Show simple item record

dc.contributor.authorSatria Wibowo, Muhammad Reza
dc.date.accessioned2023-08-28T08:02:36Z
dc.date.available2023-08-28T08:02:36Z
dc.date.issued2023-08-28
dc.identifier.urihttps://library.universitaspertamina.ac.id//xmlui/handle/123456789/9633
dc.description.abstractPenggunaan transformator dalam kondisi yang berisiko tinggi akan dapat menyebabkan kegagalan transformator. Salah satu penyebab kegagalan transformator adalah pembentukan gas hidrokarbon dalam minyak insulasi. Gas-gas ini dapat menyebabkan berbagai tipe kegagalan, namun kadar gas yang berbeda akan menghasilkan tipe kegagalan yang berbeda. Untuk itu perlu dilaksanakan Dissolved Gas Analysis (DGA), yaitu menentukan tipe kegagalan dengan melihat jumlah kadar gas. Pada tugas akhir ini, DGA akan dilaksanakan secara otomatis dengan metode Multiple Kernel Extreme Learning Machine (MK-ELM). Parameter-parameter dalam perancangan sistem ini meliputi tipe kernel yang digunakan, jumlah kernel yang digunakan, regularization coefficient (C), kernel sum, dan gamma (γ). Dilaksanakan juga perancangan model Kernel Extreme Learning Machine (K-ELM) dan Support Vector machine (SVM) sebagai perbandingan. Hasil akhir menunjukkan bahwa MK-ELM menghasilkan nilai akurasi testing 81.389%, memberikan nilai tertinggi dibanding K-ELM dengan akurasi testing 80.556% dan SVM dengan akurasi testing 74.444%.en_US
dc.language.isootheren_US
dc.subjectDGA, Multiple-Kernel Extreme Learning Machine, Tipe Kegagalanen_US
dc.titleDIAGNOSIS KEGAGALAN TRANSFORMATOR DAYA BERBASIS DISSOLVED GAS ANALYSIS DENGAN MENGGUNAKAN MULTI-KERNEL EXTREME LEARNING MACHINEen_US
dc.typeThesisen_US


Files in this item

Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record