Pamungkas, Guntur Putra (2018) Diagnosis Kondisi Transformator Tenaga Menggunakan Pendekatan Jaringan Syaraf Tiruan di Perusahaan Listrik Negara Transmisi Jawa Bagian Timur dan Bali - Diagnosis Of Power Transformer Conditions Using Artificial Neural Network Approach In Transmission State Electrical Company East Part Java And Bali. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
02311645000010-Undergraduate_Theses.pdf - Accepted Version Download (2MB) | Preview |
Abstract
Terdapat beberapa pengujian untuk menentukan kondisi transformator tenaga dengan memberikan klasifikasi kondisi transformator tenaga yang berbeda-beda dan membutuhkan proses perhitungan matematika. Penggabungan seluruh parameter dan klasifikasi dari berbagai metode tersebut diperlukan agar memudahkan dalam melakukan analisis kondisi transformator tenaga dan membuat keputusan tindak lanjut yang menyeluruh terhadap kondisi transformator tenaga. Maka dari digunakanlah Jaringan Syaraf Tiruan (JST) untuk membuat klasifikasi keputusan yang melibatkan seluruh parameter kondisi transformator tenaga. Oleh karena itu dilakukan penelitian mengenai jaringan syaraf tiruan yang menjadi sebuah perangkat analisis dengan memanfaatkan data analisis yang sudah ada untuk membuat keputusan dalam menentukan kondisi transformator tenaga. Telah diperoleh rancangan arsitektur jaringan syaraf tiruan yang menghasilkan kesalahan minimum (RMSE terkecil dari variasi yang dilakukan) dalam mendiagnosis kondisi transformator tenaga adalah rancangan arsitektur 1 hidden layer dengan fungsi aktivasi logsig (binary sigmoid) di hidden layer, fungsi aktivasi purelin (identitas) di outputlayer, input berjumlah 5 buah. Hidden node di hidden layer berjumlah 8 buah dan 1 buah hidden node target (5-8-1) serta menggunakan 640 data input-target menghasilkan 1.5063 untuk nilai RMSE training, 1.425 untuk nilai RMSE testing dengan secara otomatis di dalam software, 1.501 untuk nilai RMSE testing dengan secara manual menggunakan GUI dan 1.4635 untuk nilai RMSE testing dengan 25% data.
Kata kunci: Jaringan Syaraf Tiruan, RMSE, Diagnosis, Kondisi Transformator tenaga.
=========================================================================================================
There are several tests to determine the condition of the power transformer by providing a classification of vary power transformer conditions and requires the process of mathematical calculations. The incorporation of all parameters and classifications of the various methods is necessary to facilitate the analysis of power transformer conditions and make a thorough follow-up decision on power transformer conditions. So from the use of Artificial Neural Network (ANN) to make a decision classification involving all parameters of power transformer conditions. Therefore, research on artificial neural networks that become an analytical tool by utilizing existing data analysis to make decisions in determining the condition of power transformers. Artificial architectural design of artificial neural network that has produced minimum error (smallest RMSE of variation done) in diagnosing power transformer condition is architectural design 1 hidden layer with logsig (binary sigmoid) activation function in hidden layer, purelin activation function in outputlayer, input amounted to 5 pieces. Hidden node in the hidden layer of 8 pieces and 1 target hidden node (5-8-1) and using 640 input-target data resulted in 1.5063 for RMSE training, 1,425 for RMSE testing automatically in software, 1.501 for RMSE testing with manually using GUI and 1.4635 for RMSE testing with 25% data.
Key words: Artificial Neural Network, RMSE, Diagnosis, Power Transformator Condition.
| Item Type: | Thesis (Undergraduate) |
|---|---|
| Additional Information: | RSF 006.3 Pam d-1 3100018077210 |
| Uncontrolled Keywords: | Jaringan Syaraf Tiruan, RMSE, Diagnosis, Kondisi Transformator tenaga. |
| Subjects: | T Technology > TA Engineering (General). Civil engineering (General) > TA1573 Detectors. Sensors T Technology > TA Engineering (General). Civil engineering (General) > TA167.5 Neurotechnology. Neuroadaptive systems |
| Divisions: | Faculty of Industrial Technology > Physics Engineering > 30201-(S1) Undergraduate Thesis |
| Depositing User: | Putra Pamungkas Guntur |
| Date Deposited: | 09 Jan 2019 07:33 |
| Last Modified: | 08 Feb 2021 07:07 |
| URI: | http://repository.its.ac.id/id/eprint/58597 |
Actions (login required)
 |
View Item |