Model Prediksi Kebutuhan Bahan Bakar Batu Bara Pada Pembangkit Listrik Dengan eXtreme Gradient Boosting (XGBoost)

Abstract

Prediksi konsumsi batubara yang tidak akurat dapat meningkatkan biaya operasional, emisi karbon, atau mengganggu pasokan listrik. Penelitian ini membangun model prediksi kebutuhan batubara menggunakan algoritma XGBoost dengan optimasi hyperparameter Optuna dan GridSearch. Dari 1000 data dengan sepuluh variabel, dipilih lima fitur utama hasil transformasi dan interaksi. Validasi menggunakan 5-Fold Cross Validation menunjukkan bahwa Optuna memberikan hasil terbaik dengan MAE 0.0912, RMSE 0.3142, dan R² 0.9641. Pada implementasi, model mampu menghasilkan prediksi mendekati aktual, misalnya 42.729 ton aktual dan 42.734 ton prediksi. Hasil ini membuktikan bahwa XGBoost dengan Optuna efektif dan dapat diandalkan untuk mendukung efisiensi operasional pembangkit listrik.