UNIVERSITAS TRISAKTI

KLASIFIKASI GANGGUAN TRANSMISI TENAGA LISTRIK

MENGGUNAKAN ARTIFICIAL NEURAL NETWORK

PROPOSAL TUGAS AKHIR

MUHAMMAD LUTHFIANSYAH ROMADHONI

062002204023

FAKULTAS TEKNOLOGI INDUSTRI

PROGRAM STUDI S1 TEKNIK ELEKTRO
JAKARTA
NOVEMBER 2023
 HALAMAN PENGESAHAN

Skripsi ini diajukan oleh :

Nama : Muhammad Luthfiansyah Romadhoni
NIM : 062002204023
Program Studi : Teknik Elektro
Judul Skripsi : Klasifikasi Penyebab Gangguan
Transmisi Tenaga Listrik
Menggunakan Artificial Neural Network

Telah berhasil dipertahankan di hadapan Dewan Penguji dan diterima sebagai

bagian persyaratan yang diperlukan untuk memperoleh gelar Sarjana Teknik
pada Program Studi Teknik Elektro, Fakultas Teknologi Industri, Universitas
Trisakti.

DEWAN PENGUJI
Pembimbing : Endang Djuana, ST. MEng. PhD. ( )
Pembimbing : Susan Sulaiman, Ir. SE. MT. ( )
Penguji : ( )
Penguji : ( )

Ditetapkan di :
Tanggal :

Universitas Trisakti | 1
1. Latar Belakang Masalah

Pemadaman listrik yang tidak direncanakan telah menjadi masalah besar bagi
perusahaan listrik [1][2]. Hilangnya tenaga listrik yang bersifat sementara dapat
berdampak pada permasalahan ekonomi dan stabilitas sistem. Menurut IEEE std 524,
kegagalan peralatan yang juga dikenal sebagai gangguan listrik didefinisikan sebagai
kondisi fisik yang menyebabkan perangkat, komponen, atau elemen gagal berfungsi
sesuai kebutuhan [3]. Jaringan saluran transmisi, yang terdiri dari saluran udara dan
saluran kabel rentan terhadap berbagai gangguan sistem. Untuk mengatasi masalah
yang disebabkan oleh gangguan pada sistem tenaga listrik, diperlukan identifikasi
penyebab gangguan berdasarkan karakteristiknya. Mengetahui penyebab gangguan
sedini mungkin sangat membantu untuk mengurangi durasi pemadaman listrik [4].
Beberapa penelitian telah dilakukan untuk mengidentifikasi akar penyebab gangguan
seperti akibat fenomena alam, kegagalan peralatan, dan kesalahan manusia. Gangguan
yang paling umum terjadi pada saluran transmisi udara disebabkan oleh petir, vegetasi
atau pohon, hewan, terkena crane, dan penurunan kualitas isolator.
Untuk mengoptimalkan penyediaan listrik, maka dibutuhkan alat guna
merekam dan memberitahukan informasi secara real time tentang status maupun
anomali yang terjadi pada komponen – komponen di lapangan. Dengan adanya
dukungan alat ini maka dapat memberikan kemudahan dalam pengenalan dan
ketidaknormalan. Perangkat ini sering dipasang di instalasi jaringan listrik dengan
memantau operasinya dari instalasi jaringan listrik secara terus menerus dan merekam
gangguan /anomali yang terjadi [5].
Pada Buku Kebijakan Disturbance Fault Recorder PT. PLN (Persero) 2013
mengatakan DFR merupakan peralatan perekam/recorder yang bekerja berdasarkan
input analog arus dan tegangan, inputan digital/even/kontak yang berasal dari peralatan
primer (open/close dan tripnya PMT) atau inputan dari peralatan sekunder (seperti
kinerja relay proteksi). DFR akan merekam dan menyimpan data secara realtime dan
otomatis pada saat sebelum, sesudah dan pada saat gangguan terjadi, output dari DFR
dapat dicetak dalam dalam bentuk (print out) atau dapat langsung membuka software

Universitas Trisakti | 2
pembuka rekaman gangguan. Informasi yang bisa diperoleh adalah besarnya
perubahan pada nilai arus dan tegangan serta durasi gangguan/kejadian, event/kontak
dan sensor yang bekerja [6].
DFR banyak digunakan oleh bagian utilitas yang menawarkan kemungkinan
yang baik untuk analisis interferensi gangguan yang lebih mendalam yang biasanya
terjadi pada sistem tenaga. Ketika dipasang di gardu induk DFR merekam bentuk
gelombang tegangan sampel dari sinyal arus, status relai, dan besaran digital lainnya.
yang terkait dengan rangkaian gardu induk. Rekaman yang dihasilkan oleh DFR
biasanya diakses menggunakan aplikasi yang tersedia pada ruangan control. Hasil
rekaman DFR yang dihasilkan oleh beberapa anomaly dikumpulkan di pusat operasi
utilitas sebelum dianalisis. Konfigurasi DFR (Disturbance Fault Recorder) adalah salah
satu skema kontrol terpenting dalam jaringan transmisi untuk menganalisis gangguan
yang terjadi di pembangkit listrik [7]. Perancangan dan membuat sistem komputasi
analog delay feedback reservoir (DFR) safety energy, dirancang pada skema
pengkodean temporal, fungsi transfer nonlinier, dan penundaan dinamis dapat diamati
dengan menggunakan DFR [8]. Perekam kesalahan pada DFR merupakan
kemampuannya untuk memantau jumlah besar kualitas daya yang ditampilkan dalam
bentuk analog pada tingkat akurasi yang tinggi, dilengkapi dengan antarmuka yang
digunakan untuk transfer hasil rekaman ke PC, Perangkat lunak otomatis dapat
dikembangkan untuk mengekstrak data DFR dari perekam dan dapat disimpan ke PC
untuk analisis lebih lanjut [9].
Hybrid Decomposition Neural Network atau Jaringan Syaraf Terurai adalah
jenis jaringan syaraf tiruan yang digunakan untuk memecah masalah kompleks menjadi
beberapa sub masalah yang lebih kecil dan lebih mudah dipecahkan. Sistem hibrid
dalam konteks ini mengacu pada penggabungan metode dekomposisi dan jaringan
saraf (neural network) dalam suatu sistem [10]. Metode dekomposisi digunakan untuk
membagi masalah menjadi beberapa bagian yang lebih sederhana atau komponen yang
lebih kecil, sedangkan jaringan saraf digunakan untuk mempelajari dan memodelkan
hubungan antara komponen-komponen tersebut [11].

Universitas Trisakti | 3
 Sistem hibrid dari dekomposisi dan jaringan saraf adalah bahwa dekomposisi
dapat membantu mengatasi kompleksitas masalah dengan memecahkannya menjadi
submasalah yang lebih sederhana. Setiap submasalah kemudian dapat diselesaikan
secara terpisah, sehingga mengurangi kompleksitas keseluruhan sistem. Metode
dekomposisi yang umum digunakan termasuk metode seperti dekomposisi domain,
dekomposisi masalah, atau dekomposisi skala [4].
Di sisi lain, jaringan saraf adalah model komputasi yang terinspirasi oleh
struktur dan fungsi otak manusia. Jaringan saraf dapat mempelajari pola-pola yang
kompleks dan hubungan yang tersembunyi dalam data dengan memanfaatkan lapisan-
lapisan neuron buatan (unit pemrosesan) yang saling terhubung. Dengan menggunakan
algoritma pembelajaran yang tepat, jaringan saraf dapat mempelajari representasi data
yang berguna dan memodelkan hubungan antara input dan output [12].
Dalam sistem hibrid, dekomposisi dapat digunakan untuk membagi masalah
menjadi beberapa submasalah yang lebih kecil. Kemudian, setiap submasalah dapat
dipecahkan menggunakan jaringan saraf terpisah. Hasil dari setiap submasalah
kemudian dapat digabungkan atau diintegrasikan untuk menghasilkan solusi
keseluruhan (Wu dkk., 2020). Manfaat dari pendekatan ini adalah bahwa dekomposisi
dapat mengurangi kompleksitas masalah dan meningkatkan pemahaman terhadap
struktur masalah. Sementara itu, jaringan saraf dapat mempelajari dan memodelkan
hubungan antara komponen-komponen tersebut secara adaptif dan fleksibel [7].
Namun, implementasi sistem hibrid dari dekomposisi dan jaringan saraf
memerlukan desain yang tepat, termasuk pemilihan metode dekomposisi yang sesuai
dan arsitektur jaringan saraf yang optimal untuk setiap submasalah. Selain itu, integrasi
hasil dari setiap submasalah juga menjadi tantangan tersendiri. Oleh karena itu,
pengembangan dan implementasi sistem hibrid ini memerlukan pemahaman yang
mendalam tentang masalah yang dihadapi dan teknik-teknik yang relevan dalam
dekomposisi dan jaringan saraf.
2. Rumusan Masalah
Berdasarkan latar belakang yang telah dipaparkan, diperoleh rumusan masalah
sebagai berikut:

Universitas Trisakti | 4
 1. Bagaimana cara memperoleh dan validasi data gangguan transmisi tenaga
listrik sebagai input learning algoritma?
2. Bagaimana proses algoritma artificial neural network (ANN) dalam
menentukan klasifikasi penyebab gangguan transmisi tenaga listrik?
3. Bagaimana menentukan tingkat keberhasilan algoritma?
3. Batasan Masalah
Batasan masalah pada proposal ini yaitu:
1. Menggunakan algoritma artificial neural network (ANN) untuk
menentukan klasifikasi penyebab gangguan transmisi tenaga listrik.
2. Jenis gangguan dikelompokan menjadi 5 klaster yaitu petir, vegetasi atau
pohon, hewan, terkena crane, dan penurunan kualitas isolator.
3. Tipe gangguan antar fasa dan fasa-ground. Seperti yang umum terjadi di
sistem tenaga listrik.
4. Tujuan Penelitian
Tujuan dilakukan kajian ini yaitu:
1. Dapat memperoleh data yang valid untuk input data penyebab gangguan.
2. Melakukan klasifikasi penyebab gangguan sistem tenaga listrik.
3. Memperoleh akurasi yang optimal dalam klasifikasi penyebab gangguan
sistem tenaga listrik.
5. Manfaat Penelitian
Manfaat dilakukan kajian ini yaitu:
1. Mempercepat proses pengumpulan data secara otomatis untuk diolah ke
dalam program.
2. Mempercepat keputusan untuk menentukan penyebab gangguan transmisi
tenaga listrik.
3. Mendapatkan algoritma yang tepat untuk digunakan dalam menentukan
penyebab gangguan transmisi tenaga listrik.

Universitas Trisakti | 5
6. Kajian Pustaka
6.1 Penelitian Terdahulu
Banyak penelitian terdahulu yang membahas tentang klasifikasi penyebab
gangguan. Namun menggunakan metode yang berbeda-beda. Berikut merupakan
daftar penelitian terdahulu yang telah dirangkum.
1. Saravanan dkk. [13] mendiagnosis kesalahan gear box menggunakan
transformasi wavelet diskrit (DWT) dan mengklasifikasikan kesalahan
menggunakan jaringan syaraf tiruan (ANN). ANN mampu
mengklasifikasikan kesalahan gear box pada berbagai kondisi berdasarkan
nilai numerik yang diekstraksi dari dekomposisi energi wavelet.
2. Pada [14], Malathy dkk. mengusulkan model Markov tersembunyi
kepadatan kontinu (CDHMM) untuk menentukan dinamika transisi
keadaan akibat kejadian kesalahan dan mengklasifikasikan kondisi
menggunakan jaringan saraf.
3. Selain itu, Sheng dkk. mengusulkan diagnosis kesalahan mesin berputar
menggunakan jaringan saraf konvolusional (CNN) [7].
4. Deteksi kesalahan menggunakan metode fuzzy juga telah diusulkan untuk
proteksi fotovoltaik (PV) [15]. Rasio tegangan (VR) dan rasio daya (PR)
diterapkan sebagai data masukan pada ANN untuk mengkategorikan
daerah gangguan dalam pemeriksaan PV. Kemudian, teknik kedua
diterapkan untuk mendeteksi kesalahan sebenarnya pada sistem PV. Tipe
centroid untuk proses defuzzifikasi dipilih dan 10 fungsi keanggotaan yang
berbeda dipertimbangkan untuk proses logika fuzzy.
5. Pada [16], penulis mengusulkan jaringan sebab-akibat fuzzy (FCE) di DS
untuk diagnosis kesalahan. Pengukuran arus feeder dan tegangan bus yang
diperoleh dari SCADA diubah menjadi suku fuzzy sebelum
dispesifikasikan ke dalam fungsi keanggotaan himpunan fuzzy.
6. Selain itu, pohon keputusan banyak digunakan untuk deteksi kesalahan dan
klasifikasi [17]. Saravanan dkk. pohon keputusan yang diusulkan
mengklasifikasikan aturan untuk membangun gudang kesalahan dalam

Universitas Trisakti | 6
 gear box berdasarkan nilai statistik yang diekstraksi dari transformasi
wavelet [18].
7. Lebih lanjut, Upendar dkk. mengusulkan metode yang sama untuk
mengklasifikasikan jenis gangguan pada jaringan saluran transmisi listrik
400 kV dan membandingkan akurasinya hasil dengan memperoleh jaringan
saraf propagasi balik [15].
8. Rabah dkk. menerapkan pohon keputusan untuk mendeteksi dan
mendiagnosis kesalahan pada sistem fotovoltaik yang terhubung ke
jaringan dalam beberapa kondisi cuaca [6].
6.2 State of The Art
Dalam sebagian besar penelitian sebelumnya, diamati bahwa deteksi gangguan
pada saluran transmisi overhead terutama berfokus pada jenis gangguan apakah itu
gangguan saluran-ke-saluran atau gangguan pembumian. Namun, karena keragaman
akar penyebab gangguan di sepanjang sambungan saluran transmisi yang kompleks,
sulit untuk mengidentifikasi penyebab gangguan berdasarkan bentuk gelombang sinyal
yang terekam, sehingga eksplorasi yang dilakukan pada penelitian sebelumnya menjadi
lebih sedikit. Dalam identifikasi penyebab gangguan yang kami usulkan, kami
memberikan tanda gangguan berdasarkan karakterisasi sinyal untuk membedakan 5
jenis penyebab gangguan yang terutama terjadi pada sistem saluran udara 150 kV.
Pada kajian ini dilakukan pemodelan Hybrid Decomposition Neural Network
untuk mengklasifikasi jenis gangguan pada sistem tenaga listrik p0061da data rekaman
Disturbance Fault Recorder (DFR). Karena setiap terjadi gangguan/anomali pada
sistem transmisi maupun distribusi akan memiliki karakteristiknya sendiri maka,
metode Hybrid Decomposition Neural Network digunakan untuk mengklasifikasi jenis
gangguan /anomali dari data yang dihasilkan oleh DFR pada saat terjadi
gangguan/anomaly sistem tenaga listrik sehingga dapat membantu untuk mempercepat
penanganan dalam perbaikan yang terjadi pada sistem tenaga listrik.

Universitas Trisakti | 7
7. Metodologi Penelitian
Karakteristik dari masing-masing penyebab gangguan perlu dicari dengan
metode ANN. Kemudian dilakukan simulasi menggunakan MATLAB untuk
mendapatkan akurasi model.
7.1 Pengambilan Data
Data pengujian diperoleh dari diagram blok seperti yang ditunjukan pada
gambar dibawah ini.

Gambar 7.1 Diagram Blok Digital Fault Recorder

DFR banyak digunakan oleh bagian utilitas yang menawarkan kemungkinan
yang baik untuk analisis interferensi gangguan yang lebih mendalam yang biasanya
terjadi pada sistem tenaga. Ketika dipasang di gardu induk DFR merekam bentuk
gelombang tegangan sampel dari sinyal arus, status relai, dan besaran digital lainnya.
yang terkait dengan rangkaian gardu induk. Rekaman yang dihasilkan oleh DFR
biasanya diakses menggunakan aplikasi yang tersedia pada ruangan control. Hasil
rekaman DFR yang dihasilkan oleh beberapa anomaly dikumpulkan di pusat operasi
utilitas sebelum dianalisis. Konfigurasi DFR (Disturbance Fault Recorder) adalah salah
satu skema kontrol terpenting dalam jaringan transmisi untuk menganalisis gangguan

Universitas Trisakti | 8
yang terjadi di pembangkit Listrik. Perancangan dan membuat sistem komputasi analog
delay feedback reservoir (DFR) safety energy, dirancang pada skema pengkodean
temporal, fungsi transfer nonlinier, dan penundaan dinamis dapat diamati dengan
menggunakan DFR. Perekam kesalahan pada DFR merupakan kemampuannya untuk
memantau jumlah besar kualitas daya yang ditampilkan dalam bentuk analog pada
tingkat akurasi yang tinggi, dilengkapi dengan antarmuka yang digunakan untuk
transfer hasil rekaman ke PC, Perangkat lunak otomatis dapat dikembangkan untuk
mengekstrak data DFR dari perekam dan dapat disimpan ke PC untuk analisis lebih
lanjut.
7.2 Proses Simulasi
Simulasi dilakukan dengan menggunakan program MATLAB setelah diperoleh
data.

Gambar 2.1 Flowchart Simulasi Gangguan Transmisi

Universitas Trisakti | 9
7.3 Pengujian
Setelah dilakukan simulasi diperoleh output penyebab gangguan berdasarkan
model yang telah diperoleh. Kemudian diperoleh nilai error sebagai indicator
keberhasil model.
7.4 Analisis
Setelah memperoleh nilai error model yang digunakan dapat dilakukan analisis
model yang digunakan apakah sudah cukup baik dalam mengklasifikasikan penyebab
gangguan pada sistem tenaga Listrik.
7.5 Pengembangan
Dapat dilakukan pengembangan jika performa yang dihasilkan cukup baik.
Kedepannya dapat dilakukan untuk monitoring secara realtime.

8. Perencanaan Pelaksanaan Kegiatan

Kegiatan penyusunan Proposal Tugas Akhir dan Tugas Akhir akan
dilaksanakan pada:
Bulan
No. Jenis Kegiatan
9 10 11 12 1 2 3 4 5 6
1 Perumusan ide judul
2 Literatur riview penelitian
terdahulu
3 Penentuan motode penelitian
4 Penyusunan proposal
5 pengambilan data
6 Simulasi
7 Pengujian data
8 Analisis
9 Penulisan laporan

Universitas Trisakti | 10
9. DAFTAR PUSTAKA

[1] F. Carlsson, M. Kataria, E. Lampi, and P. Martinsson, “Past and present outage
costs – A follow-up study of households’ willingness to pay to avoid power
outages,” Resour Energy Econ, vol. 64, p. 101216, 2021, doi:
https://doi.org/10.1016/j.reseneeco.2021.101216.
[2] N. Saravanan and K. I. Ramachandran, “Incipient gear box fault diagnosis using
discrete wavelet transform (DWT) for feature extraction and classification using
artificial neural network (ANN),” Expert Syst Appl, vol. 37, no. 6, pp. 4168–
4181, 2010, doi: https://doi.org/10.1016/j.eswa.2009.11.006.
[3] G. Baker and N. Chapman, 524-2016 - IEEE Guide for the Installation of
Overhead Transmission Line Conductors. IEEE, 2017.
[4] J. C. Stacchini De Souza, M. A. P. Rodrigues, M. T. Schilling, M. Brown, and
D. Coutto Filho, “Fault Location in Electrical Power Systems Using Intelligent
Systems Techniques,” 2001.
[5] D. Mira, “Analisa Disturbance Fault Recorder ( DFR ) Sebagai Alat Perekam
Anomali Pada Gardu Induk Rangkas Baru,” ENERGI & KELISTRIKAN, vol. 13,
no. 2, pp. 111–122, Jan. 2022, doi: 10.33322/energi.v13i2.1212.
[6] E. Farlen, A. Dharma Setyawan, D. Prasetyo, and D. Cahyaningrum, “Lightning
Detection Monitoring System For Identification Transmission Line Fault in PLN
Trans JBT PT PLN (PERSERO) INDONESIA,” 2019.
[7] M. Emperuman and S. Chandrasekaran, “Hybrid Continuous Density Hmm-
Based Ensemble Neural Networks for Sensor Fault Detection and Classification
in Wireless Sensor Network,” Sensors, vol. 20, no. 3, 2020, doi:
10.3390/s20030745.
[8] J. Upendar, C. P. Gupta, and G. K. Singh, “Statistical decision-tree based fault
classification scheme for protection of power transmission lines,” International
Journal of Electrical Power & Energy Systems, vol. 36, no. 1, pp. 1–12, 2012,
doi: https://doi.org/10.1016/j.ijepes.2011.08.005.

Universitas Trisakti | 11
[9] S. Guo, T. Yang, W. Gao, and C. Zhang, “A Novel Fault Diagnosis Method for
Rotating Machinery Based on a Convolutional Neural Network,” Sensors, vol.
18, no. 5, 2018, doi: 10.3390/s18051429.
[10] H. L. Han, H. Y. Ma, and Y. Yang, “Study on the Test Data Fault Mining
Technology Based on Decision Tree,” Procedia Comput Sci, vol. 154, pp. 232–
237, 2019, doi: https://doi.org/10.1016/j.procs.2019.06.035.
[11] Z. H. Zhou, Machine Learning. Springer Nature, 2021. doi: 10.1007/978-981-
15-1967-3.
[12] M. Dhimish, V. Holmes, B. Mehrdadi, and M. Dales, “Comparing Mamdani
Sugeno fuzzy logic and RBF ANN network for PV fault detection,” Renew
Energy, vol. 117, pp. 257–274, 2018, doi:
https://doi.org/10.1016/j.renene.2017.10.066.
[13] N. Saravanan and K. I. Ramachandran, “Fault diagnosis of spur bevel gear box
using discrete wavelet features and Decision Tree classification,” Expert Syst
Appl, vol. 36, no. 5, pp. 9564–9573, 2009, doi:
https://doi.org/10.1016/j.eswa.2008.07.089.
[14] S. H. Asman, N. F. Ab Aziz, M. Z. A. Abd Kadir, and U. A. U. Amirulddin, “Fault
Signature Analysis Based on Digital Fault Recorder in Malaysia Overhead Line
System,” in PECon 2020 - 2020 IEEE International Conference on Power and
Energy, Institute of Electrical and Electronics Engineers Inc., Dec. 2020, pp.
188–193. doi: 10.1109/PECon48942.2020.9314417.
[15] R. Benkercha and S. Moulahoum, “Fault detection and diagnosis based on C4.5
decision tree algorithm for grid connected PV system,” Solar Energy, vol. 173,
pp. 610–634, 2018, doi: https://doi.org/10.1016/j.solener.2018.07.089.
[16] S. H. Asman, N. F. A. Aziz, U. A. U. Amirulddin, and M. Z. A. A. Kadir,
“Decision tree method for fault causes classification based on rms-dwt analysis
in 275 kv transmission lines network,” Applied Sciences (Switzerland), vol. 11,
no. 9, May 2021, doi: 10.3390/app11094031.
[17] A. Jung, Machine Learning The Basics. Springer Nature, 2022. [Online].
Available: https://link.springer.com/bookseries/16715

Universitas Trisakti | 12
[18] S. Dey, D. Paul, T. V. Sarathkumar, and A. K. Goswami, “Causative Fault
Classification Using Artificial Neural Network in Transmission System,” in
Lecture Notes in Electrical Engineering, Springer Science and Business Media
Deutschland GmbH, 2021, pp. 3083–3093. doi: 10.1007/978-981-15-8221-
9_288.

Universitas Trisakti | 13