PENGGUNAAN MACHINE LEARNING UNTUK MEMPREDIKSI PARAMETER YANG MEMPENGARUHI PENYIMPANGAN IMPEDANSI DALAM PROSES PEMBUATAN TRANSFORMATOR DI PT. X
DOI:
https://doi.org/10.9744/jte.18.2.%25pKeywords:
transformator, machine learning, impedansi, dimensi koil, ECLAT algorithm, XAI SHAP algorithmAbstract
PT. X menghadapi tantangan dalam menjaga kualitas produk transformator distribusi terkait nilai impedansi, yang dipengaruhi oleh tahanan resistif dan reaktansi induktif dari dimensi koil saat beroperasi penuh. Penelitian ini bertujuan untuk memprediksi parameter dimensi koil yang mempengaruhi penyimpangan impedansi dalam proses manufaktur transformator. Menggunakan dataset internal PT. X yang mencakup ratusan data dimensi koil dan penyimpangan impedansi, dilakukan pelatihan serta analisis dengan menggunakan algoritma ECLAT (Equivalence Class Transformation) untuk menemukan aturan asosiasi antara parameter dimensi koil dan penyimpangan impedansi. XAI (explainable artificial intelligence) SHAP (Shapley Additive exPlanations) digunakan untuk mengungkap pengaruh parameter koil terhadap penyimpangan impedansi dengan model machine learning XGBoost. Hasil penelitian menunjukkan bahwa parameter seperti diameter luar HV (High Voltage), panjang diameter luar HV, panjang diameter luar LV (Low Voltage), dan tinggi diameter dalam LV memiliki pengaruh signifikan terhadap penyimpangan impedansi. Selain itu, aplikasi website menghasilkan rekomendasi untuk memodifikasi parameter dimensi koil dengan mempertimbangkan batasan pengaruh elektrikal seperti panjang kawat, luas koil, radius koil, tinggi koil, dan ketebalan lapisan insulasi.
References
[1] Badan Standardisasi Nasional, SNI 0225-5-521: persyaratan umum instalasi listrik (PUIL) 2020 - bagian 5-521: pemilihan dan pemasangan peralatan listrik - transformator distribusi - persyaratan umum. Jakarta: Badan Standarisasi Nasional, 2020.
[2] International Electrotechnical Commission, IEC 60076-1: Power transformers. Part 1, General = Transformateurs de puissance. Partie 1, Généralités. International Electrotechnical Commission, 2011.
[3] Dawood, K., Isik, F., & Komurgoz, G. (2022). Analysis and optimization of leakage impedance in a transformer with additional winding: A numerical and experimental study. Alexandria Engineering Journal, 61(12), 11291–11300. https://doi.org/10.1016/j.aej.2022.05.014
[4] Zhang, T., Lu, J., Zhang, G., & Ding, Q. (2010). Fault diagnosis of transformer using association rule mining and knowledge base.
[5] Machlev, R., Heistrene, L., Perl, M., Levy, K. Y., Belikov, J., Mannor, S., & Levron, Y. (2022). Explainable artificial intelligence (XAI) techniques for energy and power systems: review, challenges and opportunities. In Energy and AI (Vol. 9). Elsevier B.V. https://doi.org/10.1016/j.egyai.2022.100169
[6] Del Vecchio, R. M., Poulin, B., Feghali, P. T., Shah, D. M., & Ahuja, R. (2018). Transformer Design Principles Third Edition.
[7] Tumbelaka, Hanny Hosiana (2023). TE4413: Mesin-Mesin Listrik - Materi Transformer [PDF]. Universitas Kristen Petra. https://cloud.lentera.petra.ac.id/
[8] McLyman, C. W. T. (2004). Transformer and inductor design handbook. Marcel Dekker.
[9] International Electrotechnical Commission, Power transformers-Part 5: Ability to withstand short circuit. 2006. [Online]. Available: www.iec.ch/searchpub
[10] Kaur, M., & Grag, U. (2015). Advanced eclat algorithm for frequent itemsets generation. International Journal of Computer System, 82–84. http://www.ripublication.com
[11] Marsland, S. (2015). Machine learning an algorithmic perspective (R. Herbrich & T. Graepel, Eds.; second).
[12] Kaur, M., & Grag, U. (2015). Advanced eclat algorithm for frequent itemsets generation. International Journal of Computer System, 82–84. http://www.ripublication.com
[13] Zhang, X., Tang, Y., Liu, Q., Liu, G., Ning, X., & Chen, J. (2021). A fault analysis method based on association rule mining for distribution terminal unit. Applied Sciences (Switzerland), 11(11). https://doi.org/10.3390/app11115221
[14] Lundberg, S., & Lee, S.-I. (2017). A Unified Approach to Interpreting Model Predictions. http://arxiv.org/abs/1705.07874
[15] Molnar, C. (2019). Interpretable machine learning a guide for making black box models explainable. http://leanpub.com/interpretable-machine-learning
