Article Per Year (5 Year)
p-Index From 2021 - 2026
2.766
P-Index
This Author published in this journals
All Journal Jurnal Teknik Elektro Dimensi Teknik Elektro Teknik dan Ilmu Komputer Techne : Jurnal Ilmiah Elektroteknika SinarFe7 Jurnal Dimensi Insinyur Profesional Jurnal Teknik Elektro: Ilmu dan Teknologi
Setiadji, Julius Sentosa
Universitas Kristen Petra, Surabaya
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Energy Engineering Industrial & Manufacturing Engineering

Published : 32 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 32 Documents
Search

 1   2   3   4 
PENGGUNAAN MACHINE LEARNING UNTUK MEMPREDIKSI PARAMETER YANG MEMPENGARUHI PENYIMPANGAN IMPEDANSI DALAM PROSES PEMBUATAN TRANSFORMATOR DI PT. X Yegia Joehan Eltan; Julius Sentosa Setiadji; Indar Sugiarto
Jurnal Teknik Elektro Vol. 18 No. 2 (2025): September 2025
Publisher : Institute of Research and Community Outreach

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.9744/jte.18.2.%p

Abstract

PT. X menghadapi tantangan dalam menjaga kualitas produk transformator distribusi terkait nilai impedansi, yang dipengaruhi oleh tahanan resistif dan reaktansi induktif dari dimensi koil saat beroperasi penuh. Penelitian ini bertujuan untuk memprediksi parameter dimensi koil yang mempengaruhi penyimpangan impedansi dalam proses manufaktur transformator. Menggunakan dataset internal PT. X yang mencakup ratusan data dimensi koil dan penyimpangan impedansi, dilakukan pelatihan serta analisis dengan menggunakan algoritma ECLAT (Equivalence Class Transformation) untuk menemukan aturan asosiasi antara parameter dimensi koil dan penyimpangan impedansi. XAI (explainable artificial intelligence) SHAP (Shapley Additive exPlanations) digunakan untuk mengungkap pengaruh parameter koil terhadap penyimpangan impedansi dengan model machine learning XGBoost. Hasil penelitian menunjukkan bahwa parameter seperti diameter luar HV (High Voltage), panjang diameter luar HV, panjang diameter luar LV (Low Voltage), dan tinggi diameter dalam LV memiliki pengaruh signifikan terhadap penyimpangan impedansi. Selain itu, aplikasi website menghasilkan rekomendasi untuk memodifikasi parameter dimensi koil dengan mempertimbangkan batasan pengaruh elektrikal seperti panjang kawat, luas koil, radius koil, tinggi koil, dan ketebalan lapisan insulasi.
PENGGUNAAN MACHINE LEARNING UNTUK MEMPREDIKSI PENYIMPANGAN IMPEDANSI DALAM PROSES PEMBUATAN TRANSFORMATOR DI PT. X Kelvin Wilson Utomo; Julius Sentosa Setiadji; Indar Sugiarto
Jurnal Teknik Elektro Vol. 19 No. 1 (2026): Maret 2026
Publisher : Institute of Research and Community Outreach

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.9744/jte.19.1.%p

Abstract

X menghadapi tantangan dalam menjaga mutu dan kualitas produk transformator distribusi tipe oil, khususnya terkait dengan nilai impedansi. Hasil pengujian menunjukkan adanya deviasi positif dan negatif dari nilai garansi yang diperhitungkan selama desain. Nilai impedansi, yang dipengaruhi oleh tahanan resistif dan reaktansi belitan transformator, secara langsung berkaitan dengan dimensi koil transformator. Penelitian ini membuat pemodelan machine learning yang akan digunakan untuk memprediksi nilai impedansi dan hasil prediksi nilai impedansi tersebut dioptimalkan menggunakan metode feature selection dan hyperparameter tuning. Dengan memanfaatkan machine learning, diharapkan proses training data dapat dilakukan lebih cepat dan efisien untuk memprediksi nilai impedansi berdasarkan dimensi koil. Pemodelan machine learning dilakukan menggunakan beberapa algoritma machine learning seperti XGBoost, Random Forest, Adaboost, dan Multiple Linear Regression. Hasil pelatihan model machine learning berhasil memprediksi nilai impedansi berdasarkan input berupa data dimensi koil transformator. Hasil pengujian juga menunjukkan bahwa algoritma XGBoost memberikan akurasi prediksi tertinggi, diikuti oleh Random Forest, Adaboost, dan Multiple Linear Regression. Selain itu, melalui proses hyperparameter tuning, set parameter yang optimal berhasil ditemukan untuk meningkatkan kinerja model. Tahap terakhir penelitian ini melibatkan pembuatan aplikasi website menggunakan framework Streamlit, yang memungkinkan pengguna untuk melakukan prediksi nilai impedansi transformator berdasarkan input data dimensi koil, serta menganalisis hasil prediksi tersebut.
Co-Authors Albert Richardo Bing Arbi Darmawan Gontani Ashari, Rahmat Hanif Benny Augusta S. Daniel Rohi Edbert Ryan Kantonno Emmy Hosea Emmy Hosea Gary, Christopher Handry Khoswanto Hanny Hosiana Tumbelaka Henie Arief Rahmawatie Hudaya, Ronny Gondo Indar Sugiarto Istiono, Yoga Jonathan Teng Kelvin Wilson Utomo Kosasi, Hary Kurniawan Kuswara Kuswara, Kuswara Lesmana, Aditya Lazuardi Limanto, James Ontoseno Penangsang Prasetyo, Johan Rayden Lauwirya Soegiarto Raynaldo Gunandhie Resmana Lim Rusli Kongdoro Ryandityo, Stephanus Samuel Marco Gunawan Samuel Marco Gunawan Santosa, Angelina Tjandra Seran, Markus Dupri Stephanus A. Ananda Stephanus Ryandityo Tabrani Machmudsyah Tjahyana, Angela Jasmine Tanya Waldy Sucipto Winardi , Eka Yanuar Isnanto Yegia Joehan Eltan Yohanes Cipta Wijaya3 Yusak Tanoto