<![CDATA[PT PLN (Persero) adalah BUMN yang bergerak di bidang ketenagalistrikan, dengan tugas memberikan pelayanan terbaik kepada pelanggan di seluruh Indonesia. Untuk menjaga kinerja keandalan distribusi, PLN mengukur kinerja menggunakan KPI seperti SAIDI, SAIFI, ENS, Gangguan Penyulang 20 kV, Kubikel, dan Trafo. Dalam upaya mengurangi gangguan pada Trafo Distribusi, PLN menerapkan pemeliharaan prediktif berbasis kondisi (Condition Based Maintenance/CBM). Namun, Predictive Maintenance yang diterapkan saat ini belum cukup efektif karena belum menggunakan alat ukur canggih, database inspeksi tidak dimanfaatkan dengan baik, dan pengambilan keputusan belum berbasis pendekatan ilmiah. Penelitian ini menggunakan Machine Learning untuk Predictive Maintenance Trafo Distribusi, dengan pemodelan Unsupervised Learning menggunakan K-Means Clustering untuk mengelompokkan aset trafo berdasarkan indikator kesehatannya. Hasil cluster ini digunakan untuk melatih model Supervised Learning dengan metode XGBoost, menghasilkan prediksi akurat terkait pemeliharaan trafo. Variabel input dalam penelitian ini meliputi usia trafo, suhu, pembebanan, dan ketidakseimbangan beban trafo. Dari pengolahan data 2709 Trafo, diperoleh klasifikasi tingkat keandalan dalam 4 kelas: Trafo Sehat (46,99%), Beban Tinggi dan Rawan Gangguan (30,53%), Tua dan Rawan Gangguan (17,53%), serta Trafo Losses (4,95%). Model ini memiliki akurasi 97%, precision 92-97%, dan recall 95-98%, dengan efisiensi biaya 80,88%.]]>
Copyrights © 2025
