skip to main content

DIAGNOSIS KEGAGALAN TRANSFORMATOR DAYA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORS DAN ARTIFICIAL NEURAL NETWORK BERBASIS DISSOLVED GAS ANALYSIS

*Rafi Maulana Hidayat  -  Departemen Teknik Elektro, Universitas Islam Negeri Sunan Gunung Djati, Indonesia
Galih Media  -  Departemen Teknik Elektro, Universitas Islam Negeri Sunan Gunung Djati, Indonesia
Nike Sartika  -  Departemen Teknik Elektro, Universitas Islam Negeri Sunan Gunung Djati, Indonesia
Lia Kamelia  -  Departemen Teknik Elektro, Universitas Islam Negeri Sunan Gunung Djati, Indonesia
Dikirim: 8 Nov 2024; Diterbitkan: 31 Jul 2025.
Akses Terbuka Copyright (c) 2025 Transmisi: Jurnal Ilmiah Teknik Elektro under http://creativecommons.org/licenses/by-sa/4.0.

Citation Format:
Sari

Dissolved Gas Analysis (DGA) merupakan metode untuk mengidentifikasi jenis kegagalan pada transformator dengan menilai jumlah gas yang terkandung pada minyak isolasi transformator. DGA memiliki beberapa metode dalam menganalisis dan mengidentifikasi jenis kegagalan berdasarkan jenis gas yang terlarut. Tetapi, dalam jumlah data yang besar metode ini menjadi sulit dan memerlukan keahlian dalam mendeteksi kegagalan secara grafis. Penelitian ini bertujuan untuk meningkatkan akurasi diagnostik kegagalan transformator dengan mengimplementasikan serta membandingkan algoritma K-Nearest Neighbors (KNN) dengan algoritma Artificial Neural Network (ANN) pada setiap metode konvensional DGA yaitu Roger Ratio, Duval Triangle, Four Gases dan Duval pentagon dalam mengklasifikasikan jenis kegagalan. Sebanyak 822 sampel dataset digunakan untuk melatih dan memvalidasi model yang digunakan. Berdasarkan hasil penelitian diagnosis kegagalan transformator menunjukan bahwa metode grafis memberikan hasil yang paling efektif dalam mendiagnosis jenis kegagalan transformator dibandingkan dengan metode rasio. Selain itu penggunaan algoritma KNN memberikan hasil yang lebih baik dibandingkan dengan algoritma ANN dalam meningkatkan akurasi diagnostik dengan memperoleh akurasi tertinggi sebesar 98% pada duval triangle.

Catatan: Artikel ini mempunyai file lampiran.

Fulltext View|Download |  Instrumen Riset
DIAGNOSIS KEGAGALAN TRANSFORMATOR DAYA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORS DAN ARTIFICIAL NEURAL NETWORK BERBASIS DISSOLVED GAS ANALYSIS
Subjek
Tipe Instrumen Riset
  Unduh (459KB)    metadata pengindeksan
Kata Kunci: Artificial Neural Network; Dissolved Gas Analysis; Failure Diagnosis; K Nearest Neighbors; Transformer.;

Article Metrics:

  1. J. J. Winders, Power transformers : principles and applications. Marcel Dekker, 2002
  2. A. Fauji, R. Kurnianto, dan M. Rajagukguk, “Trafo Oil Failure Based on Dissolved Gas Analysis and Voltage Breakdown Results,” Telecommunications, Computers, and Electricals Engineering Journal, vol. 1, no. 1, 2023, doi: 10.26418/telectrical.v1i1.69800
  3. V. A. Thiviyanathan, P. J. Ker, Y. S. Leong, F. Abdullah, A. Ismail, dan M. Zaini Jamaludin, “Power Transformer Insulation System: A Review on the Reactions, Fault Detection, Challenges and Future Prospects,” 1 Oktober 2022, Elsevier B.V. doi: 10.1016/j.aej.2022.01.026
  4. R. Furqaranda dan S. Suwarno, “Analisa Minyak Isolasi Transformator Daya dengan Metode Disolved Gas Analysis (DGA) dan Purifikasi,” Jurnal Ilmiah Ecosystem, vol. 23, no. 2, hlm. 441–449, Agu 2023, doi: 10.35965/eco.v23i2.2871
  5. J. F. Vidal dan A. R. G. Castro, “Diagnosing Faults in Power Transformers with Variational Autoencoder, Genetic Programming, and Neural Network,” IEEE Access, vol. 11, 2023, doi: 10.1109/ACCESS.2023.3258544
  6. D. C. Febrina, “Feasibility Test of Transformer Insulating Oil Lifetime Based on Breakdown Voltage (bdv) and Furan Analysis,” JEECS (Journal of Electrical Engineering and Computer Sciences), vol. 7, no. 1, hlm. 1177–1184, Jan 2023, doi: 10.54732/jeecs.v7i1.212
  7. A. P. Junfithrana, L. Hakim, R. Nopiyanti, dan M. Muslih, “Improving TDGC on Oil Dissolved Tranformator Gas Using Fuzzy Logic,” dalam 6th International Conference on Computing, Engineering, and Design, ICCED 2020, 2020. doi: 10.1109/ICCED51276.2020.9415819
  8. O. E. Gouda, S. H. El-Hoshy, dan S. S. M. Ghoneim, “Enhancing the Diagnostic Accuracy of DGA Techniques Based on IEC-TC10 and Related Databases,” IEEE Access, vol. 9, 2021, doi: 10.1109/ACCESS.2021.3107332
  9. H. Sutikno, R. A. Prasojo, dan Suwarno, “Integration of Duval Pentagon to the Multi-Method Interpretation to Improve the Accuracy of Dissolved Gas Analysis Technique,” dalam Proceedings of the IEEE International Conference on Properties and Applications of Dielectric Materials, 2021. doi: 10.1109/ICPADM49635.2021.9493929
  10. S. J. Lee, Y. M. Kim, H. D. Seo, J. R. Jung, H. J. Yang, dan M. Duval, “New methods of DGA diagnosis using IEC TC 10 and related databases Part 2: Application of relative content of fault gases,” IEEE Transactions on Dielectrics and Electrical Insulation, vol. 20, no. 2, 2013, doi: 10.1109/TDEI.2013.6508774
  11. A. Siswanto, A. Rohman, S. Suprijadi, M. Baehaqi, dan A. Arifudin, “Analis Karakteristik Minyak Transformator Menggunakan Pengujian Dissolved Gas Analysis (DGA) pada IBT 1 Gardu Induk,” Foristek, vol. 12, no. 1, 2022, doi: 10.54757/fs.v12i1.142
  12. M. K. Ngwenyama dan M. N. Gitau, “Discernment of transformer oil stray gassing anomalies using machine learning classification techniques,” Sci Rep, vol. 14, no. 1, 2024, doi: 10.1038/s41598-023-50833-7
  13. O. Kherif, Y. Benmahamed, M. Teguar, A. Boubakeur, dan S. S. M. Ghoneim, “Accuracy Improvement of Power Transformer Faults Diagnostic Using KNN Classifier With Decision Tree Principle,” IEEE Access, vol. 9, hlm. 81693–81701, 2021, doi: 10.1109/ACCESS.2021.3086135
  14. C57.104-2019 - IEEE Guide for the Interpretation of Gases Generated in Mineral Oil-Immersed Transformers. IEEE, 2019
  15. T. Guillod, P. Papamanolis, dan J. W. Kolar, “Artificial neural network (ann) based fast and accurate inductor modeling and design,” IEEE Open Journal of Power Electronics, vol. 1, 2020, doi: 10.1109/OJPEL.2020.3012777
  16. A. R. E. Soto, S. L. Lima, dan O. R. Saavedra, “Incipient fault diagnosis in power transformers by DGA using a machine learning ANN - Mean shift approach,” dalam 2019 IEEE International Autumn Meeting on Power, Electronics and Computing, ROPEC 2019, 2019. doi: 10.1109/ROPEC48299.2019.9057143
  17. S. Zhang, “Challenges in KNN Classification,” IEEE Trans Knowl Data Eng, 2021, doi: 10.1109/TKDE.2021.3049250
  18. Z. Zuriati dan N. Qomariyah, “Klasifikasi Penyakit Stroke Menggunakan Algoritma K-Nearest Neighbor (KNN),” ROUTERS: Jurnal Sistem dan Teknologi Informasi, 2022, doi: 10.25181/rt.v1i1.2665
  19. A. Pulungan, M. Zarlis, dan S. Suwilo, “Performance Analysis of Distance Measures in K-Nearest Neighbor,” 2020. doi: 10.4108/eai.3-8-2019.2290748
  20. M. Faisal, E. M. Zamzami, dan Sutarman, “Comparative Analysis of Inter-Centroid K-Means Performance using Euclidean Distance, Canberra Distance and Manhattan Distance,” dalam Journal of Physics: Conference Series, 2020. doi: 10.1088/1742-6596/1566/1/012112

Last update:

No citation recorded.

Last update: 2025-07-31 17:13:04

No citation recorded.