Uji Kinerja Metode Deep Convolutional Neural Networks Untuk Identifikasi Gangguan Daya Listrik


Sunneng Sandino Berutu, S.Si.,M.Kom.,Ph.D. ,
2022 | Jurnal Publikasi | Informatika

Abstrak

Model berbasis deep convolutional neural networks (CNNs) untuk identifikasi sinyal gangguan listrik membutuhkan jumlah data yang besar, tetapi data riil untuk membangun model tersebut sangat sulit diperoleh sehingga beberapa peneliti menggunakan data buatan pada tahap pelatihan model. Data buatan diproduksi menggunakan fungsi matematika berstandar IEEE. Dalam standar tersebut, fungsi matematika untuk memproduksi sinyal gangguan listrik jenis interruption dan sag adalah sama, tetapi besaran nilai interval parameter intensitasnya (α) berbeda. Dalam artikel ini, penulis menganalisis kinerja model dalam mengidentifikasi ke dua jenis gangguan listrik tersebut. Dataset sinyal untuk pelatihan dan pengujian model diproduksi dengan mengatur nilai interval variabel α berdasarkan nilai batas maksimal α sinyal jenis Sag dan nilai batas minimal α jenis interruption. Pada data sinyal buatan disertakan beberapa level noise untuk memperoleh data sinyal mendekati data riil sehingga terdapat beberapa dataset noise dalam simulasi. Selanjutnya, dataset-dataset tersebut dilatih dengan model deep CNNs. Hasil pengujian menunjukkan bahwa nilai true positive (TP) model dalam mengidentifikasi pada sinyal gangguan jenis interruption sebesar 93,54% dan jenis sag sebesar 78,78%. Selain itu, model dengan dataset tidak bernoise memiliki kinerja lebih baik pada parameter accuracy, precision dan f1-score dengan masing-masing nilai 92,4%, 97,4% dan 92,76%.

Keyword : Power, Disturbance, Signal, Convolutional Neural Networks.,
Dokumen
1. Abstract
2. Jurnal Similarity Uji Kinerja Metode Deep Convolutional Neural Networks untuk Identifikasi Gangguan Daya Listrik
3. Jurnal Revisi Uji Kinerja Metode Deep Convolutional Neural Networks untuk Identifikasi Gangguan Daya Listrik
4. Peer Review