Operasional turbin di PLTU UBP Banten 3 Lontar memerlukan pemantauan yang ketat karena tingginya risiko kerusakan akibat getaran yang berlebih. Masalah utama yang dihadapi adalah sistem proteksi saat ini hanya dapat memberikan indikasi alarm dan trip tanpa memberikan indikasi gangguan apa yang terjadi akibat lonjakan vibrasi. Penelitian ini bertujuan untuk membangun suatu sistem deteksi dini gangguan pada turbin dengan menggunakan metode machine learning dengan algoritma random forest. Data yang digunakan bersumber dari data historis Distributed Control System (DCS), mencakup parameter getaran, kecepatan putar (RPM), suhu uap, dan bukaan governor. Proses penelitian ini dilakukan dengan pembersihan data, penyeimbangan data menggunakan teknik SMOTE serta pengujian model dengan pembagian data 90:10. Hasil dari penelitian ini menunjukkan bahwa metode random forest berhasil mendeteksi kesehatan turbin dengan tingkat akurasi sebesar 93% dan nilai recall 98%. Analisis feature importance menunjukkan bahwa bukaan katup governor merupakan faktor paling dominan yang dapat mempengaruhi kestabilan getaran turbin. Sisitem ini diintegrasikan ke dalam dashboard pemantauan untuk mengidentifikasikan gangguan secara real-time, seperti unbalance dan mechanical looseness, serta memberikan rekomendasi pemeliharaan prediktif, sehingga dapat meningkatkan keandalan operasional turbin dan mencegah terjadinya unit trip.