Electronic Theses and Dissertation

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).

ABSTRACT The 20 kV electric power distribution network is crucial for maintaining energy continuity for customers; however, it is frequently disrupted by issues such as short circuits and load imbalances. Conventional detection methods based on overcurrent relays have weaknesses, including low sensitivity to load dynamics and the potential for false alarms. This research aims to design a more accurate and reliable fault detection model using the Support Vector Machine (SVM) algorithm. The focus of the study includes identifying the most relevant system parameters and developing a classification model to distinguish between normal and abnormal conditions. The method involves utilizing the SVM algorithm with a Radial Basis Function (RBF) kernel, optimized to handle complex non-linear data in power systems. The research dataset is a combination of operational data from Substation Feeders (PMT) and Reclosers (REC) from 2024-2025 to enhance the model's generalization capability. Additionally, Explainable AI (XAI) techniques through SHapley Additive Explanations (SHAP) are applied to provide transparency in the model's decisions. The test results show that the SVM model successfully achieved an accuracy rate of 92.06% with a recall value above 0.92. SHAP analysis reveals that Neutral Current (IN) is the most dominant parameter in determining fault classification. The use of SVM with multi-point data integration and XAI has proven to be effective, stable, and consistent with the physical laws of electricity in distinguishing between ground faults (GFR) and phase faults (OCR). This model is suitable for application as a decision support system to improve the reliability of distribution networks. Keywords: 20 kV distribution system, fault detection, machine learning, Support Vector Machine (SVM).