih modern dan efisien.

Sumber: Alumni Computer Science BINUS Online mengenai Optimasi Conveyor di PT PLN Indonesia Power UBP Suralaya.