Cover
PUBLIC karya Abstrak dan Abstract
PUBLIC  Kata Pengantar
PUBLIC karya
Lembar Pengesahan
Terbatas karya
» ITB
Terbatas karya
» ITB
BAB I
Terbatas karya
» ITB
Terbatas karya
» ITB
BAB II
Terbatas karya
» ITB
Terbatas karya
» ITB
BAB III
Terbatas karya
» ITB
Terbatas karya
» ITB
BAB IV
Terbatas karya
» ITB
Terbatas karya
» ITB
BAB V
Terbatas karya
» ITB
Terbatas karya
» ITB
Daftar Pustaka & Lampiran
Terbatas karya
» ITB
Terbatas karya
» ITB
Dissolved Gas Analysis (DGA) merupakan sebuah metode yang dapat mendeteksi
gangguan Transformator berdasarkan kandungan gas terlarut pada minyak
transformator. Beberapa metode yang umum digunakan untuk interpretasi DGA
diantaranya Total Dissolved Combustible Gases (TDCG), Key Gases, Duval
Triangle Method, Roger’s Ratio Method (RRM), dan Doernenburg Ratio Method
(DRM). Beberapa Tahun terakhir, metode Artificial Intelligence (AI) seperti
Fuzzy Inference System (FIS), Artificial Neural Network (ANN), dan Genetic
Algorithm (GA) sudah diterapkan untuk interpretasi DGA. Saat ini, terdapat
metode baru yang bekerja berdasarkan prinsip pengetahuan tumbuh (Knowledge
Growing System (KGS)) disebut dengan Cognitive Artificial Intelligence (CAI).
Penelitian sebelumnya (Octavianus, 2018), telah menerapkan metode CAI
berbasis DRM untuk interpretasi data DGA. Namun pada penelitiannya terdapat
beberapa kesalahan pada sisi penggunaan rasio, input data, dan kondisi “not
significant” pada proses pengelompokan. Penelitian ini memperbaiki hal tersebut.
Selain itu pada penelitian sebelumnya menggunakan dataset berlabel IEC TC 10.
Penelitian ini menguji ulang dengan data yang sama dan menguji juga pada data
sekunder yang mengacu pada 6 jurnal, data primer yang mengacu pada 6 data
Transformator dari GI PT PLN (Persero) Unit Induk Transmisi Jawa Bagian Barat
(UITJBB), dan data yang berjumlah sedikit dengan mengacu pada 2 jurnal dan 2
data Transformator dari GI PT PLN (Persero) UITJBB.
Hasil yang ditunjukkan pada penelitian ini bahwa akurasi CAI pengalami
penurunan dari penelitian yang sebelumnya. Akurasi pada penelitian ini turun dari
98,29% menjadi 94,87% untuk CAI 0 dan 95,73% untuk CAI 1. Penelitian ini
juga menguji metode lainnya seperti FIS dengan akurasi 94,02%, Duval Triangle
87,18%, RRM 0,68% dan DRM 55,56% untuk data yang sama. Dengan demikian
implementasi CAI berbasis DRM dapat meningkatkan akurasi DRM dari 55,56%
menjadi 94,87% untuk CAI 0 dan 95,73% untuk CAI 1. Hasil analisis pada
dataset IEC TC 10, data sekunder (6 Jurnal), data primer (6 Trafo GI PLN) dan
data berjumlah sedikit menunjukkan CAI dapat memberikan akurasi yang paling
tinggi. Dengan demikian metode-metode ini tidak terpaku pada jumlah data dan
metode ini dapat diimplementasikan pada data yang berjumlah sedikit.