<![CDATA[Kualitas daya listrik merupakan aspek krusial dalam sistem tenaga listrik modern, dimana gangguan seperti voltage sag, swell, harmonisa, flicker, dan interupsi dapat berdampak negatif pada peralatan elektronik dan efisiensi sistem. Penelitian ini bertujuan untuk mengembangkan metode identifikasi dan klasifikasi gangguan kualitas daya, khususnya voltage sag dan swell, secara otomatis dan akurat menggunakan kombinasi transformasi wavelet dan Radial Basis Function Neural Network (RBFNN). Sinyal gangguan kualitas daya disimulasikan menggunakan perangkat lunak MATLAB dengan parameter yang telah ditentukan. Fitur-fitur penting dari sinyal gangguan, berupa energi pada setiap level dekomposisi, diekstraksi melalui transformasi wavelet tipe Daubechies 4 (db4). Data energi hasil ekstraksi fitur ini kemudian digunakan sebagai masukan untuk melatih dan menguji jaringan RBFNN. Hasil pengujian menunjukkan bahwa model RBFNN yang diusulkan mampu mengklasifikasikan gangguan voltage sag dan swell dengan tingkat akurasi yang tinggi. Performa klasifikasi ini ditunjukkan dengan nilai Mean Squared Error (MSE) pada data pengujian yang sangat rendah, yaitu 0.000287131 untuk sag dan 0.00028714 untuk swell. Keberhasilan ini mengindikasikan bahwa pendekatan transformasi wavelet dan RBFNN merupakan metode yang efektif dan menjanjikan untuk identifikasi dan klasifikasi gangguan kualitas daya, dengan potensi aplikasi secara real-time. ]]>
