Implementasi Algoritma Xgboost Untuk Prediksi Produksi Energi Listrik Berbasis Web Pada PT Geo Dipa Energi Unit Dieng

Abdur Rais; Hidayatus Sibyan; M. Alif Muwafiq Baihaqy

doi:10.69693/ijmst.v4i3.11924

Authors

Abdur Rais Universitas Sains Al-Qur'an Jawa Tengah
Hidayatus Sibyan Universitas Sains Al-Qur'an Jawa Tengah
M. Alif Muwafiq Baihaqy Universitas Sains Al-Qur'an Jawa Tengah

DOI:

https://doi.org/10.69693/ijmst.v4i3.11924

Keywords:

Xgboost, Prediksi Energi, Pembangkit Listrik Tenaga Panas Bumi, Machine Learning, Sistem Berbasis Web

Abstract

PT Geo Dipa Energi Unit Dieng merupakan salah satu operator Pembangkit Listrik Tenaga Panas Bumi (PLTP) di kawasan Dieng, Kabupaten Wonosobo, yang menghadapi tantangan dalam memantau dan memprediksi produksi energi listrik secara akurat. Penelitian ini membangun sistem informasi berbasis web yang mengintegrasikan algoritma XGBoost untuk memprediksi volume produksi energi listrik berdasarkan empat variabel teknis operasional: laju alir uap (Flow), tekanan masuk turbin (Pressure Inlet), suhu masuk turbin (Temperature Inlet), dan tekanan vakum kondensor (Pressure Vacuum). Dataset mencakup 2.682 baris data historis PLTP Dieng periode Juli 2024 - Juni 2025. Hasil evaluasi menunjukkan MAE 0,6993 MW, RMSE 1,8006 MW, dan MAPE 2,87% pada data uji, di bawah ambang batas kelayakan 5%. Analisis feature importance menunjukkan Pressure Inlet (47,80%) dan Temperature Inlet (33,58%) sebagai variabel paling dominan. Sistem berbasis web berhasil mengintegrasikan model XGBoost ke dalam antarmuka responsif dengan fitur input data, visualisasi prediksi real-time, dan ekspor laporan.

References

Bahij, A., Et Al., 2022. Predictive Modeling Of Electric Energy Consumption In Steel Plants Using Xgboost For Sustainable Resource Management. Jurnal Internasional Energi Industri.

Barochiner, J., Et Al., 2022. Operational Efficiency In Geothermal Power Plants: Challenges And Opportunities. Energy Reports, 8, Pp.1234-1245.

Chen, T. & Guestrin, C., 2016. Xgboost: A Scalable Tree Boosting System. Proceedings Of The 22nd Acm Sigkdd International Conference On Knowledge Discovery And Data Mining. New York: Acm, Pp.785-794.

Dewi, N.P.N.P., Et Al., 2025. Optimasi Model Prediksi Extreme Gradient Boosting Dengan Genetic Algorithm Untuk Produksi Dan Produktivitas Padi. Storage: Jurnal Ilmiah Teknik Dan Ilmu Komputer, 4(4).

Dewi, N.P.N.P., Putra, I.G.N. & Mahendra, G.S., 2025. Optimasi Model Prediksi Extreme Gradient Boosting Dengan Genetic Algorithm Untuk Produksi Dan Produktivitas Padi. Storage: Jurnal Ilmiah Teknik Dan Ilmu Komputer, 4(4).

Kavaklioglu, K., 2011. Modeling And Prediction Of Turkey’s Electricity Consumption Using Support Vector Regression. Applied Energy, 88(1), Pp.368-375.

Liu, Y., Et Al., 2024. Machine Learning Applications For Energy Forecasting In Industrial Power Plants. Energy And Ai, 15, Pp.100320.

Li, Y., Wang, H., Huang, X., Hao, J., Lei, W. & Wang, Q., 2025. Short-Term Power Load Forecasting In Distribution Networks Considering Human Comfort Level. Frontiers In Energy Research, 13, 1514755. Https://Doi.Org/10.3389/Fenrg.2025.1514755. :Contentreference[Oaicite:0]{Index=0}

Liu, Y., Zhao, P. & Chen, H., 2024. Machine Learning Applications For Energy Forecasting In Industrial Power Plants. Energy And Ai, 15, 100320.

Prabowo, R.R., Et Al., 2025. Optimasi Penggunaan Energi Listrik Bagi Pelanggan Rumah Tangga Berbasis Machine Learning Dan Internet Of Things. Malcom: Indonesian Journal Of Machine Learning And Computer Science, 5(1).

Prabowo, R.R., Haryanto, A. & Azmi, Y., 2025. Optimasi Penggunaan Energi Listrik Berbasis Machine Learning Dan Internet Of Things. Malcom: Indonesian Journal Of Machine Learning And Computer Science, 5(1).

Syahreza, A., Ningrum, N.K. & Syahrazy, M.A., 2024. Perbandingan Kinerja Model Prediksi Cuaca: Random Forest, Support Vector Regression, Dan Xgboost. Edumatic: Jurnal Pendidikan Informatika, 8(2).

Tercha, W., Et Al., 2024. Adaptive Machine Learning Models For Energy Consumption Forecasting In Dynamic Industrial Environments. Energies, 17(3), P.712.

Wang, Y., Li, Z. & Zhang, H., 2025. Short-Term Load Forecasting Based On Prophet–Bo–Xgboost Model. Energies, 18(2), 227. Https://Doi.Org/10.3390/En18020227. :Contentreference[Oaicite:1]{Index=1}

Wibowo, Y.A., Afanda, M.D. & Azmi, Y., 2024. Hydropower Plant Generation Forecasting Using Long Short-Term Memory (Lstm). Journal Of Mechanical Design And Testing, Universitas Gadjah Mada..