PREDIKSI JANGKA PENDEK DAYA KELUARAN MENGGUNAKAN BACK PROPAGATION NEURAL NETWORK PADA PEMBANGKIT LISTRIK TENAGA SAMPAH (PLTSa) BENOWO

SHORT-TERM PREDICTION OF OUTPUT POWER USING NEURAL NETWORK BACK PROPAGATION AT THE BENOWO WASTE POWER PLANT (PLTSa) 

Peningkatan jumlah sampah perkotaan dan kebutuhan energi listrik yang terus meningkat mendorong pemanfaatan teknologi Pembangkit Listrik Tenaga Sampah (PLTSa) sebagai solusi pengelolaan limbah sekaligus penyediaan energi baru terbarukan. PLTSa Benowo di Surabaya merupakan salah satu proyek Waste to Energy (WtE) yang berperan penting dalam pengelolaan sampah kota. Namun, daya keluaran PLTSa bersifat fluktuatif akibat variasi karakteristik sampah dan kondisi operasional, sehingga diperlukan sistem prediksi daya keluaran jangka pendek yang andal untuk mendukung kestabilan operasi pembangkit. Penelitian ini bertujuan untuk menganalisis dan mengembangkan model prediksi jangka pendek daya keluaran PLTSa Benowo menggunakan metode Back Propagation Neural Network (BPNN). Metode penelitian yang digunakan adalah observasi langsung terhadap sistem PLTSa Benowo serta pengolahan data operasional historis menggunakan perangkat lunak MATLAB. Variabel input yang digunakan dalam model meliputi jumlah sampah yang diolah, suhu awal pembakaran, suhu pembakaran, tekanan ruang bakar, dan data daya keluaran, dengan daya listrik sebagai variabel output. iii Hasil penelitian menunjukkan bahwa model BPNN mampu memprediksi daya keluaran PLTSa dengan tingkat akurasi yang sangat baik. Evaluasi kinerja model menghasilkan nilai Mean Absolute Error (MAE) sebesar 0,0231 MW, Mean Squared Error (MSE) sebesar 0,00237 MW², dan Mean Absolute Percentage Error (MAPE) sebesar 0,1945% pada tahap forecasting. Nilai error yang rendah tersebut menunjukkan bahwa model prediksi yang dikembangkan mampu merepresentasikan karakteristik operasional PLTSa Benowo secara akurat. Dengan demikian, model prediksi daya keluaran berbasis BPNN ini layak digunakan sebagai alat bantu perencanaan dan pengendalian operasi PLTSa guna meningkatkan efisiensi dan keandalan sistem pembangkitan listrik berbasis limbah. Kata kunci: PLTSa, Prediksi Daya, Back Propagation Neural Network, Waste to Energy, Energi Terbarukan

The increasing volume of urban solid waste and the growing demand for electrical energy encourage the utilization of Waste-toEnergy (WtE) technology, particularly Waste Power Plants (PLTSa), as a solution for waste management and renewable energy generation. The Benowo Waste Power Plant in Surabaya is one of the national pilot projects implementing WtE technology for municipal waste treatment. However, the power output of PLTSa tends to fluctuate due to variations in waste characteristics and operational conditions. Therefore, a reliable short-term power output prediction system is required to support the stability and efficiency of plant operations. This study aims to analyze and develop a short-term power output prediction model for the Benowo PLTSa using the Back Propagation Neural Network (BPNN) method. The research method involves direct observation of the PLTSa system and processing historical operational data using MATLAB software. The input variables used in the model include waste mass processed, initial combustion temperature, combustion temperature, combustion chamber pressure, and historical power output data, while electrical power output is used as the target variable. The results show that the BPNN model is capable of predicting PLTSa power output with high accuracy. Model performance evaluation produced a Mean Absolute Error (MAE) of 0.0231 MW, a Mean Squared v Error (MSE) of 0.00237 MW², and a Mean Absolute Percentage Error (MAPE) of 0.1945% during the forecasting stage. These low error values indicate that the developed prediction model can accurately represent the operational characteristics of the Benowo PLTSa. Therefore, the BPNNbased prediction model is considered feasible as a supporting tool for operational planning and control to improve efficiency and reliability in waste-based power generation systems. Keywords: Waste Power Plant, Power Prediction, Back Propagation Neural Network, Waste-to-Energy, Renewable Energy