Makalah Spki XXV Tahun 2022 - Commet

SELEKSI PENGHARGAAN BIDANG
KARYA INOVASI KE XXV APLIKASI

TAHUN 2022
“COMMET” COMPUTERIZED RELIABILITY

MAINTENANCE MANAGEMENT AND
INFORMATION TECHNOLOGY : ANALISA
PREDICTIVE BERBASIS SUPERVISED
MACHINE LEARNING TERHADAP
KERUSAKAN PERALATAN PEMBANGKIT
1. Kenno Robby Pradana

2. Raheldan Dewandhana
PT PLN (Persero) Unit Induk Pembangkitan dan

Penyaluran Sulawesi
BIDANG
Aplikasi
“COMMET” COMPUTERIZED RELIABILITY

MAINTENANCE MANAGEMENT AND
INFORMATION TECHNOLOGY:ANALISA
PREDICTIVE BERBASIS SUPERVISED
MACHINE LEARNING TERHADAP KERUSAKAN
PERALATAN PEMBANGKIT
BIDANG APLIKASI
Disusun Oleh:
1. Kenno Robby Pradana (9519823ZY)

2. Raheldan Dewandhana (94162048ZY)
PT PLN (Persero) Unit Induk Pembangkitan dan Penyaluran

Sulawesi
PT PLN (Persero) Unit Induk

Pembangkitan dan Penyaluran Sulawesi
BIDANG
Aplikasi
PERNYATAAN PERSETUJUAN
Dengan ini menyatakan bahwa Karya inovasi yang berjudul:
“COMMET”
COMPUTERIZED RELIABILITY MAINTENANCE MANAGEMENT AND
INFORMATION TECHNOLOGY:ANALISA PREDICTIVE BERBASIS
SUPERVISED MACHINE LEARNING TERHADAP KERUSAKAN
PERALATAN PEMBANGKIT
Disusun Oleh:

Disetujui untuk mengikuti

Seleksi Penghargaan Karya Inovasi PT PLN (Persero)
Bidang Aplikasi
Makassar, 22 Juni 2022
MANAJEMEN PUNCAK UNIT INDUK

PT PLN (PERSERO) UIKL SULAWESI
GENERAL MANAGER
MUNAWWAR FURQAN
NIP. 7603007P3B
PERNYATAAN ORIGINALITAS

BIDANG
Aplikasi
Yang bertanda tangan dibawah ini:
1. Nama : Raheldan Dewandhana

NIP : 94162048ZY
Jabatan : Supervisor II Operasi Shift C Tanda Tangan:……………..
2. Nama : Kenno Robby Pradana

NIP : 9519823ZY
Jabatan : A.E Har Listrik, Kontrol & Instrumen Tanda Tangan:…………..
Dengan ini menyatakan bahwa Karya Inovasi kami yang berjudul ““COMMET”
COMPUTERIZED RELIABILITY MAINTENANCE MANAGEMENT AND INFORMATION
TECHNOLOGY : ANALISA PREDICTIVE BERBASIS SUPERVISED MACHINE
LEARNING TERHADAP KERUSAKAN PERALATAN PEMBANGKIT” merupakan karya
inovasi baru yang original dan belum pernah dibuat sebelumnya baik di unit-unit PLN dan
anak perusahaan PLN.
Apabila dikemudian hari ada tuntutan/klaim mengenai karya inovasi yang dibuat maka kami
siap mempertanggungjawabkan segala konsekuensinya.
Demikian pernyataan ini dibuat dengan sebenarnya dan dapat dipergunakan sebagaimana
mestinya.
Mengetahui,

GENERAL MANAGER
MUNAWWAR FURQAN
NIP. 7603007P3B
PERNYATAAN IMPLEMENTASI

BIDANG
Aplikasi
Yang bertanda tangan dibawah ini:
1. Nama : Raheldan Dewandhana

NIP : 94162048ZY
Jabatan : Supervisor II Operasi Shift C Tanda Tangan:……………..
2. Nama : Kenno Robby Pradana

NIP : 9519823ZY
Jabatan : A.E Har Listrik, Kontrol & Instrumen Tanda Tangan:…………..
Menyatakan bahwa Karya Inovasi kami yang berjudul

““COMMET” COMPUTERIZED RELIABILITY MAINTENANCE MANAGEMENT AND
INFORMATION TECHNOLOGY : ANALISA PREDICTIVE BERBASIS SUPERVISED
MACHINE LEARNING TERHADAP KERUSAKAN PERALATAN PEMBANGKIT”
Telah melalui proses CoP dan diimplementasikan sejak Juni 2021 di Unit Layanan Pusat
Listrik Tenaga Air Bakaru
Dan bersedia untuk dilakukan audit lapangan.
Demikian disampaikan, atas perhatiannya disampaikan terima kasih.
Mengetahui,

GENERAL MANAGER
MUNAWWAR FURQAN
NIP. 7603007P3B

BIDANG
Aplikasi

KLAIM
1. Pengembangan pola pemeliharaan predictive, memanfaatkan berbagai peralatan tes,
peralatan monitoring yang telah dimiliki dan mengikuti berbagai metoda analisis yang
dapat diterapkan dalam meningkatkan quality pemeliharaan maupun reliability
operasi pembangkit serta efektifitas dalam penggunaan biaya pemeliharaan
2. Penggunaan dari teknologi predictive maintenance memungkinkan kinerja dari
departemen pemeliharaan dan enjiniring dapat meningkat karena kondisi permesinan
dapat diketahui dengan baik tanpa menghentikan jalannya mesin
3. Commet, Computerized Reliaility Maintenance Management and Information
Technology adalah sebuah aplikasi dengan metode machine learning tipe supervised
learning menggunakan metode K- nearest neighbor
4. Commet, aplikasi dapat mengklasifikasikan kondisi peralatan dengan data monitoring
peralatan saat ini untuk memprediksi usia peralatan atau kondisi peralatan dengan
pemodelan
5. Commet, aplikasi ini bersifat universal dapat digunakan di semua peralatan
pembangkit
6. Alur diagram aplikasi Commet :
PERNYATAAN PENYERAHAN HAK KEKAYAAN INTELEKTUAL

BIDANG
Aplikasi
Dengan ini menyatakan bahwa Karya Inovasi dengan judul:

Yang dibuat oleh:

Penciptaan Karya Inovasi ini tidak melibatkan pihak ketiga.
Diikutkan dalam Seleksi Penghargaan Karya Inovasi PT PLN (Persero) Tahun 2022 Bidang
Aplikasi.
Dengan diikutkannya Karya Inovasi ini sekaligus menyerahkan Hak Kekayaan Intelektual
sepenuhnya kepada PT PLN (Persero) dan menjadi milik PLN, selanjutnya segala hal
pengurusan dan pemeliharaan paten serta hal-hal dan kewajiban lainnya mengikuti aturan
yang ditetapkan PT PLN (Persero).
Demikian pernyataan kami
WAKIL INOVATOR
RAHELDAN DEWANDHANA

GENERAL MANAGER
MUNAWWAR FURQAN
NIP. 7603007P3B

BIDANG
Aplikasi
KATA PENGANTAR
Puji syukur kami panjatkan kehadirat Allah SWT atas segala rahmat, karunia, dan
petunjuk yang telah dilimpahkan-Nya sehingga kami mampu menyelesaikan karya tulis
inovasi dengan judul “COMMET” COMPUTERIZED RELIABILITY MAINTENANCE
MANAGEMENT AND INFORMATION TECHNOLOGY : ANALISA PREDICTIVE
BERBASIS SUPERVISED MACHINE LEARNING TERHADAP KERUSAKAN
PERALATAN PEMBANGKITAN
Atas selesainya penyusunan karya tulis inovasi ini, kami mengucapkan terimakasih
Kepada:
1. Allah SWT atas limpahan rahmat, karnia dan petunjuk-Nya.
2. Bapak Fatahuddin Yogi Amibowo selaku Manajer UPDK Bakaru yang telah
memberikan arahan, bimbingan dan perhatiannya selama proses penyelesaian karya tulis
3. Bapak Moh. Afif Fanani Selaku manajer ULPLTA Bakaru yang telah memberikan
arahan, bimbingan dan perhatiannya selama proses penyelesaian karya tulis
4. Seluruh Karyawan PT. PLN (Persero) UPDK Bakaru dan ULPLTA Bakaru yang telah
memberikan banyak dukungan dan ilmu
Dalam penulisan karya tulis inovasi, Kami telah berusaha maksimal demi terciptanya
kualitas penelitian yang baik. Namun besar harapan penulis untuk menerima saran dan
kritik guna perbaikan dan pengembangan kaya tulis inovasi ini. Semoga tugas akhir ini
dapat memberikan manfaat yang luas.
Bakaru, 22 Juni 2022
Tim Commet

BIDANG
Aplikasi
DAFTAR ISI
HALAMAN JUDUL
PERNYATAANPERSETUJUAN
PERNYATAAN ORIGINALITAS
PERNYATAAN IMPLEMENTASI
KLAIM INOVASI
PERNYATAAN PENYERAHAN HAK KEKAYAAN INTELEKTUAL
KATA PENGANTAR.......................................................................................................i
DAFTAR ISI ................................................................................................................... ii
DAFTAR TABEL......................................................................................................... iii
DAFTAR GAMBAR..................................................................................................... iii
ABSTRAK ............................................................................................................. iv
BAB I PENDAHULUAN
1.1 Latar Belakang................................................................................................... 1
1.2 Maksud dan Tujuan ........................................................................................... 1
1.3 Ruang Lingkup .................................................................................................. 2
1.4 Metodologi ......................................................................................................... 2
BAB II KAJIAN LITERATUR

2.1 Condition Based Maintenance......................................................................... 3
2.2 Machine Learning............................................................................................ 3
2.3 Python.............................................................................................................. 5
BAB III PEMBAHASANINOVASI

3.1 Prinsip Kerja Commet...................................................................................... 15
BAB IVMANFAAT INOVASI & ANALISA RISIKO

4.1 Manfaat terhadap KPI Korporat & Besarannya................................................ 16
4.2 Analisa Risiko.................................................................................................. 16
BAB V PENUTUP
5.1 Kesimpulan ..................................................................................................... 17
5.2 Saran............................................................................................................... 17
DAFTAR PUSTAKA................................................................................................... 18
LAMPIRAN ................................................................................................................. 19
BIOGRAFI PENULIS.................................................................................................. 24

BIDANG
Aplikasi
DAFTAR TABEL
Tabel 3.1 Modelling Thrust Bearing.......................................................................... 7

Tabel 3.2 Data Trend................................................................................................ 7
Tabel 3.3 Hasil Prediksi Data.................................................................................... 8

BIDANG
Aplikasi
DAFTAR GAMBAR
Gambar 2.1 Maintenance Evolution......................................................................... 4

Gambar2.2 Contoh K-NN........................................................................................ 5
Gambar2.3 Logo Bahasa Python............................................................................ 5
Gambar 3.1 Blok Diagram Commet.......................................................................... 6
Gambar 3.2 Flowchart Commet............................................................................... 8
Gambar 3.3 Aplikasi Commet................................................................................... 8
Gambar 4.1 Analisis Risiko...................................................................................... 9

BIDANG
Aplikasi
ABSTRAK
Pengembangan pola pemeliharaan Predictive, memanfaatkan berbagai peralatan

test, peralatan monitoring yang telah dimiliki dan mengikuti berbagai metoda analisis yang
dapat diterapkan dalam meningkatkan quality pemeliharaan maupun reliability operasi
pembangkit serta efektifitas dalam penggunaan biaya pemeliharaan itu sendiri. Penggunaan
dari teknologi predictive maintenance memungkinkan kinerja dari departemen pemeliharaan
dan enjiniring dapat meningkat karena kondisi permesinan dapat diketahui dengan baik
tanpa menghentikan jalannya mesin.
Commet Computerized Reliability Maintenance Management And Information

Technology adalah sebuah aplikasi dengan metode machine learning tipe supervised
learrnig metode Nearest Neighbour ata pengklasifikasian kondisi yang digunakan untuk
memprediksi lifetime atau kondisi peralatan dengan pemodelan sesuai dengan standar
Operation & Maintenance peralatan. Dapat digunakan secara universal di semua peralatan
pembangkitan, Diharapkan dengan adanya pemeliharan berbasis condition based
maintenance dapat mengurangi biaya pemeliharaan dan emergency shutdown akibat
kerusakan peralatan yang tidak terdeteksi.
Kata Kunci : Machine Learning, Condition Based Maintenance

BIDANG
Aplikasi
BAB I
PENDAHULUAN
1.1 Latar Belakang

Perawatan predictive pada dasarnya merupakan treatment untuk operasi
sesungguhnya dari peralatan untuk mengoptimalkan operasi Perusahaan.Output dari
perawatan dari program predictive adalah data, perawatan ini termasuk jenis “condition
based maintenance” dimana perubahan kondisi mesin atau peralatan dapat
dideteksisehingga tindakan yang bersifat proaktif dapat segera dilakukansebelum terjadinya
kerusakan mesin (Higgins, 2002).
Pola pemeliharaan predictive dianggap lebih efektif dan efisien karena pemeliharaan
dilakukan berdasarkanhasil pengamatan (monitoring) dan analisa untuk menentukankondisi
dan kapan pemeliharaan akan dilaksanakan, berbeda dengan pola pemeliharaan yang lain
seperti pada polapemeliharaan time base maintenance. Pada pola pemeliharaan time base
maintenance, pemeliharaan dilakukan hanyaberdasarkan pada jam operasi
peralatan/komponen tanpamempertimbangkan apakah peralatan tersebut masih baik
atautidak..
Pengembangan pola pemeliharaan Predictive, memanfaatkan berbagai peralatan
test, peralatan monitoring yang telah dimiliki dan mengikuti berbagai metoda analisis yang
dapatditerapkan dalam meningkatkan qualitypemeliharaan maupun reliability operasi
pembangkit serta efektifitas dalam penggunaanbiaya pemeliharaan itu sendiri.Penggunaan
dari teknologi predictive maintenance memungkinkan kinerja dari departemen perawatan
dapat meningkat karena kondisi permesinan dapat diketahui dengan baik tanpa
menghentikan jalannya mesin. Perawatan predictive menunjukkan penyimpangan dari
kondisi normal kerja mesin danengan cara ini dapat memberikan cara yang lebih handal
untuk mengetahui kerusakan yang sedang dan akan terjadi, dengan menunjukkan
komponen yang rusak maka pihak manajemen dapat menyiapkan komponen sesuai
kebutuhan yang diinginkan. Kunci utama perawatan predictive adalah mendeteksi adanya
kerusakan atau kesukaran yang akan terjadi atau impending trouble dan segera
menyelesaikan masalah tersebut sebelum terjadinya kerusakan mesin atau machine
breakdown.
Perawatan predictive bekerja berdasarkan proses monitoring condition yang
dilakukan terhadap peralatan yang diinginkan. Hasil dari proses ini adalah data – data hasil
pengukuran atau pengujian yang selanjutnya data – data tersebut dibandingkan dengan data
– data acuan yang sudah diketahui sebelumnya (known engineering limit) untuk menentukan
PT PLN (Persero) Unit Induk 1

BIDANG
Aplikasi
kondisi operasi dari peralatan tersebut. Teknik pemantauan yang umumnya digunakan
dalam perawatan predictive meliputi monitoring vibrasi, proses parameter, tribologi,
metodethermography, inspeksi visual dan metode non – destructive testing seperti metode
ultrasonic. (Higgins, 2002). Untuk itu dibuatlah “COMMET” COMPUTERIZED RELIABILITY
MAINTENANCE MANAGEMENT AND INFORMATION TECHNOLOGY:ANALISA
PREDICTIVE TERHADAP KERUSAKAN PERALATAN PEMBANGKITAN”.adalah sebuah
aplikasi dengan metode machine learning tipe Nearest Neighbour atau pengklasifikasian
kondisi yang digunakan untuk memprediksi lifetime atau kondisi peralatan dengan
pemodelan sesuai dengan standar Operation & Maintenance peralatan. Dapat digunakan
secara universal di semua peralatan pembangkitan.
1.2 Maksud dan Tujuan

Aplikasi “COMMET” ditujukan untuk meningkatkan keandalan dalam proses operasi
pembangkitan. Dengan adanya kemudahan analisa dan dasar pengambilan keputusan
menggunakan COMMET, maka pemeliharaan akan menuju ke arah condition based
maintenance sehingga KPI berupa kinerja operasi berupa peningkatan nilai Capacity Factor
(CF), Equivalent Availbility Factor (EAF) menjadi optimal dan mencegah terjadinya nilai
Sudden outage frequency (SdOF). Serta biaya pemeliharaan dapat lebih efisien.
1.3 Ruang Lingkup

Ruang lingkup dari penelitian ini adalah sebagai berikut.
a. Metode analisis predictive kerusakan peralatan pembangkitan menggunakan dengan
analisis Nearest Neighbor
b. Penentuan metode prediksi yang tepat dari metode analisis yang digunakan realisasi FDT
yang telah ditentukan
1.4 Metodologi
Metode pelaksanaan yang digunakan dalam penelitian ini sebagai berikut.
1. Pengumpulan Data dan Studi Pustaka
2. Analisa menggunakan Metode-metode supervised learning
3. Penentuan Metode dan implementasi Aplikasi
4. Melakukan diskusi dengan pihat terkait melalui Community of practice (COP)
5. Penyusunan Laporan

Pembangkitan dan Penyaluran Sulawesi 2
BIDANG
Aplikasi
BAB II
KAJIAN LITERATUR
2.1 Condition Based Maintenance

Condition Based Maintenance (CBM) merupakan perawatan pencegahan yang
dilakukan sesuai dengan kondisi yang berlangsung dimana tidak memiliki jadwal yang
spesifik dengan menunda proses maintenance maka biaya yang digunakan untuk proses
maintenance tersebut dapat disimpan. Fungsi lain dari Condition Based Maintenance adalah
mengurangi terjadinya breakdown atau emergency shutdown, optimalisasi penggunaan
resource dan mengurangi waktu downtime akibat kerusakan peralatan.
Condition Based Maintenance menggunakan berbagai macam parameter seperti
temperatur, vibrasi dan arus listrik untuk memonitor kondisi peralatan. CBM mengasumsikan
bahwa seluruh peralatan akan mengalami kerusakan, CBM memonitor kondisi atau performa
dari peralatan pembangkit meggunakan teknologi pengolah data
Gambar 2.1 Maintenance Evolution
2.2 Machine Learning

Sejak tahun 1980-an, bidang ilmu softcomputing mulai muncul dan berkembang
berdampingan dengan bidang ilmu hardcomputing. Adapun yang membedakan antara kedua
ilmu ini adalah setelah diprogram, hardcomputing akan memberikan hasil yang sama untuk
input yang sama, sementara softcomputing akan belajar dari input-input yang diberikan

3
BIDANG
Aplikasi
sebelumnya untuk memberikan hasil yang lebih akurat di masa depan yang lebih dikenal
dengan Machine Learning. Dalam cabang Machine Learning terdapat tiga bidang ilmu besar
yang dikembangkan terus menerus untuk mencapai tujuan di atas adalah Supervised
Learning, Unsupervised Learning, Reinforcement Learning. Pada pembahasan selanjutnya
akan difokuskan pada k-Nearest Neighbour dimana termasuk supervised learning.
Rancangan computing menggunakan bahasa pemograman Python di Google Collab.
Machine learning dapat dijadikan sebagai computerized maintenance management salah
satunya predict analyst.
1.
2.
2.2
2.2.1 K-NEARESTNEIGHBOR (K-NN)
Algoritma k-nearest neighbor (knn) adalah algoritma supervised machine learning
simpel yang dapat digunakan untuk menyelesaikan masalah berdasarkan klasifikasi dan
regresi. KNN bekerja dengan mencari jarak antara query dan semua contoh basis data,
memilih contoh nomor tertentu (K) yang berdekatan dengan query, kemudian memilih label
yang paling sering (pada klasifikasi) atau rata-rata label (pada regresi). Tujuan dari algoritma
ini adalah untuk mengklasifikasikan kondisi obyek baru berdasarkan atribut dan sample dari
training database.
Sepanjang seluruh berasumsi bahwa domain instan , X , diberkahi dengan fungsi
metrik .Itu adalah ρ : X ×X →R adalah sebuah fungsi dimana pengembalikan jarak anatara
dua element x
Seperti contoh jika X= Rd kemudian ρ dapat menjadi jarak Euclidian,jari S = (x1,

y1),...,(xm, ym)menjadi urutan contoh pelatihan. Untuk setiap x ∈X ,let
π1(x),...,πm(x)menjadi penataan ulang { {1,...,m} berdasarkan jarak tersebutx,ρ(x,xi).
Artinya,untuk semuanyai <M

BIDANG
Aplikasi
Untuk jumlah k, batasan k-NN untuk klasifikasi binary didefiniiskan sebagai
Ketika k = 1, yang memiliki aturan 1-NN: h S(x) = yπ1(x). Sebuah ilustrasi geometris
dari aturan 1-NN diberikan Untuk masalah regresi, yaitu, Y = R, seseorang dapat
mendefinisikan prediksi menjadi target rata-rata dari k tetangga terdekat.Yaitu, h S(x) = 14k, k
i=1 yπi (x).Lagi umumnya, untuk beberapa fungsi :
Sangat mudah untuk memverifikasi bahwa kita dapat memberikan prediksi dengan
sebagian besar label (untuk klasifikasi) atau dengan target rata-rata (untuk regresi) seperti
dalam Persamaan dengan pilihan yang tepat dari .Kerumuman dapat menyebabkan aturan
lain;misalnya, jika Y = R, kita dapat mengambil rata-rata tertimbang dari target sesuai
dengan jarak dari x:
Gambar 2.2 contoh k-NN

2.3 Python
Python adalah bahasa pemrogaman interpeter tingkat tinggi, berorientasi objek,
dengan memiliki semantik yang dinamis. Bahasa tingkat tinggi yang dibangun dalam struktur

BIDANG
Aplikasi
data, dikombinasikan dengan pengetikan dinamis dan pengikatan dinamis, membuatnya

sangat menarik untuk pengembangan Aplikasi cepat, serta untuk digunakan sebagai bahasa
scripting. Sintaksis Pythin yang sederhana dan mudah dipelajari menekankan keterbacaan
dan karenaya mengurangi biaya pemeliharaan program. Python mendukung modul dan
paket, yang mendorong modularitas program dan penggunaan kode kembali. Intrepeter
Python dan pustaka standar yang luas tersedia dari berbagai sumber dan dapat
didistribusikan secara bebas.
Python mendukung pemrogaman dengan paradigma multiguna, Utamanya; namun
tidak dibatasi; pada pemorgaman berorientasi objek, pemrogam imperatif, dan pemrogaman
fungsional. Salah satu fitur yang tersedia pada python adalah bahasa pemrogaman dinamis
yang dilengkapi dengan manajemen memori otomatis.
Gambar 2.3 Logo Bahasa Program

BIDANG
Aplikasi
BAB III
PEMBAHASAN INOVASI
6
3.
3.1 Identifikasi Masalah
PLTA Bakaru yang mempunyai daya mampu netto 63 MW pada tanggal 12 April
tahun 2018 harus mengalami derating sebesar 5 MW dikarenakan adanya kenaikan
temperatur pada thrust bearing HU#1 dari awalnya pukul 10:00 sebesar 60 oC menjadi 61,5
o
C pada pukul 14:00 dan di jam selanjutnya. Sehingga untuk mencecgah peningkatan
temperatur berlanjut, maka beban pembangkit diturunkan 5 MW dari daya mampunya.
Gambar 3.1 Data Pencatatan 12 April 2018

Anomali ini berlanjut hingga puncaknya pada tanggal 17 Juli 2018 HU#1 harus
mengalami derating sebesar 15 MW karena pada pukul 16:00 temperatur thrust bearing
mengalami kenaikan yang signifikan dari awalnya 59 oC pukul 14:00 menjadi 63 oC pukul
18:00.

BIDANG
Aplikasi
Gambar 3.2 Data Pencatatan 17 Juli 2018

Tentunya adanya gejala pada awal bulan april merupakan tanda bahwa adanya
sesuatu yang abnormal pada peralatan. Bahkan dari data sebelumnya seharusnya dapat
dilakukan analisa pada peralatan. Namun yang menjadi permasalahan adalah untuk
menentukan peralatan abnormal, jika hanya mengacu pada data dari permissive limit dari
buku O&M maka unit akan langsung mengalami trip dan menyebabkan SdOF.
Dari april 2018 maupun sebelumnya data peralatan seharusnya dapat dianalisa
apakah peralatan pada kondisi normal atau abnormal. Analisa yang tepat dan dasar
pengambilan keputusan dengan metode yang tepat merupakan tujuan dari adanya Condition
7
Based Maintenance.
3.2 Analisis Penyelesaian Masalah

Pola Predictive
Maintenance
Terjadi Kerusakan belum sesuai
Terjadi Derating Peralatan yang
Pada pembangkit tidak Aplikasi Commet
direncanakan
Lifetime Peralatan
Gambar 3.3 RCPS Permasalahan

Dengan adanya aplikasi ini, akan memudahkan analisa dan dasar pengambilan
keputusan, dan pemeliharaan akan menuju ke arah condition based maintenance
sehingga KPI berupa kinerja operasi berupa peningkatan nilai Capacity Factor (CF),
Equivalent Availbility Factor (EAF) menjadi optimal dan mencegah terjadinya nilai
Sudden outage frequency (SdOF). Serta biaya pemeliharaan dapat lebih efisien.
3.3 Desain Karya Inovasi

Sistem machine learning menggunakan metode Nearest Neighbor atau
pengklasifikasian kondisi peralatan lalu digunakan untuk memprediksi kondisi peralatan
tersebut berdasarkan kriteria-kriteria permodelan yang disesuaikan dengan spesifikasi
operation & Maintenance dengan menggunakan aplikasi Python dan Google Collab yang
bersifat open source berikut Blok Diagram dari COMMET
Data
Harian/Trend

BIDANG
Aplikasi
COMMET Prediksi Lifetime

Peralatan
Data Modelling
O& M
Gambar 3.4. Blok diagram COMMET
Dari Blok diagram diatas selanjutnya COMMET akan memproses data yang telah
dimasukkan pengguna dan berikut flowchart pengolahan data pada COMMET,
8
Gambar 3.5. FlowchartCOMMET

BIDANG
Aplikasi
3.3.1 Memasukkan Data Modelling

Tahap pertama adalah memasukkan data modelling dari data spesifikasi dan
operation & maintenance sebagai acuan kondisi peralatan untuk pengklasifikasian kondisi
peralatan pada tabel dibawah ini, kami menggunakan pemodelan prediksi lifetime dari thrust
bearing HU1 PLTA Bakaru sebagai studi kasus.
Tabel 3.1. Modelling Thrust Bearing
3.3.2. Memasukkan Data trend

Untuk memprediksi umur lifetime diperlukan data harian untuk menambah akurasi
ketepatan prediksi kondisi, pada contoh dimasukkan data inspeksi harian thrust bearing
meliputi temperatur oil bearing,temperatur metal dan vibrasi.
Tabel 3.2. Data trend Thrust Bearing
3.3.3. Pengolahan Data

Setelah memasukkan data trend kedalam aplikasi COMMET lalu akan dilanjutkan
pengolah data dengan pengklasifikasian berdasar kondisi modelling lalu didapat hasil
prediksi kondisi dari suatu peralatan.

BIDANG
Aplikasi
Gambar 3.6. Aplikasi Commet
Gambar 3.7 Plotting modeling

Setelah dirunning Commet akan menampilkan hasil modelling berupa plot dimana
user bisa mengklasifikasikan kondisi rusak dan kondisi normal range seperti pada gambar
3.7, lalu setelah tahap modelling Commet akan mengolah data trend harian suatu peralatan
dan memprediksi kondisi berdasarkan klasifikasi sebelumnya seperti gambar 3.8. Area ungu
merupakan area normal dan area kuning adalah area abnormal. Data peralatan saat ini
adalah titik warna hijau. Jika titik hijau berada pada zona ungu maka peralatan normal, jika
berada pada area kuning dapat disimpulkan bahwa peralatan abnormal.

11
BIDANG
Aplikasi
Gambar. 3.8 Plotting hasil prediksi

Selanjutnya akan muncul hasil prediksi kondisi suatu peralatan seperti pada gambar
3.6 yang dimana hasilnya masih terevaluasi
Data Evaluation
Hasil Prediksi
Jumlah
Abnorm Norma Hasil
Data
al l
Abnorm
13 8 5 al
Gambar 3.9 Tabel Hasil prediksi Commet
3.4 Implementasi
Pada tahun 2022 telah diimplementasikan pada control room sebagai bahan
pertimbangan, inspeksi dan penentuan keputusan oleh bagian operasi pembangkitan.
Operator menginput parameter pembangkitkan kedalam aplikasi Commet dan
menganalisi hasilnya setiap harinya. Aplikasi Commet dapat dioperasikan melalui
Personal Computer seperti pada gambar.3.10 atau digunakan secara mobile melalui
smartphone seperti pada gambar 3.11.
Gambar 3.10

BIDANG
Aplikasi
Gambar. 3.11
3.5 Evaluasi Hasil Implementasi

Commet telah diimplementasikan sejak Desember tahun 2021 dengan akurasii
mencapai 99,9% selama penggunaannya. Implementasi Commet pada Unit 1 PLTA
12
Bakaru mendapat hasil 100% kondisi Thrust & Turbin Bearing Normal dibuktikan dengan
hingga saat ini tidak terdapat gangguan pada peralatan tersebut.
Implementasi Commet pada Unit 2 PLTA Bakaru mendapat hasil kondisi Thrust & Turbin
Bearing Abnormal pada Turbin Bearing saat tanggal 14-17 April 2022 dibuktikan dengan
data catatan inspeksi harian operator seperti tabel dibawah ini.
Tabel.3.1
No Tanggal Vibrasi Shaft Temperatur Turbin Hasil Prediksi Turbin Brg
X Bearing (C) Commet
(micron)
1 14-04-2022 212 57 Abnormal
2 15-04-2022 224 57 Abnormal
3 16-04-2022 214 57 Abnormal
4 17-04-2022 220 57 Abnormal
Gambar. 3 12
Hasil prediksi Commet pada turbin bearing pada tanggal 14-17 April 2022 menunjukkan
tanda abnormal dengan evidence aplikasi Commet pada gambar 3.12 . berdasarkan hasil

BIDANG
Aplikasi
tersebut dilakukan pengecekan turbin bearing unit 2 dan ditemukan goresan pada bagian
dalam bearing yang disebabkan vibrasi yang cukup tinggi sehingga menimbulkan gesekan
berlebih pada bearing dan meningkatkan temperatur tersebut sepertii dapat dilihat pada
gambar 3.13 turbin bearing yang telah dibongkar
Gambar. 3.13
Berdasarkan hasil evaluasi aplikasi commet tersebut dapat disimpulkan Commet dapat
memprediksi kondisi peralatan seperti turbin bearing unit 2 PLTA Bakaru yang abnormal lalu
begitu pula dengan kondisi peralatan unit 1 PLTA Bakaru yang masih normal sesuai dengan
prediksi Commet
BAB IV
MANFAAT INOVASI DAN ANALISIS RISIKO
4.1 Manfaat Inovasi Terhadap Korporat

Dengan adanya aplikasi ini, tentunya berkontribusi pada value creation PLN SOLID.
Dengan aplikasi ini condition based maintenance dapat lebih optimal sehingga dapat
mengoptimalkan cost efficiency dan leading new edge. Dengan biaya yang dapat ditekan
tentunya revenue serta profit perusahaan dapat meningkat mengingat PLTA Bakaru
merupakan pembangkit dengan BPP murah (Rp. 134,- tahun 2020)
4.1.1 Manfaat Finansial

BIDANG
Aplikasi
Commet secara finansial mampu memberikan manfaat berupa penghematan

anggaran pemeliharaan dan kerugian akibat breakdown maintenance dan emergency
shutdown. Jika dikalkulasikan menggunakan data perhitungan total derating pada tahun
2018, maka dapat dikalkulasikan sebagai berikut.
Tabel 4.1 Total Potensi MWh yang Hilang Akibat Derating
14
Tahun Tanggal MWh Hilang
22018 7 MW/jam
12 April s/d 31 Agustus
Total MWh Hilang Akibat Derating 987 MWh
Total MWh yang seharusnya berpotensi untuk dibangkitkan pada tahun 2018 namun
hilang karena derating adalah sebesar 987 MWh.
Tabel 4.2 Total Potensi Keuntungan yang Dapat Diperoleh Perusahaan
Harga Jual ke
Biaya
Biaya Masyarakat Keuntungan
Produksi per
No Unit Produksi 987.000 KWh Yang Diperoleh
KWh tahun
987.000 Kwh ( Rp. Perusahaan
2020
1.106/KWh)*
PLTA Rp. Rp.

1 Rp. 134 Rp. 959.404.000
Bakaru 132.258.000 1.091.662.000
Jika dikalkulasikan dengan BPP dan harga jual rata-rata di masyarakat pada tahun
2020 di Sulselbar, maka total potensi keuntungan yang seharusnya dapat diperoleh
perusahaan dapat dicegah apabila derating tidak terjadi dengan adanya aplikasi Commet
adalah sebesar Rp. 959.400.000,-.
Dari sisi administrasi dan pemeliharaan sistem Commet dapat digunakan diberbagai
lokasi pembangkitan dan peralatan yang terdapat parameter didalamnya dan memprediksi
kondisi dan peralatan tersebut sehingga dapat difungsikan secara universal.
4.1.2 Manfaat Non Finansial
Dengan adanya aplikasi Commet, breakdown maintenance dapat dicegah dengan

adanya prediksi dan analisa berdasarkan condition based maintenance. Sehingga secara
non finansial mampu memberikan manfaat, di antaranya :

BIDANG
Aplikasi
1. Mengoptimalkan nilai KPI kinerja pengoperasian pembangkit berupa peningkatan nilai

Equvalent Availbility Factor (EAF) dan Capacity Factor (CF)
2. Berkontribusi mengurangi potensi Emergency Shutdown atau Sudden Outage
Frequency (SdOF) serta derating
3. Berkontribusi dan menunjang ketercapaian nilai maturity level Reliabilty
Dengan mencegah failure pada pembangkit maka suplai ketersediaan listrik15ke
pelanggan akan terjaga dan citra perusahaan akan meningkat.
4.2 Analisis Risiko
Adapun analisa risiko yang dapat dianalisa setelah diimplementasikannya Commet

tertera pada Tabel 4.3 yang menjelaskan identifikasi risiko, mitigasi dan perubahan yang
dilakukan sehingga dapat meminimalisir risiko. Risiko-risiko yang mungkin terjadi selama
penggunaan Commet adalah permasalahan yang menyangkut pada penggunaan aplikasi.
Tabel 4.3 Tabel Risiko
No Identifikasi Risiko Dampak Mitigasi Perubahan Risiko
Dibuat instruksi Turun dari kemungkinannya

Pengguna Tidak Kegagalan kerja sehingga sedang menjadi sangat
memahami dalam mudah untuk kecil dan skala dampaknya
penggunaan Commet aplikasi dipahami oleh dari minor menjadi tidak
1
pengguna lainnya signifikan
Turun dari kemungkinannya
Dibuatkan sistem
Pada Aplikasi Kegagalan sedang menjadi sangat
Google Collab
terdapat error dalam dalam kecil dan skala dampaknya
untuk trouble
koding aplikasi dari minor menjadi tidak
2 shooting
signifikan
Dibuat instruksi Turun dari kemungkinannya
Kegagalan kerja sehingga sedang menjadi sangat
Kesalahan
3 dalam mudah untuk kecil dan skala dampaknya
memasukkan data
aplikasi dipahami oleh dari minor menjadi tidak
pengguna lainnya signifikan
Dari Resiko tersebut, dibuatlah tabel analisa (terlampir) yang menyangkut level
tingkat, skala dampak dan analisa resiko. Dari tabel tersebut dibuatlah matriks analisa risiko
yang menjelaskan penurunanskala dampak dan kemungkinan dari resiko moderat menjadi
rendah karena adanya mitigasi resiko yang telah dibuat, sehingga dapat mempercepat dan
memudahkan penggunaan Commet..

BIDANG
Aplikasi
16
Gambar 4.1 Matriks Risiko
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan implementasi yang telah dilakukan sistem Commet dapat bekerja
dengan baik dan dapat disimpulkan bahwa sistem Commet
1. Memiliki sistem yang sederhana, biaya murah, monitoring mudah, keandalan cukup
baik, mengikuti perkembangan teknologi dan mendukung tata kelola world class hydropower
generation
2. Dengan adanya analisa prediktif maka akan mengurangi potensi terjadinya Breakdown
maintenance atau Shutdown Emergency atau SdoF, serta derating sehingga nilai kinerja
pengoperasian pembangkit seperti EAF dan CF akan lebih optimal
3. Dengan pemeliharaan yang optimal berdasarkan condition based, maka biaya
pemeliharaan dapat ditekan dan keuntungan perusahaan dapat meningkat
4. Dengan adanya aplikasi analisa prediktif maka pemeliharaan berbasis condition based
maintenance dapat lebih optimal dan nilai maturity level reliability management meningkat
5. Dengan mencegah failure pada pembangkit maka suplai ketersediaan listrik ke
pelanggan akan terjaga dan citra perusahaan akan meningkat.
5.2 Saran
Diperlukan sertifikasi aplikasi commet oleh badan sertifikasi nasional. Dan aplikasi ini
nanitnya dapat diterapkan di berbagai pembangkit sebagai klasifikasi kondisi pembangkit

BIDANG
Aplikasi
berdasar nilai parameter pembangkit. Dapat dikembangkan menjadi Big data UIKL Sulawesii
dan Digital Power Plant.
DAFTAR PUSTAKA
 Yong Xua,, Zhaohui Lib , Xide Laic,2012,.Dynamic model for hydro-turbine generator units
based on a database method for guidebearings
 Erwin Rarianto,2016,.Analisa Vibrasi Untuk Mendeteksi Kerusakan Pada Turbin Uap UBB
Perusahaan III di PT.Petrokimia
 Guodong Han1,2, a, Zhangqin Wu3, b, Shuting Wan2,c, Zhanjie Lv1,2,d ,
Ronghai Liu3, e, Jin Wang3,2014.The fault analysis and research of turbine generator sliding
bearing oilfilm instability
 Sukendi1, Ikhwansyah Isranuri2, Suherman,2015,.Analisa Karakteristik Getaran Dan
Machine Learning Untuk Deteksi Dini Kerusakan Bearing
 Hosameldin Ahmed,Asoke K.Nandi,2020,.Condition Monitoring with Vibration Signals
 Fadhli Hakim Akbar, Titin Isna Oesman, Endang Widuri Asih,2017,.Analisa Kegagalan
Turbine Guide Bearing Menggunakan Metode Reliability Centered Maintennnce(RCM).
 ISO 19283 (Condition monitoring and diagnostics of machine-hydroelectric generating
units)
https://medium.com/@16611077/klasifikasi-k-nearest-neighbors-knn menggunakan-python-
10c64bcb10a1.

BIDANG
Aplikasi
LAMPIRAN
a. Source Code 18

BIDANG
Aplikasi
b.Instuksi Kerja Penggunaan Commet
19

BIDANG
Aplikasi
20
BIDANG
Aplikasi

21
BIDANG
Aplikasi

BIDANG
Aplikasi
c. Pengujian Software dengan Metode Black Box
A.1 Evaluation Test

22
Evaluation test berfungsi untuk menguji tingkat akurasi dari sebuah software, Akurasi
merupakan rasio prediksi benar (positif dan negatif) dengan keseluruhan data. Berdasar pengujian
didapat nilai akurasi sebesar 1 atau 100%
A.2 Black Box Test
Aktivitas Pengujian Realisasi yang Hasil Pengujian Kesimpulan

diharapkan
Masuk Halaman Awal Terhubung dengan Muncul koding pada [x] Diterima
Google Collab Google collab
[ ] Ditolak
Menginput Data Data terinput di files Muncul data pada [x] Diterima
array program
[ ] Ditolak
Klik Run cell Dapat mengeksekusi Muncul tanda centang [x] Diterima
program warna hijau
[ ] Ditolak
Berdasarkan hasil pengujan Black Box Test program Commet dapat dioperasikan
secara normal dan tidak ada indikasi error dan bug pada program

BIDANG
Aplikasi
BIODATA
23
Raheldan Dewandhana
Surabaya, 22 April 1994
Unit Layanan Pusat Listrik Tenaga Air Bakaru
94162048ZY
Supervisor Operasi Shift C
Mekanikal dan Pengoperasian Pembangkit
Jalan Bulak Rukem Timur 1 no. 4, Surabaya
081330645109
raheldan.dewandhana@pln.co.id
Kenno Robby Pradana

Surabaya, 19 Mei1995
Unit Layanan Pusat Listrik Tenaga AirBakaru
9519823ZY
Assistant Engineer Pemeliharaan Listrik
Pemeliharaan Listrik
Simo, Magerejo 13 No. 21, KotaSurabaya
081233409875
kenno.robby@pln.co.id

24

Makalah Spki XXV Tahun 2022 - Commet

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Makalah Spki XXV Tahun 2022 - Commet

Diunggah oleh

Hak Cipta:

Format Tersedia

SELEKSI PENGHARGAAN BIDANG

KARYA INOVASI KE XXV APLIKASI

“COMMET” COMPUTERIZED RELIABILITY

1. Kenno Robby Pradana

PT PLN (Persero) Unit Induk Pembangkitan dan

“COMMET” COMPUTERIZED RELIABILITY

1. Kenno Robby Pradana (9519823ZY)

PT PLN (Persero) Unit Induk Pembangkitan dan Penyaluran

PT PLN (Persero) Unit Induk

Dengan ini menyatakan bahwa Karya inovasi yang berjudul:

1. Kenno Robby Pradana (9519823ZY)

Disetujui untuk mengikuti

Makassar, 22 Juni 2022

MANAJEMEN PUNCAK UNIT INDUK

PT PLN (Persero) Unit Induk

Yang bertanda tangan dibawah ini:

1. Nama : Raheldan Dewandhana

2. Nama : Kenno Robby Pradana

MANAJEMEN PUNCAK UNIT INDUK

PT PLN (Persero) Unit Induk

Yang bertanda tangan dibawah ini:

1. Nama : Raheldan Dewandhana

2. Nama : Kenno Robby Pradana

Menyatakan bahwa Karya Inovasi kami yang berjudul

Demikian disampaikan, atas perhatiannya disampaikan terima kasih.

MANAJEMEN PUNCAK UNIT INDUK

PT PLN (Persero) Unit Induk

““COMMET” COMPUTERIZED RELIABILITY MAINTENANCE MANAGEMENT AND

PERNYATAAN PENYERAHAN HAK KEKAYAAN INTELEKTUAL

PT PLN (Persero) Unit Induk

Dengan ini menyatakan bahwa Karya Inovasi dengan judul:

““COMMET” COMPUTERIZED RELIABILITY MAINTENANCE MANAGEMENT AND

Yang dibuat oleh:

Penciptaan Karya Inovasi ini tidak melibatkan pihak ketiga.

Makassar, 22 Juni 2022

Demikian pernyataan kami

MANAJEMEN PUNCAK UNIT INDUK

PT PLN (Persero) Unit Induk

Bakaru, 22 Juni 2022

PT PLN (Persero) Unit Induk

BAB II KAJIAN LITERATUR

BAB III PEMBAHASANINOVASI

BAB IVMANFAAT INOVASI & ANALISA RISIKO

PT PLN (Persero) Unit Induk

Tabel 3.1 Modelling Thrust Bearing.......................................................................... 7

PT PLN (Persero) Unit Induk

Gambar 2.1 Maintenance Evolution......................................................................... 4

PT PLN (Persero) Unit Induk

Pengembangan pola pemeliharaan Predictive, memanfaatkan berbagai peralatan

Commet Computerized Reliability Maintenance Management And Information

Kata Kunci : Machine Learning, Condition Based Maintenance

PT PLN (Persero) Unit Induk

1.1 Latar Belakang

PT PLN (Persero) Unit Induk 1

1.2 Maksud dan Tujuan

1.3 Ruang Lingkup

PT PLN (Persero) Unit Induk

2.1 Condition Based Maintenance

Gambar 2.1 Maintenance Evolution

2.2 Machine Learning

PT PLN (Persero) Unit Induk

Seperti contoh jika X= Rd kemudian ρ dapat menjadi jarak Euclidian,jari S = (x1,

PT PLN (Persero) Unit Induk