digilib@itb.ac.id +62 812 2508 8800

KLASIFIKASI INDEKS KESEHATAN GARDU DISTRIBUSI BERBASIS ARTIFICIAL NEURAL NETWORK

222 views
Save At List
Penulis : Donny Zaviar Rizky [20923017]
Kontributor / Dosen Pembimbing :
  • Prof. Dr. Suprijadi, M.Eng.
Jenis Koleksi : Tesis
Tahun Terbit : 2025
Penerbit : Sains Komputasi
Fakultas : Fakultas Matematika dan Ilmu Pengetahuan Alam
Subjek :
Kata Kunci : ANN, Health Index, Gardu Distribusi, PCA, SVM
Sumber :
Staf Input/Edit : Yati Rochayati  
File : 1 file
Tanggal Input : 17 Jul 2025

Kebutuhan energi listrik akan semakin bertambah dan meningkat seiring dengan berkembangnya berbagai bidang yang terjadi di masyarakat. Seiring berjalannya waktu operasi, komponen pada gardu distribusi akan mengalami penuaan yang berpotensi menyebabkan kegagalan operasional. Oleh karena itu, diagnosis kondisi gardu distribusi secara berkala sangat diperlukan untuk menentukan langkah yang tepat, apakah perlu diperbaikan atau diganti untuk memaksimalkan kinerja sistem. Untuk mendukung kegiatan tersebut, health index dapat menjadi alat yang berguna untuk mengetahui kondisi gardu. Dalam penelitian ini akan menerapkan perbandingan Support Vector Machine (SVM) dan Artificial Neural Network (ANN) dalam klasifikasi health index gardu distribusi dengan kerangka kerja CRISP-DM. Dataset penelitian yaitu data dari Unit Layanan (UL) Ciracas pada bulan Maret 2024. Preprocessing melakukan editing pada data inputan, normalisasi min-max scaler, balancing data menggunakan ADASYN, reduksi dimensi menggunakan feature extraction Principal Component Analysis (PCA) dan split data dengan beberapa rasio terdiri dari 60%:40%, 70%:30%, 80%:20%, dan 90%:10. Hasil evaluasi menggunakan confusion matrix menunjukkan performa terbaik terdapat pada model yaitu metode SVM kernel linear terdapat pada rasio 90%:10% mendapatkan nilai accuracy sebesar 81.25%, kernel RBF terdapat pada rasio 70%:30% mendapatkan nilai accuracy sebesar 80.21%, kernel sigmoid pada rasio 70%:30% mendapatkan nilai accuracy sebesar 78.12%, kernel polynomial pada rasio 90%:10% mendapatkan nilai accuracy sebesar 81.25%. Sedangkan, pada metode ANN terdapat pada rasio 90%:10% dengan nilai accuracy 87.5%, precision 88.91%, recall 87.5%, f1-score 87.01%. Dari hasil perbandingan performa kinerja model ANN dan SVM dengan feature extraction PCA terdapat perbedaan performa kinerja model secara signifikan, performa kinerja model terbaik pada masing-masing rasio untuk 60%:40%, 70%:30%, 80%:20%, 90%:10% terdapat pada metode ANN. Maka, dapat disimpulkan bahwa metode ANN lebih unggul dibandingkan metode SVM.

Artikel Terkait