Giovanni Dimas Prenata
Universitas 17 Agustus 1945
ABSTRAK
Transformator daya merupakan komponen vital dalam sistem tenaga listrik, sehingga kestabilan suhunya sangat menentukan keandalan penyaluran energi. Kenaikan suhu berlebih yang tidak terdeteksi sejak dini dapat menyebabkan kerusakan isolasi, penurunan umur pakai, hingga gangguan sistem yang berakibat pada pemadaman luas. Namun, pemantauan suhu transformator umumnya masih dilakukan secara manual dengan thermo vision, yang membutuhkan mobilitas tinggi dari operator dan berpotensi menimbulkan keterlambatan dalam penanganan. Untuk menjawab permasalahan tersebut, penelitian ini merancang sistem deteksi dini suhu berlebih pada transformator 60 MVA berbasis kecerdasan buatan Single Perceptron dan Internet of Things (IoT). Sistem menggunakan kamera thermal AMG 8833 untuk memperoleh citra suhu secara real-time, yang kemudian diekstraksi menjadi fitur persentase warna merah dan non-merah. Data ini diklasifikasikan oleh Single Perceptron ke dalam kategori suhu aman atau berbahaya, lalu hasilnya dikirim otomatis kepada petugas melalui platform Telegram. Hasil klasifikasi menunjukkan akurasi 90% pada data latih dan 100% pada data uji (monitoring real-time), sehingga sistem terbukti efektif mengurangi mobilitas operator sekaligus meningkatkan kecepatan dan akurasi deteksi dini suhu transformator.
Kata Kunci: Single Perceptron, Arduino Uno R4 Wifi, AMG 8833, Transformator, Gambar Thermal, Telegram.
REFERENSI
[1] G. D. Prenata, “Klasifikasi keandalan sistem distrbusi tenaga listrik di PT. PLN (Persero) UP3 Surabaya Selatan menggunakan metode Single Perceptron", "Voteteknika (Vocational Teknik Elektronika dan Informatika)", vol. 12, no. 1, pp. 21–25, Mar. 2024, doi: 10.24036/voteteknika.v12i1.125589.
[2] G. D. Prenata, “Klasifikasi keandalan sistim distribusi tenaga listrik di PT. PLN (Persero) UP3 Surabaya Selatan menggunakan Support Vector Machine (SVM),” "Jurnal Teknik Elektro", vol. 16, no. 2, pp. 62–70, Sep. 2023, doi: 10.9744/jte.16.2.62-70.
[3] G. D. Prenata, “Klasifikasi keandalan sistim distrbusi tenaga listrik di PT. PLN (Persero) UP3 Surabaya Selatan menggunakan metode K-Nearest Neighbor (KNN),” "Jurnal Informatika dan Teknik Elektro Terapan", vol. 11, no. 3s1, pp. 938–942, Sep. 2023, doi: 10.23960/jitet.v11i3s1.3397.
[4] G. D. Prenata and N. A. Basyarach, “Prediksi impedansi rele menggunakan metode PSO sebagai validasi pengukuran rele,” "SinarFe7", vol. 6, no. 1, pp. 181–186, 2024.
[5] Y. U. Budiman, “Identifikasi kata benda dan bukan kata benda menggunakan Single Layer Perceptron Network,” "BULLET: Jurnal Multidisiplin Ilmu", vol. 1, no. 5, pp. 759–768, Oct.–Nov. 2022.
[6] Shedriko, “Single Layer Perceptron dengan Backpropagation dalam memprediksi kelulusan mahasiswa pada mata kuliah PTI di Universitas XYZ,” in "Proc. Seminar Nasional Riset dan Inovasi Teknologi (SEMNAS RISTEK)", vol. 5, no. 1, Jakarta, Indonesia, Jan. 2021, pp. 821–826.
[7] G. D. Prenata, A. Harja, and I. A. Wardah, “Temperature classification in high voltage electrical equipment using K-Nearest Neighbor,” "TESLA: Jurnal Teknik Elektro", vol. 27, no. 1, pp. 40–49, May 2025, doi: 10.24912/tesla.v27i1.33225.
[8] G. Asadollahfardi, “Artificial neural network,” in "Water Quality Management", SpringerBriefs in Water Science and Technology. Berlin, Heidelberg, Germany: Springer, 2015, pp. 77–91, doi: 10.1007/978-3-662-44725-3_5.
[9] A. L. Davila, “Neural networks: The backpropagation algorithm,” Math 400 Paper, College of William & Mary, Williamsburg, VA, USA, 2020.
[10] S. Haykin, "Neural Networks and Learning Machines", 3rd ed. Upper Saddle River, NJ, USA: Pearson, 2009.
[11] Arduino, "Arduino UNO R4 WiFi User Manual", SKU ABX00087. Turin, Italy: Arduino, 2023.
PUBLISHED
30-6-2026
ISSUE
Vol. 12 No. 2 (2026)
SECTION
Articles