Article Per Year (5 Year)
p-Index From 2021 - 2026
0.92
P-Index
This Author published in this journals
All Journal Voteteknika (Vocational Teknik Elektronika dan Informatika) Jurnal Informatika dan Teknik Elektro Terapan 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

Published : 5 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 5 Documents
Search

 1 
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.
Co-Authors Junico Dwi Yussarianto