Pembangkit listrik tenaga uap (PLTU) berbahan bakar batubara masih mendominasi bauran energi nasional Indonesia, dengan Net Plant Heat Rate (NPHR) sebagai indikator utama efisiensi operasional. Tantangan pemantauan dan pengendalian NPHR secara real-time disebabkan oleh kompleksitas hubungan nonlinier antar variabel operasi serta dinamika kondisi pembangkit. Penelitian ini mengkaji penerapan metode pembelajaran mesin untuk prediksi NPHR menggunakan data operasi aktual PLTU batubara. Model Multi-Layer Perceptron (MLP) dan Gradient Boosting Regressor (GBR) dikembangkan dan dievaluasi berdasarkan data Distributed Control System (DCS) dengan interval pengambilan sampel lima menit dari satu unit pembangkit berkapasitas 400 MW. Metodologi penelitian mencakup pra-pemrosesan data, rekonstruksi NPHR, pelatihan model, serta evaluasi kinerja menggunakan metrik Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), dan koefisien determinasi (R²). Hasil penelitian menunjukkan bahwa kedua model mampu memprediksi NPHR dengan tingkat akurasi yang tinggi. Pada konfigurasi terbaik, model MLP pada skema pembagian data 70/30 menghasilkan kinerja prediksi paling optimal dengan nilai MAE sebesar 3,514, RMSE sebesar 5,537, dan R² sebesar 0,999 pada data uji, serta menunjukkan kemampuan generalisasi temporal yang baik pada pengujian cold test dengan nilai RMSE sebesar 4,532 dan R² sebesar 0,999. Sementara itu, model GBR pada skema pembagian data 80/20 menunjukkan karakteristik prediksi yang stabil dengan nilai RMSE data uji sebesar 7,877 dan R² sebesar 0,998. Temuan ini menunjukkan bahwa pendekatan pembelajaran mesin berbasis data operasi aktual berpotensi menjadi dasar pengembangan sistem pemantauan dan pendukung keputusan berbasis data untuk peningkatan efisiensi operasional PLTU.