Efisiensi termal menjadi hal yang penting dalam penurunan biaya bahan bakar dan penurunan emisi. Specific fuel consumption dari boiler merupakan kontributor terbesar terhadap efisiensi termal pembangkit listrik tenaga batu bara. Prediksi fuel mass flow rate boiler dan rekomendasi kombinasi parameter operasi udara bakar yang optimal dapat membantu real-time officer atau operator di control room untuk mengambil keputusan dalam pengoperasian unit pembangkit dalam upaya penurunan specific fuel consumption. Penelitian ini bertujuan untuk menyediakan teknik pemodelan forecasting untuk membangun fitness function untuk fuel mass flow rate boiler, serta menyediakan teknik optimasi untuk mencari solusi optimal dari fitness function tersebut. Metodologi Cross Industry Standard Process for Data Mining diimplementasikan untuk keseluruhan tahap penelitian. Model diuji dengan metrik mean absolute precentage error, sedangkan teknik optimasi diuji menggunakan metrik number of function evaluation, convergence rate, solution quality, dan computational time. Hasil penelitian menunjukan bahwa teknik pemodelan gated recurrent units, recurrent neural network, dan long short-term memory berfungsi dengan baik dalam membuat fitness function dan constraint function yang akurat dengan nilai mean absolute percentage error di bawah 3% dan genetic algorithm, particle swarm optimization, dan ant colony optimization berfungsi dengan baik mencari solusi optimum yang membuat nilai fitness function minimum tanpa melanggar constraint function. Pada proses optimasi terbaik, yaitu dengan particle swarm optimization, nilai fuel mass flow rate turun sebesar 0,2335% dibandingkan dengan baseline. Penurunan ini diperkirakan dapat meningkatkan efisiensi hingga mencapai 5 miliar rupiah per tahun.