Perpustakaan Digital ITB

Keandalan pasokan listrik merupakan aspek kritis dalam mendukung aktivitas ekonomi dan kehidupan sehari-hari di seluruh Indonesia. Salah satu tantangan utama adalah menjaga jalur transmisi bebas gangguan fisik, termasuk tumbuhnya tegakan pohon di bawah jaringan transmisi. Penelitian ini bertujuan memprediksi perumbuhan pohon sengon (Albizia chinesis), yang tumbuh di bawah jaringan transmisi listrik bertegangan tinggi 500 kilovolt, menggunakan pendekatan berbasis machine learning khususnya Long Short-Term Memory (LSTM) dan Random Forest (RF) sebagai pembanding, pada jaringan Ungaran-Pedan. Data dikumpulkan melalui database aplikasi Srintami, sebuah platform inspeksi jaringan transmisi yang mencatat parameter lingkungan, termasuk tinggi pohon, jarak pohon ke jalur transmisi, serta kondisi cuaca dan tanah. Metode LSTM dipilih karena kemampuannya dalam memroses data deret waktu secara efektif, memungkinkan model untuk mempelajari pola pertumbuhan pohon dari data historis. Hasil evaluasi algoritma LSTM menunjukkan akurasi sebesar 99,82% sedangkan evaluasi algoritma RF menunjukkan akurasi sebesar 98,98%. Nilai MSE LSTM juga lebih kecil daripada algoritma RF. Apabila data riwayat yang dimiliki sangat terbatas, model RF adalah plihan yang lebih tepat karena dapat melakukan interpolasi seminimal mungkin. Prediksi ini dapat membantu operator jaringan transmisi merencanakan pemeliharaan secara lebih proaktif, mengurangai resiko gangguan akibat tumbuhnya pohon, dan meningkatkan efisiensi operasional. Penelitian ini merupakan yang pertama menggunakan pendekatan machine learning dalam pengelolaan jaringan transmisi, khususnya di PT. PLN (Persero). Penelitian ini dapat memberikan kontribusi signifikan dalam mendukung efisiensi operasional jaringan transmisi listrik yang lebih andal dan berkelanjutan di Indonesia, serta membuka peluang untuk penerapan teknologi kecerdasan buatan dalam manajemen infrastruktur vital lainnya.