Perpustakaan Digital ITB

Gas Insulated Switchgear (GIS) merupakan salah satu peralatan vital dalam sistem tenaga listrik yang berperan penting dalam keandalan pasokan energi. Oleh karena itu, diperlukan suatu metode penilaian kondisi yang mampu mengidentifikasi tingkat kesehatan GIS secara akurat untuk mencegah terjadinya kegagalan mendadak. Penelitian ini mengusulkan dua pendekatan utama dalam penilaian Health Index (HI), yaitu metode konvensional Worst Approach Method (WAM) dan metode non-konvensional berbasis Machine Learning (ML). Metode WAM digunakan untuk menghitung skor HI berdasarkan nilai terburuk dari lima subsistem utama GIS, sementara metode ML dikembangkan untuk memberikan klasifikasi otomatis berdasarkan parameter teknis, serta mengurangi subjektivitas perhitungan yang umumnya muncul dalam evaluasi manual. Dari hasil evaluasi, algoritma XGBoost classifier dipilih sebagai model terbaik dengan akurasi rata-rata mencapai 99,7% berdasarkan 5-Fold Cross-Validation dalam mengklasifikasikan tingkat kesehatan GIS. Model yang dikembangkan kemudian diimplementasikan dalam bentuk perangkat lunak prediksi Health Index GIS, yang dirancang agar dapat memberikan informasi yang akurat, objektif, dan informatif kepada pengguna. Diharapkan perangkat lunak ini dapat membantu proses pengambilan keputusan pemeliharaan secara lebih tepat, serta menjadi alat pencegahan terhadap potensi kegagalan mendadak pada GIS melalui deteksi dini terhadap kondisi abnormal.