Gangguan pada transformator dapat dideteksi melalui kandungan gas yang terlarut
di dalam minyak transformator (DGA). Metode Doernenburg Ratio (DRM) adalah
salah satu metode yang banyak digunakan dalam menginterpretasi data DGA.
Metode ini mempunyai beberapa kelemahan, antara lain akurasi yang rendah, dan
tidak dapat mengidentifikasi multi gangguan. Kelemahan-kelemahan tersebut
dapat diatasi dengan metode kecerdasan tiruan kognitif (CAI). Metode CAI
adalah suatu perspektif baru dalam kecerdasan tiruan yang bekerja berdasarkan
prinsip pengetahuan tumbuh (knowledge growing system, KGS). Informasi dari
berbagai sumber difusikan dengan metode ASSA2010 (Arwin Sumari-Suwandi
Ahmad 2010) untuk mendapatkan informasi baru dengan derajat keyakinan (DoC)
tertentu. Informasi baru yang dihasilkan digunakan sebagai dasar untuk
mengambil keputusan.
Data diperoleh dari dataset DGA IEC TC 10 (dataset berlabel) yang berasal dari
penelitian Duval dan De Pablo. Dataset IEC TC 10 dikelompokkan berdasarkan
gangguan yang terdiri dari Partial Discharge (PD), Low-Energy Discharge (LE),
High-Energy Discharge (HE), Thermal-Low (TL), dan Thermal-High (TH).
Gangguan pada dataset ditentukan berdasarkan hasil pengamatan visual pada
transformator yang mengalami gangguan.
Metode yang diusulkan (CAI) bekerja dengan memetakan masukan berupa
konsentrasi gas yang diubah ke dalam bentuk ratio dan keluaran berupa
kemungkinan fenomena yang terjadi (Possible Fault (PF)). Masing-masing PF
ditentukan terlebih dahulu dengan hanya memperhitungkan satu indikasi,
selanjutnya menentukan kemungkinan terjadinya masing-masing PF dengan
memperhitungkan semua indikasi yang ada. Semakin mirip indikasi dengan
keberadaan suatu PF, semakin besar peluang PF tersebut terjadi. Semua
kemungkinan yang ada untuk masing-masing gangguan disusun dalam bentuk
Degree of Certainty (DoC). Keputusan berupa gangguan yang terjadi diambil
berdasarkan besarnya nilai DoC untuk masing-masing gangguan.
ii
Verifikasi dilakukan dengan membandingkan hasil analisis oleh CAI dengan label
yang terdapat pada dataset. Pengujian dilakukan dengan membandingkan hasil
verifikasi dengan metode DRM konvensional, implementasi Fuzzy Inference
System (FIS) pada DRM, implementasi Artificial Neural Network (ANN) pada
DRM, penambahan indikasi pelengkap dari Single Gas Ratio (SGR). Pengujian
multi gangguan dilakukan dengan metode superposisi. Sampel yang berbeda
dianalisis. Hasil analisis dua sampel berbeda digabungkan.
Hasil pengujian menunjukkan CAI memperbaiki metode DRM konvensional
dengan akurasi 98.3%, lebih baik daripada FIS (94.02%) dan ANN (84.71%).
Selain itu CAI dapat mengidentifikasi multi gangguan yang tidak dapat dilakukan
oleh metode lainnya. Hasil ini menunjukkan bahwa penggunaan metode CAI
dalam pengolahan data DGA untuk menentukan gangguan pada transformator
memberikan hasil yang lebih baik. Hasil pengujian dengan gabungan sampel
menunjukkan CAI dapat mengidentifikasi multi gangguan.