BIDANG APLIKASI
Disusun Oleh:
PERNYATAAN PERSETUJUAN
“COMMET”
COMPUTERIZED RELIABILITY MAINTENANCE MANAGEMENT AND
INFORMATION TECHNOLOGY:ANALISA PREDICTIVE BERBASIS
SUPERVISED MACHINE LEARNING TERHADAP KERUSAKAN
PERALATAN PEMBANGKIT
Disusun Oleh:
MUNAWWAR FURQAN
NIP. 7603007P3B
PERNYATAAN ORIGINALITAS
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,
Makassar, 22 Juni 2022
MUNAWWAR FURQAN
NIP. 7603007P3B
PERNYATAAN IMPLEMENTASI
Mengetahui,
Makassar, 22 Juni 2022
MUNAWWAR FURQAN
NIP. 7603007P3B
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 :
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).
WAKIL INOVATOR
RAHELDAN DEWANDHANA
MUNAWWAR FURQAN
NIP. 7603007P3B
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.
Tim Commet
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 V PENUTUP
5.1 Kesimpulan ..................................................................................................... 17
5.2 Saran............................................................................................................... 17
DAFTAR PUSTAKA................................................................................................... 18
LAMPIRAN ................................................................................................................. 19
BIOGRAFI PENULIS.................................................................................................. 24
DAFTAR TABEL
DAFTAR GAMBAR
ABSTRAK
BAB I
PENDAHULUAN
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.
1.4 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
BAB II
KAJIAN LITERATUR
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
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:
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.
Data
Harian/Trend
Dari Blok diagram diatas selanjutnya COMMET akan memproses data yang telah
dimasukkan pengguna dan berikut flowchart pengolahan data pada COMMET,
8
Gambar 3.10
Gambar. 3.11
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
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
14
Tahun Tanggal MWh Hilang
22018 7 MW/jam
12 April s/d 31 Agustus
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)*
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.
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..
16
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
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.
LAMPIRAN
a. Source Code 18
19
20
PT PLN (Persero) Unit Induk
Pembangkitan dan Penyaluran Sulawesi
BIDANG
Aplikasi
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%
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
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