Prediksi Kegagalan Transformator Daya dengan Metode DGA (Dissolved Gas Analysis) Menggunakan Random Forest Berbasis TDCG
Marcelino Maxwell Sugiman*, Hindriyanto Dwi Purnomo
Fakultas Teknologi Informasi, Program Studi Teknik Informatika, Universitas Kristen Satya Wacana, Salatiga, Indonesia Email: 1[email protected], 2[email protected]
Email Penulis Korespondensi: [email protected]
Abstrak−Transformator adalah komponen penting, dan deteksi dini potensi kegagalan memainkan peran penting dalam pengoperasian sistem tenaga listrik yang andal. Artikel ini menjelaskan pendekatan baru untuk prediksi kegagalan transformator daya berdasarkan analisis gas terlarut (DGA) dengan menerapkan metode TDCG dengan algoritma Random Forest. Data DGA dari trafo operasional digunakan untuk melatih dan menguji model prediktif. Metode random forest berdasarkan TDCG memungkinkan analisis komprehensif terhadap perubahan gas terlarut dalam minyak transformator, sehingga memungkinkan deteksi dini kondisi kegagalan. Hasil percobaan menunjukkan bahwa model prediksi menggunakan model yang dibuat dengan menerapkan hyperparameter tuning untuk penyetelan parameter yang di optimal agar mempunyai akurasi yang tinggi, akurasi didapatkan mencapai 96% dalam mendeteksi potensi kegagalan, standar yang digunakan untuk presentasi akurasi menggunakan confusion matrix sebagai keakuratan model prediksi. Selain itu, dapat mengoptimalkan efisiensi waktu dalam menganalisis kegagalan dan mencegah terjadinya human error pada saat perhitungan identifikasi fault gas atau potensi kegagalan.
Kata Kunci: Transformator; Random Forest; TDCG
Abstract−Transformers are critical components, and early detection of potential failures plays an important role in the reliable operation of the power system. This article describes a novel approach for power transformer failure prediction based on dissolved gas analysis (DGA) by applying the TDCG method with Random Forest algorithm. DGA data from operational transformers are used to train and test the predictive model. The Random Forest method based on TDCG enables comprehensive analysis of dissolved gas changes in transformer oil, thus enabling early detection of failure conditions. Experimental results show that the predictive model using the model created by applying hyperparameter tuning for optimal parameter tuning to have high accuracy, the accuracy obtained reaches 96% in detecting potential failures, the standard used for accuracy presentation uses confusion matrix as the accuracy of the predictive model. In addition, it can optimize time efficiency in analyzing failures and prevent human error when calculating gas fault identification or potential failures.
Keywords: Transformers; Random Forest; TDCG
1. PENDAHULUAN
Teknologi pada saat ini berkembang sangat pesat di berbagai bidang, hal ini dapat dilihat dari teknologi yang kita gunakan dalam aktivitas sehari-hari. Di sisi lain, kemajuan teknologi yang pesat membutuhkan energi listrik untuk menggunakan teknologi bahkan mengembangkannya. Setiap teknologi menggunakan listrik secara berbeda-beda, ada yang membutuhkan tegangan besar, ada juga yang membutuhkan tegangan rendah, untuk memenuhi kebutuhan penggunaan tegangan yang berbeda tersebut diperlukan transformator daya. Transformator adalah alat penting yang berfungsi untuk mengkonversi daya tanpa mengubah frekuensi listrik, namun pada umumnya transformator menjadi peralatan listrik yang kurang diperhatikan dan tidak diberikan perawatan yang memadai.
Transformator yang sudah dirawat tidak lepas dari faktor kegagalan, baik kegagalan termal maupun kegagalan elektris. Jika kegagalan ini berlangsung terus-menerus maka akan menyebabkan kerusakan. Padahal perbaikan transformator yang rusak tidaklah mudah dan tidak dapat dikerjakan dalam waktu yang singkat. Hal ini nantinya akan berdampak pada sejumlah kerugian finansial yang sangat besar karena biaya Transformator sangatlah mahal [1]. Penggunaan beban listrik yang tidak seimbang dengan langganan daya besar dapat menyebabkan ketidakefisienan dalam pembiayaan. Hal ini mengakibatkan tagihan listrik yang tinggi yang harus dibayarkan setiap bulan, ditambah dengan dikenakannya denda akibat faktor daya rendah khususnya untuk pelanggan Tegangan Menengah [2].
Salah satu penyebab utama kegagalan transformator adalah panas berlebih atau overheating. Overheating sering disebabkan oleh banyak faktor seperti overcharging dan oksidasi yang menghasilkan karat, air, dan faktor lainnya [1]. Faktor-faktor yang dapat memengaruhi nilai kerugian transformator termasuk suhu hotspot yang terjadi dalam transformator. Besarnya suhu hotspot sangat dipengaruhi oleh perubahan besarnya beban dan perubahan suhu lingkungan. Perubahan nilai resistansi ini merupakan salah satu faktor yang memengaruhi jumlah kerugian tembaga (I2R) dalam transformator [3]. Kinerja transformator daya ditentukan melalui parameter- parameter daya yang terjadi dalam transformator [4], [5]. Jika kerugian terjadi pada inti besi, dapat menyebabkan panas berlebih dan getaran pada transformator, menyebabkan nilai efisiensi dan umur pakai transformator (Loss of Life) menurun [6].
Transformator daya memerlukan berbagai jenis pengujian isolator, baik isolator padat maupun isolator minyak. Uji fisik dilakukan dengan menguji bahan isolasi minyak. Pengujian fisik dilakukan dengan menguji bahan isolasi padat dan belitan transformator, sedangkan pengujian minyak biasanya dilakukan dengan menguji sifat-sifat minyak isolasi [1]. Metode yang efektif untuk menganalisis minyak isolasi adalah metode uji DGA. Hal
tersebut sejalan dengan penelitian yang dilakukan Adi bahwa hasil pengujian dengan menggunakan algoritma J48 dan RandomForest menunjukkan tingkat akurasi yang signifikan, dengan 36 dari 56 data yang hilang dapat diprediksi dengan baik. Dengan demikian, pendekatan yang diterapkan dalam penelitian ini dianggap relatif baik untuk menangani nilai yang hilang dalam dataset IEC TC10, memberikan kontribusi positif dalam meningkatkan keandalan data untuk diagnosis kerusakan pada transformator daya [7]. Penelitian yang dilakukan Basri dan Faisol menghasilkan hasil analisis DGA menunjukkan bahwa pengaruh beban sangat signifikan terhadap hasil uji, dengan adanya kandungan gas seperti H2, CH4, C2H4, C2H6, C2H2, CO, CO2, dan H2O yang terus meningkat, terutama akibat Kegagalan Termal. Temuan ini menunjukkan bahwa monitoring beban pada transformator sangat penting untuk mencegah potensi kegagalan, dengan perubahan kandungan gas memberikan petunjuk terkait Discharge Listrik dan Kegagalan Termal pada transformator [2]. Penelitian yang dilakukan Shidiq mengidentifikasi gangguan pada transformator daya melalui Dissolved Gas Analysis (DGA). Setelah perbaikan, dilakukan pengujian DGA dua kali dengan lima metode analisis. Elemen gas utama seperti H2, CO, CO2, CH4, C2H2, C2H4, dan C2H6 dianalisis sesuai standar IEC C57 104 dan IEEE 60599. Hasil penelitian mencakup identifikasi gangguan, keunggulan metode analisis, serta penentuan metode yang paling sesuai untuk justifikasi gangguan pada transformator [8]. Hasil pengujian penelitian yang dilakukan Sukarman menunjukkan bahwa model neural network dengan fungsi IEEE dapat mendiagnosis 314 dari 131 data yang terdeteksi oleh metode IEC, dengan akurasi sebesar 94,66%. Dengan demikian, penelitian ini menunjukkan bahwa penggunaan ANN, terutama dengan tambahan fungsi IEEE, dapat meningkatkan akurasi dalam mendiagnosis kondisi transformator daya berdasarkan analisis DGA [9].
Penelitian tentang interpretasi hasil uji Dissolved Gas Analysis (DGA) telah banyak dilakukan diseluruh dunia. Salah satu penelitian yang menggunakan metode ini adalah Identifikasi Gas terlarut Minyak Transformator dengan Menggunakan Logika Fuzzy Menggunakan Metode TDCG untuk Menentukan Kondisi Transformator 150 KV [10]. Pada Penelitian ini menggunakan metode logika fuzzy dan metode TDCG untuk mengidentifikasi gas terlarut dalam minyak transformator. Hasil penelitian ini membuka jalan bagi pengembangan metode analisis gas terlarut yang lebih efektif, serta pemantauan kondisi transformator daya yang lebih canggih untuk aplikasi masa depan. Penelitian lain yang telah dilakukan diagnosis kegagalan transformator menggunakan Analisis Gas Terlarut (DGA) dan jaringan Bayesian [11]. Penelitian ini berfokus pada diagnosis kegagalan transformator menggunakan jaringan Bayesian. Jaringan Bayesian didasarkan terutama pada data eksperimen dengan menggunakan DGA untuk menentukan parameter jaringan. Jaringan Bayesian juga bergantung pada pengalaman operator staf pemeliharaan untuk memutuskan kegagalan peralatan dari berbagai skenario dan pengaruhnya untuk menentukan struktur jaringan. Hasil dari penelitian ini menunjukkan bahwa model yang diperkenalkan dalam kasus yang diteliti mampu mendiagnosis lima kegagalan termasuk keadaan normal, dibandingkan dengan metode Roger’s Ratio yang hanya mampu mendiagnosis empat kegagalan. Setiap metode DGA menggunakan beberapa rasio gas, tetapi model Bayesian yang dikembangkan dalam penelitian ini mendukung semua rasio gas [11]. Penerapan data mining dengan algoritma J48 merupakan metode DGA lainnya yang mampu memberikan hasil yang cukup baik dalam menentukan kondisi transformator [12]. Metode ini dikembangkan untuk membantu meningkatkan performa klasifikasi pada kasus gangguan transformator, untuk itu diperlukan sebuah pola pendekatan model non-matematis yang dapat memetakan hubungan antara input yang berupa data hasil uji DGA dengan output berupa jenis gangguan yang dihasilkan dengan menggunakan crossvalidation. Data training dibagi menjadi k buah subset dimana nilai k adalah nilai dari fold yang selanjutnya untuk tiap subset akan dijadikan data tes dari hasil klasifikasi yang dihasilkan dari k-1 subset lainnya. Hasil dari penelitian yang telah dilakukan menunjukkan bahwa data minning classification dengan menggunakan metode cross validation atau pohon keputusan dengan algortima J48, dapat membentuk pohon keputusan prediksi jenis gangguan transformator yang diakibatkan oleh faktor gas yang terkandung dalam minyak transfromator. Algoritma J48 dan CFS yang digunakan untuk menghitung probabilitas kandungan gas terlarut dalam minyak transformator menggunakan 10 fold cross validation menghasilkan akurasi data lebih baik, yaitu sebesar 92,12% dengan nilai rata-rata pada 10 kali percobaan sebesar 87.24%. Dengan menggunakan algoritma J48 ini, dapat diketahui melalui pohon keputusan nilai estimasi dari variable continue meskipun ada beberapa teknik yang lebih sesuai untuk beberapa kasus tertentu [12]. Metode pengolahan data DGA lainnya, adalah metode kecerdasan buatan, yang mana telah memberikan hasil yang positif dalam menganalisa kondisi transformator [4]. Kecerdasan buatan merupakan salah satu metode yang efektif dan efisien dalam melakukan pengolahan data berbagai bidang keilmuan. Salah satu cabang ilmu kecerdasan buatan adalah jaringan syaraf tiruan yang telah digunakan untuk mendiagnosis kegagalan pada transformator berdasarkan metode DGA.
Model back propagation jaringan syaraf tiruan dibangun berdasarkan DGA dari metode aturan standard IEC. Hasil penelitian ini merujuk pada keandalan model jaringan syaraf tiruan sebagai alat diagnosis untuk kegagalan transformator, dengan akurasi melebihi 90% [13]. Untuk penelitian selanjutnya dengan judul Penentuan Kondisi Transformator Berdasarkan Kandungan Gas Terlarut Menggunakan Metode Segitiga Duval [14]. Penelitian ini memperkenalkan interpretasi hasil pengujian DGA dengan menggunakan pendekatan Fuzzy Logic berdasarkan metode Segitiga Duval. Fuzzy Logic dikembangkan berdasarkan pemetaan berbagai area di dalam Segitiga Duval.
Validasi program dilakukan dengan membandingkan luaran program dengan kondisi gangguan yang disimulasikan. Hasil analisis menunjukkan bahwa program yang dibuat telah berhasil menentukan kondisi transformator yang diuji dengan baik. Dengan demikian, program yang deperkenalkan dalam penelitian ini dapat
memberikan keuntungan bagi para teknisi dibandingkan jika menggunakan metode konvensional dalam menentukan kondisi transformator [14].
Secara keseluruhan, IECTC10 adalah dataset yang sangat digunakan untuk pengukuran Analisis Gas Terlarut (DGA) pada transformator daya. Meskipun dataset ini memiliki kekurangan, salah satunya adalah masalah data nilai yang hilang, penelitian ini berhasil mengatasi masalah tersebut menggunakan algoritma Tertius. Hasil pengujian dengan menggunakan algoritma J48 dan RandomForest menunjukkan tingkat akurasi yang signifikan, dengan 36 dari 56 data yang hilang dapat diprediksi dengan baik. Dengan demikian, pendekatan yang diterapkan dalam penelitian ini dianggap relatif baik untuk menangani nilai yang hilang dalam dataset IEC TC10, memberikan kontribusi positif dalam meningkatkan keandalan data untuk diagnosis kerusakan pada transformator daya. Metode uji DGA adalah analisis kondisi transformator pada jumlah konsentrasi minyak (gas fault) pada isolator transformator. Hasil dari analisis DGA kemudian akan didapatkan konsentrasi gas-gas yang terkandung pada minyak antara lain hidrogen, metana, etana, etilena, asetilena, karbon monoksida, dan karbon dioksida. Kehadiran dan konsentrasi gas-gas ini dapat memberikan informasi berharga tentang jenis dan tingkat keparahan kesalahan, memungkinkan pemeliharaan dan perbaikan yang ditargetkan [8] kemudian hasil fault gas dihitung dengan metode standar DGA yang dimana metode standar sudah memiliki parameter untuk mengidentifikasikan jika terjadi kegagalan atau belum terjadi kegagalan. Perhitungan manual menggunakan excel kurang optimal dan kurang efisien waktu karena akan cukup memakan waktu untuk memasukan rumus-rumus yang digunakan setiap analisis DGA ingin di identifikasikan. Tujuan penelitian ini adalah mengoptimalkan efisiensi waktu dan mencegah terjadinya human error pada saat perhitungan identifikasi fault gas menggunakan standar DGA, yaitu TDCG model yang dibuat menggunakan algoritma random forest. Akurasi pada model algoritmanya akan ditingkatkan menggunakan hyperparameter tuning.
2. METODOLOGI PENELITIAN
Tahapan penyusunan Penelitian ini yaitu dengan cara sebagai berikut; Studi Literatur, Pengambilan Data, Pengolahan Data, Penyelesaian Laporan. Pengumpulan data Dissolved Gas Analysis (DGA). Langkah yang dilakukan untuk melakukan pengujian DGA:
1. Pengambilan sampel data konsentrasi gas pada transformator daya 2. Ekstraksi gas dengan menggunakan peralatan DGA itu sendiri.
3. Interpretasi data, memperoleh hasil data dari uji sampel minyak isolasi yang dilakukan.
4. Analisis data tersebut dengan menggunakan Random Forest
5. Pengambilan kesimpulan, setelah mendapatkan hasil data gas yang telah dianalisis dengan menggunakan Random Forest untuk menentukan keadaan minyak transformator tersebut.
Setelah didapat data keluaran berupa jenis gas pada minyak isolasi barulah kita analisis menggunakan Random Forest. Data-data yang sudah terkumpul tersebut selanjutnya diolah melalui perhitungan dan analisis menggunakan Random Forest. Dalam menggunakan Random Forest s kita perlu melakukan analisis prediksi dan akurasi model dengan menggunakan confusion matrix, serta visualisasi akurasi menggunakan plt show. Metode penelitian yang digunakan adalah penulisan penelitian dalam bentuk metode kuantitatif. Penelitian kuantitatif adalah penelitian yang dilakukan dengan mengumpulkan data dan menggunakan daftar pertanyaan terstruktur (kuesioner) yang disusun berdasarkan pengukuran variabel yang diteliti yang kemudian menghasilkan data kuantitatif [15]. Beberapa tahapan akan dilakukan dalam penelitian ini. Tahapan tersebut terutama terdiri dari dua tahap utama: tahap persiapan data, yang mencakup penanganan nilai data yang hilang, dan tahap pengujian data.
Sisa dari rangkaian tahapan dapat dilihat pada Gambar di bawah ini:
Gambar 1. Metodologi Penelitian
Penelitian ini dimulai dengan melakukan studi literatur, yang melibatkan pencarian referensi dari jurnal, artikel, dan skripsi sebagai landasan teoritis. Sebanyak enam referensi digunakan sebagai dasar penelitian. Setelah itu, tahap pengambilan data dilakukan di PT PLN Transmisi Jawa Tengah Salatiga, perusahaan distributor listrik.
Proses pengambilan sampel data konsentrasi gas pada transformator daya dilakukan dari tahun 2017 hingga 2022, dengan total 722 data setiap tahun yang mencakup gas H2, CH4, CO, CO2, C2H4, C2H6, dan C2H2. Tahap selanjutnya adalah pengolahan data, di mana data mentah yang telah diperoleh diubah menjadi sebuah dataset untuk digunakan dalam proses training dan testing data. Pengolahan data melibatkan metode pembersihan, dengan seleksi data untuk mendeteksi error, data duplikat, dan data yang hilang. Setelah proses pembersihan, dilakukan pelabelan data menggunakan metode TCDG sebagai pelabelan untuk menciptakan dataset yang dapat diawasi.
Pengolahan data dilakukan menggunakan Colab sebagai media. Pada tahap modeling, dibuat model machine learning menggunakan bahasa pemrograman Python di Colab dengan bantuan library SkLearn. Pada model ini,
diterapkan algoritma random forest dan dibuat hyperparameter sebagai dasar prediksi dan pengukuran akurasi.
Tahapan terakhir adalah analisis dan penulisan laporan. Pada tahap ini, dilakukan analisis terhadap prediksi dan akurasi dari model, menggunakan indikator hasil dari model machine learning seperti confusion matrix untuk mengevaluasi model klasifikasi dengan membandingkan data asli dan hasil klasifikasi. Selain itu, plt show digunakan untuk menampilkan akurasi dalam bentuk grafik, yang menjadi acuan untuk menilai seberapa optimalnya model yang telah dibuat.
3. HASIL DAN PEMBAHASAN
Dalam penelitian ini, metode Random Forest diterapkan untuk menganalisis data DGA dari transformator daya.
Ini melibatkan pembuatan model prediksi yang mengolah data konsentrasi gas terlarut. Model ini dibangun dengan Python, menggunakan library SkLearn di lingkungan Colab. Proses pembangunan model termasuk pemilihan fitur, pembagian data menjadi set pelatihan dan pengujian, serta tuning hyperparameter untuk meningkatkan akurasi prediksi. Analisis dilakukan dengan membandingkan hasil prediksi model terhadap data aktual, menggunakan teknik seperti confusion matrix, untuk menilai efektivitas model dalam memprediksi kegagalan transformator.
TDCG merupakan metode awal untuk mengetahui sejauh mana tingkat konsentrasi dari masing – masing fault gas antara lain CO2, CO, H2, CH4, C2H2, C2H4, C2H6. Terdapat 4 kondisi sebagai indikator kegagalan transformator yaitu dengan menjumlahkan nilai setiap gas. Dalam perhitungan TDCG, gas CO2 tidak termasuk dalam perhitungan [9].
H2 + CH4 + C2H4 + C2H6 + CO (1)
Tabel 1. Batasan Konsentrasi Fault Gas menurut IEC C57 104 2008
Status Hydrogen (H2)
Methane (CH4)
Acetylene (C2H2)
Ethylene (C2H4)
Ethane (C2H6)
Carbon Monoxide
(CO)
Carbon Dioxide (CO)1
TDCG
Condition 1 100 120 35 50 65 350 2,500 720
Condition 2 101-700 121-400 36-50 51-100 66-100 351-570 2,500-
4,000 721-1,920 Condition 3 701-1,800 401-1,000 51-80 101-200 101-
150 571-1,400 4,001- 10,000
1,921- 4,630 Condition 4 >1,800 >1,000 >80 >200 >150 >1,400 >10,000 >4,630
1. Condition 1 mengindikasikan bahwa trafo beroperasi secara normal
2. Condition 2 mengindikasikan nilai fault gas mulai tinggi, lakukan investigasi lanjutan terhadap kenaikan level fault gas.
3. Condition 3 mengindikasikan terjadi dekomposisi dari minyak dan selulosa. Berbagai kegagalan mungkin sudah terjadi. Lakukan perawatan lebih lanjut.
4. Condition 4 mengindikasikan trafo mengalami dekomposisi dari minyak dan selulosa yang sudah meluas [16]
Gambar 2. Flowchart Pengolahan Data
Langkah awal dengan mengolah data, data yang didapatkan yaitu data mentah atau unsupervised kategori data DGA yang diuji dari tahun 2017 – 2022 dengan total data 722. Data tersebut akan diolah menjadi dataset yang dimana nantinya bisa digunakan dalam proses prediksi. Proses upload data dapat dilihat pada Tabel 2.
Tabel 2. Upload Data Mentah
Hydrogen Methane CO CO2 Ethylene Ethane Acethylene
0 27 479 5166 12 22 0
Hydrogen Methane CO CO2 Ethylene Ethane Acethylene
1 61 229 2256 1 30 0
2 15 334 2863 25 559 0
4 14 210 778 0 21 0
4 0 245 376 0 3 0
Colab sebagai media untuk melakukan proses pengolahan data, setelah di upload kemudian di konversi menjadi dataframe, pada line #read dataset fillna (0) dan stype(int) kode tersebut untuk mengisi tabel kosong menjadi 0 dan mengubah tipe data dari float menjadi integer. Kemudian melakukan metode TDCG pada data dengan menjumlahkan setiap konsentrasi gas namun hanya CO2 sebagai pengecualian dalam perhitungan TDCG.
hasil TDCG yang didapatkan kemudian di beri label menggunakan fungsi for loop dimana jika hasil TDCG<=720 maka akan diberi label dengan kondisi 1, jika <=1920 maka akan diberi label dengan kondisi 2, jika Proses <=4360 maka akan diberi label dengan kondisi 3, dan jika >4630 maka akan diberi label dengan kondisi 4.
Data yang telah diolah sebelumnya dari unsupervised menjadi dataset supervised maka model untuk memprediksi akan dibuat. Langkah awal dengan mengimpor datasetnya, nama file yang diberikan Tdcg.csv dengan 9 variabel dimana terdapat 7 konsentrasi gas, TDCG dan kondisi dari jumlah TDCG yang di peroleh dilihat pada Tabel 3.
Tabel 2. Upload Dataset
No Hydrogen Methane CO CO2 Ethylene Ethane Acethylene TDCG Kondisi
0 27 60 479 5166 12 22 0 600 1
1 61 22 229 2256 1 30 0 343 1
2 15 206 334 2863 25 559 0 1139 2
3 14 21 210 778 0 21 0 266 1
4 0 12 245 376 0 3 0 260 1
… … … …
717 0 136 439 8164 6 97 0 678 1
718 0 190 336 6985 18 143 0 687 1
719 0 163 561 6377 11 117 0 852 2
720 0 179 566 6698 15 117 0 877 2
721 0 192 337 6696 13 160 0 702 1
Variabel TDCG dan CO2 dihapuskan dalam proses klasifikasi atau prediksi karena TDCG sebagai parameter untuk label Kondisi dan CO2 tidak termasuk dalam perhitungan TDCG. Memisahkan antara variabel dan label dimana X meliputi 8 konsentrasi gas dan y adalah label pemisahan antara variabel dan label untuk memisahkan data yang nantinya dilakukan train dan test. Pada line splitting our data proses ini memisahkan data train dan test dengan parameter test_zise=0.3, random_state=0 membagi test 30% dan train 70% dengan random_state=0 mendapatkan set train dan test yang sama di berbagai eksekusi. Setelah data dibagi kemudian penyetelan hyperparameter dengan GridSearchCV, parameter grid yang di uji ada 6 parameter dan setiap parameter diberikan nilai dengan jarak tertentu untuk nantinya dari nilai tersebut dicari best parameternya.
Random forest adalah susunan dari masing – masing pohon (tree) dari model Decision tree yang baik, dan kemudian dikombinasikan ke dalam satu model dan algoritma Random Forest sangat cocok untuk klasifikasi data dalam jumlah yang besar [17].
Gambar 3. Proses Training Random Forest
Pada gambar proses training random forest dilakukan dengan menggunakan dataset T sebagai input dan sejumlah m tree sebagai model pembelajaran dasar. Pada setiap pohon, percabangan menggunakan k fitur yang dipilih secara acak dari total fitur yang tersedia. Proses pelatihan pada masing-masing pohon menggunakan set data T' yang terbentuk melalui bootstrap dari set data yang digunakan sebagai parameter untuk random forest. Bootstrap adalah langkah dalam memilih sampel dari kumpulan data yang akan digunakan dalam pelatihan tree. Perlu diingat bahwa dalam metode ensemble, bootstrap mengacu pada proses pengambilan sampel dengan penggantian sehingga sampel yang diambil untuk pelatihan tree satu masih dapat digunakan kembali untuk pelatihan tree yang lainnya [18].
Hyperparameter diterapkan pada model algoritma untuk meningkatkan akurasi prediksi, diperlukan penyetelan hyperparameter agar mendapatkan hasil akurasi yang maksimal. Gridsearch menjadi bagian dari proses tuning untuk melatih algoritma pembelajaran mesin untuk semua kombinasi dari hyperparameter, proses ini harus dipandu oleh performance metric, biasanya diukur menggunakan teknik cross validation pada set pelatihan. Validasi ini memastikan bahwa model terlatih memperoleh sebagian besar pola dari dataset. Set nilai hyperparameter yang dipilih dalam pencarian grid kemudian digunakan dalam model aktual. Pencarian grid menjamin deteksi hyperparameter terbaik. Namun, salah satunya kekurangannya adalah ia sangat menderita dalam hal konvergensi dan dimensi yang cepat. Parameter yang dapat digunakan dalam proses hyperparameter adalah sebagai berikut [19].:
1. Bootstrap: seluruh dataset digunakan untuk membangun setiap pohon.
2. max_depth: kedalaman maksimum pada tree
3. max_features: jumlah fitur yang perlu dipertimbangkan setiap kali membuat keputusan pemisahan.
4. max_samples_leaf: menentukan jumlah minimum sampel yang diperlukan untuk berada pada node daun.
5. max_samples_split: menentukan jumlah minimum sampel yang diperlukan untuk memisahkan simpul daun internal
6. n_estimator: menentukan jumlah tree pada model.
Pada grid search terdapat fitur cross validation yang memiliki tujuan untuk mengevaluasi performa dari model karena adanya ketergantungan performa dengan pembagian data. Jumlah fold yang ingin dipelajari dapat ditentukan dalam parameter cv saat menjalankan GridSearchCV dari sklearn. Jika tidak ada nilai yang ditentukan maka nilai default akan menjalankan 5 fold cross validation. Proses jumlah percobaan grid search dilakukan dengan menghitung jumlah fold cross dengan jumlah value dari masing-masing parameter dari model, semakin banyak fold dan parameter yang digunakan pada model menyebabkan percobaan yang dilakukan grid search akan memakan banyak waktu. Untuk mempersingkat waktu maka percobaan grid search dilakukan secara paralel dengan n_jobs. Nilai default dari n_jobs yaitu 1 dan jika ingin memaksimalkan proses kerja prosesor maka dapat memberikan nilai n_jobs yaitu -1. Setelah semua percobaan dilakukan maka grid search akan mencari best parameter yaitu dengan kombinasi-kombinasi parameter yang diberikan. Alur grid search dapat dilihat pada gambar 6.
Gambar 4. Flowchart Grid Search
Salah satu cara terlengkap untuk menyajikan hasil skor klasifikasi biner menggunakan confusion matrix.
Confusion matrix adalah tabel yang menggambarkan kinerja model atau algoritma tertentu. Setiap baris matriks mewakili kelas data sebenarnya dan setiap kolom mewakili kelas data yang diprediksi atau bisa sebaliknya [20].
1. True positive artinya seberapa banyak data aktual yang masuk dalam kategori positif dan model juga memprediksi positif.
2. True Negative artinya seberapa banyak data aktual yang masuk dalam kategori negatif dan model juga memprediksi negatif.
3. False Positive artinya seberapa banyak data aktual yang masuk dalam kategori negatif, tetapi model memprediksi positif.
4. False Negative artinya seberapa banyak data aktual yang masuk dalam kategori positif, tetapi model juga memprediksi negatif
Ke-4 informasi tersebut dapat digunakan untuk memberikan informasi lain yang sangat berguna saat mengukur kinerja sebuah model [20] antara lain:
1. Accuracy: Persentase total data yang diproses pada klasifikasi atau prediksi dengan benar oleh model. Berikut rumus dari accuracy. (TP) / (Jumlah data).
2. Precision: Ketika model memprediksi positif, seberapa sering model tersebut memprediksi dengan benar.
Berikut rumus dari Precision. TP / (TP + FP).
3. Recall : Ketika kelas aktualnya positif, seberapa sering model memprediksi positif. Berikut rumus Recall. TP / (TP + FN)
4. F1-Score: Adalah rata-rata harmonik dari Precision dan Recall. Berikut rumus F1- score. 2*((Precision * Recall) / (Precision + Recall))
Membuat model dasar dengan RandomForestClassifier yang ada pada library SkLearn. Pencarian grid di inisialisasi dengan cv=3, n_jobs=-1, verbose=2 dimana perulangan dilakukan sebanyak 3x untuk train dan test.
Setelah best parameter dari model yang dibuat dengan pencarian grid search untuk hasilnya.
Hyperparameter yang yang didapatkan dari grid search tidak semuanya digunakan pada prediksi karena setelah melakukan pengujian dengan parameter- parameter yang lain untuk hasil akurasi maksimal hanya dengan parameter max_depth=80 dan n_estimator=300 artinya jumlah tree 300 pada model dan kedalaman setiap pohon 80. Setelah hyperparameter sudah ditetapkan selanjutnya membuat prediksi dengan data, untuk mengetahui seberapa akurat model pada setiap label yang dibuat maka confusion matrix solusinya.
Gambar 5. Akurasi Model
Untuk mencari akurasi, precision, recall, dan f1-score dari model dengan tabel confusion matrix pada gambar 8 yaitu dengan:
a. Precision
Tabel 3. Precision
Kondisi 1 Kondisi 2 Kondisi 3
TP 169 41 0
FP 2+0 4+1 0+0
Precision 169/(169+2)=0,98 41/(41+5)=0,89 0/(0+0)=0,00
Setelah mendapatkan precision dari masing-masing kelas dan jumlahkan semuanya kemudian dibagi jumlah kelas, hasilnya untuk mendapatkan precision dari model.
Model precision = 0.98 + 0,89 + 0/3 =0,62 b. Recall
Tabel 4. Recall
Kondisi 1 Kondisi 2 Kondisi 3
TP 169 41 0
FN 4+0 2+0 0+1
recall 169/(169+4)=0,97 41/(41+2)=0,95 0/(0+1)=0,00
Setelah mendapatkan recall dari masing-masing kelas dan jumlahkan semuanya kemudian dibagi jumlah kelas, hasilnya untuk mendapatkan recall dari model.
Model recall = 0,97+0,95+0,00 = 0,64 F1-score
2*((Precision * Recall) / (Precision + Recall)) Model f1-score = 2*((0,62*0,64)/(0,62+0,64))
= 2*(0,3968/1,26) = 0.62 c. Akurasi
Tabel 5. Akurasi
Kondisi 1 Kondisi 2 Kondisi 3 Total data 173 43 1 Model akurasi = (169 +41+0)/ (217)
= 210/217
=0,96
Akurasi model menggunakan confusion matrix mendapatkan 96%, akurasi yang didapatkan sudah sangat baik dari model menggunakan random forest. Kemudian untuk melihat plot grafik dari masing kelas antara data aktual dan prediksi, dengan menggunakan fungsi scatter pada Gambar 9 untuk menampilkan grafik, dimana yang biru adalah data hasil prediksi dan merah adalah data aktual.
Gambar 6. Grafik Hasil Prediksi Dengan Model
4. KESIMPULAN
Salah satu penyebab utama kegagalan transformator adalah panas berlebih atau overheating. Overheating sering disebabkan oleh banyak faktor seperti overcharging dan oksidasi yang menghasilkan karat, air, dan faktor lainnya.
Faktor-faktor yang dapat memengaruhi nilai kerugian transformator termasuk suhu hotspot yang terjadi dalam transformator. Besarnya suhu hotspot sangat dipengaruhi oleh perubahan besarnya beban dan perubahan suhu lingkungan. Perubahan nilai resistansi ini merupakan salah satu faktor yang memengaruhi jumlah kerugian tembaga (I2R) dalam transformator. Kinerja transformator daya ditentukan melalui parameter-parameter daya yang terjadi dalam transformator. Jika kerugian terjadi pada inti besi, dapat menyebabkan panas berlebih dan getaran pada transformator, menyebabkan nilai efisiensi dan umur pakai transformator (Loss of Life) menurun.
Condition 1 mengindikasikan bahwa trafo beroperasi secara normal, Condition 2 mengindikasikan nilai fault gas mulai tinggi, lakukan investigasi lanjutan terhadap kenaikan level fault gas, Condition 3 mengindikasikan terjadi dekomposisi dari minyak dan selulosa. Berbagai kegagalan mungkin sudah terjadi. Lakukan perawatan lebih lanjut, Condition 4 mengindikasikan trafo mengalami dekomposisi dari minyak dan selulosa yang sudah meluas.
Diagnosis kegagalan transformator menggunakan metode TDCG terdapat 582 untuk kondisi 1, 139 kondisi 2, dan 1 untuk kondisi 3 jadi dari tahun 2017-2022 transformator tidak mengalami kegagalan yang besar namun hanya perlu perawatan karena belum sampai pada tahap kondisi 4. Hasil akurasi prediksi dari model dan data mencapai 96%, dengan akurasi yang mendekati sempurna ini model yang dibuat dengan random forest klasifikasi dengan bantuan penyetelan hyperparameter dari hasil pencarian Grid Search maka model yang dibuat sudah tepat, namun akurasi tidak mencapai 100% oleh karena data yang didapatkan kurang, yang dimaksud kurang yaitu pelabelan pada data kurang seimbang dimana kondisi 3 memiliki hanya 1 pada data sehingga pembelajaran model untuk prediksi kurang tepat.
UCAPAN TERIMAKASIH
Kami dengan tulus ingin menyampaikan rasa terimakasih kepada semua pihak yang telah berpartisipasi dan memberikan kontribusi berharga dalam penelitian ini. Ucapan terima kasih kami sampaikan kepada seluruh individu dan lembaga yang telah memberikan bantuan serta dukungan yang luar biasa dalam memperlancar jalannya penelitian ini. Adapun kepada semua yang telah memberikan dukungan, nasihat, dan bantuan teknis selama proses penelitian, kami ingin mengucapkan rasa terima kasih yang sebesar-besarnya atas kontribusi yang berarti bagi kelancaran penyelesaian penelitian ini.
REFERENCES
[1] R. Hardityo, “Deteksi Dan Analisis Indikasi Kegagalan Transformator Dengan Metode Analisis Gas Terlarut,” Skripsi, Universitas Indonesia, Jakarta, 2008.
[2] M. H. Basri and M. Faisol, “Analysis Effect of Loading on the DGA Results of the UAT 2A Transformer PLTU Paiton 1&2 for Optimizing Self-Use,” jppipa, pendidikan ipa, fisika, biologi, kimia, vol. 9, no. 5, pp. 4029–4035, May 2023, doi:
10.29303/jppipa.v9i5.3379.
[3] R. Sutjipto, “Studi pengaruh pembebanan terhadap perubahan suhu dan perubahan rugi - rugi daya pada transformator,”
JE, vol. 18, no. 1, p. 62, Apr. 2020, doi: 10.33795/eltek.v18i1.219.
[4] Y. Y. Rizki and E. Ervianto, “Perkiraan Umur Transformator Berdasarkan Pengaruh Pembebanan Dan Temperatur Lingkungan Menggunakan Metode Trend Linear,” Jurnal Online Mahasiswa (JOM) Bidang Teknik dan Sains, vol. 6, no.
0, Art. no. 0, Jul. 2019.
[5] M. Yazdani-Asrami, S. Asghar Gholamian, S. M. Mirimani, and J. Adabi, “Influence of field-dependent critical current on harmonic AC loss analysis in HTS coils for superconducting transformers supplying non-linear loads,” Cryogenics, vol. 113, p. 103234, Jan. 2021, doi: 10.1016/j.cryogenics.2020.103234.
[6] I. Bayu Tiasmoro, Wirentake, and P. Ali Topan, “Pengaruh Pembebanan Terhadap Efisiensi Dan Susut Umur Transformator Step Up 6kv / 70kv DI PLTU Sumbawa Barat Unit 1 dan 2 2×7 MW PT.PLN (PERSERO) UPK Tambora,”
TAMBORA, vol. 5, no. 2, pp. 1–7, Jul. 2021, doi: 10.36761/jt.v5i2.1099.
[7] N. Ardi, S. S, and A. Irmansyah Lubis, “Predicting Missing Value Data on IEC TC10 Datasets for Dissolved Gas Analysis using Tertius Algorithm,” JAIC, vol. 7, no. 1, pp. 44–50, Jul. 2023, doi: 10.30871/jaic.v7i1.5361.
[8] S. Shidiq, A. Sujatmiko, and A. H. Paronda, “Pengujian Dissolved Gas Analysis (DGA) Pada Trafo Tenaga 150/20kv 60mva Di Gardu Induk Tambun,” Journal of Electrical and Electronics, vol. 7, no. 1, 2019.
[9] Sukarman, “Analisis Kondisi Transformator Daya Dengan Metode DGA (Dissolved Gas Analysis) Menggunakan Artificial Neural Network Berbasis Standar IEC Pada PT. PLN Transmisi Jawa Bagian Timur Dan Bali,” Disertasi, Universitas Jember, Jember, 2018.
[10] A. Pradiftha Junfithrana, I. Himawan Kusumah, Anang Suryana, Edwinanto, M. Artiyasa, and A. De Wibowo,
“Identifikasi Gas terlarut Minyak Transformator dengan Menggunakan Logika Fuzzy Menggunakan Metode TDCG untuk Menentukan Kondisi Transformator 150 KV,” Fidelity, vol. 1, no. 1, pp. 11–15, May 2019, doi:
10.52005/fidelity.v1i1.122.
[11] A. Lakehal, Z. Ghemari, and S. Saad, “Transformer fault diagnosis using dissolved gas analysis technology and Bayesian networks,” in 2015 4th International Conference on Systems and Control (ICSC), Sousse, Tunisia: IEEE, Apr. 2015, pp.
194–198. doi: 10.1109/ICoSC.2015.7152759.
[12] A. Pramono, M. Haddin, and D. Nugroho, “Analisis Minyak Transformator Daya Berdasarkan Dissolved Gas Analysis (DGA) Menggunakan Data Mining Dengan Algoritma J48,” Telematika, vol. 9, no. 2, p. 78, Sep. 2022, doi:
10.35671/telematika.v9i2.457.
[13] S. S. M. Ghoneim and I. B. Taha, “Artificial Neural Networks for Power Transformers Fault Diagnosis Based on IEC Code Using Dissolved Gas Analysis,” INTERNATIONAL JOURNAL OF CONTROL, 2015.
[14] I. M. T. Sismantara, W. G. Ariastina, and A. A. N. Amrita, “Penentuan Kondisi Transformator Berdasarkan Kandungan Gas Terlarut Menggunakan Metode Segitiga Duval,” SPEKTRUM, vol. 8, no. 1, p. 107, Mar. 2021, doi:
10.24843/SPEKTRUM.2021.v08.i01.p12.
[15] M. Abdullah, Metode Penelitian Kuantitatif. Yogyakarta, 2015. Accessed: Dec. 06, 2023. [Online]. Available:
https://idr.uin-antasari.ac.id/5014/
[16] 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.
[17] N. K. Dewi, U. D. Syafitri, and S. Y. Mulyadi, “Penerapan Metode Random Forest Dalam Driver Analysis,” FORUM STATISTIKA DAN KOMPUTASI, vol. 16, no. 1, Art. no. 1, 2011, Accessed: Nov. 22, 2023. [Online]. Available:
https://journal.ipb.ac.id/index.php/statistika/article/view/5443
[18] A. T. Wibowo, “Implementasi Algoritma Deteksi Spam Yang Tersisipi Informasi Citra Dengan Metode SVM Dan Random Forest,” Skripsi, Institut Teknologi Sepuluh Nopember, Surabaya, 2016.
[19] E. Elgeldawi, A. Sayed, A. R. Galal, and A. M. Zaki, “Hyperparameter Tuning for Machine Learning Algorithms Used for Arabic Sentiment Analysis,” Informatics, vol. 8, no. 4, p. 79, Nov. 2021, doi: 10.3390/informatics8040079.
[20] I. W. Saputro and B. W. Sari, “Uji Performa Algoritma Naïve Bayes untuk Prediksi Masa Studi Mahasiswa,” Creative Information Technology Journal, vol. 6, no. 1, Art. no. 1, Apr. 2020, doi: 10.24076/citec.2019v6i1.178.
