<![CDATA[Dissolved Gas Analysis (DGA) merupakan metode untuk mengidentifikasi jenis kegagalan pada transformator dengan menilai jumlah gas yang terkandung pada minyak isolasi transformator. DGA memiliki beberapa metode dalam menganalisis dan mengidentifikasi jenis kegagalan berdasarkan jenis gas yang terlarut. Tetapi, dalam jumlah data yang besar metode ini menjadi sulit dan memerlukan keahlian dalam mendeteksi kegagalan secara grafis. Penelitian ini bertujuan untuk meningkatkan akurasi diagnostik kegagalan transformator dengan mengimplementasikan serta membandingkan algoritma K-Nearest Neighbors (KNN) dengan algoritma Artificial Neural Network (ANN) pada setiap metode konvensional DGA yaitu Roger Ratio, Duval Triangle, Four Gases dan Duval pentagon dalam mengklasifikasikan jenis kegagalan. Sebanyak 822 sampel dataset digunakan untuk melatih dan memvalidasi model yang digunakan. Berdasarkan hasil penelitian diagnosis kegagalan transformator menunjukan bahwa metode grafis memberikan hasil yang paling efektif dalam mendiagnosis jenis kegagalan transformator dibandingkan dengan metode rasio. Selain itu penggunaan algoritma KNN memberikan hasil yang lebih baik dibandingkan dengan algoritma ANN dalam meningkatkan akurasi diagnostik dengan memperoleh akurasi tertinggi sebesar 98% pada duval triangle.]]>
Copyrights © 2025
