Zulfan Helmi Primary Author mixed material bibliography Banda Aceh Fakultas Teknik 2026

Theses

ABSTRAK Jaringan distribusi tenaga listrik 20 kV sangat krusial dalam menjaga kontinuitas energi bagi pelanggan, namun sering terganggu oleh masalah seperti hubung singkat dan ketidakseimbangan beban. Metode deteksi konvensional berbasis relay arus lebih memiliki kelemahan pada sensitivitas rendah terhadap dinamika beban serta potensi kesalahan deteksi (false alarm). Penelitian ini bertujuan merancang model deteksi gangguan yang lebih akurat dan andal menggunakan algoritma Support Vector Machine (SVM). Fokus kajian meliputi identifikasi parameter sistem yang paling relevan serta pengembangan model klasifikasi untuk membedakan kondisi normal dan abnormal. Metode yang digunakan melibatkan penggunaan algoritma SVM dengan kernel Radial Basis Function (RBF) yang dioptimasi untuk menangani data non-linier kompleks pada sistem tenaga. Dataset penelitian merupakan gabungan data operasional dari Feeder Gardu Induk (PMT) dan Recloser (REC) tahun 2024-2025 untuk meningkatkan kemampuan generalisasi model. Selain itu, teknik Explainable AI (XAI) melalui SHapley Additive Explanations (SHAP) diterapkan untuk memberikan transparansi pada keputusan model. Hasil pengujian menunjukkan bahwa model SVM berhasil mencapai tingkat akurasi sebesar 92,06% dengan nilai recall di atas 0,92. Analisis SHAP mengungkap bahwa Arus Netral (IN) merupakan parameter paling dominan dalam penentuan klasifikasi gangguan. Penggunaan SVM dengan integrasi data multi-titik dan XAI terbukti efektif, stabil, dan konsisten dengan hukum fisika kelistrikan dalam membedakan gangguan tanah (GFR) dan gangguan fasa (OCR). Model ini layak diaplikasikan sebagai sistem pendukung keputusan untuk meningkatkan keandalan jaringan distribusi. Kata kunci: Sistem distribusi 20 kV, deteksi, gangguan, machine learning, Support Vector Machine (SVM). 0 ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala 1710299 2026-01-23 16:33:02 2026-01-23 16:46:27 machine generated