| PLTU Batubara di Sistem Jawa Bali merupakan tulang punggung pembangkitan energi listrik nasional, berkontribusi sebesar 76,4% terhadap total produksi energi pada tahun 2023. Equivalent Availability Factor (EAF) adalah salah satu indikator kinerja utama pembangkit yang mencerminkan kesiapan operasionalnya. Penelitian ini bertujuan untuk memprediksi kinerja EAF menggunakan algoritma Long Short-Term Memory (LSTM), sebuah metode machine learning yang dirancang untuk menangkap pola temporal dalam data berurutan. Data historis sembilan tahun (2014–2022) digunakan dengan variabel Planned Outage (PO), Maintenance Outage (MO), Forced Outage (FO), dan derating sebagai input model. Tahap penelitian mencakup eksplorasi data, normalisasi, dan seleksi fitur berdasarkan analisis korelasi. Model LSTM dirancang dengan arsitektur berlapis untuk menangkap hubungan kompleks antarvariabel, dengan evaluasi menggunakan Mean Absolute Error (MAE) dan R-squared (R²). Hasil penelitian menunjukkan model mencapai MAE sebesar 1,43% dan R² sebesar 0,99, menunjukkan akurasi prediksi tinggi. Dengan temuan ini, penelitian diharapkan dapat menjadi dasar pengembangan metode prediksi yang lebih akurat di sektor pembangkit listrik, mendukung optimalisasi operasi sistem energi. Selain itu, optimalisasi EAF juga berperan penting dalam mendukung efisiensi penggunaan batubara, sehingga dapat membuka peluang lebih besar untuk transisi menuju energi hijau melalui pengelolaan sumber daya yang lebih bertanggung jawab. |