Perpustakaan Digital ITB

Transformator tenaga merupakan bagian vital dan mahal pada saluran tenaga listrik. Dalam memastikan kehandalan dan keamanan sistem kelistrikan maka harus melaksanakan monitoring dan pemeliharaan pada transformator, Health Index merupakan metode penilaian kondisi transformator yang banyak digunakan. Dalam penelitian ini dimodelkan metode perhitungan Health Index (HI) transformator menggunakan pendekatan konvensional (scoring-weighting) dan non-konvensional (machine learning). Metode yang dikembangkan mempertimbangkan tegangan operasi transformator serta mengintegrasikan interpretasi gas terlarut menggunakan banyak metode (Multi-methods). Hasil penelitian menunjukkan semakin tinggi tegangan operasi maka semakin besar laju penurunan kondisi dari transformator. Metode non-konvensional dengan machine learning menunjukkan akurasi prediksi yang lebih tinggi dan dapat mengurangi subjektivitas perhitungan tanpa melibatkan ahli. Algoritma Random Forest memiliki performa terbaik untuk prediksi kegagalan berdasarkan hasil DGA, sementara Neural Network unggul dalam memprediksi kategori HI dengan banyak parameter masukan. Implementasi Synthetic Minority Oversampling Technique (SMOTE) dapat meningkatkan performa model dengan menyeimbangkan kelas pada dataset, menghasilkan akurasi prediksi sebesar 99% untuk DGA dan 97% untuk Health Index. Hasil dari pengembangan metode tersebut kemudian diintegrasikan dalam pengembangan software prediksi health index transformator. Penelitian ini diharapkan dapat memberikan informasi yang akurat mengenai kondisi transformator pada berbagai tegangan operasi, mendukung asset manajer dalam merancang strategi perawatan yang efektif, dan mencegah kegagalan transformator secara tiba-tiba.