Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Indonesian Journal of Electronics and Instrumentation Systems
Pardede, Martin Raja Martogi
Unknown Affiliation
Electrical & Electronics Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Deteksi Partial Discharge dengan Metode CNN VGG16 Pardede, Martin Raja Martogi; Widodo, Triyogatama Wahyu
IJEIS (Indonesian Journal of Electronics and Instrumentation Systems) Vol 15, No 1 (2025): April
Publisher : IndoCEISS in colaboration with Universitas Gadjah Mada, Indonesia.

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.22146/ijeis.75709

Abstract

Partial discharge adalah peristiwa loncatan listrik pada bahan isolasi listrik yang menimbulkan kerusakan pada peralatan listrik. Untuk itu diperlukan suatu metode untuk mendeteksi peristiwa partial discharge. Salah satu metode yang dapat digunakan untuk deteksi partial discharge adalah metode CNN VGG16. CNN akan melakukan pemodelan dari analisa dataset gambar partial discharge VSB lalu menggunakannya untuk mengklasifikasikan data baru sebagai partial discharge atau tidak. Pada penelitian ini akan dianalisa bagaimana pengaruh parameter pemodelan dan pembagian dataset terhadap peforma. Penyesuaian parameter dilakukan dengan memvariasikan nilai learning rate, steps per epoch, dan validation steps untuk melihat nilai terbaik sehingga nantinya nilai terbaik yang akan digunakan. Pembagian dataset dilakukan dengan tiga variasi yaitu pembagian train, validasi, dan test pada dataset pertama dibagi rata, yang kedua didominankan ke train, dan yang ketiga jumlah data noPD terlebih dahulu dikurangi agar seimbang dengan PD kemudian data didominankan juga pada train. Berdasarkan penelitian, terbukti bahwa variasi dataset ketiga yang memiliki peforma terbaik dan menunjukkan bahwa CNN arsitektur VGG16 terbukti mampu untuk mengenali pola dari data sinyal partial discharge dan membuat model yang mampu mengklasifikasi data partial discharge atau tidak dengan akurasi train 95,70%, akurasi validasi 93,12% dan akurasi prediksi data test 92,50% juga dengan nilai MCC sebesar 0,75
Co-Authors Triyogatama Wahyu Widodo