Prediksi Tingkat Pengayaan Uranium melalui Sentrifus Gas menggunakan Random Forest pada Data Operasional yang Disimulasikan

Daffa Baihaqi Shaquille, Prof. Ir. Nazrul Effendy, S.T. M.T., Ph.D., IPM., ASEAN Eng.; Prof. Dr. Ir. Andang Widi Harto, M.T., IPU., ASEAN Eng.

2026 | Skripsi | TEKNIK NUKLIR

Pengayaan uranium merupakan tahap krusial dalam siklus bahan bakar nuklir, dengan sentrifus gas tetap menjadi metode dominan karena efisiensi dan skalabilitasnya. Prediksi akurat keluaran pengayaan sangat penting untuk pemahaman proses, optimasi desain, dan pemodelan akademis. Namun, data operasional dari fasilitas pengayaan sangat terbatas sehingga pemodelan empiris tradisional menjadi sulit untuk dilakukan. Penelitian ini menjawab tantangan tersebut menggunakan kumpulan data simulasi dari model fisik dan matematika operasi sentrifus gas.

Penelitian ini mengembangkan dan menerapkan kerangka kerja prediktif berbasis algoritma regresi Random Forest untuk memodelkan keluaran utama dari proses pengayaan uranium. Model Random Forest dilatih dan diuji pada data operasional yang disimulasikan atau sintetis untuk memprediksi tingkat pengayaan dan mengurangi ketergantungan pada persamaan analitikal yang kompleks. Analisis komparatif terhadap persamaan ideal/sederhana neraca massa sistem sentrifus gas digunakan untuk mengevaluasi kinerja model, menyoroti kepentingan fitur, dan menilai kelayakan pendekatan berbasis data untuk pemodelan pengayaan.

Hasil menunjukkan bahwa model Random Forest yang dikembangkan mencapai akurasi prediksi 0,9668, kesalahan kuadrat rata-rata (MSE) 6,9×10^-7 , dan kesalahan mutlak rata-rata (MAE) 6,2691×10^-4 yang menunjukkan bahwa model Random Forest dapat memprediksi tingkat pengayaan uranium dengan baik tanpa harus mengetahui persamaan yang mendasari proses tersebut. Analisis kepentingan fitur menunjukkan bahwa parameter yang paling berpengaruh adalah aliran umpan dan aliran limbah, dengan kepentingan masing-masing 52,12?n 43,21%.

Uranium enrichment is a critical stage in the nuclear fuel cycle, with the gas centrifuge remaining the dominant method due to its efficiency and scalability. Accurate prediction of enrichment outputs is essential for process understanding, design optimization, and academic modeling. However, operational data from enrichment facilities are highly restricted, making traditional empirical modeling difficult. This research addresses that challenge by employing simulated datasets generated from established physical and mathematical models of gas centrifuge operations.

This study develops and applies a predictive framework using the Random Forest regression algorithm to model key outputs of the uranium enrichment process. The Random Forest model is trained on simulated data to explore whether the model can approximate enrichment behavior while reducing the dependence on complex analytical equations. Comparative analysis is used to evaluate model performance, highlight feature importance, and assess the feasibility of data-driven approaches to enrichment modeling.

The results show that the developed Random Forest model achieves a prediction accuracy of 0.9668, a mean squared error (MSE) of 6.9×10^-7 , and a mean absolute error (MAE) of 6.2691×10^-4 indicating that the machine learning model is able to predict uranium enrichment level without knowing the process underlying equations. Feature importance analysis reveals that the most influential parameters are feed flow and tails flow, with importance of 52.12% and 43.21% respectively. 

Kata Kunci : prediksi, pengayaan uranium, sentrifus gas, Random Forest, disimulasikan