Claim Missing Document
Check
Articles

Found 2 Documents
Search

Kajian Deteksi Dini Partial Discharge pada Kabel XLPE Tegangan 20 kV Menggunakan Metode Acoustic Emission Mhd Fahmi Syawali Rizki; Arif Milando Setiawan; Oni Afriyandi; Adam Pangestu
Impression : Jurnal Teknologi dan Informasi Vol. 5 No. 1 (2026): Maret 2026
Publisher : Lembaga Riset Ilmiah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59086/jti.v5i1.1791

Abstract

Partial discharge (PD) merupakan salah satu indikator awal degradasi sistem isolasi pada kabel tegangan menengah. Pada kabel XLPE 20 kV, aktivitas PD dapat muncul akibat rongga udara, ketidaksempurnaan sambungan, cacat terminasi, kontaminasi, kelembapan, atau konsentrasi medan listrik lokal. Apabila tidak terdeteksi sejak dini, PD dapat mempercepat penuaan isolasi dan berkembang menjadi kegagalan permanen. Artikel ini mengkaji penerapan metode acoustic emission (AE) sebagai pendekatan deteksi dini PD pada kabel XLPE tegangan 20 kV. Metode AE bekerja dengan menangkap gelombang mekanik atau ultrasonik yang timbul akibat pelepasan energi lokal pada proses PD. Kajian dilakukan melalui analisis literatur, perancangan skema pengukuran konseptual, identifikasi parameter sinyal AE, serta evaluasi faktor teknis yang memengaruhi keberhasilan deteksi. Parameter utama yang dianalisis meliputi amplitudo, nilai RMS, energi sinyal, jumlah pulsa, spektrum frekuensi, rasio sinyal terhadap derau, dan pelemahan sinyal terhadap jarak sensor. Hasil kajian menunjukkan bahwa metode AE memiliki potensi sebagai sistem peringatan dini terutama pada area sambungan dan terminasi kabel, tetapi tidak menggantikan pengukuran muatan semu berbasis IEC 60270. Keandalan diagnosis meningkat apabila AE dikombinasikan dengan verifikasi visual, pengukuran listrik, serta pemrosesan sinyal yang memadai. Dengan demikian, AE lebih tepat diposisikan sebagai metode pendukung pemantauan kondisi isolasi untuk menurunkan risiko kegagalan kabel 20 kV secara mendadak   Partial discharge (PD) is an early indicator of insulation degradation in medium-voltage cable systems. In 20 kV XLPE cables, PD activity may arise from voids, joint imperfections, termination defects, contamination, moisture, or local electric-field enhancement. If it is not detected at an early stage, PD may accelerate insulation ageing and lead to permanent failure. This paper reviews the application of the acoustic emission (AE) method as an early detection approach for PD in 20 kV XLPE cables. AE detects mechanical or ultrasonic waves generated by local energy release during PD events. The study is conducted through literature analysis, conceptual measurement design, identification of AE signal parameters, and evaluation of technical factors affecting detection performance. The main parameters include amplitude, RMS value, signal energy, pulse count, frequency spectrum, signal-to-noise ratio, and attenuation as a function of sensor distance. The review indicates that AE has potential as an early warning method, particularly for cable joints and terminations, but it does not replace apparent-charge measurement based on IEC 60270. Diagnostic reliability can be improved by combining AE with visual verification, electrical measurements, and adequate signal processing. Therefore, AE should be positioned as a complementary condition-monitoring method to reduce the risk of sudden 20 kV cable failure
Model Klasifikasi Kepatuhan Pajak Menggunakan Support Vector Machine Irwansyah; Sari Novalianda; Adam Pangestu; Oni Afriyandi; Ervina Sari Sipahutar
Impression : Jurnal Teknologi dan Informasi Vol. 5 No. 1 (2026): Maret 2026
Publisher : Lembaga Riset Ilmiah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59086/jti.v5i1.1867

Abstract

Kepatuhan wajib pajak merupakan faktor kunci dalam memastikan pendapatan pemerintah yang berkelanjutan, namun mengidentifikasi wajib pajak yang patuh dan tidak patuh tetap menjadi tantangan karena meningkatnya volume dan kompleksitas data pajak. Penelitian ini mengusulkan model klasifikasi kepatuhan wajib pajak menggunakan algoritma Support Vector Machine (SVM) untuk meningkatkan akurasi prediksi kepatuhan. Penelitian ini menggunakan pendekatan kuantitatif dengan memanfaatkan dataset wajib pajak yang memuat pendapatan, pajak terutang, ketepatan waktu pembayaran, status pengajuan SPT, tunggakan pajak, dan riwayat kepatuhan. Pra-pemrosesan data meliputi penanganan nilai yang hilang, penghapusan duplikat, pengkodean label, dan normalisasi Min-Max sebelum pelatihan dan evaluasi model menggunakan validasi silang 10-fold. Hasil eksperimen menunjukkan bahwa model yang diusulkan mencapai akurasi 91,00%, presisi 90,48%, recall 92,23%, dan F1-score 91,34%, dengan akurasi validasi silang rata-rata 90,72% ± 1,26%. Temuan ini menunjukkan bahwa SVM memberikan kinerja yang andal dan kuat untuk klasifikasi kepatuhan wajib pajak, serta memiliki potensi besar untuk mendukung administrasi pajak yang cerdas dan berbasis data, sekaligus meningkatkan efisiensi pengambilan keputusan dalam sistem perpajakan digital. Taxpayer compliance is a key factor in ensuring sustainable government revenue, yet identifying compliant and non-compliant taxpayers remains challenging due to the increasing volume and complexity of tax data. This study proposes a taxpayer compliance classification model using the Support Vector Machine (SVM) algorithm to improve the accuracy of compliance prediction. The research employed a quantitative approach using taxpayer datasets containing income, tax payable, payment timeliness, tax return submission status, tax arrears, and compliance history. Data preprocessing included missing value handling, duplicate removal, label encoding, and Min-Max normalization before model training and evaluation using 10-fold cross-validation. Experimental results showed that the proposed model achieved an accuracy of 91.00%, precision of 90.48%, recall of 92.23%, and F1-score of 91.34%, with an average cross-validation accuracy of 90.72% ± 1.26%. These findings demonstrate that SVM provides reliable and robust performance for taxpayer compliance classification and has strong potential to support intelligent, data-driven tax administration and improve decision-making efficiency in digital taxation systems.