Perpustakaan Digital ITB

Sambaran petir merupakan salah satu penyebab utama gangguan pada sistemtransmisi listrik, terutama di wilayah operasional PT PLN UIP3B Sumatera. Gangguan ini seringkali mengakibatkan pemadaman listrik yang meluas, kerusakan infrastruktur seperti tower, kabel, dan trafo, serta kerugian ekonomi yang signifikan. Selain itu, gangguansambaran petir juga dapat mengurangi keandalan sistem kelistrikan, menggangguaktivitas industri, komersial, dan rumah tangga, sehingga diperlukan pendekatanmitigasi yang bersifat proaktif dan berbasis data. Penelitian ini bertujuan untukmengembangkan kerangka prediktif terintegrasi yang menggabungkan metodeforecasting untuk memprediksi jumlah sambaran petir dengan metode klasifikasi untukmenilai risiko gangguan petir pada sistem transmisi listrik. Dalamtahap forecasting, model Transformer digunakan karena kemampuannya menangkap pola temporal yangkompleks pada data deret waktu dari tahun 2018 hingga 2024. Evaluasi menunjukkanbahwa model Transformer unggul dibandingkan model tradisional seperti Recurrent Neural Networks (RNNs) dan Long Short-Term Memory (LSTM). Dengan nilai R- squared (R²) sebesar 0,9543, Mean Squared Error (MSE) sebesar 0,3957, danRoot Mean Squared Error (RMSE) sebesar 0,6291, model ini mampu memberikan prediksi yang akurat, bahkan untuk pola data yang fluktuatif. Hasil forecasting ini kemudiandiintegrasikan ke dalam model klasifikasi sebagai fitur utama untuk mendeteksi risikogangguan. Pada tahap klasifikasi, model XGBoost dengan SMOTE (Synthetic MinorityOversampling Technique) diterapkan untuk mengatasi masalah ketidakseimbangandataantara kelas gangguan (1) dan tidak ada gangguan (0). Ketidakseimbangan data seringkali menyebabkan model bias terhadap kelas mayoritas, sehingga sulit mendeteksi kelas minoritas. Dengan teknik SMOTE, XGBoost mampu mempelajari pola dari kedua kelas secara lebih seimbang. Hasil evaluasi menunjukkan bahwa model ini memiliki performa yang lebih baik dibandingkan model lain seperti Naive Bayes, Support Vector Machine (SVM), dan Random Forest. XGBoost dengan SMOTEmencapai Akurasi Uji sebesar 89,15%, Precision sebesar 88,98%, Recall sebesar 89,16%, dan F1-Score sebesar 89,05%. Model ini tidak hanya memberikan prediksi kelas (gangguan atau tidak), tetapi juga probabilitas gangguan untuk setiap tower, yangkemudian dikategorikan menjadi tiga tingkat risiko: Aman (probabilitas <50%), Waspada (probabilitas 50–80%), dan Kritis (probabilitas ? 80%). Selain itu, analisismatriks korelasi menunjukkan bahwa fitur utama seperti Count (+), Count (-), danDensity memiliki hubungan yang signifikan dengan risiko gangguan petir, sehinggadapat digunakan sebagai indikator utama dalam pengelolaan risiko. Fitur pendukungseperti Tinggi Tower + Elevasi dan Nilai Pentanahan juga memberikan kontribusi penting. Korelasi negatif antara Nilai Pentanahan dan probabilitas gangguanmenegaskan bahwa kualitas pentanahan yang baik dapat mengurangi risiko gangguanakibat sambaran petir. Hasil penelitian ini memberikan kontribusi yang signifikandalam manajemen risiko gangguan petir pada sistem transmisi listrik. Denganmenggabungkan hasil forecasting sambaran petir menggunakan Transformer danklasifikasi gangguan menggunakan XGBoost, penelitian ini memberikan solusi berbasis data yang komprehensif. Pendekatan ini memungkinkan PLN memprioritaskansumber daya untuk mitigasi risiko pada tower yang berada dalam kategori Waspada danKritis, sehingga meningkatkan keandalan sistem transmisi. Pendekatan probabilitas ini juga mendukung perencanaan langkah mitigasi yang lebih proaktif dan efisien, menjadikan sistem kelistrikan lebih tangguh terhadap gangguan sambaran petir. Penelitian ini menawarkan sumbangan penting terhadap pengembangan metodemitigasi berbasis data dalam sistem transmisi listrik dan menegaskan potensi transformasional teknik machine learning dalam meningkatkan keandalan sistemkelistrikan.