Perpustakaan Digital ITB

Machine Learning (ML) telah menjadi salah satu pendekatan yang efektif untuk memprediksi Health Index (HI) transformator tenaga. Namun, prediksi HI berbasis ML sering menghadapi tantangan berupa ketidakseimbangan distribusi data antar kelas, yang dapat menurunkan kemampuan model dalam mengklasifikasikan kelas minoritas secara akurat. Penelitian ini bertujuan mengevaluasi efektivitas berbagai teknik resampling untuk mengatasi ketidakseimbangan data dan meningkatkan performa model ML. Dataset yang digunakan terdiri atas 3.770 data transformator dari utilitas ketenagalistrikan di Indonesia dengan level tegangan 70 kV, 150 kV, dan 500 kV serta rentang usia operasi 1–41 tahun. Parameter yang digunakan meliputi Oil Quality Factor, Fault Factor, dan Paper Insulation Condition Factor. Tiga algoritma ML, yaitu Neural Network, Random Forest, dan Support Vector Machine, dievaluasi menggunakan rasio pembagian data pelatihan dan pengujian sebesar 80:20 serta divalidasi menggunakan dataset independen. Teknik resampling yang diterapkan mencakup metode oversampling, undersampling, dan hybrid. Hasil pengujian menunjukkan bahwa metode Synthetic Minority Oversampling Technique–Edited Nearest Neighbor (SMOTE–ENN) menghasilkan performa terbaik dengan meningkatkan nilai F1-score model Neural Network dari 0,8123 menjadi 0,9729. Hasil validasi menunjukkan bahwa SMOTE–ENN meningkatkan jumlah prediksi benar pada kelas Very Poor (VP) dari 5 menjadi 10 data. Namun, peningkatan tersebut diikuti oleh penurunan jumlah prediksi benar pada kelas Poor (P) dan Good (G), yang menunjukkan adanya trade-off terhadap kemampuan generalisasi model. Sebaliknya, teknik oversampling Adaptive Synthetic Sampling (ADASYN) meningkatkan nilai F1-score dari 0,8123 menjadi 0,9171 serta menghasilkan performa yang lebih seimbang pada seluruh kelas HI. ADASYN meningkatkan jumlah prediksi benar pada data validasi dari 5 menjadi 9 data untuk kelas VP, dari 72 menjadi 86 data untuk kelas P, dari 78 menjadi 85 data untuk kelas Caution (C), dari 81 menjadi 82 data untuk kelas G, serta dari 118 menjadi 120 data untuk kelas Very Good (VG). Hasil penelitian ini menunjukkan bahwa meskipun SMOTE–ENN lebih efektif dalam meningkatkan prediksi pada kelas VP, sementara ADASYN memberikan kemampuan generalisasi yang lebih baik dengan mempertahankan performa yang lebih seimbang pada seluruh kelas Health Index. Oleh karena itu, ADASYN lebih sesuai untuk diterapkan pada prediksi HI transformator pada kondisi data yang tidak seimbang.