BibTex Citation Data :
@article{Transmisi68011, author = {Rafi Maulana Hidayat dan Galih Media dan Nike Sartika dan Lia Kamelia}, title = {DIAGNOSIS KEGAGALAN TRANSFORMATOR DAYA MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBORS DAN ARTIFICIAL NEURAL NETWORK BERBASIS DISSOLVED GAS ANALYSIS}, journal = {Transmisi: Jurnal Ilmiah Teknik Elektro}, volume = {27}, number = {3}, year = {2025}, keywords = {Artificial Neural Network; Dissolved Gas Analysis; Failure Diagnosis; K Nearest Neighbors; Transformer.;}, abstract = { 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 . }, issn = {2407-6422}, pages = {140--148} doi = {10.14710/transmisi.27.3.%p}, url = {https://ejournal.undip.ac.id/index.php/transmisi/article/view/68011} }
Refworks Citation Data :
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.
Article Metrics:
Last update:
Last update: 2025-07-31 17:13:04
Transmisi: Jurnal Ilmiah Teknik Elektro dan Departemen Teknik Elektro, Universitas Diponegoro dan Editor berusaha keras untuk memastikan bahwa tidak ada data, pendapat, atau pernyataan yang salah atau menyesatkan dipublikasikan di jurnal. Dengan cara apa pun, isi artikel dan iklan yang diterbitkan dalam Transmisi: Jurnal Ilmiah Teknik Elektro adalah tanggung jawab tunggal dan eksklusif masing-masing penulis dan pengiklan.
Formulir Transfer Hak Cipta dapat diunduh di sini: [Formulir Transfer Hak Cipta Transmisi]. Formulir hak cipta harus ditandatangani dan dikirim ke Editor dalam bentuk surat asli, dokumen pindaian atau faks:
Dr. Darjat (Ketua Editor)Departemen Teknik Elektro, Universitas Diponegoro, IndonesiaJl. Prof. Sudharto, Tembalang, Semarang 50275 IndonesiaTelepon/Facs: 62-24-7460057Email: transmisi@elektro.undip.ac.id