PREDIKSI JANGKA PENDEK DAYA KELUARAN MENGGUNAKAN BPNN PADA PEMBANGKIT LISTRIK TENAGA SAMPAH (PLTSA) BENOWO

Abstract

Pembangkit Listrik Tenaga Sampah (PLTSa) merupakan solusi strategis dalam pengelolaan limbah sekaligus penyediaan energi terbarukan. Namun, fluktuasi karakteristik sampah yang tinggi berdampak pada ketidakstabilan daya listrik yang dihasilkan. Penelitian ini bertujuan untuk memprediksi daya keluaran jangka pendek PLTSa Benowo dengan menggunakan model Jaringan Syaraf Tiruan (JST) berbasis algoritma Backpropagation. Model dirancang untuk memproses empat parameter input utama, yakni jumlah timbulan sampah harian, suhu awal pembakaran, suhu aktual pembakaran, dan tekanan uap yang dihasilkan. Arsitektur jaringan terdiri dari satu lapisan tersembunyi dengan sepuluh neuron, fungsi aktivasi tansig pada hidden layer, dan purelin pada output layer. Pelatihan dilakukan menggunakan perangkat lunak MATLAB hingga tercapai konvergensi optimal. Hasil pelatihan menunjukkan nilai Mean Squared Error (MSE) terendah sebesar 0,057575 pada epoch pertama, serta nilai koefisien korelasi (R) keseluruhan sebesar 0,62937. Meskipun model berhasil menangkap hubungan nonlinier antara parameter input dan output daya, performa prediksi masih tergolong sedang dan perlu ditingkatkan. Rekomendasi pengembangan meliputi optimalisasi arsitektur jaringan, peningkatan volume data, dan penerapan pendekatan time-series forecasting. Penelitian ini diharapkan dapat menjadi kontribusi dalam peningkatan efisiensi dan keandalan sistem pembangkitan listrik berbasis limbah di Indonesia. Secara keseluruhan, hasil penelitian ini menunjukkan bahwa penerapan model Jaringan Syaraf Tiruan (JST) dengan algoritma Backpropagation berpotensi sebagai pendekatan awal dalam melakukan prediksi jangka pendek terhadap daya keluaran Pembangkit Listrik Tenaga Sampah (PLTSa) Benowo. Meskipun tingkat akurasi prediksi yang diperoleh masih berada pada kategori sedang, model mampu merepresentasikan keterkaitan nonlinier antara parameter-parameter operasional dan daya listrik yang dihasilkan. Dengan demikian, dapat disimpulkan bahwa JST memiliki prospek untuk diintegrasikan dalam sistem prediktif operasional PLTSa guna menunjang proses pengambilan keputusan yang lebih adaptif dan efisien. Namun demikian, efektivitas model masih dapat ditingkatkan melalui upaya optimalisasi struktur jaringan serta perluasan basis data pelatihan, sehingga mampu menghasilkan prediksi yang lebih presisi dan aplikatif dalam implementasi sistem pembangkitan berbasis limbah secara nyata.