SYARIF, MUHYIDDIN (2025) PREDIKSI NILAI UNBURN CARBON BATUBARA YANG DIHASILKAN PLTU MENGGUNAKAN LINEAR REGRESSION, RANDOM FOREST DAN LIGHTGBM REGRESSION. S1 thesis, Universitas Mercu Buana Jakarta.
![]() |
Text (JURNAL MAHASISWA)
TALK+41520120051+MUHYIDDIN SYARIF.pdf Restricted to Registered users only Download (1MB) |
Abstract
This study focuses on predicting unburned carbon levels in coal-fired power plants to enhance operational efficiency. Accurate prediction of unburned carbon is crucial as it directly affects fuel combustion efficiency and environmental sustainability. The research compares three machine learning algorithms: Linear Regression, Random Forest, and LightGBM Regression, using performance metrics such as Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), and Root Mean Squared Error (RMSE). The results show that LightGBM Regression performs the best, with MAE of 0.31, MAPE of 1.29, and RMSE of 0.38, outperforming the other two models. This model can be further optimized to improve prediction accuracy, contributing to more efficient and environmentally friendly power plant operations. The application of machine learning in this study supports data-driven decision-making in the energy sector. Keywords : unburned carbon prediction; machine learning; power plant efficiency; environmental sustainability; LightGBM Penelitian ini berfokus pada prediksi tingkat karbon yang tidak terbakar di pembangkit listrik berbahan bakar batu bara untuk meningkatkan efisiensi operasional. Prediksi yang akurat terhadap karbon yang tidak terbakar sangat penting karena berdampak langsung pada efisiensi pembakaran bahan bakar dan keberlanjutan lingkungan. Penelitian ini membandingkan tiga algoritma machine learning: Linear Regression, Random Forest, dan LightGBM Regression, menggunakan metrik performa seperti Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), dan Root Mean Squared Error (RMSE). Hasil menunjukkan bahwa LightGBM Regression memiliki performa terbaik dengan MAE sebesar 0,31, MAPE sebesar 1,29, dan RMSE sebesar 0,38, mengungguli kedua model lainnya. Model ini dapat dioptimalkan lebih lanjut untuk meningkatkan akurasi prediksi, sehingga berkontribusi pada operasi pembangkit yang lebih efisien dan ramah lingkungan. Penerapan machine learning dalam penelitian ini mendukung pengambilan keputusan berbasis data di sektor energi. Kata Kunci : karbon tak terbakar; pembelajaran mesin; efisiensi operasional; keberlanjutan lingkungan; LightGBM
Actions (login required)
![]() |
View Item |