Sistem Deteksi Anomali Pada Transformator Menggunakan Dissolved Gas Analysis Dengan Metode K-Nearest Neighbour

Sistem Deteksi Anomali Pada Transformator Menggunakan Dissolved Gas Analysis Dengan Metode K-Nearest Neighbour

Andre Kurniawan^*, Hindriyanto Dwi Purnomo

Fakultas Teknologi Informasi, Teknik Informatika, Universitas Kristen Satya Wacana, Salatiga, Indonesia Email: ^1,*672019169@student.uksw.edu, ²hindriyanto@uksw.edu

Email Penulis Korespondensi: 672019169@student.uksw.edu

Abstrak−Transformator merupakan bagian terpenting dalam sistem tenaga listrik, maka dari itu perlu dilakukan pemeliharaan untuk mencegah munculnya anomali-anomali pada Transformator. Dissolved Gas Analisys (DGA) adalah salah satu metode untuk mendeteksi anomali pada trafo, DGA digunakan untuk menguji kondisi minyak isolasi pada Transformator dengan cara mengambil sampel minyak isolasi. Apabila terjadi kejadian anomali pada trafo, maka konsentrasi gas yang dihasilkan akan berbeda-beda tergantung pada jenis kejadian anomali pada trafo tersebut. Masalah utama yang mendasari penelitian ini yaitu ketidakmampuan sistem deteksi anomali yang telah ada sebelumnya untuk memberikan tingkat akurasi yang optimal, metode tradisional atau pendekatan yang digunakan juga menghadapi kendala dalam menginterpretasikan data kompleks dari analisis gas terlarut. Tujuan dari penelitian yang dilakukan adalah dapat merancang sistem deteksi anomali pada Transformator menggunakan DGA serta melihat tingkat akurasi dari metode metode DGA yang ada menggunakan KNN. Pada penelitian ini, sistem deteksi anomali pada transformator dan didapatkan hasil tingkat akurasi tertinggi 94% metode key gas dan tingkat akurasi terendah 79% metode Doernenburg Ratio. Simpulan dari penelitian ini adalah mampu membuat sistem yang dapat mempermudah dalam menganalisa anomali pada Transformator, serta dapat dijadikan metode alternatif untuk menentukan kondisi pada Transformator.

Kata Kunci: Transformator; Dissolved Gas Analysis (DGA); Minyak Trafo; Klasifikasi; K-Nearest Neighbour (KNN) Abstract−The transformer is the most important part of the electric power system, therefore maintenance needs to be carried out to prevent the emergence of anomalies in the transformer. Dissolved Gas Analysis (DGA) is a method for detecting anomalies in transformers. DGA is used to test the condition of the insulating oil in transformers by taking samples of the insulating oil. If an anomalous event occurs in a transformer, the resulting gas concentration will vary depending on the type of anomalous event in the transformer. The main problem underlying this research is the inability of previously existing anomaly detection systems to provide an optimal level of accuracy, traditional methods or approaches used also face obstacles in interpreting complex data from dissolved gas analysis. The aim of the research carried out is to be able to design an anomaly detection system on Transformers using DGA and to see the level of accuracy of the existing DGA method using KNN. In this research, the anomaly detection system on the transformer resulted in the highest level of accuracy being 94% using the key gas method and the lowest level of accuracy being 79% using the Doernenburg Ratio method. The conclusion of this research is that it is able to create a system that can make it easier to analyze anomalies in transformers, and can be used as an alternative method for determining the condition of transformers.

Keywords: Transformer; Dissolved Gas Analysis (DGA); Transformer Oil; Classification; K-Nearest Neighbour (KNN)

1. PENDAHULUAN

Listrik merupakan elemen yang sangat penting dalam menunjang kebutuhan pokok masyarakat. Dengan semakin pentingnya peranan tenaga listrik dalam kehidupan sehari-hari, maka kelanjutan penyediaan tenaga listrik juga menjadi tuntutan yang semakin besar dari konsumen tenaga listrik [1]. Penyaluran tenaga listrik untuk mengubah listrik tegangan tinggi ke tegangan rendah memerlukan Transformator, maka dari itu perlu dilakukan pemeliharaan untuk mencegah munculnya anomali-anomali pada Transformator [2]. Semakin sering Transformator beroperasi maka akan terjadi kemunduran kualitas pada minyak tranformator (deterioration) dikarenakan adanya, pemanasan (thermal stress), tegangan berlebih, Arching, dekomposisi pada isolator, dekomposisi thermal partial discharge, corona, low temperatur thermal, thermal fault [3]. Dengan tingkat pembebanan yang berbeda dapat menyebabkan timbulnya gas-gas terlarut yang berada dalam minyak transformator. Sebagian gas-gas yang timbul mempunyai sifat mudah terbakar (combustible). Apabila gas-gas tersebut melebihi batas daya larut pada minyak transformator maka akan menimbulkan anomali pada transformator yang sedang beroperasi [4].

Dissolved Gas Analisys (DGA) adalah salah satu metode untuk mendeteksi anomali pada trafo, metode ini menganalisis jumlah kandungan-kandungan gas yang terlarut dalam minyak transformator yang umumnya gas- gas ini tidak dapat dideteksi dengan karakteristik minyak [5]. Apabila terjadi anomali pada trafo, maka gas terlarut yang dihasilkan menjadi berbeda-beda tergantung jenis anomali yang ada pada trafo. Untuk menentukan kondisi serta keadaan pada trafo perlu digunakan gas terlarut yang dihasilkan oleh trafo, gas yang digunakan adalah hidrogen (H²), karbon monoksida(CO), metana (CH⁴), etana (C²H⁶), etilen (C²H⁴), karbon dioksida (CO²), dan asetilen (C²H²). Dalam DGA terdapat bermacam metode yang dapat digunakan seperti metode Key Gass, Metode TDCG, Roger’s Ratio, Doernenburg Ratio dan Duval’s Triangle yang masing-masing metode memiliki batasan dan kondisi yang berbeda-beda [6].

Hasil penelitian yang berjudul analisis kegagalan trafo berdasarkan hasil pengujian dissolved gas analysis pada trafo I 50 mva 150/20kv gi pier dengan menggunakan empat metode Rasio Rogers, Key Gas, Segitiga Duval dan Rasio Doernenburg. Analisis anomali pada Trafo 1 di GI Pier menggunakan data hasil pengujian analisis gas

terlarut dalam kurun waktu 2012 sampai 2018. Dari keempat metode tersebut diperoleh bahwa jenis kegagalan yang terjadi pada Trafo 1 GI Pier yaitu panas berlebih (overheating) didalam trafo yang disebabkan oleh isolasi kertas yang terkarbonisasi [7]. Metode-metode DGA yang digunakan untuk menganalisa masih menggunakan perhitungan manual sehingga akan memerlukan banyak waktu, dalam perhitungan manual kesalahan seperti human error juga berkemungkinan akan terjadi. Tidak ada informasi tentang efektivitas atau akurasi metode analisis yang digunakan. Diperlukan evaluasi mendalam terhadap efektivitas setiap metode analisis yang digunakan untuk memastikan keandalan dan ketepatan hasil. Penelitian yang berjudul analisis dissolved gas analysis dan klasifikasi tipe fault pada minyak trafo dengan metode naive bayes classifier pada transformator daya 150 kv, menggunakan metode Naive Bayes Classifier untuk klasifikasi tipe fault pada minyak trafo berdasarkan hasil DGA. Penggunaan metode klasifikasi Naive Bayes dapat memberikan gambaran yang jelas tentang kondisi minyak trafo berdasarkan gas terlarut. Data hasil uji perhitungan presisi dan akurasi cukup baik dengan nilai presisi 50,00% dan akurasi 75,00%. Sedangkan untuk recall kurang baik yaitu 32,50% [8]. Recall yang rendah 32,50%

menunjukkan bahwa model mungkin tidak dapat dengan efektif mengidentifikasi kondisi trafo yang buruk, kurangnya data training dan testing juga menjadi faktor yang membuat nilai recall rendah. Analisa menggunakan metode klasifikasi Naïve Bayes yang berbeda dengan penelitian ini yaitu menggunakan metode KNN. Hasil Penelitian yang berjudul Expert system for predictive maintenance transformator using J48 algorithm dengan menggunakan decision tree untuk membuat algoritma J48. Data yang digunakan sebanyak 113 data dengan metode DGA yang digunakan adalah TDCG menghasilkan decision tree yang diperoleh kemudian diuji dengan menggunakan 20 data uji, hasilnya diperoleh nilai 100% untuk akurasi, spesifisitas, dan sensitivitas [9]. Perbedaan penelitian ini adalah metode DGA yang digunakan tidak hanya TDCG saja tetapi lima metode DGA yang akan menjadi semakin luas dalam pemilihan metode yang akan digunakan, sistem ini merancang lima metode DGA dengan metode klasifikasi KNN dengan mengaktifkan package sklearn. Data yang digunakan juga ditambah untuk mengetahui seberapa akura model yang dibangun menggunakan KNN. Penelitian yang berjudul Diagnosis of Power Transformer Oil Using KNN and Naïve Bayes Classifiers menggunakan metode dua metode machine learning naïve bayes dan knn, dimana dua metode tersebut dibandingkan untuk menentukan mana metode yang memiliki akurasi tertinggi dalam mengklasifikasi metode DGA. Roger’s ratio, doernenburg ratio, dan duval’s triangle dengan 155 sampel data digunakan untuk menentukan kedua metode klasifikasi. Metode KNN memiliki akurasi tertinggi dengan nilai 92% dibanding naïve bayes [10]. Perbedaan pada penelitian ini adalah fokus dari analisa dimana pada penelitian ini berfokus untuk mendeteksi anomali pada trafo sesuai kondisi dan batasannya dimana pada penelitian sebelumnya hanya berfokus pada akurasi dari kedua metode klasifikasi. Penelitian yang berjudul penentuan kondisi transformator berdasarkan kandungan gas terlarut menggunakan metode segitiga duval, Penelitian ini memperkenalkan interpretasi hasil pengujian DGA dengan menggunakan pendekatan Fuzzy Logic berdasarkan metode Segitiga Duval. Validasi program dibuat dengan berbagai skenario anomali yang ada pada segitiga duval dan mampu menganalisa anomali dari 17 skenario yang telah uji. Sebanyak delapan data trafo digunakan dalam implementasi pengujian program fuzzy logic. Berdasarkan hasil validasi dan implementasi program, program Fuzzy Logic yang disusun mampu mengidentifikasi dengan sangat akurat, hasil uji analisis kandungan gas terlarut dari berbagai kondisi transformator [11]. Perbedaan penelitian ini memiliki data yang lebih banyak yang akan meningkatkan kinerja model dan membuatnya lebih baik dalam mengklasifikasikan data baru, dengan melibatkan lebih banyak variasi dan kejadian dalam data, model akan menjadi lebih akurat dalam melakukan prediksi.

Penelitian ini merancang sistem deteksi anomali pada transformator menggunakan DGA yang dapat memberikan deteksi dini terhadap potensi masalah pada transformator agar memudahkan dalam menganalisa anomali pada Transformator serta melihat hasil akurasi yang dihasilkan menggunakan metode klasifikasi.

Klasifikasi adalah proses untuk menemukan model atau fungsi yang menjelaskan atau membedakan konsep atau kelas data, dengan tujuan untuk dapat memperkirakan kelas dari suatu objek yang labelnya tidak diketahui [12].

Salah satu metode klasifikasi adalah K-Nearest Neighbor (KNN). Algoritma KNN adalah metode untuk melakukan klasifikasi objek baru berdasarkan data training yang memiliki jarak terdekat (Nearest Neighbor) dengan objek tersebut [13].

Masalah utama yang mendasari penelitian ini yaitu ketidakmampuan sistem deteksi anomali yang telah ada sebelumnya untuk memberikan tingkat akurasi yang optimal. Metode tradisional atau pendekatan yang digunakan juga menghadapi kendala dalam menginterpretasikan data kompleks dari analisis gas terlarut dalam minyak isolasi transformator. Setiap jenis anomali menghasilkan pola gas yang berbeda dalam minyak isolasi, oleh karena itu, penelitian ini mencoba mengidentifikasi dan mengklasifikasikan pola tersebut dengan lebih baik menggunakan metode KNN. Tanpa metode deteksi dini, pemeliharaan transformator dapat menjadi tidak efisien dan mahal, pemeliharaan rutin tanpa dasar yang jelas dapat mengakibatkan penggunaan sumber daya yang tidak efisien.

Penelitian ini memberikan landasan untuk pemeliharaan yang lebih terarah dan efektif melalui sistem deteksi anomali. Sistem ini dapat membantu dalam meningkatkan efisiensi pemeliharaan transformator dalam mengurangi downtime yang tidak terduga. Dengan mendeteksi anomali lebih awal, operator dapat merencanakan perbaikan atau penggantian bagian yang diperlukan, sehingga mengurangi biaya perawatan dan potensi kerugian akibat kerusakan Transformator. Penelitian ini membahas penggunaan metode DGA dan menguji beberapa metode seperti TDCG, Key Gas, Roger’s Ratio, Doernenburg Ratio, dan Duval’s Triangle. Tujuannya adalah untuk mengidentifikasi metode yang paling akurat dan efektif dalam mendeteksi anomali pada transformator. Dengan

mengevaluasi dan membandingkan metode, penelitian ini memberikan peran penting untuk pengembangan teknik deteksi anomali yang lebih akurat dan efisien.

2. METODOLOGI PENELITIAN

2.1 Tahapan Penelitian

Penelitian dilakukan melalui beberapa tahap penelitian seperti pada gambar 1, yaitu identifikasi masalah, analisa kebutuhan sistem, perancangan sistem, implementasi sistem, testing, penyimpulan sistem.

Gambar 1. Tahapan Penelitian

Tahap penelitian dapat dijelaskan sebagai berikut: Tahap pertama mengidentifikasi dan merumuskan masalah terhadap permasalahan yang ada terkait dengan proses perancangan Sistem Deteksi kegagalan pada Transformator menggunakan Dissolved Gas Analysis (DGA) dengan Metode KNN sehingga dapat menghasilkan solusi berupa Sistem. Tahap kedua menyusun analisis kebutuhan sistem, dengan cara melakukan literature review, dan melakukan pengambilan data dari PT PLN Unit Pelaksana Transmisi (UPT) Salatiga dengan total data 448 data uji DGA dari 90 trafo tahun 2017-2022. Tahap ketiga melakukan perancangan Sistem Deteksi kegagalan pada Transformator berdasar hasil analisis kebutuhan sistem. Tahap keempat melakukan implementasi sesuai dengan apa yang telah dirancang. Seperti melakukan implementasi upload dataset, membuat rule base serta hasil analisis KNN. Tahap kelima melakukan pengujian terhadap Sistem yang telah dibangun untuk memastikan bahwa Sistem dapat berjalan baik dan sesuai dengan batasan dan metode yang ada. Tahap terakhir yang dilakukan adalah menyusun laporan dari hasil rancangan yang telah dilakukan.

2.2 Metode Pengolahan Data

Dalam Penelitian ini terdapat lima Metode DGA yang akan digunakan yaitu Metode Key Gass, TDCG, Roger’s Ratio, Doernenburg Ratio dan Duval’s Triangle.

2.2.1 Metode TDCG

Metode TDCG menjumlahkan gas gas yang mudah terbakar antara lain adalah H2, CH4, C2H6, C2H4, C2H2 dan CO, dan memasukkan total konsentrasi gas sesuai kondisi sehingga anomali dapat diketahui. Terdapat empat kondisi dari konsentrasi gas yang dapat menentukan anomali pada metode TDCG, dapat diliat pada tabel 1 [14].

Tabel 1. Batasan dan kondisi metode TDCG Kondisi Konsentrasi

Gas Anomali

1 < = 720 Indikasi bahwa operasi transformator normal

2 721 - 1920 Indikasi komposisi gas mulai tinggi, ada kemungkinan timbul kegagalan.

3 1921 - 4630 Indikasikan dekomposisi tingkat tinggi dari isolasi. Kegagalan mungkin sudah terjadi.

4 > 4630 Indikasikan pemburukan yang sangat tinggi dan adanya dekomposisi / kerusakan pada isolator sudah meluas. Akan segera terjadi kerusakan transformator.

2.2.2 Metode Key Gass

Key gass digunakan untuk menentukan jenis anomali yang terjadi, berdasarkan jenis gas yang lebih dominan terbentuk pada berbagai temperatur. Dalam Metode ini hanya dua gas yang akan digunakan untuk menentukan anomali yaitu CO dan CO². Tabel 2 menjelaskan metode key gas memiliki dua kondisi yaitu jika CO²/CO kurang dari tiga makan anomali yang didapat adalah Thermal in Paper >200C, dan jika CO²/CO lebih besar dari 10 makan anomali yang didapat adalah Thermal in paper <150C. [15].

Tabel 2. Batasan dan kondisi metode key gass

Kondisi CO²/CO Anomali

0 <3 Thermal in Paper >200C

1 >10 Thermal in paper <150C

2.2.3 Metode Roger’s Ratio

Pada Metode Roger’s Ratio terdapat tiga rasio dengan masing masing rasio terdapat dua gas terlarut berbeda yang nantinya akan dimasukkan kedalam rule base dengan output batasan anomali pada trafo dengan enam batasan, dan setiap ratio pada metode ini harus memenuhi syarat batasan yang dapat diliat pada tabel 3. Pada kondisi nol jika R2 kurang dari 0.01 dan R1 kurang dari satu dan R3 kurang dari satu maka anomali pada trafo tersebut adalah normal, dan jika R2 kurang dari sama dengan satu dan R1 0.1 sampai kurang dari 0.5 dan R3 lebih besar sama dengan satu maka akan masuk ke kondisi satu dengan anomali Discharge of Low Energy. [16].

Tabel 3. Batasan dan kondisi metode roger’s ratio

2.2.4 Metode Doernenburg Ratio

Pada Metode Doernenburg Ratio terdapat empat rasio dengan masing masing rasio terdapat dua gas terlarut berbeda. Metode ini sama dengan metode Roger’s Ratio hanya saja memiliki satu rasio tambahan dan memiliki syarat yang sama. Trafo akan masuk ke kondisi nol jika R1 lebih besar dari 0.1 dan R2 kurang dari 0.75 dan R3 kurang dari 0.3 dan R4 lebih besar dari 0.4 dengan anomali Dekomposisi Thermal. Batasan pada metode ini dapat dilihat pada tabel 4 [17].

Tabel 4. Batasan dan kondisi metode doernenburg ratio Kondisi R1

CH⁴ / H²

R2 C²H² / C²H⁴

R3 C²H² / CH⁴

R4

C²H⁶ / C²H² Anomali 0 >0.1 <0.75 <0.3 >0.4 Dekomposisi Thermal

1 >0.1 <0.3 >0.4 Corona (Low PD)

2 <1 >0.75 >0.3 <0.4 Arcing (High PD) 2.2.5 Metode Duval’s Triangle

Metode ini digunakan dengan cara mengubah konsentrasi gas menjadi bentuk presentase kemudian memasukkan nilai konsentrasi gas dan sesuaikan dengan batasan pada segitiga. Gambarkan garis pada Duval’s Triangle untuk ketiga gas tersebut sesuai nilai presentase tadi. Daerah pertemuan dari ketiga gas tersebut menunjukan kondisi yang terjadi pada transformator sesuai dengan keterangan yang dijelaskan. Gambar 2 menjelaskan anomali dan batasa pada metode Duval’s Triangle [18].

Gambar 2. Duval’s triangle Kondisi R2

C²H² / C²H⁴

R1 CH⁴ / H²

R3

C²H⁴ / C²H⁶ Anomali

0 <0.01 <1.0 <1 Normal

1 ≥1.0 0.1 sampai < 0,5 ≥1.0 Discharge of Low Energy 2 0.6 sampai <3 0.1 sampai 1.0 ≥2.0 Discharge of High Energy 3 <0.01 ≥1.0 <1.0 Thermal Fault, Low Temp <300^oC 4 <0.1 ≥1.0 1.0 sampai <4.0 Thermal Fault, High Temp <700^oC

5 <0.2 ≥1.0 ≥4.0 Thermal Fault, High Temp <700^oC

Keterangan:

PD = Partial discharge D1 = Discharge of low energy D2 = Discharge of high energy T1 = Thermal fault, t < 300^oC

T2 = Thermal fault, 300^oC < t < 700^oC T3 = Thermal fault, t < 700^oC

2.2.6 Confussion Matrix

Confussion Matrix digunakan untuk evaluasi kinerja model dalam machine learning dan statistik, terutama dalam klasifikasi. Setiap baris dari matrix merepresentasikan kelas aktual dari data, dan setiap kolom merepresentasikan kelas prediksi dari data (atau sebaliknya). True Positive (TP) berarti seberapa banyak data aktual positif yang benar-benar diklasifikasikan dengan benar oleh model, True Negative (TN) berarti seberapa banyak data aktual negatif yang benar-benar diklasifikasikan dengan benar oleh model, False Positive (FP) berarti seberapa banyak data aktual negatif yang tidak tepat diklasifikasikan sebagai positif oleh model, False Negative (FN) berarti seberapa banyak data aktual positif yang tidak tepat diklasifikasikan sebagai negatif oleh model. Dengan menggunakan empat metrik tersebut, kita dapat menghitung berbagai ukuran evaluasi seperti accuracy, precision, recall, dan f1-score [19].

2.2.6 K-Nearest Neighbor (KNN)

K-Nearest Neighbors (KNN) adalah sebuah metode dalam machine learning yang digunakan untuk klasifikasi dan regresi. Metode ini bekerja dengan cara menemukan k-nearest neighbors (tetangga terdekat) dari suatu data point berdasarkan ukuran jarak tertentu (misalnya, jarak Euclidean) di antara data points tersebut. Scikit-learn (sklearn) digunakan untuk menyediakan kelas KNeighborsClassifier yang dapat digunakan untuk implementasi K-Nearest Neighbors (KNN) untuk masalah klasifikasi dengan cara mengimport algoritma KNeighborsClassifier dari package sklearn.

D_xiy= √∑ⁿ_i=1(x_i− y_i)² (1)

Keterangan:

D = jarak kedekatan x = data training y = data testing

n = jumlah atribut individu antara 1 s.d n i = atribut individu antara 1 s.d n [20].

3. HASIL DAN PEMBAHASAN

3.1 Flowchart Analisis Data

Pada tahap awal flowchart dibuat untuk sistem deteksi anomali pada transformator menggunakan Dissolved Gas Analysis (DGA) dengan metode K-Nearest Neighbor (KNN) Flowchart Membantu visualisasi dan pemahaman secara grafis mengenai alur proses deteksi anomali pada transformator, serta membantu pembuat keputusan dan pengguna untuk dengan cepat memahami langkah-langkah yang terlibat dalam sistem.

Gambar 3. Flowchart

Gambar 3 menjelaskan Proses Analisis Data yang digunakan dalam pembuatan sistem deteksi anomali pada transformator dimulai dari Import Library (pandas dan nump), kemudian melakukan upload dataset yang telah didapat dari PT PLN Salatiga dengan total 448 data yang diambil dari tahun 2017-2022.

Gambar 4. Import library & upload dataset

Gambar 4 merupakan output dari dataset yang telah di upload dengan menampilkan tujuh gas yang berbeda yang nantinya akan digunakan dalam mendeteksi anomali pada trafo sesuai batasan dari masing masing metode.

Setelah dataset berhasil di upload, selanjutnya melakukan Filtering Attribut sesuai dengan metode DGA yang digunakan dengan batasan dari masing masing DGA, terdapat tujuh atribut dalam dataset yang didapat dari PT PLN Salatiga yaitu H2, CH⁴, CO, CO², C²H⁴, C²H⁶, dan C²H². Pada metode Roger’s Ratio attribut yang digunakan yaitu H², CH⁴, C²H⁴, C²H⁶ dan C²H² yang artinya COdan CO² tidak digunakan, maka harus dilakukan filtering untuk dapat membuat sistem yang akurat dan meminimalisir kesalahan yang terjadi pada sistem.

Gambar 5. Filtering Attribute

Gambar 5 merupakan output filtering attribute dari metode Roger’s Ratio. Jika tidak ada attribut yang harus di filter maka akan langsung masuk ke pendefinisian rule base dari metode DGA. Attribut yang sudah di filter kemudian diubah menjadi array untuk memilih baris dan kolom pada dataframe sesuai dengan nama index baris atau kolom, kemudian didefiniskan rulenya berdasarkan batasan pada metode DGA. Rule base didefinisikan untuk dapat menentukan kondisi-kondisi pada Trafo sesuai dengan batasan yang telah ditentukan. Berikut ini Rule Base masing masing metode DGA :

Tabel 5. Define the rule base

Metode DGA Rule Base

Metode TDCG H²+ CH⁴+CO+ C²H⁴+ C²H⁶+ C²H²

Metode Key Gass CO²/CO

Metode Roger’s Ratio R2 = C²H²/ C²H⁴ R1 = CH⁴/ H² R3 = C²H⁴/ C²H⁶ Metode Doernenburg Ratio R1 = CH⁴/ H²

R2 = C²H²/ C²H⁴ R3 = C²H⁴/ C²H⁶ R4 = C²H⁶/ C²H²

Metode Duval’s Triangle pCH⁴ = CH⁴/ (CH⁴ + C²H⁴ + C²H²) * 100 pC²H⁴ = C²H⁴ / (CH⁴ + C²H⁴ + C²H²) * 100 pC²H² = C²H² / (CH⁴ + C²H⁴ + C²H²) * 100

Tabel 5 menjelaskan rule base atau algoritma yang terdapat pada metode metode pada DGA. Rule base dibuat berdasarkan pada tabel 1 sampai 4 dan gambar 2. Dimana pada tabel 1 Metode TDCG menjumlahkan enam gas yang berbeda yaitu H²+ CH⁴+CO+ C²H⁴+ C²H⁶+ C²H², dan tabel 2 menjelaskan dua gas yang paling dominan yaitu CO² dan CO dengan rumus dibagikan, pada tabel 3 metode Roger’s Ratio membuat tiga rasio berbeda dengan

R2 = C²H²/C²H⁴, R1 = CH⁴/H², dan R³ = C²H⁴/C²H⁶ yang nantinya akan dibandingkan dari ketiga rasio tersebut sesuai kondisinya, tabel 4 yaitu metode Doernenburg Ratio memiliki algoritma yang sama seperti Roger’s Ratio hanya saja menggunakan empat rasio yaitu R1 = CH⁴/ H², R2 = C²H²/ C²H⁴, R3 = C²H⁴/ C²H⁶, dan R4 = C²H⁶/ C²H², dan gambar 2 dimana metode Duval’s Triangle memiliki algoritma yang berbeda dari yang lain dimana metode ini mengubah data gas yang ada menjadi bentuk persen sesuai dengan batasan yang ada dan semua itu nantinya akan dibandingkan dan disesuaikan dengan rule base yang telah dibuat sehingga dapat menentukan kondisi dari masing masing trafo sehingga dapat menentukan anomali apa yang terjadi pada trafo tersebut.

Berdasarkan rule base yang telah dibuat selanjutnya melakukan pelabelan sesuai kondisi dari masing masing batasan pada metode DGA. Hasil yang didapat dari rule base dimasukkan kedalam algoritma yang telah dibuat menggunakan fungsi loop for if dengan memasukkan kondisi dari masing masing metode sesuai dengan batasannya. Indikasi anomali dari masing-masing metode DGA didapat dan kemudian di export untuk selanjutnya dilakukan analisis dengan metode Machine Learning Supervised yaitu KNN. Langkah pertama menentukan variabel dependen dan Independen, variabel independen yang digunakan adalah semua kolom kecuali “kondisi”

dan “anomali” sedangkan variabel dependen yang digunakan adalah “anomali”. Kemudian mengaktifkan package model selection dari Sklearn, selanjutnya membagi data training dan data testing. Pada pembagian data training dan testing dilakukan pembagian 80:20 yang artinya data training 80% dan testing 20% dengan random_state=69 dengan sample yang dipilih secara acak sebanyak 20%. mengubah skala data dan mengubah nilai nan ke num serta mengaktifkan package KNeighbors Classifier dari Sklearn dan fungsi KNN dengan n=5. Kemudian menentukan hasil prediksi dari x_test serta probabilitas dari prediksi dan untuk mengecek keakuratan model yang telah dibuat menggunakan confussion matrix.

3.2 Implementasi Pengujian Program

Hasil dari rule base dan kondisi yang telah dibuat berdasarkan lima metode DGA, menghasilkan output anomali dari 448 trafo sesuai dengan kondisi yang telah dibuat menggunakan fungsi loop dengan anomali sesuai pada tabel 1 sampai 4 dan gambar 2. Berikut hasil output dari masing masing metode TDCG, Key gass, Roger’s Ratio, Doernenburg Ratio, dan Duval’s Triangle.

a. Metode TDCG

Gambar 6. Output metode TDCG

Gambar 6 menunjukkan output dari metode TDCG dimana trafo pertama dengan gas-gas yang ada mendapatkan nilai TDCG sebesar 5739, dimana jika dilihat pada tabel 1 konsentrasi gas lebih dari 4630 yang masuk pada kondisi empat yaitu indikasikan pemburukan yang sangat tinggi dan adanya dekomposisi / kerusakan pada isolator sudah meluas. Akan segera terjadi kerusakan transformator. 448 data dapat diidentifikasi anomalinya menggunakan metode TDCG.

b. Metode Key Gass

Gambar 7. Output metode key gass

Metode key gass hanya menggunakan dua konsentrasi gas yaitu CO² dan CO. Gambar 7 merupakan output dari metode key gass dengan rule base CO²/CO dengan trafo pertama yaitu 5166/479 menghasilkan 10,79 dan jika pada tabel 2 masuk kedalam kondisi 1 karena >10 dengan anomali Thermal in Paper <150⁰C. pada Tabel

2 hanya ada dua kondisi yaitu hasil <3 adalah Thermal in Paper <150⁰C dan hasil >10 adalah Thermal in Paper

>200⁰C selain itu akan masuk ke kondisi normal dimana trafo tidak mengalami anomali.

c. Metode Roger’s Ratio

Gambar 8. Output metode roger’s ratio

Metode roger’s ratio membagi data menjadi tiga rasio dimana R2 = C²H²/C²H⁴, R1 = CH⁴/H² dan R3 = C²H⁴/C²H⁶. Gambar 8 memberikan hasil dimana pada trafo pertama masuk pada kondisi 3 dengan anomali thermal fault, low temp <300^oC sesuai dengan batasan pada tabel 3.

d. Metode Doernenburg Ratio

Gambar 9. Output metode doernenburg ratio

Gambar 9 menjelaskan hasil dari metode doernenburg ratio, dimana empat rasio R1 = CH⁴/ H² , R2 = C²H²/ C²H⁴,R3 = C²H⁴/ C²H⁶ ,R4 = C²H⁶/ C²H² dibandingkan untuk menentukan kondisi anomali pada trafo. Trafo pertama sampai ketiga masuk pada kondisi nol yaitu dekomposisi thermal, sedangkan trafo keempat dan lima masuk ke kondisi tiga dengan anomali normal.

e. Metode Duval’s Triangle

Gambar 10. Output Metode Duval’s Triangle

Gambar 10 merupakan hasil dari metode duval’s triangle dengan mengubah konsentrasi gas kedalam bentuk persen dan trafo pertama masuk pada kondisi 3 yaitu T1, thermal fault <300^oC.

3.2 Hasil klasifikasi menggunakan KNN

Berdasarkan hasil sistem yang telah diuji dan di cek akurasi dari masing masing metode DGA dengan dataset yang diambil dari PT PLN Unit Pelaksana Transmisi (UPT) Salatiga dengan total data 448 menggunakan algoritma machine learning KNN, maka didapatkan hasil sebagai berikut.

Tabel 6. Hasil accuracy, precision, recall, f1-score

Metode DGA Accuracy Precision Recall F1-Score

TDCG 86% 86% 86% 86%

Key Gass 94% 96% 89% 92%

Roger’s Ratio 83% 66% 66% 66%

Doernenburg Ratio 79% 86% 85% 86%

Duval’s Triangle 89% 76% 75% 75%

Berdasarkan Tabel 6 berikut hasil analisa dari masing-masing metode : a. Metode TDCG

Metode TDCG memiliki akurasi, presisi, recall, dan F1-score sebesar 86%. Ini menunjukkan bahwa metode ini memiliki keseimbangan yang baik antara kemampuan mengklasifikasikan hasil positif dan negatif.

b. Key Gass

Metode key gas memiliki akurasi yang lebih tinggi 94% dibandingkan dengan metode TDCG. Ini menunjukkan bahwa metode ini lebih akurat dalam mengklasifikasikan sampel. Presisi dan F1-score yang tinggi 96% dan 92% menunjukkan bahwa metode ini memiliki kemampuan yang baik dalam mengklasifikasikan hasil positif.

Namun, recall yang lebih rendah 89% mengindikasikan bahwa metode ini masih melewatkan beberapa hasil positif.

c. Roger’s Ratio

Metode Roger’s Ratio memiliki akurasi 83%, yang lebih rendah dari metode key gas. Presisi, recall, dan F1- score semuanya mendapatkan skor 66%, yang menunjukkan bahwa metode ini memiliki kinerja yang lebih rendah dalam mengklasifikasikan hasil positif dan negatif.

d. Doernenburg Ratio

Metode Doernenburg Ratio memiliki akurasi 79%, yang lebih rendah dari beberapa metode lainnya. Namun, presisi 86% dan F1-score 86% menunjukkan bahwa metode ini memiliki kemampuan yang baik dalam mengklasifikasikan hasil positif. Recall 85% yang tinggi mengindikasikan bahwa metode ini dapat mendeteksi sebagian besar hasil positif.

e. Duval’s Triangle

Metode Duval’s Triangle memiliki akurasi 89%, yang lebih tinggi daripada beberapa metode lainnya. Presisi 76% dan F1-score 75% yang lebih rendah menunjukkan bahwa metode ini memiliki kinerja yang lebih rendah dalam mengklasifikasikan hasil positif. Recall 75% yang rendah menunjukkan bahwa metode ini dapat melewatkan beberapa hasil positif.

4. KESIMPULAN

Sistem deteksi anomali pada transformator berhasil dibuat dengan menggunakan lima metode DGA yang berbeda yaitu TDCG, Key Gass, Roger’s Ratio, Doernenburg Ratio, dan Duval’s Triangle dengan total 448 data yang didapatkan dari PT PLN Unit Pelaksana Transmisi (UPT) Salatiga. Memanfaatkan metode klasifikasi machine learning KNN memudahkan dalam menentukan tingkat akurasi dari suatu model sehingga dapat membandingkan metode mana yang memiliki akurasi tertinggi dan baik digunakan untuk menentukan kondisi anomali pada suatu trafo. Pembagian data training dan testing dilakukan pembagian 80:20 yang artinya data training 80% dan testing 20% dengan random_state=69 dengan sample yang dipilih secara acak sebanyak 20%. Mengaktifkan package KNeighbors Classifier dari Sklearn dan fungsi KNN dengan n=5 serta menggunakan confusion matrix untuk mengukur kinerja model dengan membandingkan hasil prediksi model dengan nilai sebenarnya dari data uji. Hasil sistem deteksi anomali pada trafo menunjukkan tingkat akurasi dari metode TDCG sebesar 86%, metode key gass sebesar 94%, metode roger ratio sebesar 83%, metode doernenburg ratio sebesar 79% dan duval’s triangle sebesar 89%. Berdasarkan hasil tersebut menunjukkan bahwa metode key gass memiliki tingkat akurasi tertinggi dengan nilai 94% dan metode doernenburg ratio memiliki tingkat akurasi terendah dengan nilai 79%. Data yang bersifat rahasia menjadi tantangan dalam pengambilan data untuk melakukan analisa serta pembuatan algoritma dari masing-masing masing metode. Sistem ini dapat membantu dalam menganalisa anomali pada trafo sehingga dapat melakukan tindakan pencegahan agar terhindar dari kerusakan serta menambah durasi downtime dari suatu transformator.

REFERENCES

[1] E. Permata and I. Lestari, “MAINTENANCE PREVENTIVE PADA TRANSFORMATOR STEP-DOWN AV05 DENGAN KAPASITAS 150KV DI PT. KRAKATAU DAYA LISTRIK,” Prosiding Seminar Nasional Pendidikan FKIP Universitas Sultan Ageng Tirtayasa, vol. 3, no. 1, pp. 485–493, 2020.

[2] M. Anzar Amrullah, Haripuddin, and Firdaus, “STUDI PEMELIHARAAN TRANSFORMATOR DAYA DI PLN UPT MAKASSAR,” Jurnal MEDIA ELEKTRIK, vol. 20, no. 1, pp. 67–72, 2022, doi:

https://doi.org/10.59562/metrik.v20i1.36714.

[3] N. M. Seniari, F. Citarsa, and A. Ningsih, “Korelasi Antara Sifat Listrik Dengan Sifat Fisika Dan Sifat Kimia Dari Minyak Transformator,” Dielektrika, vol. 8, no. 2, pp. 118–125, 2021.

[4] R. Anni, “Analisis Keadaan Minyak Transformator Menggunakan Metode Logika Fuzzy Berdasarkan Kadar Gas Terlarut,” Jurnal Pendidikan Tambusai, vol. 6, no. 2, pp. 16200–16207, 2022.

[5] M. Tohari, B. Sukoco, and M. Haddin, “Analisis Kondisi Transformator Daya 20kv/150kv Dengan Metode Uji Dissolved Gas Analysis (DGA) Di PT.PJB PLTU Rembang,” KONFERENSI ILMIAH MAHASISWA UNISSULA (KIMU) 4, pp.

337–344, 2020.

[6] M. Misto and H. Haryono, “Analisis Gas Terlarut pada Minyak Isolasi sebagai Indikator Kegagalan Transformator Daya dengan Metode Dissolved Gas Analysis,” Jurnal Teknik Elektro dan Komputasi (ELKOM), vol. 1, no. 2, pp. 99–112, Dec.

2019, doi: 10.32528/elkom.v1i2.3091.

[7] A. Yulinda, M. Taqiyyudin A, and B. M. Basuki, “Analisis Kegagalan Trafo Berdasarkan Hasil Pengujian Dissolved Gas Analysis Pada Trafo I 50 Mva 150/20kv Gi Pier,” Science Electro, vol. 10, no. 1, pp. 64–69, 2019.

[8] S. Ariyani, “Analisis Dissolved Gas Analysis Dan Klasifikasi Tipe Fault Pada Minyak Trafo Dengan Metode Naive Bayes Classifier Pada Transformator Daya 150 kV,” 2019. doi: 10.32528/elkom.v1i1.2181.

[9] E. Alimudin, A. Sumardiono, and N. B. Nugraha, “Expert System for Predictive Maintenance Transformer using J48 Algorithm,” Kinetik: Game Technology, Information System, Computer Network, Computing, Electronics, and Control, vol. 8, no. 1, pp. 445–452, Feb. 2023, doi: 10.22219/kinetik.v8i1.1587.

[10] Y. Benmahamed, Y. Kemari, M. Teguar, and A. Boubakeur, “Diagnosis of Power Transformer Oil Using KNN and Naïve Bayes Classifiers,” 2018, [Online]. Available: https://www.researchgate.net/publication/327837626

[11] I. M. Sismantara, W. Ariastina, and A. Amrita, “Penentuan Kondisi Transformator Berdasarkan Kandungan Gas Terlarut Menggunakan Metode Segitiga Duval,” Spektrum, vol. 8, no. 1, p. 107, 2021, doi:

10.24843/SPEKTRUM.2021.v08.i01.p12.

[12] S. Ramadani, N. Z. S. Ayu, N. Nurhayati, F. Azzahra, and A. P. Windarto, “Analisis Data Mining Naive Bayes Klasifikasi Pada Kelayakan Penerima PKH,” KOMIK (Konferensi Nasional Teknologi Informasi dan Komputer), vol. 4, no. 1, pp.

374–381, 2020, doi: 10.30865/komik.v4i1.2725.

[13] W. Wahyono, I. N. P. Trisna, S. L. Sariwening, M. Fajar, and D. Wijayanto, “Perbandingan penghitungan jarak pada k- nearest neighbour dalam klasifikasi data tekstual,” Jurnal Teknologi dan Sistem Komputer, vol. 8, no. 1, pp. 54–58, Jan.

2020, doi: 10.14710/jtsiskom.8.1.2020.54-58.

[14] N. Fithri and J. R. Auliya, “Analisis Kegagalan Isolasi Minyak Transformator 27 Mva Pltg 1 Jakabaring Berdasarkan Hasil Uji Dissolved Gas Analysis (DGA),” Jurnal Ilmiah TEKNO, vol. 15, no. 1, pp. 23–33, 2018.

[15] Y. E. Feriyanto, “Analisa Dissolved Gas Analysis (DGA) di minyak trafo, Best Practice Experience in Power Plant.”

Accessed: Oct. 17, 2023. [Online]. Available: www.caesarvery.com

[16] A. Syakur and W. Lazuardi, “Penerapan Metode Interpretasi Rasio Roger, Segitiga Duval, Breakdown Test, dan Water Content Test untuk Diagnosis Kelayakan Minyak Transformator,” TEKNIK, vol. 40, no. 1, pp. 63–68, 2019, doi:

10.14710/teknik.v40n1.22056.

[17] MA. Senoussaoui, IS. Bousmaha, MN. Brahami, and M. Brahami, “Comparative study of DGA interpretation methods,”

4th International Conference On Electrical Engineering, p. 354, 2019, [Online]. Available:

https://www.researchgate.net/publication/331578768

[18] S. Shidiq, A. Sujatmiko, and A. H. Paronda, “Pengujian Dissolved Gas Analysis (DGA) Pada Trafo Tenaga 150/20kv 60mva Di Gardu Induk Tambun,” JREC Journal of Electrical and Electronics, vol. 7, no. 1, pp. 43–52, 2019.

[19] I. Widhi Saputro and B. Wulan Sari, “Uji Performa Algoritma Naïve Bayes untuk Prediksi Masa Studi Mahasiswa,” Citec Journal, vol. 6, no. 1, pp. 1–11, 2019, doi: 10.24076/citec.2019v6i1.178.

[20] F. Istighfarizky, N. A. E. Sanjaya, I. M. Widiartha, L. G. Astuti, I. G. N. A. C. Putra, and I. K. G. Suhartana, “Klasifikasi Jurnal menggunakan Metode KNN dengan Mengimplementasikan Perbandingan Seleksi Fitur,” Jurnal Elektronik Ilmu Komputer Udayana, vol. 11, no. 1, pp. 167–176, 2022, [Online]. Available: https://scholar.google.com