Dissolved Gas Analysis (DGA) Dengan Metode Artificial

Intelligence (AI) Pada Minyak Insulasi Untuk Menentukan

Jenis Kegagalan Transformator
Umi Setiyani

Mahasiswa Jurusan Teknik Elektronika Indusutri, Politeknik Negeri Jakarta

Jl. Prof. DR. G.A. Siwabessy, Kampus UI, Depok 16425, Telp/Fax Elektro: (021) 7863531, (021)
7270036 Hunting
E-mail:umi.umisetiyani@gmail.com

Abstrak

Artikel ini menelusuri pustaka tentang metode DGA menggunakan artificial intelligence (AI) untuk
memnentukan jenis kegagalan pada minyak transformator. Metode DGA konvensional memiliki beberapa
permasalahan, yaitu tidak dapat digunakan untuk menganalisa transformator yang mengalami kegagalan
lebih dari satu pada waktu yang bersamaan [1], tidak memiliki formulasi matematis, metodenya bersifat
heuristis (membutuhkan pengalaman analis dan hasil analisa tidak bisa diandalkan) [5]. Penggabungan
ANN dan ANFIS (Fuzzy Logic & A- Self-Adaptive Neuro-Fuzzy Inference System) disimpulkan bahwa
ANN dapat dikombinasikan dengan logika fuzzy untuk mengimplementasikan metode diagnosis yang
komplek, namun tetap menggunakan metode konvensional (Three Ratio Codes of IEC) sebagai variabel
input logika fuzzy [6]. Seluruh artikel dirangkum jenis/spesifikasi penggunaan metode yang tepat dalam
menghadapi kendala. ANN, logika fuzzy dan ANFIS Sistem yang dipilih pada pengembangan teknik
interpretasi DGA harus dihasilkan rekomendasi yang lebih baik dari metode yang sebelumnya. Metode
konvensional IEC dapat dikombinasikan dengan metode fuzzy, ANN dan ANFIS dapat digunakan untuk
metode DGA dan dihasilkan analisis yang lebih baik.

Keywords: Transformator Daya, Dissolved Gas Analysis, Artificial Neural Network, Back Propagation,
Fuzzy Logic

I. Pendahuluan kesalahan dan kegagalan diagnosa terhadap

Makalah ini merupakan penelusuran pustaka
mengenai metode DGA menggunakan artificial
intelligence (AI) untuk memnentukan jenis
kegagalan pada minyak transformator. Metode
DGA konvensional memiliki beberapa
permasalahan, yaitu tidak dapat digunakan
untuk menganalisa transformator yang
mengalami kegagalan lebih dari satu pada
waktu yang bersamaan [1], tidak memiliki
formulasi matematis, metodenya bersifat
heuristis (membutuhkan pengalaman analis dan
hasil analisa tidak bisa diandalkan) [5]. Perlu
dikembangkan metode DGA melalui aplikasi
AI sehingga dapat diambil kesimpulan metode
yang paling akurat.
Metode DGA konvensional yaitu roger’s ratio,
IEC basic ratio, Key-Gas analysis, Duval
Triangle dan Doernenburg. Dari penelitian
yang dilakukan oleh [4] didapatkan persen
kondisi transformator menggunakan kelima
metode tersebut. Metode yang mendekati
akurat adalah metode duval triangle dimana
hanya 4% kesalahan diagnosa dan 0%
kegagalan diagnosa. Beberapa penelitian
menggunakan AI untuk DGA test telah
dilakukan. ANN (Artificial Neural Network)
dikembangkan untuk mengklasifikasikan tujuh
(7) kondisi transformator (Partial Discharge,
Discharge of Low Energy, Discharge of High
Energy, Thermal Fault, t < 300 oC, Thermal
Fault, 300 oC < t < 700oC, Thermal Fault, t >
700 oC dan Normal) sebagai output dan Three
Ratios of Combustible Gases (C2H2/C2H4,
CH4/H2, C2H4/C2H6) sebagai inputan [5].
Penggabungan ANN dan ANFIS (Fuzzy Logic
& A- Self-Adaptive Neuro-Fuzzy Inference
System) disimpulkan bahwa ANN dapat
dikombinasikan dengan logika fuzzy untuk
mengimplementasikan metode diagnosis yang
 komplek, namun tetap menggunakan metode yang kecil dari H2 (hydrogen) dan C2H6
konvensional (Three Ratio Codes of IEC) (ethane)
sebagai variabel input logika fuzzy [6]. Metode Tabel. 1 Rasio gas roger [8]
ini menggunakan 260 set data, lebih dari 175
untuk data training, 55 data checker, dan 30
data untuk pengetesan akhir. Hasil final
kemudian dibandingkan dengan fuzzy, ANN
dan metode konvensional.

Artikel ini fokus pada penelusuran pustaka

terkait pengembangan metode interpretasi
DGA menggunakan AI. Pustaka yang berkaitan
dengan sistem tersebut dibaca dan dirangkum,
dikutip dari abstrak, pendahuluan, metode,
hasil, dan kesimpulan. Penelusuran beberapa
pustaka peluang penelitian terkait aplikasi AI
perlu untuk ditindaklanjuti. Metode
konvensional DGA perlu dibandingkan dengan
aplikasi AI untuk DGA. Sehingga didapatkan
metode analisis yang tepat dan akurat.

II. Metodologi

Menelusuri pustaka pada berbagai artikel dan

konferensi terutama pada bagian pendahuluan
dan metodologi, serta hasil/pembahasan.
Pengembangan metode DGA terkendala pada
pemilihan metode yang tepat untuk
menginterpretasikannya. Penyelesaian kendala
tersebut dengan menelusuri pustaka untuk
mempelajari metode penyelesaian masalah,
hasil/pembahasan dan kesimpulan.
Membaca artikel yang ditelusuri sesuai masalah
yang dihadapi pada penentuan metode
interpretasi DGA.
Membandingkan bagian hasil dari beberapa
naskah/artikel penelitian sebelumnya terkait
metode interpretasi DGA. Seluruh artikel
dirangkum jenis/spesifikasi penggunaan metode
yang tepat dalam menghadapi kendala. ANN,
logika fuzzy dan ANFIS Sistem yang dipilih
pada pengembangan teknik interpretasi DGA
harus dihasilkan rekomendasi yang lebih baik
dari metode yang sebelumnya.
Gambar. 1 Duval Triangle [8]
 Panas berlebih pada selulosa: terdapat
jumlah CO2 (karbon dioksida) yang
banyak dan CO (karbon monoksida)
 Korona pada minyak: terdapat H2
(hydrogen) dan CH4 (methane), jumlah
yang kecil C2H6 (ethane) dan C2H4
(ethylene)
 Arcing pada minyak: terdapat H2
(hydrogen) dan C2H2 (acetylene), serta
gas methane dan ethylene dalam jumlah
yang kecil. [4]
Pada metode roger ratio digunakan 4 rasio
gas untuk mendiagnosa kegagalan pada
transformator, CH4/H2, C2H6/CH4,
C2H4/C2H6 dan C2H2/C2H4) [1].

Menyimpulkan seluruh hasil artikel yang telah Duval triangle menyediakan metode grafik
dirangkum dan menerapkan Artificial untuk mengidentifikasi kegagalan. Terdapat
Intelligence untuk metode DGA, yaitu ANN, 3 axis pada sistem koordinat dengan jumlah
logika fuzzy dan ANFIS. konsentrasi gas CH4, C2H4 dan C2H2 pada
tiap axis. [8]
III. Pembahasan dan Hasil
Metode key memprediksi beberapa permasalahan Kode kegagalan (fault codes) :
sebagai berikut: PD: Partial Discharge
 Panas berlebih pada minyak : terdapat T1: Low-range thermal fault (dibawah 300oC)
C2H4 (ethylene) dan CH4 (methane) T2: High-range thermal fault (diatas 300-700oC)
yang dikombinasikan dengan jumlah D1: Low-energy electrical discharge (Sparking)
D2: High-energy electrical discharge (Arcing)

86
DT: Mix of thermal and electrical fault
Doernenburg Ratio memisahkan rasio gas
menjadi 4 rasio : rasio 1 (CH4/H2), rasio 2
(C2H2/C2H4), rasio 3 (C2H2/CH4), dan rasio 4
(C2H6/C2H2) [9].
Metode IEC dikembangkan dari metode roger’s
ratio dengan menghilangkan rasio C2H6/CH4
karena hanya mengindikasikan jangkauan
temperatur yang terbatas dari dekomposisi [9].
Tabel.3 Kode IEC Ratio [9
Logika fuzzy mengimplementasikan standard
DGA pada sistem pengambilan keputusan.
Tabel. 2 Rasio gas metode Doernenburg [9]
Tabel.4 Diagnosa kegagalan pada metode IEC [9]
87
Gambar. 2 Fungsi keanggotaan Fuzzy
Metode ini membutuhkan pengetahuan dasar
yang harus dibangun secara manual dan tidak
dapat menghasilkan aturan diagnosa otomatis
dari pengetahuan (sampel data yang baru)
pembelajaran mandiri[6].
ANN mampu menangkap dan merepresentasikan
hubungan yang komplek antar masukan dan
keluaran, cepat dalam pemrosesan, kuat,
toleransi terhadap kesalahan sensitive terhadap
faktor noise dan cocok untuk model non-linear.
Model ANN telah dikembangkan untuk
mendeteksi dan mengidentifikasi kegagalan awal
pada transformator.
BPNN (Back Propagation Neural Network)
dikembangkan oleh Rumelhart pada tahun 1986
merupakan metode ANN terdiri dari layer input,
satu atau lebih layer tersembunyi dan layer
output. Koneksi antara node pada layer yang
berbeda disebut dengan weight [10].
memproses dari layer masukan ke keluaran lalu
menghasilkan keluaran tengah pada layer
tersembunyi dan jaringan keluaran pada layer
output. Bias lain muncul segera setelah bias
umpan maju selesai diproses. Jaringan keluaran
yang diinginkan terdapat pada layer output.
Keluaran yang error sebanding dengan
perbedaan antara kelluaran yang diinginkan
dengan keluaran yang sebenarnya. Sinyal galat
(error) pada masing-masing layer dihitung dan
diumpan balik pada layer dibawahnya. Weight
diperbarui setelah sinyal galat (error) dihasilkan
[10].
Propagasi terdiri dari 2 (dua) langkah, langkah
pertama dilakukan bias umpan maju, dimana
keluaran dari masing-masing
Gambar. 3 Contoh tampilan BP ANN [10]
unit ditunnjukan pada persamaan berikut [10] : dengan mengubah semua weight pada jaringan
(1) dengan jumlah yang kecil [10].
(2)
Wij merupakan kekuatan koneksi dari kabel (4)
antara titik I dan j. Fungsi transfer yang biasa = fungsi galat
digunakan adalh persamaan berikut [10]: α = learning rate
(3)
(5)
Langkah selanjutnya bias mundur yang (6)
mempropagasikan sinyal galat (error) dari layer
output. = jangka waktu training
Perbaruan weight dilakukan setelah sinyal galat = momentum urutan
(error) dihasilkan dan menggunakan hasil dari
bias umpan maju dan bias umpan mundur. Proses ANFIS mengimplementasikan teknik inferensi
ini mengkomputasikan vektor gradien pada fuzzy ke dalam model data. Parameter fungsi
leraning rate dan memperbarui weight dan bias keanggotaan dapat dipilih otomatis
(maju dan mundur). Training dapat dilakukan menggunakan ANFIS [6].

Tabel. 5 Perrbandingan metode ANN, Fuzzy

dan ANFIS dengan metode konvensional IEC

IV. Simpulan
Metode konvensional IEC dapat
dikombinasikan dengan metode fuzzy, ANN
dan ANFIS dapat digunakan untuk metode
DGA dan dihasilkan analisis yang lebih baik.
Gambar. 4 Arsitektur ANFIS

88
V. Daftar Pustaka
[28] Ahmed M.R, M. A Geliel dan A Kahlil.
2013. Power Transformer Fault Diagnosis
using Fuzzy Logic Technique Based on
Dissolved Gas Analysis. Mediterranean
Conference on Control & Automation
(MED) Patanias – Chania, Crete, Greece,
ISBN: 978-1-4799-0997-1, 25 - 28 Juni
2013.
[29] Rahul Pandey, M.T.Deshpande. 2012.
Dissolved Gas Analysis of Mineral Oil
Used in Transformer. International of
Application or Innovation in Engineering &
Management (IJAIEM), ISSN: 2319-4847,
Vol. 1, Issue 2, Oktober 2012.
[30] Daniel R. Malabanan, Allan C. Nerves.
2014. Power Transformer Condition
Assessment Using an Immune Neural
Network Approach to Dissolved Gas
Analysis. TENCON 2014 – 2014 IEEE
Region 10 Conference, ISSN: 2159-3442,
22-25 Oktober 2014.
[31] Phadungthin. R, E. Chaidee, J. Haema, dan
T. Suwanasri. 2010. Analysis of Insulating
Oil to Evaluate the Condition of Power
Transformer. ECTICON, Pattaya, Thailand,
Mei 2009.
[32] Zakaria Fathiah, Dalina Johari dan Ismail
Musirin. 2012. Artificial Neural Network
(ANN) Application in Dissolved Gas
Analysis (DGA) Methods for the Detection
of Incipient Faults in Oil-Filled Power
Transformer. IEEE International on
Control System, Computing and
Engineering (ICCSCE), ISBN: 978-1-4673-
3142-5, 23-25 November 2012.
89
[33] Ahuja Hemant, G Bhuvaneswari dan R
Balasubramanian. 2012. Soft Computing –
Applied to Transformer Incipient Fault
Diagnosis. IEEE Fourth International
Conference on Computational Intelligence
and Communication Networks, ISBN: 978-
0-7695-4850-0, 2012.
[34] Lee G.E, S.N Hettiwatte dan H.A Fonseka.
2013. A Novel Visualisation Technique for
Dissolved Gas Analysis Datasets.
Australian Universities Power Engineering
Conference, AUPEC 2013, Hobart, TAS,
Australia 29 September – 3 Oktober 2013.
[35] Haema Juthathip dan Rattanakorn
Padhungthin. 2012. Power Transformer
Condition Evaluation by the Analysis of
DGA methods. Power and Energy
Engineering Conference (APPEEC), 2012
Asia-Pacific , ISSN: 2157-4839, 27 - 29
Maret 2012.
[36] Zakaria Fathiah, Dalina Johari, dan Ismail
Musirin. 2014. Optimized Artificial Neural
Network for the Detection of Incipient
Faults in Power Transformer. IEEE 8th
International Power Engineering and
Optimazion Conference (PEOCO2014),
Langkawi, the Jewel of Kedah, Malaysia,
978-1-4799-2421-9, 24 – 25 2014.
[37] Kaensar, C, Ubon Ratchathani. 2013.
Analysis on the Parameter of Back
Propagation Algorithm with Three Weight
Adjustment Structure for Hand Written
Digit Recognition. Service Systems and
Service Management (ICSSSM), 2013 10th
International Conference on, ISBN: 978-1-
[38] 4673-4434-0, 17 - 19 Juli 2013.