Article Per Year (5 Year)
p-Index From 2021 - 2026
1.77
P-Index
This Author published in this journals
All Journal Voteteknika (Vocational Teknik Elektronika dan Informatika) Elkom: Jurnal Elektronika dan Komputer Jurnal Informatika dan Teknik Elektro Terapan Techne : Jurnal Ilmiah Elektroteknika JUTEKS JuTEkS (Jurnal Teknik Elektro dan Sains) Journal Geuthee of Engineering and Energy Jurnal Elektro Kontrol (ELKON) Jurnal Teknik Elektro: Ilmu dan Teknologi Mars: Jurnal Teknik Mesin, Industri, Elektro dan Ilmu Komputer
Giovanni Dimas Prenata
Universitas 17 Agustus 1945 Surabaya
Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Energy Engineering Mathematics Physics

Published : 11 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 11 Documents
Search

 1   2 
KLASIFIKASI KEANDALAN SISTIM DISTRBUSI TENAGA LISTRIK DI PT. PLN (PERSERO) UP3 SURABAYA SELATAN MENGGUNAKAN METODE K-NEAREST NEIGHBOR (KNN) Giovanni Dimas Prenata
Jurnal Informatika dan Teknik Elektro Terapan Vol 11, No 3s1 (2023)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v11i3s1.3397

Abstract

Kehandalan merupakan bagian mendasar untuk mendistribusikan energi listrik. PT. PLN harus mampu mendistrbusikan energi listrik dengan tingkat kehandalan yang tinggi.  Penggunaan metode K-Nearest Neighbor merupakan metode supervise learning untuk melakukan klasifikasi pengkategorian handal dan tidak handal. Peneliti melakukan klasifikasi data SAIDI dan SAIFI untuk periode 10 bulan (Januari hingga Oktober) tahun 2021 di PT. PLN UP3 Surabaya Selatan menggunakan metode K-Nearest Neighbor. Program KNN dibuat menggunakan bahasa C++. Data SAIDI dan SAIFI bulan November dan Desember 2021 dipergunakan sebagai data uji. Hasil dari prediksi menggunakan K=1, K=2, K=3, K=4, K=5, K=6 dan K=6 menghasilkan akurasi 100% dalam mengkategorikan handal dan tidak handal.
Klasifikasi Keandalan Sistem Distrbusi Tenaga Listrik di PT. PLN (PERSERO) UP3 Surabaya Selatan Menggunakan Metode Single Perceptron Giovanni Dimas Prenata
Voteteknika (Vocational Teknik Elektronika dan Informatika) Vol 12, No 1 (2024): Vol. 12, No 1, Maret 2024
Publisher : Universitas Negeri Padang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24036/voteteknika.v12i1.125589

Abstract

Kehandalan sistem distribusi tenaga listrik merupakah hal yang sangat penting bagi PLN. Dengan tingkat kehandalan yang tinggi maka PLN bisa memastikan energi listrik tersalurkan dengan baik kepada pelanggan. Tingkat kehandalan yang tinggi merupakan jaminan bagi pelanggan untuk mendapatkan energi listrik. Beberapa peneliti mengukur kehandalan menggunakan nilai SAIDI (System Average Interruption Duration Index) dan SAIFI (System Average Interruption Frequency Index). Selain itu ada juga yang menggunakan metode FMEA (Failure Modes and Effects Analysis). Pada penelitian ini, peneliti melakukan klasifikasi kehandalan berdasarkan standar SPLN 59-1985 menggunakan metode artificial neuron network single perceptron. Peneliti menggunakan 3 neuron sebagai inputan yaitu nilai SAIDI, nilai SAIFI dan bias. Data training yang dipergunakan adalah data nilai SAIDI dan nilai SAIFI selama 10 bulan ditahun 2021. Aplikasi neuron neuron network single perceptron dibuat menggunakan bahasa C++ dengan learning rate 0,1, dan signal sigmoid sebagai aktivasinya. Sehingga didapat nilai pembobotan untuk 3 neuron yaitu -3.95772 (W[0]), 1.15408 (W[1]) dan 1.45799 (W[2]) dalam 6 kali training untuk mengklasifikasikan tingkat kehandalan.Kata kunci: SAIDI, SAIFI dan artificial neuron network single perceptron. The reliability of the electric power distribution system is very important for PLN. With a high level of reliability, PLN can ensure that electrical energy is properly distributed to customers. A high level of reliability is a guarantee for customers to get electrical energy. Some researchers measure reliability using SAIDI (System Average Interruption Duration Index) and SAIFI (System Average Interruption Frequency Index) values. In addition there are also those who use the FMEA (Failure Modes and Effects Analysis) method. In this study, researchers conducted a reliability classification based on the SPLN 59-1985 standard using the artificial neuron network single perceptron method. Researchers used 3 neurons as input, namely the SAIDI value, SAIFI value and bias. The training data used is data on SAIDI values and SAIFI values for 10 months in 2021. The single perceptron neuron neuron network application is made using C++ language with a learning rate of 0.1, and a sigmoid signal as its activation. So that the obtained weighting values for 3 neurons are -3.95772 (W[0]), 1.15408 (W[1]) and 1.45799 (W[2]) in 6 times of training to classify the level of reliability.Keywords: SAIDI, SAIFI and artificial neuron network single perceptron.
KLASIFIKASI KEANDALAN SISTIM DISTRIBUSI TENAGA LISTRIK DI PT. PLN (PERSERO) UP3 SURABAYA SELATAN MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM) Giovanni Dimas Prenata
Jurnal Teknik Elektro Vol. 16 No. 2 (2023): September 2023
Publisher : Institute of Research and Community Outreach

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.9744/jte.16.2.62-70

Abstract

Penelitian ini menggunakan metode SVM untuk mengklasifikasi kondisi handal/tidak handal untuk 10 data latih. Dengan menggunakan konsep trigonometri untuk mendapatkan titik bantu dalam menentukan persamaan garis (hyperplane), akurasi pengujian data latih yag didapat sebesar 90%. Pada pengujian menggunakan 2 data uji berhasil mengklasifikasikan dengan akurasi 100%.
KLASIFIKASI KEANDALAN SISTIM DISTRBUSI TENAGA LISTRIK DI PT. PLN (PERSERO) UP3 SURABAYA SELATAN MENGGUNAKAN METODE K-NEAREST NEIGHBOR (KNN) Giovanni Dimas Prenata
Jurnal Informatika dan Teknik Elektro Terapan Vol 11, No 3s1 (2023)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v11i3s1.3397

Abstract

Kehandalan merupakan bagian mendasar untuk mendistribusikan energi listrik. PT. PLN harus mampu mendistrbusikan energi listrik dengan tingkat kehandalan yang tinggi.  Penggunaan metode K-Nearest Neighbor merupakan metode supervise learning untuk melakukan klasifikasi pengkategorian handal dan tidak handal. Peneliti melakukan klasifikasi data SAIDI dan SAIFI untuk periode 10 bulan (Januari hingga Oktober) tahun 2021 di PT. PLN UP3 Surabaya Selatan menggunakan metode K-Nearest Neighbor. Program KNN dibuat menggunakan bahasa C++. Data SAIDI dan SAIFI bulan November dan Desember 2021 dipergunakan sebagai data uji. Hasil dari prediksi menggunakan K=1, K=2, K=3, K=4, K=5, K=6 dan K=6 menghasilkan akurasi 100% dalam mengkategorikan handal dan tidak handal.
Kajian Teknis Kebutuhan Genset sebagai Sumber Energi Cadangan di UNTAG Surabaya Junico Dwi Yussarianto; Giovanni Dimas Prenata
Mars: Jurnal Teknik Mesin, Industri, Elektro Dan Ilmu Komputer Vol. 2 No. 4 (2024): Agustus: Mars: Jurnal Teknik Mesin, Industri, Elektro Dan Ilmu Komputer
Publisher : Asosiasi Riset Teknik Elektro dan Informatika Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61132/mars.v2i4.225

Abstract

To fulfil the needs of electricity, UNTAG Surabaya Building uses electrical energy derived from PLN. But, the provision of electrical energy from PLN unable to constantly supply electrical energy without interruption. So, to overcome it, it’s obligatory to have an electrical energy back-up system in the form of a Genset so electrical energy for building needs is preserved. The Genset works automatically, so when PLN's electrical energy goes out, the generator will immediately work. Conversely, if PLN's electrical energy back to normal, the generator will stop working. Because the electrical energy back-up system at UNTAG Surabaya has been working for really long, it’s obligatory to evaluate also re-analyze the generator back-up system. The analysis is carried out by performing calculations assisted by the ETAP simulation program. For generator efficiency, it is still quite good, which is only 68.25%., because the generator only supplies loads that are an urgent priority. From the simulation results, the load must be provide by the generator is 273.04kW/341.3kVA and the generator capacity used is 400kW/500kVA. In that case, the performance of the genset is still within the limits of its capabilities.
Evaluasi Komparatif K-Means dan Fuzzy C-Means sebagai Metode Klasterisasi Hard dan Soft untuk Analisis Perilaku Dielektrik Minyak Transformator Terkontaminasi Logam Giovanni Dimas Prenata; Ahmad Ridho’I
JUTEKS Vol 13 No 1 (2026): JuTEkS (Jurnal Teknik Elektro dan Sains)
Publisher : Program Studi Teknik Elektro Universitas Ibn Khaldun Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

AbstrakPenelitian ini menganalisis struktur perilaku dielektrik minyak transformator yang terkontaminasi tembaga dan besi menggunakan metode K-Means dan Fuzzy C-Means (FCM). Sebanyak 324 data eksperimen yang terdiri atas jenis minyak, jenis kontaminan, konsentrasi, dan nilai Breakdown Voltage (BDV) dianalisis untuk mengidentifikasi pola degradasi. K-Means mencapai konvergensi sangat cepat dalam 7 iterasi, dengan nilai pergeseran centroid menurun dari 0,66591 hingga 0, serta membentuk tiga kelas dielektrik yang jelas sesuai tingkat kontaminasi 0,10 g, 0,15 g, dan 0,20 g. Sebaliknya, FCM memerlukan 200 iterasi untuk stabilisasi, dengan nilai perubahan keanggotaan maksimum menurun dari 0,615249 menjadi 3,29 × 10⁻⁵. Meskipun kedua metode menghasilkan tiga kelas utama yang sama, FCM menunjukkan adanya overlap signifikan pada konsentrasi menengah dengan nilai keanggotaan maksimum di bawah 0,7 pada sejumlah sampel. Hasil ini secara kuantitatif membuktikan bahwa degradasi dielektrik minyak transformator bersifat terstruktur namun berkembang secara progresif, serta mendukung penggunaan pendekatan pemodelan nonlinier dalam analisis BDV.Kata Kunci: Minyak Transformator, Breakdown Voltage, K-Means, Fuzzy C-Means, Degradasi Dielektrik, Kontaminasi Logam.
Evaluasi Komparatif K-Means dan Fuzzy C-Means sebagai Metode Klasterisasi Hard dan Soft untuk Analisis Perilaku Dielektrik Minyak Transformator Terkontaminasi Logam Giovanni Dimas Prenata; Ahmad Ridho’I
JUTEKS Vol 13 No 1 (2026): JuTEkS (Jurnal Teknik Elektro dan Sains)
Publisher : Program Studi Teknik Elektro Universitas Ibn Khaldun Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

AbstrakPenelitian ini menganalisis struktur perilaku dielektrik minyak transformator yang terkontaminasi tembaga dan besi menggunakan metode K-Means dan Fuzzy C-Means (FCM). Sebanyak 324 data eksperimen yang terdiri atas jenis minyak, jenis kontaminan, konsentrasi, dan nilai Breakdown Voltage (BDV) dianalisis untuk mengidentifikasi pola degradasi. K-Means mencapai konvergensi sangat cepat dalam 7 iterasi, dengan nilai pergeseran centroid menurun dari 0,66591 hingga 0, serta membentuk tiga kelas dielektrik yang jelas sesuai tingkat kontaminasi 0,10 g, 0,15 g, dan 0,20 g. Sebaliknya, FCM memerlukan 200 iterasi untuk stabilisasi, dengan nilai perubahan keanggotaan maksimum menurun dari 0,615249 menjadi 3,29 × 10⁻⁵. Meskipun kedua metode menghasilkan tiga kelas utama yang sama, FCM menunjukkan adanya overlap signifikan pada konsentrasi menengah dengan nilai keanggotaan maksimum di bawah 0,7 pada sejumlah sampel. Hasil ini secara kuantitatif membuktikan bahwa degradasi dielektrik minyak transformator bersifat terstruktur namun berkembang secara progresif, serta mendukung penggunaan pendekatan pemodelan nonlinier dalam analisis BDV.Kata Kunci: Minyak Transformator, Breakdown Voltage, K-Means, Fuzzy C-Means, Degradasi Dielektrik, Kontaminasi Logam.
Application of fourier transform for early detection of bearing failures in electric motors Giovanni Dimas Prenata; Muhammad Alif Sofi Syariffudin; Reza Sarwo Widagdo
Journal Geuthee of Engineering and Energy Vol 5, No 1 (2026): Journal Geuthee of Engineering and Energy
Publisher : Geuthèë Institute

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52626/joge.v5i1.69

Abstract

This study presents an analysis of bearing fault conditions in electric motors through stator current measurements and their transformation into the frequency domain. Measurements were conducted under two main bearing conditions: normal and damaged, each tested with three load variations (no load, generator load, and generator load with one lamp). The time-domain current waveforms showed minimal visual distinction between normal and damaged bearing conditions, making classification difficult. Therefore, the current data were transformed into the frequency domain using the Discrete Fourier Transform (DFT). The frequency domain analysis revealed that in normal bearing conditions, the frequency magnitude distribution was relatively stable and symmetrical, with low fluctuation in the frequency index range k = 0 to k = 10. In contrast, damaged bearing conditions exhibited larger and irregular fluctuations in frequency magnitude across different load levels, indicating a distinct signature of bearing failure. Consequently, frequency domain analysis proves to be an effective approach for detecting bearing faults based on the spectral characteristics of motor current signals.
Thermal Behavior Clustering of High-Voltage Electrical Equipment Using K-Means and Fuzzy C-Means Giovanni Dimas Prenata; Ahmad Ridho’i
Elkom: Jurnal Elektronika dan Komputer Vol. 19 No. 1 (2026): Juli : Jurnal Elektronika dan Komputer
Publisher : STEKOM PRESS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51903/elkom.v19i1.3700

Abstract

Thermal monitoring of high-voltage electrical equipment is an important aspect of maintaining the reliability and operational safety of electrical power systems. Conventional classification approaches generally require labeled data and are limited in representing transitional thermal conditions. Therefore, this study proposes an unsupervised learning approach using K-Means and Fuzzy C-Means (FCM) clustering methods to analyze thermal behavior patterns in high-voltage electrical equipment based on thermal image features. The proposed model utilizes two main features extracted from thermal images, namely the percentage of white regions (% white) and non-white regions (% non-white), where white regions represent high-temperature areas. A total of 12 thermal images were used in the clustering process. Experimental results showed that the K-Means algorithm converged after only 2 iterations, whereas FCM required 53 iterations to achieve convergence . Both methods successfully identified dominant thermal patterns corresponding to Normal, Warning, and Hazardous conditions. The most extreme thermal condition was observed in data sample 6, which had a white-region percentage of 83.2647% and was consistently classified as Hazardous by both K-Means and FCM . In addition, FCM demonstrated superior capability in representing transitional thermal conditions through membership values. Data sample 3, with a white-region percentage of 56.5476%, was classified as Hazardous by K-Means but categorized as Warning by FCM with a dominant membership value of 0.702543 . These results indicate that FCM provides more flexible thermal behavior representation compared with hard clustering approaches. Overall, the proposed clustering-based approach demonstrates significant potential for real-time thermal condition assessment and predictive maintenance applications in high-voltage electrical equipment.
Evaluasi Komparatif DFFNN, DFFNN yang Dioptimasi GA, DFFNN yang Dioptimasi GWO, dan LSTM untuk Prediksi Konsumsi Energi Listrik Menggunakan Sliding Window Cross-Validation Giovanni Dimas Prenata
Techné : Jurnal Ilmiah Elektroteknika Vol. 25 No. 1 (2026):
Publisher : Fakultas Teknik Elektronika dan Komputer Universitas Kristen Satya Wacana

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31358/techne.v25i1.656

Abstract

Prediksi konsumsi energi listrik yang akurat sangat penting untuk perencanaan jaringan dan efisiensi pasokan. Penelitian ini membandingkan empat pendekatan, yaitu Deep Feedforward Neural Network (DFFNN), DFFNN dengan Genetic Algorithm (GA), DFFNN dengan Grey Wolf Optimizer (GWO), serta Long Short-Term Memory (LSTM), menggunakan teknik Sliding Window Cross-Validation (SWCV). Tiga skenario evaluasi dilakukan: tanpa SWCV (2015-2018 latih, 2019 uji), SWCV mode 1 (2015-2017 latih, 2018 uji), dan SWCV mode 2 (2016-2018 latih, 2019 uji). Hasil menunjukkan bahwa DFFNN-GWO unggul dalam efisiensi, rata-rata hanya membutuhkan <1.000 iterasi untuk konvergen dengan MSE terbaik mencapai 6.0×10E-5 dan akurasi uji hingga 0,94-0,99. LSTM menunjukkan kestabilan temporal dengan akurasi uji konsisten di atas 0,90, meskipun MSE stagnan di kisaran 0,047. DFFNN-GA menghasilkan prediksi sangat akurat pada beberapa run (AE ? 0,00), tetapi performanya fluktuatif dengan iterasi tinggi hingga >50.000. Sementara itu, DFFNN standar berfungsi sebagai baseline dengan MSE rata-rata ~1.0×10??, namun membutuhkan iterasi 10.000-25.000 untuk stabil. Analisis ketiga skenario menegaskan bahwa kedekatan temporal data latih dengan data uji (seperti pada SWCV mode 2) meningkatkan generalisasi semua model. Secara keseluruhan, kombinasi optimisasi metaheuristik dan validasi temporal terbukti meningkatkan akurasi dan efisiensi prediksi konsumsi energi listrik, dengan GWO menonjol pada efisiensi dan LSTM pada kestabilan jangka panjang.
Co-Authors Ahmad Ridho’i Junico Dwi Yussarianto Muhammad Alif Sofi Syariffudin Reza Sarwo Widagdo