Article Details

METODE INTERPRETASI DATA DISSOLVED GAS ANALYSIS (DGA) UNTUK MENENTUKAN GANGGUAN PADA TRANSFORMATOR MENGGUNAKAN COGNITIVE ARTIFICIAL-INTELLIGENCE

Oleh   Karel Octavianus [33213022]
Kontributor / Dosen Pembimbing : Prof. Dr. Ir. Adang Suwandi Ahmad;Dr. Ir. Bambang Anggoro Soedjarno P., M.T.;Dr. Umar Khayam, S.T., M.T.;
Jenis Koleksi : S3-Disertasi
Penerbit : STEI - Teknik Elektro dan Informatika
Fakultas : Sekolah Teknik Elektro dan Informatika (STEI)
Subjek :
Kata Kunci : Interpretasi DGA, Knowledge Growing System (KGS), Information Fusion, ASSA2010, DRM.
Sumber :
Staf Input/Edit : karya  
File : 2 file
Tanggal Input : 2019-06-24 08:40:08

Generic placeholder image

Abstrak

PUBLIC

Generic placeholder image

Abstract

PUBLIC


Gangguan pada transformator dapat dideteksi melalui kandungan gas yang terlarut di dalam minyak transformator (DGA). Metode Doernenburg Ratio (DRM) adalah salah satu metode yang banyak digunakan dalam menginterpretasi data DGA. Metode ini mempunyai beberapa kelemahan, antara lain akurasi yang rendah, dan tidak dapat mengidentifikasi multi gangguan. Kelemahan-kelemahan tersebut dapat diatasi dengan metode kecerdasan tiruan kognitif (CAI). Metode CAI adalah suatu perspektif baru dalam kecerdasan tiruan yang bekerja berdasarkan prinsip pengetahuan tumbuh (knowledge growing system, KGS). Informasi dari berbagai sumber difusikan dengan metode ASSA2010 (Arwin Sumari-Suwandi Ahmad 2010) untuk mendapatkan informasi baru dengan derajat keyakinan (DoC) tertentu. Informasi baru yang dihasilkan digunakan sebagai dasar untuk mengambil keputusan. Data diperoleh dari dataset DGA IEC TC 10 (dataset berlabel) yang berasal dari penelitian Duval dan De Pablo. Dataset IEC TC 10 dikelompokkan berdasarkan gangguan yang terdiri dari Partial Discharge (PD), Low-Energy Discharge (LE), High-Energy Discharge (HE), Thermal-Low (TL), dan Thermal-High (TH). Gangguan pada dataset ditentukan berdasarkan hasil pengamatan visual pada transformator yang mengalami gangguan. Metode yang diusulkan (CAI) bekerja dengan memetakan masukan berupa konsentrasi gas yang diubah ke dalam bentuk ratio dan keluaran berupa kemungkinan fenomena yang terjadi (Possible Fault (PF)). Masing-masing PF ditentukan terlebih dahulu dengan hanya memperhitungkan satu indikasi, selanjutnya menentukan kemungkinan terjadinya masing-masing PF dengan memperhitungkan semua indikasi yang ada. Semakin mirip indikasi dengan keberadaan suatu PF, semakin besar peluang PF tersebut terjadi. Semua kemungkinan yang ada untuk masing-masing gangguan disusun dalam bentuk Degree of Certainty (DoC). Keputusan berupa gangguan yang terjadi diambil berdasarkan besarnya nilai DoC untuk masing-masing gangguan. ii Verifikasi dilakukan dengan membandingkan hasil analisis oleh CAI dengan label yang terdapat pada dataset. Pengujian dilakukan dengan membandingkan hasil verifikasi dengan metode DRM konvensional, implementasi Fuzzy Inference System (FIS) pada DRM, implementasi Artificial Neural Network (ANN) pada DRM, penambahan indikasi pelengkap dari Single Gas Ratio (SGR). Pengujian multi gangguan dilakukan dengan metode superposisi. Sampel yang berbeda dianalisis. Hasil analisis dua sampel berbeda digabungkan. Hasil pengujian menunjukkan CAI memperbaiki metode DRM konvensional dengan akurasi 98.3%, lebih baik daripada FIS (94.02%) dan ANN (84.71%). Selain itu CAI dapat mengidentifikasi multi gangguan yang tidak dapat dilakukan oleh metode lainnya. Hasil ini menunjukkan bahwa penggunaan metode CAI dalam pengolahan data DGA untuk menentukan gangguan pada transformator memberikan hasil yang lebih baik. Hasil pengujian dengan gabungan sampel menunjukkan CAI dapat mengidentifikasi multi gangguan.