Rekontruksi Data Suhu dan Tekanan pada Pembangkit Listrik Tenaga Mesin Gas (PLTMG) menggunakan Recurrent Neural Network

Authors

  • Enggal Nur Febrian Naufaldhianto Departemen Teknik Elektro Otomasi, Institut Teknologi Sepuluh Nopermber Author
  • Berlian Al Kindhi Institut Teknologi Sepuluh Nopember Author
  • Ilham Agung Wicaksono Institut Teknologi Sepuluh Nopember Author

Keywords:

deteksi anomali, LSTM autoencoder, peringatan dini, PLTMG

Abstract

Pembangkit Listrik Tenaga Mesin Gas (PLTMG) memanfaatkan sensor suhu dan tekanan untuk memantau kondisi operasional. Sistem keamanan konvensional yang menggunakan ambang batas tetap sering kali tidak mampu mengidentifikasi gejala awal gangguan sebelum mencapai kondisi kritis. Hal ini berisiko menyebabkan terjadinya shutdown tak terduga. Penelitian ini mengusulkan pengembangan sistem deteksi anomali berbasis metode Long Short-Term Memory (LSTM) Autoencoder sebagai solusi yang lebih adaptif. Data sensor dikumpulkan melalui protokol MQTT dan disimpan dalam database, kemudian diproses melalui tahap pra-pemrosesan, normalisasi, dan pembentukan data berurutan (time series). Model dilatih untuk mengenali pola normal dan mengidentifikasi deviasi melalui nilai reconstruction loss. Hasil pengujian menunjukkan bahwa konfigurasi model optimal menghasilkan nilai MSE terendah sebesar 0.00035 dengan kemampuan yang baik dalam mendeteksi anomali pada data yang sebelumnya tidak dikenali. Sistem ini terbukti efektif memberikan peringatan dini dan berpotensi mengurangi risiko kerusakan maupun gangguan operasional. 

References

“71-80 ANALISIS EFEKTIVITAS MESIN DIESEL WARTSILA W20V34DF BERBASIS PERFORMANCE TEST (PT) PADA PEMBANGKIT LISTRIK TENAGA MESIN GAS (PLTMG) AMBON (3)”.

“Technical Documentation Operating Manual Control and Monitoring System.”

R. Nur Robihah et al., “Upaya Peningkatan Daya Mampu Mesin Diesel Mitsubishi S16R-PTA-S di UPDK Tarakan PLTD Malinau,” 2022. [Online]. Available: http://prosiding.pnj.ac.id

N. R. Prasad, S. Almanza-Garcia, and T. T. Lu, “Anomaly detection,” Computers, Materials and Continua, vol. 14, no. 1, pp. 1–22, 2009, doi: 10.1145/1541880.1541882.

A. B. Nassif, M. A. Talib, Q. Nasir, and F. M. Dakalbab, “Machine Learning for Anomaly Detection: A Systematic Review,” 2021, Institute of Electrical and Electronics Engineers Inc. doi: 10.1109/ACCESS.2021.3083060.

M. Goldstein and S. Uchida, “A comparative evaluation of unsupervised anomaly detection algorithms for multivariate data,” PLoS One, vol. 11, no. 4, Apr. 2016, doi: 10.1371/journal.pone.0152173.

2014 IEEE Students’ Technology Symposium : February 28 - March 02, 2014. IEEE Student Branch, IIT Kharagpur, IEEE Kharagpur Section, 2014.

H. Xu, G. Pang, Y. Wang, and Y. Wang, “Deep Isolation Forest for Anomaly Detection,” Jun. 2022, doi: 10.1109/TKDE.2023.3270293.

H. Pariaman, G. M. Luciana, M. K. Wisyaldin, and M. Hisjam, “Anomaly detection using lstm-autoencoder to predict coal pulverizer condition on coal-fired power plant,” Evergreen, vol. 8, no. 1, pp. 89–97, 2021, doi: 10.5109/4372264.

R. Shrestha et al., “Anomaly detection based on LSTM and autoencoders using federated learning in smart electric grid,” J Parallel Distrib Comput, vol. 193, Nov. 2024, doi: 10.1016/j.jpdc.2024.104951.

“View of Unsupervised marine vessel trajectory prediction using LSTM network and wild bootstrapping techniques _ Nonlinear Analysis_ Modelling and Control”.

J. Wu, N. Li, and Y. Zhao, “Missing data filling based on the spectral analysis and the Long Short-Term Memory network,” in Proceedings - 2021 International Symposium on Computer Technology and Information Science, ISCTIS 2021, Institute of Electrical and Electronics Engineers Inc., 2021, pp. 198–202. doi: 10.1109/ISCTIS51085.2021.00049.

S. Gopal, K. Patro, and K. Kumar Sahu, “Normalization: A Preprocessing Stage.” [Online]. Available: www.kiplinger.com,

A. Alos and Z. Dahrouj, “Using MLSTM and Multioutput Convolutional LSTM Algorithms for Detecting Anomalous Patterns in Streamed Data of Unmanned Aerial Vehicles,” Jun. 01, 2022, Institute of Electrical and Electronics Engineers Inc. doi: 10.1109/MAES.2021.3053108.

J. Terven, D. M. Cordova-Esparza, J. A. Romero-González, A. Ramírez-Pedraza, and E. A. Chávez-Urbiola, “A comprehensive survey of loss functions and metrics in deep learning,” Artif Intell Rev, vol. 58, no. 7, Jul. 2025, doi: 10.1007/s10462-025-11198-7.

Downloads

Published

30-09-2025