Resources Asia Energi News Makers
Related Articles
JAKARTA, RESOURCESASIA.ID — Dosen Institut Teknologi PLN (ITPLN) Ibnu Hajar berhasil menyelesaikan program doktoral bidang Teknik Elektro (Doctor of Philosophy in Electrical Engineering/Ph.D) di Universiti Teknologi MARA (UiTM) Shah Alam, Malaysia. Dalam disertasinya, Ibnu mengembangkan model deep learning berbasis ketidakpastian untuk meningkatkan efisiensi dan pemantauan sistem pendingin sekunder reaktor nuklir.
Riset doktoral Ibnu Hajar berjudul “Optimal Efficiency Enhancement and Predictive Intelligence of A Nuclear Reactor Secondary Cooling System Using Hybrid and Uncertainty-Aware Deep Learning Models”. Penelitian tersebut berfokus pada pengembangan sistem pemantauan prediktif untuk proses pendinginan sekunder PUSPATI TRIGA Reactor (RTP) menggunakan data Supervisory Control and Data Acquisition (SCADA).
“Penelitian ini berangkat dari kebutuhan meningkatkan pemantauan sistem pendingin sekunder reaktor. Selama ini, proses tersebut terutama mengandalkan pemantauan operasional, inspeksi berkala, dan pertimbangan teknis,” ujar Ibnu Hajar di Jakarta, Senin, 21 September 2026.
Menurutnya, penelitian ini menggunakan pemanfaatan pemodelan berbasis data untuk mendeteksi anomali, melakukan prediksi, mengukur ketidakpastian, serta mendukung pengambilan keputusan masih terbatas.
Disertasi tersebut diuji melalui sidang viva voce pada 21 September 2026 secara daring. Ibnu Hajar dibimbing Prof. Ir. Ts. Dr. Murizah Binti Kassim sebagai main supervisor, serta Dr. Mohd Sabri Minhat dan Ir. Dr. Shahrani Shahbudin sebagai co-supervisors. Adapun penguji terdiri atas Prof. Ir. Dr. Mohd Khair Bin Hassan dari Universiti Putra Malaysia (UPM) sebagai external examiner dan Assoc. Prof. Ir. Ts. Dr. Nurdaila Binti Ismail sebagai internal examiner.
Dalam risetnya, Ibnu Hajar menggunakan data SCADA dari sejumlah instrumen, yakni TT003, TT004, PT002, PT003, dan FT002. Data tersebut dianalisis untuk memahami karakteristik sistem sekaligus mengidentifikasi pola tidak normal pada proses pendinginan.
“Hasil karakterisasi menunjukkan variabel temperatur TT003 dan TT004 relatif stabil, dengan nilai rata-rata masing-masing 33,07 derajat Celsius dan 31,57 derajat Celsius. Sementara itu, variabel hidraulik menunjukkan perubahan yang lebih dinamis,” jelasnya.
Dia melanjutkan, variabel FT002 tercatat sebagai parameter paling tidak teratur. Data tersebut memiliki nilai rata-rata 67,02 meter kubik per jam dengan simpangan baku 93,47 meter kubik per jam serta menunjukkan kondisi zero-flow secara berkala.
Untuk mendeteksi perilaku ekstrem, penelitian menggunakan analisis Z-Score dan metode Isolation Forest. Analisis Z-Score menemukan perilaku ekstrem dengan nilai z sebesar -3,19, sedangkan Isolation Forest mengidentifikasi sejumlah data anomali.
“Penelitian kemudian membandingkan sejumlah model statistik, machine learning, deep learning, dan model hibrida untuk melakukan prediksi,” ucapnya.
Di antara model deterministik yang diuji, kata Ibnu Hajar, Gated Recurrent Unit (GRU) menunjukkan kinerja paling kuat. Model tersebut menghasilkan RMSE 0,03–0,12, nilai R² sebesar 0,70–0,92, serta persentase kesalahan 5,55–16,95 persen pada variabel yang tidak didominasi kondisi nol.
Ibnu Hajar selanjutnya menerapkan Monte Carlo Dropout untuk memperhitungkan ketidakpastian dalam hasil prediksi. Pendekatan tersebut menghasilkan RMSE 2,17–51,11 dengan prediction interval coverage 42,9–71,5 persen.
Penelitian juga mengembangkan model hibrida GRU–WaveNet yang dipadukan dengan Monte Carlo Dropout. Pada prediksi satu langkah, model tersebut menghasilkan RMSE 0,72–17,38 dan R² sebesar 0,84–0,91.
Namun, ketika diuji menggunakan metode walk-forward validation, RMSE meningkat menjadi 2,03–51,32. Nilai R² berada pada rentang -0,07 hingga 0,42, sedangkan cakupan ketidakpastian berada pada 31,5–72 persen.
Temuan tersebut menunjukkan adanya akumulasi kesalahan dalam prediksi jangka berjalan serta cakupan ketidakpastian yang masih rendah pada sejumlah sinyal tekanan dan aliran.
Dari sisi komputasi, model GRU–WaveNet dinilai masih memungkinkan digunakan untuk analitik SCADA mendekati waktu nyata. Model tersebut memiliki 335.352 parameter dengan latensi inferensi 38,15 milidetik per sampel.
AI untuk Pemantauan Reaktor
Kebaruan penelitian Ibnu Hajar terletak pada integrasi karakterisasi SCADA khusus RTP, deteksi anomali, perbandingan model prediksi, kuantifikasi ketidakpastian, pemodelan hibrida, walk-forward validation, hingga evaluasi kelayakan komputasi dalam satu kerangka penelitian.
Hasil penelitian merekomendasikan GRU sebagai model mandiri yang ringan untuk kebutuhan pemantauan. Sementara itu, GRU–WaveNet dengan Monte Carlo Dropout menjadi model hibrida yang memberikan keseimbangan antara kemampuan prediksi dan pengukuran ketidakpastian.
Meski demikian, penelitian tersebut merekomendasikan pengembangan lebih lanjut sebelum sistem diterapkan secara operasional. Beberapa pendekatan yang disarankan meliputi conformal recalibration, pemodelan ketidakpastian aleatorik, serta penerapan kendala berbasis prinsip fisika (physics-informed constraints).
Riset ini memperlihatkan bagaimana pemanfaatan AI dan deep learning dapat diarahkan untuk mendukung pemantauan sistem pendingin reaktor penelitian, terutama dalam mendeteksi kondisi tidak normal, memprediksi perilaku sistem, serta memberikan informasi ketidakpastian yang dapat digunakan sebagai bahan pendukung pengambilan keputusan teknis. (Rama Julian Saputra)
Foto: Dok ITPLN
