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. (sam)






