Implementasi Machine Learning pada Industri PLN Untuk Klasifikasi Gangguan Listrik Berdasarkan Data DFR

Abstract

Penelitian ini membahas implementasi algoritma Decision Tree untuk klasifikasi jenis gangguan listrik berdasarkan data yang diperoleh dari Disturbance Fault Recorder (DFR) pada sistem transmisi 150 kV. Gangguan pada sistem tenaga listrik dapat menyebabkan ketidakstabilan daya dan kerusakan peralatan apabila tidak dideteksi dengan cepat. Data yang digunakan terdiri dari 12 data gangguan yang mencakup parameter arus gangguan (I Fault), tegangan saat gangguan (V Fault), impedansi (RΩ), serta penyebab gangguan. Proses klasifikasi dilakukan untuk membedakan jenis gangguan 1-fasa, 2-fasa, dan 3-fasa menggunakan pendekatan supervised learning dengan algoritma Decision Tree berbasis entropy sebagai kriteria pemisahan. Evaluasi performa model dilakukan menggunakan metode Leave-One-Out Cross Validation (LOOCV) untuk memaksimalkan penggunaan dataset berukuran kecil. Hasil pengujian menunjukkan akurasi sebesar 91,67%, dengan parameter V Fault dan I Fault sebagai fitur paling berpengaruh dalam proses klasifikasi. Penelitian ini menunjukkan bahwa algoritma Decision Tree mampu menjadi solusi berbasis kecerdasan buatan yang efektif untuk mendeteksi jenis gangguan listrik secara cepat dan interpretatif. Ke depan, penelitian dapat dikembangkan dengan menambah jumlah data serta melakukan pembandingan terhadap algoritma lain seperti Random Forest dan Support Vector Machine (SVM) untuk memperoleh hasil yang lebih optimal.This study discusses the implementation of the Decision Tree algorithm for classifying electrical fault types based on data obtained from the Disturbance Fault Recorder (DFR) on a 150 kV transmission system. Disturbances in the electric power system can cause power instability and equipment damage if not detected quickly. The data used consists of 12 fault data including the fault current (I Fault), voltage during fault (V Fault), impedance (RΩ), and the cause of the fault. The classification process is carried out to distinguish the types of 1-phase, 2-phase, and 3-phase faults using a supervised learning approach with an entropy-based Decision Tree algorithm as a separation criterion. Model performance evaluation is carried out using the Leave-One-Out Cross Validation (LOOCV) method to maximize the use of small datasets. The test results show an accuracy of 91.67%, with the V Fault and I Fault parameters as the most influential features in the classification process. This study shows that the Decision Tree algorithm is capable of being an effective artificial intelligence-based solution for detecting electrical fault types quickly and interpretively. In the future, research can be developed by increasing the amount of data and conducting comparisons with other algorithms such as Random Forest and Support Vector Machine (SVM) to obtain more optimal results.