Untuk mencegah terjadinya breakdown (suddenly failure) dari suatu komponen vital pada Pembangkit Listrik Tenaga Air (PLTA) seperi kerusakan bantalan pada poros turbin perlu dilakukan predictive maintenance untuk menghindari kerugian yang lebih besar.
Tujuan penelitian ini untuk membantu memprediksi pergantian bantalan sebelum terjadi kerusakan parah. Metode yang digunakan untuk pada peneitian ini yaitu menggunakan terknologi Artificial Intelegence bidang Machine Learning. Penggunaan Machine Learning berfungsi sebagai klasifikasi kondisi dan memprediksi bantalan. Jenis Machine Learning digunakan yakni Algoritma SVM dan k-NN serta Regression dalam mengolah data operasional bantalan pad turbin air Francis pada PLTA Bakaru (thrust dan turbine bearing).
Hasil pengujian didapatkan nilai accuracy thrust bearing SVM 100% dan k-NN 100%. Sedangkan nilai accuracy turbine bearing SVM 67% dan k-NN 67%. Peningkatan score akurasi dilakukan terhadap data turbine bearing yang sebelumnya 0.60 atau 60 % dari hasil pengujian SVM. Adapun peningkatan nilai accuracy dilakukan dengan hyperparemeter tuning dengan library PSO, dimana terdapat peningkatan skor menjadi 0.775 atau 77,5 % dengan 1000 iters. Peningkatan dilakukan juga yang sebelumnya 0.67 atau 67% dari hasil pengujian k-NN dimana terdapat peningkatan skor menjadi 0.719 atau 71,9 % dengan literasi sebanyak 5000 iters. Berdasarkan hasil regression maka didapatkan prediksi waktu untuk mencapai critical point vibrasi 150 µm adalah sekitar 5 bulan untuk thrust bearing dan 16 bulan untuk turbine bearing. Perhitungan rata-rata nilai vibrasi thrust bearing dan turbine bearing sebesar 126 µm dan 113 µm diuji dengan standar ISO ISO 7919-5 (Hydraulic and Pump vibration standard analysis). Berdasarkan standar ISO vibrasi nilai kedua bantalan masih di kategori B (unlimited long-term operation allowed).