Putra, Ferdiansyah Alifianto (2026) Klasifikasi Jenis Defect pada Cable Joint Berbasis Evaluasi Pola Partial Discharge Menggunakan Metode Ensemble. Masters thesis, Institut Teknologi Sepuluh Nopember.
![[thumbnail of 6022232028-Master_Thesis.pdf]](http://repository.its.ac.id/style/images/fileicons/text.png) |
Text
6022232028-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (4MB) | Request a copy |
Abstract
Partial discharge (PD) adalah salah satu penyebab utama terjadinya breakdown pada suatu sistem tenaga listrik. Cable joint adalah salah satu contoh tempat terjadinya PD di sistem tenaga listrik. PD pada cable joint memiliki bentuk dan karakteristik yang berbeda-beda, sehingga memerlukan adalanya penanganan yang berbeda-beda. Kesalahan dalam penanganan PD dapat merusak sistem keseluruhan. Berdasarkan pernyataan tersebut, penelitian ini bertujuan untuk mengetahui bentuk PD dan karakteristik tiap PD, kemudian menentukan apakah model ensemble AdaBoost yang dikombinasikan dengan model Artificial Neural Network (ANN) dan Support Vector Machine (SVM) akurat dalam klasifikasi jenis PD. Jumlah defect yang digunakan pada penelitian sebanyak lima, yakni Floating discharge, Surface sliding discharge, Water bubbles discharge, Knife incision discharge, dan Protrusion discharge. Penelitian dimulai dengan pembuatan model defect dan rangkaian pengujian, pengujian pulsa PD, akuisisi data PD, pembuatan model klasifikasi, dan evaluasi hasil klasifikasi tiap model. Setelah dilakukan pengujian dan pengolahan data, model defect dan pola PRPD yang didapatkan pada tiap defect adalah partikel alumunium pada inti kabel dengan pola dua pulsa yang tinggi pada tiap fase untuk Floating, partikel tanah pada isolasi kabel dengan pola pulsa banyak namun pulsa kecil dengan frekuensi tinggi untuk Surface, gelembung air pada isolasi kabel dengan pola pulsa yang sangat lebar dan rapat untuk Water bubbles, sayatan yang ada di XLPE kabel dengan pola pulsa tinggi serta jumlah sedang namun berjarak untuk Knife, dan permukaan joint sleeve yang tidak rata dengan pola pulsa terpusat pada titik tertentu dengan pulsa yang tinggi untuk Protrusion. Hasil klasifkasi yang didapatkan menunjukkan adanya kenaikan akurasi pada model AdaBoost-SVM, yakni dari 75,26% pada model SVM menjadi 78,81% pada AdaBoost-SVM. Model ANN mengalami penurunan dari 80,8% pada model ANN menjadi 61,47% pada model AdaBoost-ANN. Berdasarkan data yang didapatkan, model ensemble yang diajukan terbukti efektif untuk model SVM, namun kurang akurat untuk model ANN.
==================================================================================================================================
Partial discharge (PD) is one of the main causes of breakdown in an electrical power system. Cable joints are one example of where PD occurs in electrical power systems. PD in cable joints has different forms and characteristics, requiring different treatments. Mistreatment while handling the PD can cause damage to cable joints, which would damage the system. Based on this statement, this study aims to determine the form and characteristics of each PD, then determine whether the ensemble model combined with the Artificial Neural Network (ANN) and Support Vector Machine (SVM) models are accurate as PD classifier. Five defects were used in this study, namely Floating, Surface sliding, Water bubbles, Knife incision, and Protrusion discharge. The research began with the creation of each defect model and a series of PD pulse testing and data acquisition, classification model creation, and evaluation of the classification results of each model. After testing and data processing, the defect model and PRPD pattern obtained for each defect are aluminum particles around the XLPE part with a high two-pulse pattern in each phase for Floating, soil particles in the cable insulation with a pattern of many small pulses with high frequency for Surface, water bubbles in the cable insulation with a very wide and dense pulse pattern for Water bubbles, cuts in the XLPE part with a high pulse and moderate number but spaced apart for Knife, and an uneven joint sleeve surface with a pulse pattern centered at a certain point with a high pulse for Protrusion. The classification results obtained show an increase in accuracy for AdaBoost-SVM model, from 75,26% for SVM model to 78.81% for AdaBoost-SVM. The ANN model experienced a decrease from 80,8% for ANN model to 61,47% for AdaBoost-ANN model. Thus, the proposed ensemble model proved to be effective for the SVM model, but less accurate for the ANN model.
Actions (login required)
 |
View Item |