Desain Sistem Diagnosis Kegagalan Pada Transformator Daya Berbasis Extreme Learning Machine (ELM)

Abstract

Transformator adalah komponen yang paling berpengaruh terhadap keberlangsungan sistem tenaga listrik, sehingga suatu transfromator diharapkan dapat bekerja dalam jangka waktu yang cukup lama. Namun dalam pengoperasiannya, transformator akan secara terus menerus mengalami tekanan (stress) yang berimbas pada munculnya panas pada belitan transformator. Panas yang muncul dapat menyebabkan masalah dan memicu kegagalan pada transformator Oleh karena itu, perlu dilakukannya diagnosis terhadap gangguan pada transformator daya sebagai langkah preventif untuk mengetahui kegagalan apa yang terjadi pada transformator, sehingga dapat mempermudah pekerjaan pemeliharaan yang dilakukan secara berkala. Pada tugas akhir ini, digunakan total 401 data yang telah diolah menggunakan metode Dissolved Gas Analysis (DGA) dengan jenis kegagalan yang berbeda dan akan dianalisis menggunakan metode Extreme Learning Machine (ELM). Extreme Learning Machine merupakan salah satu metode klasifikasi jaringan syaraf tiruan dengan satu hidden layer atau dengan dapat disebut single hidden layer feedforward neural networks (SLFNs). Extreme Learning Machine digunakan karena kemampuannya untuk melakukan pelatihan dengan waktu yang sangat cepat dengan akurasi yang tinggi. Terdapat dua jenis pengujian yang dilakukan pada tugas akhir ini yaitu dengan variasi jenis fungsi aktivasi dan variasi jumlah hidden neuron yang digunakan. Hasil pengujian dan evaluasi model pada percobaan variasi fungsi aktivasi menghasilkan nilai akurasi terbaik sebesar 53.65% dengan menggunakan fungsi aktivasi sigmoid. Sementara hasil pengujian dan evaluasi model pada percobaan variasi jumlah hidden neuron menghasilkan nilai akurasi terbaik sebesar 94.87% dengan menggunakan 100 hidden neuron