Article Per Year (5 Year)
p-Index From 2020 - 2025
0.817
P-Index
This Author published in this journals
All Journal Petir Kilat Indonesian Journal of Electrical Engineering and Computer Science
Dwina Kuswardani
Institut Teknologi PLN
Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Energy

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search

 1 
Pendeteksian Susut Daya Pelanggan Dalam Upaya Meningkatkan Efisiensi Penggunaan Energi Yessy Ecy Asri; Dwina Kuswardani; Efy Yosrita; Ferdinand Hendrik Wullur
PETIR Vol 13 No 2 (2020): PETIR (Jurnal Pengkajian Dan Penerapan Teknik Informatika)
Publisher : Sekolah Tinggi Teknik - PLN

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33322/petir.v13i2.1067

Abstract

Automatic Meter Reading (AMR) adalah sistem pembacaan atau pengambilan data hasil pengukuran energi listrik pada konsumen, baik secara lokal maupun jarak jauh. Salah satu fungsi sistem ini adalah untuk menghitung kerugian atau penyusutan distribusi. Salah satu masalah yang dihadapi oleh PLN adalah penyusutan non-teknis yang tinggi dari pelanggan AMR potensial karena kesalahan pemasangan dan pemeliharaan serta tindakan tidak jujur ​​yang dilakukan oleh beberapa konsumen, ini memiliki pengaruh besar pada kerugian daya listrik. PT. PLN Disjaya saat ini memiliki 34.000 pelanggan dan menghadapi kesulitan dalam memilih pelanggan mana yang harus diperiksa terlebih dahulu, karena jumlah personel di lapangan sekitar 5 orang, sehingga petugas yang melakukan sweep di lapangan hanya dapat menemukan sedikit kerusakan. Ini memotivasi penulis untuk melakukan pengelompokan yang dapat digunakan untuk memfasilitasi analisis dan evaluasi data. Metode K-Means digunakan dalam penelitian ini untuk mengelompokkan data berdasarkan riwayat penggunaan daya listrik dan untuk menentukan jumlah kelompok yang paling optimal digunakan metode Davies-Bouldin Index (DBI). Berdasarkan hasil pengujian dengan 2-6 set cluster, hasil set cluster yang paling optimal adalah set cluster 4 karena memiliki nilai DBI terkecil, yaitu 0,893, yang berarti set cluster 4 memiliki kepadatan masing-masing objek dengan centroid terbaik dan jarak antar cluster juga dipisahkan dengan baik. Cluster 1 memiliki 12 anggota, klaster 2: 54 anggota, klaster 3: 34 anggota dan klaster 4: 3 anggota. Himpunan 4 cluster memiliki kinerja terbaik dalam pengelompokan data tentang penggunaan daya historis pelanggan AMR (Automatic Meter Reading) di kelas bisnis, setiap titik pusat atau titik pusat dari masing-masing cluster digunakan sebagai atribut dan nilai penggunaan daya pelanggan AMR bagan bisnis di PT. PLN (Persero) Distribusi Jakarta Raya. Tahap pengujian yang diuji adalah data 3 pelanggan yang dikategorikan sebagai pelanggan dengan daya listrik penggunaan tidak normal. Pengujiannya adalah, dengan menentukan jarak dari masing-masing objek pengujian data ke setiap centroid dalam kelompok 4 set. Diharapkan bahwa sistem ini dapat digunakan oleh petugas karyawan di sektor Distribusi, Efisiensi, Pengukuran dan Kualitas Sub Sistem Sistem Distribusi untuk menetapkan target operasi P2TL di kantor distribusi PT. PLN (Pesero) Distribusi Jakarta Rayatau kehilangan listrik adalah salah satu hasil dari penerapan sistem pembacaan daya listrik historis, AMR (Automatic Meter Reading). Salah satu jenis kerugian yang memberi dampak besar terhadap kerugian listrik adalah kerugian Non-Teknis. Saat ini untuk mendeteksi kerugian itu sendiri, petugas masih memeriksa data secara langsung dari setiap pelanggan yang masuk untuk menganalisis dan mengevaluasi data. Terkait hal ini, diperlukan suatu sistem untuk memudahkan analisis dan evaluasi data. Metode K-Means digunakan dalam penelitian ini untuk mengelompokkan data berdasarkan riwayat penggunaan daya listrik dan untuk menentukan jumlah kelompok yang paling optimal digunakan metode Davies-Bouldin Index (DBI). Berdasarkan hasil pengujian aplikasi dengan 2-6 set cluster, hasil set cluster yang paling optimal adalah set cluster 4 karena memiliki nilai DBI terkecil, yaitu 0,893, yang berarti set cluster 4 memiliki kepadatan setiap objek dengan centroid terbaik dan jarak antara cluster juga dipisahkan dengan baik. Cluster 1 memiliki 12 anggota, klaster 2: 54 anggota, klaster 3: 34 anggota dan klaster 4: 3 anggota. Himpunan 4 cluster memiliki kinerja terbaik dalam pengelompokan data tentang penggunaan daya historis pelanggan AMR (Automatic Meter Reading) di kelas bisnis, setiap titik pusat atau titik pusat dari masing-masing cluster digunakan sebagai atribut dan nilai penggunaan daya pelanggan AMR grafik bisnis di PT. PLN (Persero) Distribusi Jakarta Raya. Tahap pengujian yang diuji adalah data 3 pelanggan yang dikategorikan sebagai pelanggan dengan daya listrik penggunaan tidak normal. Pengujiannya adalah, dengan menentukan jarak dari masing-masing objek pengujian data ke setiap centroid dalam kelompok 4 set. Diharapkan aplikasi ini dapat digunakan oleh petugas karyawan di sektor Distribusi, Efisiensi, Pengukuran dan Kualitas Sub Sistem Sistem Distribusi untuk menetapkan target operasi P2TL di kantor distribusi PT. PLN (Pesero) Distribusi Jakarta Raya.
Implementasi Algoritma Convolutional Neural Network Dalam Mengklasifikasi Kesegaran Buah Berdasarkan Citra Buah Femil Paraijun; Rosida Nur Aziza; Dwina Kuswardani
KILAT Vol 11 No 1 (2022): KILAT
Publisher : Sekolah Tinggi Teknik - PLN

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33322/kilat.v10i2.1458

Abstract

The development of Information Technology today, which continues to grow, can help overcome various problems because matters relating to the advancement of Information Technology have spread to almost all levels of Indonesian society. Along with the development of Information Technology, it is also marked by Artificial Intelligence which can simulate human intelligence and help handle tasks in the real world. By utilizing Information Technology, one of them can be used in terms of the classification of fruit freshness. Where this classification will be very useful and help farmers and fruit consumers. This study describes the use of the Convolutional Neural Network to classify the freshness of the following fruits: apples, oranges, and bananas. And also using six classes, namely fresh apples, fresh oranges, fresh bananas, unfresh apples, unfresh oranges, and unfresh bananas. The first thing to do is Convolutional Neuronal Network training using an image dataset as input using data sources from Kaggle.com, published by "Student at Stony Brook University, New York, United States". To determine the performance of the various models produced, the following Confusion Matrix is used: accuracy, precision, and recall. The best average obtained is 93%.
Klasifikasi Titik dan Jenis Gangguan Guna Efisiensi Prosedur Operasi Standar Perbaikan Jaringan Distribusi Dwina Kuswardani
KILAT Vol 10 No 2 (2021): KILAT
Publisher : Sekolah Tinggi Teknik - PLN

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33322/kilat.v11i1.1521

Abstract

Saat ini jaringan distribusi listrik (Jaringan Distribusi Penyulang) UP3 Manokwari masih memiliki masalah dalam mengetahui lokasi gangguan dan mengelompokkan titik dan jenis gangguan. Adapun masalah lainnya adalah perekapan laporan gangguan yang masih bersifat konvensional yang mana laporan detail gangguan tersebut jarang direkap secara real time dan penyampaian informasi mengenai informasi gangguan kurang efektif kepada petugas dan pimpinan. Tujuan penelitian ini adalah diperoleh suatu pola atau node menggunakan algoritma C4.5 untuk mengklasifikasi titik dan jenis gangguan jaringan distribusi penyulang, serta untuk membantu petugas dalam proses perekapan detail secara real-time. Evaluasi pola menggunakan tools Rapidminer serta menggunakan Confusion Matrix untuk pengujian tingkat akurasi metode klasifikasi. Hasil penelitian menunjukkan bahwa klasifikasi titik gangguan ditentukan oleh faktor beban disrupsi dan relay dengan 3 (tiga) pola/node dan jenis gangguan ditentukan oleh faktor kerusakan dan penyebab gangguan dengan 16 pola/node. Hasil penelitian menunjukan bahwa tingkat akurasi model algoritma C4.5 sebesar 87.80% untuk klasifikasi jenis gangguan dan 96.15% untuk klasifikasi titik. Tingkat akurasi model algoritma C4.5 adalah 87,80. % untuk klasifikasi jenis disrupsi dan 96,15% untuk klasifikasi titik gangguan.
Gray level co-occurrence matrix feature extraction and histogram in breast cancer classification with ultrasonographic imagery Karina Djunaidi; Herman Bedi Agtriadi; Dwina Kuswardani; Yudhi S. Purwanto
Indonesian Journal of Electrical Engineering and Computer Science Vol 22, No 2: May 2021
Publisher : Institute of Advanced Engineering and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.11591/ijeecs.v22.i2.pp795-800

Abstract

One way to detect breast cancer is using the Ultrasonography (USG) procedure, but the ultrasound image is susceptible to the noise speckles so that the interpretation and diagnosis results are different. This paper discusses the classification of breast cancer ultrasound images that aims to improve the accuracy of the identification of the type and level of cancer malignancies based on the features of its texture. The feature extraction process uses a histogram which then the results are calculated using the Gray Level Co-Occurrence Matrix (GLCM). The results of the two extraction features are then classified using K-Nearest Neighbors (KNN) to obtain accurate figures from those images. The results of this study is that the accuracy in detecting cancer types is 80%.
Co-Authors Asri, Yessy Djunaidi, Karina Efy Yosrita Femil Paraijun Ferdinand Hendrik Wullur Herman Bedi Agtriadi Purwanto, Yudhi Rosida Nur Aziza