Klasifikasi Keandalan Sistem Distrbusi Tenaga Listrik di PT. PLN (PERSERO) UP3 Surabaya Selatan Menggunakan Metode Single Perceptron

Giovanni Dimas Prenata(1),
(1) Universitas 17 Agustus 1945 Surabaya  Indonesia

Corresponding Author


DOI : https://doi.org/10.24036/voteteknika.v12i1.125589

Full Text:    Language : id

Abstract


Kehandalan sistem distribusi tenaga listrik merupakah hal yang sangat penting bagi PLN. Dengan tingkat kehandalan yang tinggi maka PLN bisa memastikan energi listrik tersalurkan dengan baik kepada pelanggan. Tingkat kehandalan yang tinggi merupakan jaminan bagi pelanggan untuk mendapatkan energi listrik. Beberapa peneliti mengukur kehandalan menggunakan nilai SAIDI (System Average Interruption Duration Index) dan SAIFI (System Average Interruption Frequency Index). Selain itu ada juga yang menggunakan metode FMEA (Failure Modes and Effects Analysis). Pada penelitian ini, peneliti melakukan klasifikasi kehandalan berdasarkan standar SPLN 59-1985 menggunakan metode artificial neuron network single perceptron. Peneliti menggunakan 3 neuron sebagai inputan yaitu nilai SAIDI, nilai SAIFI dan bias. Data training yang dipergunakan adalah data nilai SAIDI dan nilai SAIFI selama 10 bulan ditahun 2021. Aplikasi neuron neuron network single perceptron dibuat menggunakan bahasa C++ dengan learning rate 0,1, dan signal sigmoid sebagai aktivasinya. Sehingga didapat nilai pembobotan untuk 3 neuron yaitu -3.95772 (W[0]), 1.15408 (W[1]) dan 1.45799 (W[2]) dalam 6 kali training untuk mengklasifikasikan tingkat kehandalan.

Kata kunci: SAIDI, SAIFI dan artificial neuron network single perceptron.

 

The reliability of the electric power distribution system is very important for PLN. With a high level of reliability, PLN can ensure that electrical energy is properly distributed to customers. A high level of reliability is a guarantee for customers to get electrical energy. Some researchers measure reliability using SAIDI (System Average Interruption Duration Index) and SAIFI (System Average Interruption Frequency Index) values. In addition there are also those who use the FMEA (Failure Modes and Effects Analysis) method. In this study, researchers conducted a reliability classification based on the SPLN 59-1985 standard using the artificial neuron network single perceptron method. Researchers used 3 neurons as input, namely the SAIDI value, SAIFI value and bias. The training data used is data on SAIDI values and SAIFI values for 10 months in 2021. The single perceptron neuron neuron network application is made using C++ language with a learning rate of 0.1, and a sigmoid signal as its activation. So that the obtained weighting values for 3 neurons are -3.95772 (W[0]), 1.15408 (W[1]) and 1.45799 (W[2]) in 6 times of training to classify the level of reliability.

Keywords: SAIDI, SAIFI and artificial neuron network single perceptron.


References


J. D. Haryantho and H. H. Tumbelaka, “Analisa Keandalan Sistem Kelistrikan Di Daerah Pelayanan P.T. PLN (Persero) Area Timika Berbasis SAIDI SAIFI,” J. Tek. Elektro, vol. 10, no. 2, pp. 71–74, 2017, doi: 10.9744/jte.10.2.71-74.

D. Wahyudi, “Evaluasi Keandalan Sistem Distribusi Tenaga Listrik Berdasarkan SAIDI Dan SAIFI Pada PT. PLN (Persero) Rayon Kakap,” J. Tek. Elektro, vol. 1, no. 8, pp. 1–7, 2016.

A. Fatoni, “Analisa Keandalan Sistem Distribusi 20 kV PT.PLN Rayon Lumajang dengan Metode FMEA (Failure Modes and Effects Analysis),” J. Tek. ITS, vol. 5, no. 2, pp. 462–467, 2017, doi: 10.12962/j23373539.v5i2.16150.

D. L. Rura, L. S. Patras, and S. Silimang, “Evaluasi Keandalan Sistem Distribusi Menggunakan Indeks Saifi Dan Saidi Pada Pt.Pln (Persero) Area Bitung,” 2014.

J. Husna and Z. Pelawi, “Menentukan Indeks Saidi Dan Saifi Pada Saluran Udara Tegangan Menengah Di PT. PLN Wilayah Nad Cabang Langsa,” Bul. Utama Tek., vol. 14, no. 1, pp. 13–17, 2018, [Online]. Available: http://123dok.com

D. Agung Riansa, Widodo, and B. Prasetya Adhi, “Pengenalan Tanda Tangan Menggunakan Algoritma Single Layer Perceptron,” PINTER J. Pendidik. Tek. Inform. dan Komput., vol. 3, no. 1, pp. 1–6, 2019, doi: 10.21009/pinter.3.1.1.

Y. Pangaribuan and M. Sagala, “Menerapkan Jaringan Saraf Tiruan untuk Mengenali Pola Huruf Menggunakan Metode Perceptron,” J. Tek. Inform. UNIKA St. Thomas, vol. 2, no. 479, pp. 53–59, 2017, [Online]. Available: http://103.76.21.184/index.php/JTIUST/article/view/191

Y. U. Budiman, “Identifikasi Kata Benda dan Bukan Kata Benda Menggunakan,” vol. 1, no. 5, pp. 759–768, 2022.

M. Y. Pratama and R. Chrisnanto, Y H Ilyas, “Prediksi Penjualan dan Bahan Baku Produksi Menggunakan Single Perceptron di PT. Gorila Indonesia Muda,” Pros. Semin. Rekayasa Teknol. Inf., no. November, pp. 219–221, 2018.

Shedriko, “Single Layer Perceptron Dengan Backpropagation Dalam Memprediksi Kelulusan Mahasiswa Pada Mata Kuliah PTI Di Universitas XYZ,” Semin. Nas. Ris. dan Inov. Teknol. (SEMNAS RISTEK), pp. 821–826, 2021.

U. L. Negara, “SPLN 59 : 1985 Keandalan Sistem Distribusi,” 1985.

M. A. Hall, E. Frank, G. Holmes, B. Pfahringer, P. Reutemann, and I. H. Witten, “The WEKA data mining software: an update,” SIGKDD Explor., vol. 11, no. 1, pp. 10–18, 2009, doi: 10.1145/1656274.1656278.


Article Metrics

 Abstract Views : 139 times
 PDF (Bahasa Indonesia) Downloaded : 36 times

Refbacks

  • There are currently no refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.