| dc.description.abstract | Transformator sebagai salah satu bagian dari sistem tenaga listrik yang dapat
mentransformasi tegangan dari satu level ke level lain harus dijaga keandalannya
agar kebutuhan listrik masyarakat dapat terpenuhi secara terus-menerus jauh dari
gangguan-gangguan yang dapat menyebabkan kegagalan sistem. Gangguan yang
menyebabkan kegagalan sistem sering terjadi pada internal transformator tenaga baik
itu gangguan pada tahanan isolasi, tegangan tembus maupun pada kandungan gas
terlarut di minyak transformator. Gangguan ini merupakan gangguan yang sangat
sulit dideteksi dan didiagnosa sebab gangguan ini termasuk gangguan yang terjadi di
dalam transformator dan sangat berhubungan erat dengan minyak transformator
karena gangguan terjadi disebabkan oleh arc (busur api) yang terjadi di dalam
transformator itu sendiri.
DGA (Dissolved Gas Analysis) merupakan metode pengujian yang dilakukan
untuk menguji keadaan minyak isolasi dengan mengambil sampel minyak isolasi dari
unit transformator untuk mengetahui jenis-jenis gas yang terlarut dalam minyak
isolasi transformator, dari hasil tes DGA tersebut akan dapat disimpulkan dan
diprediksikan jenis gangguan yang mungkin terjadi pada transformator dan dapat
segera dilakukan tindakan pencegahan kegagalan transformator. Dengan kata lain
pengujian DGA merupakan salah satu langkah perawatan preventif (preventive
maintenance) yang wajib dilakukan dengan interval pengujian paling tidak satu kali
dalam satu tahun.
Acuan untuk menganalisis kinerja transformator dan menentukan langkahlangkah
yang akan dilakukan untuk meningkatkan kinerja transformator
transformator GI Jember untuk-tahun berikutnya sangat diperlukan. Pemodelan dan
pemetaan analisa yang digunakan dalam tugas akhir ini adalah Metode Markov dan
Backpropagation Neural Network. Kedua metode ini dapat bekerja sama sebagai
acuan analisis kinerja transformator untuk tahun berikutnya yang disebut sebagai
peramalan.
Proses pengerjaan tugas akhir ini diawali dengan analisa metode markov
kemudian hasil metode markov tersebut ditetapkan sebagai pembelajaran untuk
jaringan syaraf tiruan. Dalam metode Markov, langkah pertama adalah menentukan
setiap perubahan kondisi gas, yaitu gas-gas yang mudah terbakar seperti H
(Hidrogen), CH
4
(Metana), CO (Karbon Monoksida), CO
2
(Karbon Dioksida), C
(Etilen), C
2
H
6
(Etana), dan C
2
H
(Asetilen) serta acuan total gas yang mudah terbakar
yaitu TDCG (Total Dissolved Combustible Gas). Gas-gas tersebut ditentukan tiap
perubahan yang dibagi berdasarkan kondisi normal sampai kondisi sangat buruk
sesuai standar IEEE C57.104-1991 yang digunakan PLN, yaitu dibagi dalam 4
kondisi, yaitu kondisi 1 (K1), kondisi 2 (K2), kondisi 3 (K3) dan kondisi 4 (K4).
Langkah kedua adalah mengelompokkan perubahan tiap kondisi gas dari tiap
transformator yang menunjukkan perubahan kondisi yang sama. Langkah ketiga
menghitung laju data perubahan kondisi gas yang sudah dikelompokkan, dan
dimasukkan dalam matriks. Langkah keempat adalah menampilkan grafik yang
menunjukkan gambaran keandalan dan ketersediaan kualitas transformator GI Jember
dari tiap gas-gas yang telah diolah.
2
Hasil dari Metode Markov berupa nilai ketersediaan dan keandalan minyak
transformator dapat dijadikan acuan analisa kondisi minyak transformator, sehingga
melalui Backpropagation Neural Network digunakan sebagai peramalan kondisi
transformator ke depannya. Digunakan data rekapitulasi DGA PLN sebagai data
aktual untuk pembelajaran awal dengan output adalah hasil nilai peluang ketersediaan
dan keandalan. Hasil pelatihan pertama untuk nilai ketersediaan didapat nilai korelasi
yang baik antara output jaringan dengan target dengan nilai korelasi 1.0000.
Pembelajaran dilanjutkan kembali dengan tujuan untuk mendapatkan peramalan,
yaitu nilai input ditentukan berdasarkan batas konsentrasi gas terlarut sesuai standar
IEEE C57.104-1991 yang digunakan PLN untuk menentukan kondisi gas termasuk
dalam kategori K1, K2, K3 atau K4, sedangkan nilai output adalah hasil perubahan
2
H
2
4
waktu (hari) terjadinya perubahan kondisi dari data aktual yang digunakan, sehingga
melalui metode markov kembali didapatkan nilai ketersediaan dan keandalan. Hasil
data cek atau peramalan tersebut didapatkan nilai korelasi yang baik antara
kecocokan output jaringan dengan target 0.8916 (mendekati 1). Sama seperti dengan
ketersediaan, keandalan juga didapatkan perbandingan data aktual 1.0000 dan data
peramalan 0.8607.
Dengan demikian, kondisi peramalan dari penggunaan kedua metode Markov
dan Backpropagation Neural Network dapat digunakan sebagai acuan dalam analisis
kinerja transformator sekaligus acuan dalam menentukan langkah-langkah untuk
meningkatkan kualitas transformator ke depannya. | en_US |
