Abstrak— Boiler merupakan bagian terpenting dalam
sistem di PLTU. Maka dari itu keandalan pada boiler sangat perlu dilakukan, karena kinerja dari boiler sangat mempengaruhi semua sistem pada PLTU. Komponen yang digunakan dalam penelitian tugas akhir ini ada 7 komponen yaitu Air Heater 1A, Air Heater 1B, Deaerator, FDF 1A, FDF 1B,
Steam Coil Air Heater, Main Burner. Pada penelitian ini
menentukan nilai keandalan selain dari data maintenance yang menggunakan interval waktu, juga menggunakan data proses pada boiler saat dilakukan maintenance yaitu data proses yang paling sensitif pengaruhnya terhadap kelangsungan proses pada
boiler. Karena data- data tersebut merupakan variabel proses
yang paling berbahaya karena fluktuasi perubahannya sangat cepat. Data proses tersebut digunakan untuk memodelkan keandalan suatu plant berbasis pasangan data input – output. Komponen yang dimodelkan keandalan dengan pendekatan menggunakan JST yaitu Air Heater 1A dan Air Heater 1B. Data proses yang digunakan sesuai nilai TTF yang mendekati MTTF. Variable proses yang digunakan sebagai input adalah waktu,
inlet air, outlet air, inlet gas, outlet gas, pressure outlet air, dan pressure outlet gas. Pemodelan JST pada komponen Air Heater
1B yaitu memiliki konfigurasi 7 input, 2 Hidden Layer, 1 Output
Layer, dan 1Output, serta nilai Main Square Error adalah
0,000462. Air Heater 1B yaitu memiliki konfigurasi 7 input, 2
Hidden Layer, 1 Output Layer, dan 1Output, serta nilai Main Square Error adalah 0,00211.
Kata Kunci : Boiler, Keandalan, Jaringan Syaraf Tiruan
I. PENDAHULUAN
fektivitas produksi kelistrikan tersebut merupakan faktor yang sangat penting karena terkait dengan hajat hidup orang banyak. Pada setiap sistem pembangkit listrik, utamanya PLTU didukung oleh unit – unit proses, meliputi utility, boiler, turbin, dan generator. Apabila setiap komponen atau unit – unit proses yang ada di dalam sistem pembangkit tersebut berkerja dalam kondisi yang baik sesuai dengan fungsinya, maka akan menghasilkan energi listrik yang optimal.
Dari unit – unit tersebut, ada beberapa unit yang cukup signifikan dalam menentukan keberhasilan proses produksi energi listrik pada sistem pembangkit, signifikasi ini berkaitan dengan sentitivitas dari unit proses yang ada. Boiler merupakan salah satu diantara unit proses yang sering mengalami masalah (seperti trip / kerusakan baik major atau minor), sehingga diperlukan pemeliharaan yang lebih intensif untuk menjaga performansinya agar selalu bisa bekerja sesuai dengan target. Salah satu parameter yang dapat digunakan
untuk mengukur kinerja dari boiler adalah dengan melakukan perhitungan keandalan. Perhitungan keandalan perlu dilakukan untuk menganalisis seberapa besar peluang terjadinya kegagalan atau kerusakan terhadap boiler yang dapat mengakibatkan kegagalan proses produksi energi listrik.
Beberapa penelitian sebelumnya oleh S. Lolas,O.A. Olatunbosun, telah dilakukan analisa performansi keandalan pada mesin kendaraan dengan menggunakan metode jaringan syaraf tiruan. Selain itu, perhitungan keandalan pada umumnya menghitung dari data maintenance yang berkaitan dengan interval waktu. Pada penelitian ini menentukan nilai keandalan selain dari data maintenance yang menggunakan interval waktu, dan juga menggunakan data proses pada boiler pada saat dilakukan maintenance yaitu data proses yang paling sensitif pengaruhnya terhadap kelangsungan proses pada boiler. Karena data - data tersebut merupakan variabel proses yang paling berbahaya karena fluktuasi perubahannya sangat cepat.
Selain itu salah satu cara lain untuk melakukan perhitungan keandalan pada boiler, salah satu cara lain untuk menganalisis berapa besar kegagalan dan kerusakan suatu sistem ini yaitu dengan menerapkan jaringan syaraf tiruan (JST). Jaringan Syaraf Tiruan ini mengikuti struktur jaringan biologi, khususnya otak manusia yang dapat difungsikan sebagai alat perhitungan. Maka JST disini difungsikan untuk memodelkan keandalan suatu plant berbasis pasangan data input – output.
II. METODOLOGIPENELITIAN Studi literatur
Mencari dan mempelajari berbagai literatur seperti buku, jurnal, internet dan para pakar untuk bisa mendapatkan informasi maupun data – data yang diinginkan berkaitan dengan data maintenance dan perhitungan untuk menentukan nilai keandalan suatu system.
Pengambilan data
Data yang digunakan adalah data maintenance komponen pada boiler dari tahun 2001 - 2013 dan data proses pada boiler. Dari data – data yang diperoleh tersebut akan diolah dengan metode kuantitatif yang meliputi perhitungan Time To Failure dan perhitungan keandalan R(t). Untuk mengetahui distribusi yang paling baik sebagai penentuan nilai keandalan suatu sistem dalam jangka waktu tertentu menggunakan software ReliaSoft Weibull++ Version 6. Berikut pada gambar 3.1 menunjukkan langkah – langkah untuk penentuan
Analisa Performansi Keandalan Pada Boiler
dengan Menggunakan Metode Jaringan Syaraf
Tiruan di PT. PJB Unit Pembangkit Gresik
Intan Marta Kusuma, Imam Abadi, ST, MT dan Detak Yan Pratama, ST, Msc
Jurusan Teknik Fisika, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya 60111
E-mail: intan_marta9@yahoo.co.id
distribusi waktu antar kegagalan yaitu memasukkan nilai time to failure untuk mengetahui distribusi waktu yang paling baik.
Selanjutnya mulai dilakukan uji distribusi dengan memilih option distribution wizard untuk mendapatkan parameter uji average goodness of fit (AVGOF) dimana semakin besar nilai pada kolom ini mengindikasikan ketidaksesuaian hasil uji distribusi, parameter uji average of plot fit (AVPLOT) yang menunjukkan ukuran yang digunakan untuk mengeplot nilai hasil uji distribusi dan parameter uji likelihood function (LKV), Ranking pertama adalah hasil distribusi yang cocok untuk perhitungan nilai keandalan.
Gambar 1 Pemasukan Data TTF
Gambar 2 Pengujian Distribusi Nilai TTF
Selanjutnya menerapkan sesuai dengan distribusi yang paling baik untuk data TTF tersebut yaitu distribusi yang menunjukkan ranking 1. Pengujian distribusi yang didapatkan meliputi distribusi normal, lognormal, eksponensial 1 parameter, eksponensial 2 parameter, weibull 2 parameter, dan weibull 3 parameter. Sehingga didapatkan distribusi yang paling sesuai dan didapat parameter-parameter kegagalan dari distribusi tersebut.
Gambar 3 Hasil Distribusi
Pemodelan Reliability Secara Kuantitatif
Dari data maintenance dan data proses dihitung nilai keandalannya. Pada table 3.1 menunjukkan data maintenance pada Air Heater 1A dan telah ditentukan distribusi keandlannya yaitu dengan menggunakan distribusi weibull dengan dua parameter adalah sebagai berikut :
Tabel 1 Hasil Keandalan pada Air Heater 1A
Raise Date Plan Start Date TTF (hari) TTF (jam) R(t) 19/05/2001 21/05/2001 0 0 1 26/09/2001 17/10/2001 128 3072 0,997882892 27/08/2002 28/08/2002 314 7536 0,995770267 10/02/2003 24/02/2003 166 3984 0,993662114 31/05/2004 01/07/2004 462 11088 0,991558424 20/02/2009 20/02/2009 1695 40680 0,989459189 02/03/2009 02/03/2009 10 240 0,987364397 19/03/2009 19/03/2009 17 408 0,98527404 16/08/2010 16/08/2010 515 12360 0,983188109 26/08/2011 02/01/2012 365 8760 0,981106594 21/12/2012 28/12/2012 354 8496 0,979029486 13/03/2013 11/03/2013 75 1800 0,976956775 jumlah 4101 98424 Rata - rata 341,75 8202
Dari tabel di atas menunjukkan hasil kenadalan dari data maintenance untuk komponen Air Heater 1A. Sebelumnya diketahui distribusi keandalannya untuk dapat menentukan fungsi untuk keandalannya dengan menggunakan distribusi yang telah ditentukan.
1. Analisa Perhitungan Reliability Secara Kuantitatif
Pada tahap ini menganalisa perhitungan keandalan yang dilakukan secara kuantitatif.
2. Perancangan Algoritma Jaringan Syaraf Tiruan
Pada tahap ini dilakukan perancangan keandalan melalui pendekatan Jaringan Syaraf Tiruan. Data yang digunakan dalam perancangan keandalan dengan menggunakan Jaringan Syaraf Tiruan ini menggunakan data proses kerja boiler. Data proses yang digunakan adalah 7 komponen dari boiler antara lain : Air Heater 1A, Air Heater 1B, Deaerator, FDF 1A, FDF 1B, Steam Coil Air Heater, dan Main Burner.
3. Simulasi Pemodelan Jaringan Syaraf Tiruan
Pada tahap ini dari perhitungan secara konvensional menentukan nilai keandalan dan mengaplikasikan nilai keandalan melalui pendekatan Jaringan Syaraf Tiruan dengan menggunakan software aplikasi. Komponen yang dimodelkan dengan menggunakan Jaringan Syaraf Tiruan untuk pendekatan nilai keandalan yaitu Air Heater 1A dan Air Heater 1B, Karena komponen ini yang keandaannya paling kritis dan yang paling mempengaruhi kerja dari boiler. Berikut merupakan salah sau contoh dari data proses yaitu komponen Air Heater 1B :
Tabel 2 Data Proses Air Heater 1B
4. Uji Validasi
Pada tahap ini dilakukan validasi untuk mengetahui nilai kendalan melalui pendekatan Jaringan Syaraf Tiruan. 5. Analisa / rekomendasi
Pada tahap ini dilakukan analisa dari hasil perhitungan nilai keandalan secara manual dan yang menggunakan pendekatan Jaringan Syaraf Tiruan dengan menggunakan software.
6. Penyusunan Laporan.
Pada tahap terakhir ini disusun laporan sebagai dokumentasi dari pelaksanaan Tugas Akhir.
III. HASILDANPEMBAHASAN
Pada bab ini akan menjelaskan tentang data- data yang digunakan dalam pengerjaan Tugas Akhir ini. Selain itu juga menjelaskan tentang perhitungan secara kuantitatif yang telah didapat. Selanjutnya menganalisa hasil dari pengerjaan tugas akhir ini untuk dapat menjawab permasalahan serta tujuan yang ada pada Tugas Akhir ini.
Data Maintenance
Data maintenance yang digunakan yaitu data kerusakan dari
boiler yang terdiri dari beberapa komponen, diantaranya adalah Air Heater 1A, Air Heater 1B, Deaerator, FDF 1A, FDF 1B, Steam Coil Air Heater, dan Main Burner. Dapat
dilihat data maintenance yang digunakan dalam tugas akhir ini adalah sebagai berikut :
Tabel 3 Data Maintenance Air Heater 1A
Hasil distribusi yang paling baik pada komponen Air Heater 1A seperti tabel 4.1 di atas yaitu dengan menggunakan distribusi weibull 2 parameter. Berikut merupakan hasil grafik hubungan antara failire rate dengan Time.
Grafik 1 Antara Failure Rate dengan Time
Dari grafik hubungan antara failure Rate dengan Time dapat dilihat bahwa semakin bertambahnya waktu, maka nilai laju kegagalan (failure rate) akan semakin besar. Karena semakin lama suatu komponen atau mesin akan bertambah besar kegagalannya dan semakin lama tidak sesuai dengan nilai set poin yang diinginkan.
Selanjutnya dapat dilihat hasil plot Probability Density Function pada komponen Air Heater 1A adalah sebagai berikut : t inlet air outlet air inlet gas outlet gas p outlet air p outlet gas R(t) Tanggal 0 96 196 265 132 233 39 0,90988 10/11/10 2 96 196 270 132 230 35 0,90824 4 97 196 265 132 235 37 0,90824 6 97 196 265 132 224 38 0,90824 8 86 235 340 142 602 146 0,90824 10 86 235 345 143 605 143 0,90824 12 86 235 345 143 607 141 0,90824 14 86 235 345 142 610 141 0,90824 16 89 210 315 137 358 73 0,90824 18 87 235 340 142 612 144 0,90824 20 85 235 342 142 617 144 0,90824 22 85 235 340 142 613 141 0,90824 24 95 197 270 132 239 39 0,90824 Air Heater 1A Raise Date Plan Start Date TTF (hari) TTF (jam) 19/05/2001 21/05/2001 0 0 26/09/2001 17/10/2001 128 3072 27/08/2002 28/08/2002 314 7536 10/02/2003 24/02/2003 166 3984 31/05/2004 01/07/2004 462 11088 20/02/2009 20/02/2009 1695 40680 02/03/2009 02/03/2009 10 240 19/03/2009 19/03/2009 17 408 16/08/2010 16/08/2010 515 12360 26/08/2011 02/01/2012 365 8760 21/12/2012 28/12/2012 354 8496 13/03/2013 11/03/2013 75 1800 jumlah 4101 98424 Rata - rata 341,75 8202
)
(
1
)
(
σ
µ
−
Φ
−
=
t
t
R
−
=
− βη
γ
tt
R
(
)
exp 0 200 400 600 800 1000 1200 1400 1600 1800 2000 0.7 0.75 0.8 0.85 0.9 0.95 1 Waktu (Jam) R( t ) Air Heater 1AGrafik 2 Probability Density Function
Dari hasil grafik di atas menunjukkan plot Probability Density Function (PDF) pada komponen Air Heater 1A, menunjukkan bahwa kemungkinan komponen ini akan mengalami kegagalan pada interval waktu 6000jam sampai 30000 jam. Maka artinya komponen Air Heater 1A ini pada waktu t – 6000 jam operasi.
Setelah didapatkan data maintenance serta penentuan distribusi sesuai nilai TTF, selanjutnya menentukan nilai kendalannya sesuai dengan distribusi yang telah didapatkan. Untuk distribusi normal menggunakan fungsi kehandalan seperti pada persamaan 2.2 yaitu sebagai berikut :
Untuk distribusi weibull menggunakan fungsi kehandalan seperti pada persamaan 2.10 yaitu sebagai berikut :
Hasil perhitungan keandalan tiap komponen boiler dengan distribusi yang telah ditentukan adalah sebagai berikut: Tabel 4 Nilai Keandalan pada Air Heater 1A dengan distribusi weibull parameter 2 t R(t) ß η 0 1 0,7583 8375,701 2 0,997883 0,7583 8375,701 4 0,99577 0,7583 8375,701 6 0,993662 0,7583 8375,701 8 0,991558 0,7583 8375,701 10 0,989459 0,7583 8375,701 12 0,987364 0,7583 8375,701 14 0,985274 0,7583 8375,701 16 0,983188 0,7583 8375,701 18 0,981107 0,7583 8375,701 20 0,979029 0,7583 8375,701 22 0,976957 0,7583 8375,701
Dari hasil perhitungan keandalan pada komponen Air Heater 1A yang menggunakan distribusi weibull 2 parameter dengan nilai ß = 0,7583 dan ɳ = 8375,701. Dapat dilihat grafik hubungan antara nilai keandalan dengan waktu adalah sebagai berikut :
Grafik 3 Nilai Keandalan dengan Waktu
Hasil grafik 4.6 di atas yang menunjukkan hubungan antara nilai keandalan dengan waktu pada komponen Air Heater 1A, menunjukkan bahwa penurunan keandalan akan terjadi seiring berjalannya waktu. Penurunan nilai keandalan pada grafik di atas dapat terlihat jelas pada saat waktu t = 1160 jam dengan nilai keandalan sebesar 0,799849005.
Tabel 5 Nilai Keandalan pada Air Heater 1B dengan menggunakan distribusi normal
t R(t) µ δ 0 0,90988 5314,2851 3979,759 2 0,90824 5314,2851 3979,759 4 0,90824 5314,2851 3979,759 6 0,90824 5314,2851 3979,759 8 0,90824 5314,2851 3979,759 10 0,90824 5314,2851 3979,759 12 0,90824 5314,2851 3979,759 14 0,90824 5314,2851 3979,759 16 0,90824 5314,2851 3979,759 18 0,90824 5314,2851 3979,759 20 0,90824 5314,2851 3979,759 22 0,90824 5314,2851 3979,759 24 0,90824 5314,2851 3979,759 26 0,90824 5314,2851 3979,759 28 0,90824 5314,2851 3979,759
Dari tabel 5 di atas adalah nilai keandalan pada komponen Air Heater 1B yang menggunakan distribusi normal dengan nilai µ = 5314,2851 dan nilai δ = 3979,759. Berikut dapat dilihat pada grafik 4.7 yaitu hubungan antara nilai keandalan terhadap waktu pada komponen Air Heater 1B :
0 200 400 600 800 1000 1200 1400 1600 1800 2000 0.75 0.8 0.85 0.9 0.95 Waktu (Jam) R( t ) Air Heater 1B
Grafik 4 Nilai Keandalan dengan Waktu
Dari hasil grafik hubungan antara nilai keandalan dengan waktu pada komponen Air Heater 1B, menunjukkan bahwa penurunan keandalan akan terjadi seiring berjalannya waktu. Penurunan secara perlahan untuk nilai keandalan pada grafik di atas dimulai pada waktu t = 1956 jam dengan nilai keandalan sebesar 0,79955.
Setelah didapatkan hasil keandalan pada tiap – tiap komponen boiler, selanjutnya akan melakukan pendekatan perhitungan keterandalan dengan menggunakan jaringan syaraf tiruan dengan logika backpropagation. Data yang digunakan adalah pasangan data dari data proses yang ada pada boiler dengan nilai keandalan dengan menggunakan data maintenance sebelumnya adalah sebagai berikut :
Tabel 6 Data Proses Air Heater 1A
t inlet air outlet air inlet gas outlet gas p outlet air p outlet gas R(t) Tanggal 0 99 235 318 137 430 112 1 16/08/2010 2 99 234 319 135 439 111 0,997883 4 99 230 320 136 432 110 0,99577 6 100 233 321 132 437 111 0,993662 8 98 240 318 133 423 108 0,991558 10 99 244 318 137 420 111 0,989459 12 98 200 318 137 419 111 0,987364 14 99 235 320 132 419 106 0,985274 16 100 235 320 132 424 110 0,983188 18 101 236 317 135 425 112 0,981107 20 99 233 316 135 434 112 0,979029 22 99 237 320 136 431 109 0,976957 24 100 235 320 132 433 110 0,974888
Dari data proses pada tabel 6 di atas yaitu pada komponen Air Heater 1A. Data proses tersebut digunakan untuk pasangan input dan output mengetahui nilai keandalan dengan pendekatan menggunakan jaringan saraf tiruan. Berikut adalah hasil pemodelan dengan mengguanakan jaringan saraf tiruan pada komponen Air Heater 1A.
Gambar 5 Hasil Pemodelan Jaringan Saraf Tiruan Pada Komponen Air Heater 1A
Hasil pemodelan dengan menggunakan jaringan saraf tiruan pada komponen Air Heater 1A seperti gambar di atas adalah pemodelan untuk pendekatan nilai keandalan pada komponen Air Heater 1A. Pemodelan ini menggunakan 7 input dari data proses pada komponen Air Heater 1A yang meliputi waktu, inlet air, outlet air, inlet gas, outlet gas, pressure outlet air, pressure outlet gas. Serta 1output yaitu nilai keandalan (R(t)) yang didapatkan dari perhitungan secara kuantitatif sebelumnya. Hasil pemodelan jaringan saraf tiruan ini yaitu dengan 2 neuron, 2 Hidden Layer, 6 iterasi sudah dapat mencapai target dengan baik dan dengan hasil nilai MSE (Mean Square Error) sebesar 0,000462. Serta dapat dilihat hasil grafik untuk Train, Validation, dan Test untuk padangan data Input dan Output pada pemodelan ini adalah sebagai berikut pada gambar 6 :
Gambar 6 Grafik Hasil Training, Validation, dan Testing
Selanjutnya dapat dilihat hasil regresi untuk data – data yang telah dilatih, divalidasi, dan dicoba pada gambar 7 sebagai berikut :
Gambar 7 Grafik Training Regression
Hasil grafik training regression di atas menunjukkan data yang dilatih sesuai dengan target yang diinginkan yang ditunjukkan dengan nilai R = 0,99823, data yang divalidasi juga sesuai target yaitu dengan nilai R = 0,99793, serta data yang ditest juga sesuai dengan target yang diinginkan dengan nilai R = 0,99839. Untuk regresi keseluruhan juga dapat dilihat sesuai dengan target yang diinginkan yaitu dengan R = 0,99822.
Dari pemodelan dengan menggunakan jaringan saraf tiruan yang telah dibuat, dapat dilakukan uji validasi hubungan antara nilai keandalan yang dilakukan secara perhitungan kuantitatif dengan pendekatan menggunakan jaringan saraf tiruan, dapat dilihat pada tabel 7 sebagai berikut :
Tabel 7 Hasil Validasi antara perhitungan secara kuantitatif dengan pemodelan menggunakan JST pada komponen Air Heater 1A. I n Out In Out JST Devia si R(t) t R(t) t T In Air T Ou t Air T In Ga s T Ou t Ga s p Ou t Air p Ou t Ga s R(t) 0 1 0 99 23 5 31 8 13 7 43 0 11 2 0,984 4 0,0156 2 0,998 2 2 99 23 4 31 9 13 5 43 9 11 1 0,983 4 0,0148 4 0,996 9 4 99 23 0 32 0 13 6 43 2 11 0 0,983 6 0,0133 6 0,995 8 6 10 0 23 3 32 1 13 2 43 7 11 1 0,981 7 0,0141 8 0,994 8 8 98 24 0 31 8 13 3 42 3 10 8 0,981 3 0,0135 1 0 0,993 9 1 0 99 24 4 31 8 13 7 42 0 11 1 0,983 6 0,0103 1 2 0,993 0 1 2 98 20 0 31 8 13 7 41 9 11 1 0,982 6 0,0104 1 4 0,992 1 1 4 99 23 5 32 0 13 2 41 9 10 6 0,980 1 0,0120 1 6 0,991 3 1 6 10 0 23 5 32 0 13 2 42 4 11 0 0,980 4 0,0109 1 8 0,990 5 1 8 10 1 23 6 31 7 13 5 42 5 11 2 0,982 6 0,0079 2 0 0,989 7 2 0 99 23 3 31 6 13 5 43 4 11 2 0,981 8 0,0079
Gambar 8 Grafik Hasil Validasi Antara Perhitungan Kuantitatif dengan Pendekatan JST
Pada tabel 7 dan grafik 8 di atas menunjukkan hasil perhitungan nilai keandalan secara kuantitatif dengan pemodelan nilai keandalan menggunakan pendekatan jaringan saraf tiruan pada komponen Air Heater 1B. Hasil validasi antara kedua metode yang digunakan dalam penelitian ini menunjukkan bahwa hasil perhitungan keandalan dengan menggunakan jaringan saraf tiruan memiliki nilai yang cukup dekat dengan hasil yang diperoleh dari pendekatan kuantitatif. Berdasarkan 11 data yang digunakan, selisih tertinggi sebesar 0,0156 pada saat t ke 0 jam atau waktu pertama, sedangkan selisih terendah sebesar 0,079 pada saat t ke 18 dan 20 jam.
IV. KESIMPULAN
Kesimpulan yang didapat dari hasil penelitian ini adalah sebagai berikut :
1. Dari 7 komponen pada boiler, komponen yang memiliki hasil keandalan yang paling baik adalah komponen Air Heater 1B, sedangkan hasil keandalan yang paling kurang baik adalah kompoen Steam Coil Air Heater, hal itu dapat dilihat dari grafik keandalan terhadap waktu.
2. Pemodelan untuk komponen Air Heater 1A dengan Jaringan Syaraf Tiruan memiliki konfigurasi 7 input, 2 Hidden Layer, 1 Output Layer, dan 1Output, dengan 6 iterasi sudah dapat mencapai target yang diinginkan dengan nilai Main Square Error adalah 0,000462. Selanjunya pemodelan untuk komponen Air Heater 1B dengan Jaringan Syaraf Tiruan memiliki konfigurasi 7 input, 2 Hidden Layer, 1 Output Layer, dan 1Output, dengan 6 iterasi sudah dapat mencapai target yang diinginkan dengan nilai Main Square Error adalah 0,00211. 0.9 0.91 0.92 0.93 0.94 0.95 0.96 0.97 0.98 0.991 0 2 4 6 8 101214161820 R(t) kuantitatif R(t) JST
V. UCAPANTERIMAKASIH
Terima kasih kepada seluruh dosen dan staff pengajar jurusan Teknik Fisika yang telah memberikan ilmunya, kepada seluruh Mahasiswa Teknik Fisika atas bantuan kerjasamanya selama kuliah di jurusan Teknik Fisika dan kepada PT.PJB Gresik yang telah memberikan beasiswa demi kelancaran penelitian tugas akhir ini.
DAFTAR PUSTAKA
1. S. Lolas,O.A. Olatunbosun., [2008], Prediction of Vehicle Reliability Performance Using Artificial Neural Network, school of mechanical and manufacturing engineering, university of Birmingham, B15 2TT, UK.
2. Wisandiko, Anugrah Okta.2011.”Analisa Keandalan, Keamanan dan Management Resiko Pada Pembangkit Listrik Tenaga Gas Blok 2.2 di PLTGU PT. PJB UP Gresik dengan Menggunakan Pendekatan Kuantitatif.” Institut Teknologi Sepuluh Nopember. Surabaya.
3. Anonim.2007. “Profil PT PJB UP Gresik”. PT PJB UP Gresik.
4. Ebeling,Charles E. 1997. An Introduction to Reliability and Maintainability Engineering, The McGrow-Hill Companies, Singapore.
5. Yani, Eli. Pengantar Jaringan Syaraf Tiruan,, 2005, MateriKuliah.Com, Yogyakarta.
6. Maru’ao, Dini Oktaviani.2010. Neural Network Implementation in Foreign Kurs Peediction, Universitas Gunadarma.
7. Hermawan, Arief. Jaringan Syaraf Tiruan, 2006. Yogyakarta.
