<![CDATA[Di tengah tren peningkatan beban kelistrikan modern yang semakin dinamis, menjaga kontinuitas kinerja transformator dari risiko downtime menjadi tantangan strategi yang mutlak harus diatasi oleh penyedia layanan penyaluran energi. Untuk memitigasi tantangan strategi tersebut Dissolved Gas Analysis (DGA) diperlukan untuk melakukan pemantauan kondisi transformator. Penelitian ini bertujuan untuk mengembangkan model klasifikasi jenis gangguan transformator daya dengan Machine Learning (ML) algoritma Support Vector Machine (SVM) dengan kombinasi teknik reduksi dimensi Principal Component Analysis (PCA) untuk mengklasifikasi jenis kegagalan transformator dari data DGA. Hasil simulasi menunjukkan bahwa kombinasi metode tersebut dapat mencapai tingkat akurasi 98,75%, melampaui metode SVM murni yang berada pada tingkat akurasi 93,75%. Penerapan integrasi PCA-SVM secara signifikan meningkatkan keandalan sistem diagnosis terhadap noise, sehingga prospektif diterapkan sebagai sistem monitoring transformator daya di lapangan. Kata Kunci—DGA, PCA, SVM, Transformator Daya, Diagnosis Gangguan]]>
Copyrights © 2026
