Perpustakaan Digital ITB

Health Index merupakan alat penting untuk mengevaluasi kondisi transformator daya. Health index merupakan metode untuk menentukan kondisi peralatan dengan mempertimbangkan beberapa parameter yang mempengaruhi dan dijelaskan dengan skor tertentu. Health index juga digunakan oleh manajer aset dalam melaksanakan perencanaan pemeliharaan dan bahkan untuk memperkirakan sisa umur transformator. Secara umum, ada dua metodologi untuk mengevaluasi health index transformator daya: metode konvensional dan pendekatan berbasis machine learning. Tantangan utama dalam menggunakan health index adalah kurangnya data pendukung, yang menghambat kemampuannya untuk secara akurat mencerminkan kondisi kesehatan transformator yang sebenarnya. Sementara beberapa penelitian tentang estimasi health index transformator menggunakan teknik machine learning dapat ditemukan dalam literatur, tidak banyak perhatian diberikan pada dampak kumulatif dari ketidaktersediaan beberapa data pada akurasi perhitungan. Metodologi tesis ini terdiri dari 2 langkah utama. Langkah pertama berfokus pada analisis health index menggunakan data lengkap sedangkan langkah kedua mempertimbangkan ketidaktersediaan data. Pada tahap pertama, tesis ini menyajikan analisis komprehensif prediksi health index menggunakan 11 metode machine learning, yaitu 6 metode regresi dan 5 metode klasifikasi yang divalidasi dengan metode konvensional atau metode pembobotan dan skoring. Selanjutnya, pada tahap kedua, tesis ini menyajikan beberapa strategi untuk mengatasi ketidaktersediaan data ganda. Enam metode yang terdiri dari 4 metode nonmachine learning dan 2 metode machine learning dengan akurasi terbaik dari tahap pertama disajikan dan dievaluasi pada 15 skenario missing data untuk menilai efektivitasnya. Terakhir, tesis ini menyajikan analisis ekonomi untuk menyoroti profitabilitas yang terkait dengan prediksi missing data dibandingkan dengan tingkat kepastian. Kebaruan penelitian ini meliputi data input yang digunakan lebih bervariasi, kombinasi missing data berdasarkan pengalaman dan kondisi di lapangan, jenis machine learning yang digunakan, kemudian dilengkapi dengan analisis ekonomi. Selain itu, tesis ini memberikan pandangan yang komprehensif bagi pemilik aset, khususnya PLN untuk membuat keputusan yang tepat jika terjadi ketidaktersediaan data.