Perpustakaan Digital 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.