Identifikasi Anomali Transformator Menggunakan Algoritma Machine Learning AdaBoost

Bilah Samping Artikel

PDF (Inggris)
Diterbitkan: Dec 11, 2024
DOI: https://doi.org/10.56873/jpkm.v9i2.5765
Kata Kunci:
Adaboost, Duval Pentagon Method, Transformer, Duval Triangle Method
Dimensions
Altmetrics
Statistics
Read Counter : 12
Download : 9
Crossmark/ Data Version

Isi Artikel Utama

meyti eka apriyani
Politeknik Negeri Malang
Ekojono Ekojono
Informatic Engineering, State Polytechnic of Malang
Sela Aulia Siswanto
Informatic Engineering, State Polytechnic of Malang

Abstrak

Energi listrik merupakan salah satu kebutuhan terpenting di daerah, dalam hal penyediaan daya listrik diperlukan sebuah transformator untuk menyalurkan daya listrik ke setiap rumah. Penggunaan transformator di setiap daerah memerlukan pengujian kandungan minyak di dalamnya untuk menilai keadaan transformator. Metode Duval Pentagon (DPM) dan Metode Duval Triangle (DTM) dapat digunakan dalam pengujian untuk mengidentifikasi gangguan transformator. Karena banyaknya transformator yang digunakan dalam distribusi energi publik, metode machine learning Adaboost diterapkan untuk mengidentifikasi gangguan transformator dengan mengkategorikan data uji pada dataset yang berasal dari pengujian yang dilakukan dengan teknik DTM dan DPM sebelumnya dan algoritma AdaBoost memprediksi gangguan transformator. Di dalam pengujian yang dilakukan dengan menggunakan dataset yang terbaik untuk divisi tersebut menggunakan 80% data untuk data training dan 20% untuk pengujian, menggunakan laju pembelajaran 1 dan estimator 400 untuk DTM. Ini menghasilkan tingkat akurasi 91,1%, yang merupakan klasifikasi yang sangat baik. Sebaliknya, pendekatan DPM membagi kumpulan data menjadi 80% pelatihan dan 20% pengujian, menggunakan estimator 500, dan memiliki tingkat pembelajaran 0,5. Hal ini menghasilkan tingkat akurasi klasifikasi yang sangat baik sebesar 84,9%

Rincian Artikel

Terbitan
Vol 9 No 2 (2024): Desember 2024
Bagian
Informatika
Creative Commons License

Artikel ini berlisensiCreative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

Kebijakan yang diajukan untuk jurnal yang menawarkan akses terbuka

Syarat yang harus dipenuhi oleh Penulis sebagai berikut:

  1. Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Commons Attribution License yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
  2. Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
  3. Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).

Referensi

Ahmad, N., & Taqijudin, H. M. A. (1991). Indikator Kegagalan Kerja Dengan Uji Dissolved Gas Analysis Di Gardu Induk Probolinggo. Unisma.

Afrida, Y., & Fitriono. (2022). Analisa Kondisi Minyak Trafo Berdasarkan Hasil Uji Dissolved Gas Analisys Pada Trafo Daya #1 Di Pt.Pln (Persero) Gardu Induk Kotabumi. Electrician, 16(3), 355–358. https://doi.org/10.23960/elc.v16n3.2408

Bakar, N. A., Abu-Siada, A., Cui, H., & Li, S. (2017). Improvement of DGA interpretation using scoring index method. In ICEMPE 2017 - 1st Int. Conf. Electr. Mater. Power Equip. (pp. 502–506). https://doi.org/10.1109/ICEMPE.2017.7982139

Pattanadech, N., & Wattakapaiboon, W. (2019). Application of Duval pentagon compared with other DGA interpretation techniques: Case studies for actual transformer inspections including experience from power plants in Thailand. In Proceeding - 5th Int. Conf. Eng. Appl. Sci. Technol. ICEAST 2019 (pp. 1–4). Https://doi.org/10.1109/ICEAST.2019.8802523

Siburian, J. (2019). Karakteristik Transformator. J. Teknol. Energi UDA, VIII(21), 21, 23.

Zulkhulaifah, B. H. R. (2021). Analisis Pengaruh Ketidakseimbangan BebanTrafo Distribusi 20 Kv Terhadap Rugi-Rugi Daya dan Efisiensi pada Penyulang Hertasning Baru PT PLN (Persero) ULP Panakukkang Makassar. Pros. Semin. Nas. Tek. Elektro dan Inform., 1–6.

Yue, Y., Yang, D., & Han, D. (2022). Application of Duval Pentagon in State Diagnosis of on Load Tap Changer. J. Phys. Conf. Ser., 2247(1). https://doi.org/10.1088/1742-6596/2247/1/012021

Setiawan, K. (2023). Evaluasi partial discharge transformator 60 mva dengan metode duval triangle di pltu rembang. Retrieved from http://repository.unissula.ac.id/29939/1/Teknik Elektro_30601700016_fullpdf.pdf

Misto, M., & Haryono, H. (2019). Analisis Gas Terlarut pada Minyak Isolasi sebagai Indikator Kegagalan Transformator Daya dengan Metode Dissolved Gas Analysis. J. Tek. Elektro dan Komputasi, 1(2), 99–112. https://doi.org/10.32528/elkom.v1i2.3091

Gupta, A., Jain, K., Sood, Y. R., & Sharma, N. K. (2019). Comparative study of duval triangle with the new DGA interpretation scheme. In Vol. 509. Springer Singapore. https://doi.org/10.1007/978-981-13-0665-5_24

Prasojo, R. A., et al. (2023). Precise transformer fault diagnosis via random forest model enhanced by synthetic minority over-sampling technique. Electron. Power Syst. Res., 220, 109361. https://doi.org/10.1016/j.epsr.2023.109361

Hu, H., Wang, D., Fu, J., Mao, Y., Zhang, Z., & Wu, D. (2020). Software implementation of automatic fault identification based on the Duval Pentagon. J. Phys. Conf. Ser., 1633(1). https://doi.org/10.1088/1742-6596/1633/1/012135

Duval, M., & Lamarre, L. (2014). The Duval Pentagon — A New Complementary Tool for the. IEEE Electr. Insul. Mag., 30(6), 9–12.

Bisri, A., & Wahono, R. S. (2015). Penerapan Adaboost untuk Penyelesaian Ketidakseimbangan Kelas pada Penentuan Kelulusan Mahasiswa dengan Metode Decision Tree. J. Intell. Syst., 1(1), 27–32.

Rohmah, A. (2020). Pandemi covid-19 dan dampaknya terhadap perilaku konsumen di indonesia. J. Inov. Penelit., 1(3), 1–4.

Khesya, N. (2021). Mengenal Flowchart dan Pseudocode Dalam Algoritma dan Pemrograman. Preprints, 1, 1–15. Retrieved from https://osf.io/dq45ef

Saepudin, S., Pudarwati, E., Warman, C., Sihabudin, S., & Giri, G. (2022). Perancangan Arsitektur Sistem Pemesanan Tiket Wisata Online Menggunakan Framework Zachman. J. Sisfokom (Sistem Inf. dan Komputer), 11(2), 162–171. https://doi.org/10.32736/sisfokom.v11i2.1415

Radhitya, M. L., & Sudipa, G. I. (2020). Pendekatan Z-Score Dan Fuzzy Dalam Pengujian Akurasi Peramalan Curah Hujan. SINTECH (Science Inf. Technol. J., 3(2), 149–156. https://doi.org/10.31598/sintechjournal.v3i2.567

Nurlaela, D. (2020). Penerapan Adaboost Untuk Meningkatkan Akurasi Naive Bayes Pada Prediksi Pendapatan Penjualan Film. INTI Nusa Mandiri, 14(2), 181–188. https://doi.org/10.33480/inti.v14i2.1220

Purnajiwa Arimbawa, I. G. A., & Sanjaya ER, N. A. (2020). Penerapan Metode Adaboost Untuk Multi-Label Classification Pada Dokumen Teks. JELIKU (Jurnal Elektron. Ilmu Komput. Udayana), 9(1), 127. https://doi.org/10.24843/jlk.2020.v09.i01.p13

Zhang, Q., & Kong, X. (2020). Design of Automatic Lung Nodule Detection System Based on Multi-Scene Deep Learning Framework. IEEE Access, 8, 90380–90389. https://doi.org/10.1109/ACCESS.2020.2993872

Argina, A. M. (2020). Penerapan Metode Klasifikasi K-Nearest Neighbor pada Dataset Penderita Penyakit Diabetes. Indonesian Journal of Data and Science, 1(2), 29–33.

Rokani, V. (2023). Power Transformer Fault Diagnosis Using Neural Network Optimization Techniques. Mathematics, 11(22), 4693. https://doi.org/10.3390/math11224693