UNIVERSITAS TRISAKTI

PERANCANGAN DETEKSI KELAINAN PENYALURAN

TENAGA LISTRIK JARINGAN DISTRIBUSI 20 kV
MENGGUNAKAN ARTIFICIAL NEURAL NETWORK

PROPOSAL TUGAS AKHIR

HAFIIZH MA’ARIF SETIADI

062002204009

FAKULTAS TEKNIK INDUSTRI

PROGRAM STUDI TEKNIK ELEKTRO
JAKARTA
DESEMBER 2023
 HALAMAN PENGESAHAN

Skripsi ini diajukan oleh :

Nama : HAFIIZH MA’ARIF SETIADI
NIM : 062002204009
Program Studi : TEKNIK ELEKTRO
Judul Skripsi : PERANCANGAN DETEKSI KELAINAN
PENYALURAN TENAGA LISTRIK JARINGAN DISTRIBUSI 20 kV
MENGGUNAKAN ARTIFICIAL NEURAL NETWORK.

Telah berhasil dipertahankan di hadapan Dewan Penguji dan diterima sebagai

bagian persyaratan yang diperlukan untuk melakukan Penelitian Tugas Akhirpada
Program Studi Teknik Elektro, Fakultas Teknologi Industri, UniversitasTrisakti.

DEWAN PENGUJI

Pembimbing : Susan Sulaiman, ST. MT. ( .................................... )

Endang Djuanda, ST. MT. ( ........................................)

Penguji : ( ........................................)

Penguji : ( .................................... )

Ditetapkan di : ……………….
Tanggal : …………
 ABSTRAK

Berkembangnya kebutuhan masyarakat terhadap tenaga listrik saat ini

meningkat pesat, sehingga perlindungan terhadap jaringan distribusi
sangatlah penting untuk menjamin pelayanan tenaga Listrik. Penentuan
sebuah keputusan dalam penanganan gangguan jaringan listrik masih
sangat sulit dilakukan. Tujuan penelitian ini yaitu diperolehnya identifikasi
gangguan jaringan listrik 20 kV ketika terjadi arus gangguan sacara cepat
dan efisien dengan cara mengklasifikasikan factor-faktor apa saja yang
menyebabkan gangguan jaringan listrik sesuai dengan kondisi di lapangan.
Factor- factor yang diklasifikasikan yaitu tumbang pohon, jaringan terkena
hewan/buah jatuh, jaringan tersentuh pohon, dan rusak peralatan jaringan..
Metode yang digunakan yaitu Artificial Neural Network dengan merekam
jejak gangguan jaringan listrik ketika relai bekerja. Karena hanya ada dua
relai di PLN ULP Sabang yaitu OCR dan GFR maka hanya jenis gangguan
ketika relai tersebut berjalan.

Kata Kunci : OCR, GFR, Artificial Neural Network, 20 kV

Universitas Trisakti | 3
1 Latar Belakang Masalah
Salah satu kendala dari sebuah perusahaan penyedia energi
listrik adalah gangguan dan kerusakan jaringan distribusi listrik pada
saat menjalankan pengoperasian sistem ketenagalistrikan. Jaringan
distribusi listrik merupakan media atau jalur khusus yang digunakan
sebagai media perantara antara penyedia listrik dengan konsumen
sebagai pengguna listrik, jaringan tersebut sangatlah vital
keberadaanya karena dengan jaringan tersebut energi listrik bisa
mengalir. Sistem proteksi dalam pengamanan jaringan distribusi
listrik merupakan sebuah upaya yang dilakukan oleh para penyedia
energi listrik untuk mengamankan jaringan yang digunakannya untuk
menyalurkan listrik, berbagai upaya dilakukan untuk menaggulangi
permasalahan tersebut diantaranya seperti dengan penggunaan alat
proteksi jaringan. Selain sistem proteksi yang handal sebuah standar
sistem keselamatan listrik menjadi sebuah skala prioritas, untuk
mewujudkan kondisi andal dan aman bagi instalasi dan kondisi
lingkungan terhadap keselamatan listrik harus mempunyai acuan
ketentuan, seperti standarisasi, pengamanan instalasi tenaga listrik
dan pengamanan pemanfaatan tenaga listrik, serta tersertifikasi.
Dalam distribusi terdapat beberapa masalah dalam kualitas
daya yaitu variasi tegangan. Jenis-jenis variasi tegangan salah
satunya yaitu voltage sag dan voltage swell yang dapat di istilahkan
menjadi variasi tegangan pendek[4]. Gangguan yang termasuk ke
dalam variasi tegangan pendek bisa di klasifikasikan sebagai
instantaneous, momentary, dan temporary. Penyebab variasi
tegangan ini adalah adanya beban terlalu besar, switching kapasitor
bank, starting motor dan kesalahan pada jaringan.
Menurut Standar IEE 1959-1995, voltage sag adalah variasi
tegangan dengan besar antara 10% sampai dengan 90% dari tegangan
nominal dan berlangsung selama 0,5 siklus hingga 1 menit.
Sedangkan voltage swell adalah variasi tegangan dengan besar antara
110% sampai dengan 180% dari tegangan nominal dan berlangsung

Universitas Trisakti | 4
 selama 0.5 siklus hingga 1 menit.
Untuk mengatasi hal tersebut metode yang digunakan yaitu
Artificial Neural Network dengan merekam jejak gangguan jaringan
listrik ketika relai bekerja. Pada umumnya, Artificial Intelligence
merupakan sebuah metode yang sangat umum untuk
pengidentifikasian sebuah gangguan atau fenomena pada kualitas
daya karena memiliki tingkat ketelitian yang tinggi dan handal .
Pembelajaran yang akan digunakan yaitu pembelejaran Feed
Forward Backpropagation Neural Network (FFBPNN) karena
pembelajaran tersebut memiliki performa yang baik dan sederhana
dalam hal identifikasi. Karena hanya ada dua relai di PLN ULP
Sabang yaitu OCR dan GFR maka hanya jenis gangguan ketika relai
tersebut berjalan. Tujuan penelitian ini yaitu diperolehnya
identifikasi gangguan jaringan listrik 20 kV ketika terjadi arus
gangguan sacara cepat dan efisien dengan cara mengklasifikasikan
factor-faktor apa saja yang menyebabkan gangguan jaringan listrik
sesuai dengan kondisi di lapangan. Factor- factor yang
diklasifikasikan yaitu tumbang pohon, jaringan terkena hewan/buah
jatuh, jaringan tersentuh pohon, dan rusak peralatan jaringan.
2 Rumusan Masalah
Berdasarkan latar belakang yang telah dipaparkan, diperoleh
rumusan masalah sebagai berikut:
a) Bagaimana rancangan deteksi gangguan jaringan distribusi 20
kV menggunakan Artificial Neural Network?
b) Bagaimana mekanisme kerja sistem pendeteksi gangguan
gangguan jaringan distribusi 20 kV menggunakan Artificial
Neural Network?
c) Bagaimana pengujian serta tingkat keberhasilan system
Artificial Neural Network dalam mengklasifikasikan gangguan
jaringan distribusi 20 kV ?

3 Batasan Masalah

Universitas Trisakti | 5
 Batasan masalah pada penelitian ini yaitu:

a) Penelitian ini hanya fokus terhadap perancangan deteksi

gangguan jaringan distribusi 20 kV penyaluran tenaga listrik.
b) Menggunakan Artificial Neural Network
c) Menggunakan data Relai OCR dan GFR
d) Berlokasi di Sabang

4 Tujuan Penelitian
Berdasarkan latar belakang yang telah dipaparkan, diperoleh
rumusan tujuan sebagai berikut :
a) Mengetahui rancangan deteksi gangguan jaringan distribusi 20
kV.
b) Meningkatkan mekanisme kerja deteksi gangguan jaringan
distribusi 20 kV
c) Mengetahui perbandingan hasil deteksi gangguan sebelum
menggunakan Artificial Neural Network dengan sesudah
Artificial Neural Network.

5 Manfaat Penelitian
a) Menurunkan Susut teknis pada penyaluran tenaga listrik.
b) Mendeteksi secara real time gangguan jaringan distribusi 20 kV.
c) Memudahkan untuk mengklasifikasikan gangguan jaringan
distribusi 20 kV.
6 Kajian Pustaka
6.1 Penelitain Terdahulu
1. Neural Network untuk Klasifikasi Penanganan Jaringan Distribusi
Listrik 20 kV oleh Oman dkk pada Oktober 2015.
Pada Penelitian tersebut dilakukan pengambilan data dalam kurun
waktu 3 bulan dari Oktober 2010 hingga Desember 2010 dan atribut
yang digunakan yaitu arus beban, relay yang bekerja, arus
gangguan, cuaca dan Tindakan yang di lakukan di lapangan.
Metode yang digunakan yaitu C4.5, Naïve Bayes, k-NN, Logistic
Universitas Trisakti | 6
 Regression, Neural Network, dan Support Vektor Machine (SVM).
Aplikasi yang digunakan untuk penelitian yaitu Rapid Miner 5.3
dengan spesifikasi computer processor CPU Intel Core i5 2.67 GHz,
RAM 4 GB, serta sistem operasi Windows 7 Professional 32- bit.
Hasil Eksperimen didapat nilai akurasi klasifikasi untuk Linear
Sampling, Metode C4.5 memilki akurasi 40%, k-NN 55%, NB 50
%, NN 50 %, dan SVM 40 %. Untuk Shuffled Sampling, metode
C4.5 memilki akurasi 40%, k-NN 40%, NB 50 %, NN 55 %, dan
SVM 30 %. Untuk Stratified Sampling metode C4.5 memilki
akurasi 40%, k-NN 45%, NB 55 %, NN 65 %, dan SVM 45 %. Dari
hasil tersebut disimpulkan bahwa metode NN mempunyai tingkat
akurasi lebih tinggi dari pada yang lain.
2. Identifikasi Jenis Gangguan Pada Jaringan Distribusi Menggunakan
Metode Artificial Neural Network oleh Abel Aditya Aryaguna dkk
pada 1 April 2021.
Pada Penelitian tersebut menyajikan algoritma yang diusulkan
untuk identifikasi variasi tegangan durasi pendek. Artificial Neural
Network (ANN) digunakan untuk mengidentifikasi 7 jenis varasi
tegangan durasi pendek seperti sinyal normal, sag instantaneous,
sag momentary, sag temporary, swell instantaneous, swell
momentary, dan juga swell temporary. Simulasi untuk
membangkitkan gangguan menggunakan software MATLAB
Simulink yang telah disimulasikan dan mendapat nilai untuk input
data ke ANN. Hasil algoritma yang diusulkan sangatlah efektif
untuk identifikasi, di mana ANN dengan 5 x 5 neuron pada lapisan
tersembunyi memiliki tingkat akurasi 100%.
3. Samantaray, dkk (2006) telah melakukan penelitian untuk
mengklasifikasi kesalahan jaringan listrik dengan menggunakan HS
transform dan Radial Basis Function Neural Network (RBFNN).
4. Mondero, dkk (2007) menerapkan neural network untuk
membangun sebuah detektor real time untuk mengklasifikasikan
gangguan listrik secara real time.

Universitas Trisakti | 7
 5. Zhang, dkk (2013) melakukan penelitian dengan menerapkan
ANFIS yang digunakan untuk mengklasifikasikan gangguan
kesalahan menjadi 10 tipe kesalahan short circuit jaringan listrik
yang terdiri dari gangguan phasa AG, BG, CG, ABG, ACG, BCG,
ABC/ABCG, AB, AC dan BC pada sistem distribusi tenaga listrik.
6.2 Landasan Teori
1. Sistem Distribusi 20 kV
Keluaran dari trafo daya dikumpulkan dulu pada Bus 20 KV di
kubikel Gardu Induk untuk kemudian di distribusikan melalui
beberapa penyulang 20 KV ke konsumen dengan jaringan
berupa Saluran Udara Tegangan Menengah (SUTM) atau
Saluran Kabel Tegangan Menengah (SKTM). Khusus SUTM,
jaringan bisa ditarik sepanjang puluhan sampai ratusan Km
termasuk percabangannya dan biasanya ada diluar kota besar.
Seperti diketahui di Indonesia, jaringan dengan konduktor
telanjang yang digelar di udara bebas banyak mengandung
resiko terjadi gangguan hubung singkat fasa-fasa atau satu fasa-
tanah. Disepanjang SUTM terdapat percabangan yang dibentuk
didalam Gardu Distribusi atau Gardu Tiang. Sementara jaringan
SKTM relatif lebih pendek dan berada di dalam kota besar
dengan jumlah gangguan relatif sedikit. Bila terjadi gangguan
itu biasanya pada sambungan yang akan merupakan gangguan
permanen. Seperti halnya di jaringan SUTM, di jaringan SKTM
juga terdapat Gardu Distribusi untuk percabangan ke beban
konsumen atau percabangan SKTM.
2. Peralatan Proteksi
a. Relay OCR.
Relay arus lebih adalah relay yang bekerja terhadap arus
lebih, ia akan bekerja bila arus yang mengalir melebihi nilai
settingnya
b. Relay GFR
Relay gangguan ke tanah (Ground Fault Relay/GFR) adalah
alat yang berfungsi untuk mengamankan sistem dari arus
Universitas Trisakti | 8
 lebih yang diakibatkan adanya gangguan satu fasa ketanah.
c. Recloser
Pemutus balik otomatis (Automatic circuit recloser =
Recloser) ini secara fisik mempunyai kemampuan seperti
pemutus beban yang dapat bekerja secara otomatis untuk
mengamankan sistem dari arus lebih yang diakibatkan
adanya gangguan hubung singkat.
d. Fuse cut out
Fuse cut out adalah suatu alat pemutus, dimana dengan
meleburnya bagian dari komponen yang telah dirancang
khusus dan disesuaikan ukurannya untuk membuka
rangkaian dimana pelebur tersebut dipasang dan
memutuskan arus bila arus tersebut melebihi suatu nilai
dalam waktu tertentu

7 Metode Penelitian
7.1 Perancangan
Pada penelitian ini data set yang digunakan adalah dataset yang
berasal dari data gangguan beban distribusi listrik yang diperoleh dari
PT.PLN (Persero) Distribusi UID Aceh, UP3 Banda Aceh, ULP
Sabang di sisi 20 kV PLTD Aneuk Laot dan Cot Abeuk. Data
ddiambil dalam kurun waktu kurang lebih 3-6 bulan di tahun 2023.
Jumlah atribut adalah 5 atribut daintaranya arus beban, jenis relai
yang bekerja, arus gangguan, cuaca, factor penyebab gangguan dari
lapangan. Factor- factor yang diklasifikasikan yaitu tumbang pohon,
jaringan terkena hewan/buah jatuh, jaringan tersentuh pohon, dan
rusak peralatan jaringan Setelah semua data terkumpul, tahapan
berikutnya adalah melakukan proses praproses data dengan
menentukan nilai pada record dataset. Hal ini dimaksudkan agar
dataset tersebut dibagi menjadi ldata training dan data testing yang
akan dimasukan ke dalam sistem.
7.2 Cara Kerja

Universitas Trisakti | 9
 Input data Baru

Diagram Alur Perancangan Prototype

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

Universitas Trisakti | 10
 Kegiatan akan dilaksanakan pada :
Lokasi : PLN Unit Layanan Pelanggan Sabang
Waktu : 6 Bulan
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 | 11
 Daftar Pustaka
[1] D. Delen and M. D. Crossland, “Seeding the survey and analysis of research
literature with text mining,” Expert Syst. Appl., vol. 34, no. 3, pp. 1707–
1720, 2008.
[2] D. Turban, E. Sharda, R. Dele, Decision Support and Business Intelligence
Systems. .
[3] E. Rahmawati, L, Sihwi, SW, Suryani, “ANALISA CLUSTERING
MENGGUNAKAN METODE K-MEANS DAN HIERARCHICAL
CLUSTERING ( STUDI KASUS : DOKUMEN SKRIPSI JURUSAN
KIMIA , FMIPA , 2 . 3 Term Weighting dengan Term Frequency.”
[4] H. Shadily, “Ensiklopedi Indonesia.” Ichtiar Baru van Hoeve, 1980.
[5] HENDRO NINDITO, “TEORI TEXT MINING DAN WEB MINING,” 15
December 2016, 2016. [Online]. Available:
https://sis.binus.ac.id/2016/12/15/teori-text-mining-dan-web- mining/.
[6] INFORMATIKALOGi, “Text Preprocessing,” NOVEMBER 27, 2016 ·
UPDATED JULY 11, 2017, 2016. [Online]. Available:
[7] “plagiat,” artikata.com, 2014. [Online]. Available: http://artikata.com/arti-
345419-plagiat.html. [Accessed: 23-Jun- 2014].
[8] V. Stepchyshyn and R. S. Nelson, Library plagiarism policies. Chicago :
College Library Information Packet Committee, College Libraries Section,
Association of College and Research Libraries, 2007, 2007.

Universitas Trisakti | 12