Deteksi dan Klasifikasi Gangguan pada Saluran Transmisi berbasis Transformasi

1

Deteksi dan Klasifikasi Gangguan pada Saluran Transmisi berbasis Transformasi Wavelet dan Klasifikasi Naive Bayes Muhammad Rajavalens, Dimas Anton Asfani, dan I Made Yulistya Negara Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya 60111 E-mail: [email protected], [email protected], [email protected] Abstrak — Penelitian ini menggunakan metode kombinasi Transformasi Wavelet dan Klasifikasi Naive Bayes untuk mendeteksi dan mengklasifikasikan jenis gangguan pada saluran transmisi. Sinyal arus gangguan ditransformasikan ke dalam bentuk wavelet sehingga menghasilkan koefisien dengan pola tertentu sesuai dengan jenis gangguan yang terjadi.. Koefisien hasil transformasi wavelet tersebut kemudian divariasikan menjadi beberapa variabel. Variabel hasil variasi tersebut kemudian diklasifikasikan menggunakan Klasifikasi Naive Bayes untuk mendeteksi dan menentukan jenis gangguan yang terjadi. Tiga jenis mother wavelet yang digunakan dalam Tugas Akhir ini adalah Daubechies-5 (Db5), Daubechies-8 (Db8), dan Coiflet-5 (Coif5). Setiap mother wavelet menghasilkan koefisien yang berbeda namun memiliki kesamaan pola untuk algoritma penentuan klasifikasi yang digunakan. Tingkat akurasi klasifikasi paling tinggi didapatkan dengan menggunakan koefisien dari mother wavelet tipe Daubechies-5 (Db5) level ke 5 dengan tingkat akurasi sebesar 97.09% menggunakan distribusi normal, dan 99.78% menggunakan distribusi kernel. Kata Kunci — deteksi gangguan, klasifikasi gangguan, saluran transmisi, transformasi wavelet, klasifikasi naive bayes

S

I. PENDAHULUAN

aluran transmisi adalah komponen yang sangat penting dalam sistem tenaga listrik. Saluran transmisi harus mampu menjamin ketersediaan energi listrik secara kontinu pada setiap beban yang terhubung dengan sistem. Sebagian besar gangguan dalam sistem tenaga listrik terjadi pada saluran transmisi [1]. Gangguan pada saluran transmisi dapat menghambat kontinuitas penyaluran energi listrik. Oleh karena itu, gangguan tersebut perlu dideteksi, diklasifikasikan,dan diperbaiki secepat mungkin. Dalam proteksi saluran transmisi, deteksi dan klasifikasi gangguan adalah dua hal penting yang perlu ditangani dengan andal dan akurat. Salah satu gangguan yang paling sering terjadi adalah gangguan hubung singkat. Gangguan ini tidak dapat dihilangkan keberadaannya. Untuk itu diperlukan penanganan secepat mungkin untuk menghindari akibat lanjutan dari gangguan tersebut. Untuk dapat menangani dengan baik, maka jenis gangguan harus dapat diketahui dengan akurat. Sebagian besar algoritma jarak pada sistem tenaga, langkah pertama selalu melibatkan deteksi gangguan dan langkah berikutnya melibatkan klasifikasi gangguan. Informasi tersebut diperlukan dalam algoritma penentuan jarak. Sebagian besar algoritma untuk deteksi dan klasifikasi gangguan pada saluran

transmisi yang menggunakan wavelet multi resolution analysis (MRA) didasarkan pada pengukuran dan pembandingan variasi yang tajam pada nilai arus ketiga fasa pada level pertama sinyal detail yang di dekomposisi dari sinyal asli [2]. Penjumlahan koefisien dievaluasi selama kondisi gangguan untuk deteksi dan klasifikasi gangguan. Pada [3], menjelaskan algoritma untuk deteksi dan klasifikasi menggunakan mother wavelet Daubechies-4 (Db4) pada level 3 sudah cukup baik. Penelitian ini menggunakan mother wavelet sampai dekomposisi level 5 untuk algoritma deteksi dan klasifikasi. Dalam penelitian ini juga dilakukan suatu simulasi yang berbeda, dimana resistansi gangguan akan di-set dengan nilai yang besar (11 kΩ) sehingga gejolak kenaikan arus yang terjadi akibat gangguan hubung singkat akan sangat kecil. Kenaikan yang sangat kecil ini pada dasarnya akan terlihat seperti sinyal pada operasi normal. Penelitian ini menggunakan metode Transformasi Wavelet dan Klasifikasi Naive Bayes untuk mendeteksi dan mengklasifikasikan jenis gangguan hubung singkat pada saluran transmisi. Sinyal arus gangguan ditransformasikan ke dalam bentuk wavelet sehingga menghasilkan koefisien dengan pola tertentu sesuai dengan jenis gangguan yang terjadi. Koefisien tersebut kemudian divariasikan menjadi beberapa variabel, kemudian diklasifikasikan menggunakan Klasifikasi Naive Bayes untuk menentukan jenis gangguan yang terjadi. II. METODE KLASIFIKASI GANGGUAN Teori-teori dasar yang digunakan dalam pengerjaan penelitian ini diantaranya adalah teori tentang gangguan hubung singkat dan jenis-jenisnya, teori tentang transformasi wavelet dan wavelet apa saja yang akan digunakan, dan teori tentang klasifikasi Naive Bayes.. A.

Gangguan hubung singkat Dalam operasi sistem tenaga listrik, dapat terjadi gangguangangguan yang mengakibatkan terganggunya penyaluran tenaga listrik. Gangguan pada saluran transmisi terjadi sekitar 85% s/d 87% dari seluruh gangguan yang terjadi pada sistem tenaga listrik [1]. Gangguan adalah penghalang dari suatu sistem yang sedang beroperasi atau suatu keadaan dari sistem penyaluran tenaga listrik yang menyimpang dari kondisi normal [4]. Sebagian besar gangguan yang sering terjadi adalah gangguan hubung singkat. Gangguan hubung singkat adalah gangguan yang terjadi karena adanya kesalahan antara bagianbagian yang bertegangan.

2 Gangguan dapat diklasifikasikan menjadi beberapa jenis yaitu gangguan satu fasa ke tanah (LG), gangguan dua fasa (LL), gangguan dua fasa ke tanah (LLG), gangguan tiga fasa (LLL), dan gangguan tiga fasa ke tanah(LLLG). Gangguan tiga fasa dan gangguan tiga fasa ke tanah merupakan jenis gangguan symmetrical fault. Sedangkan gangguan satu fasa ke tanah, gangguan dua fasa, gangguan dua fasa ke tanah merupakan jenis gangguan unsymmetrical fault. B.

Transfomasi Wavelet Transformasi wavelet dibagi menjadi dua jenis, yaitu transformasi wavelet kontinu dan transformasi wavelet diskrit [5]. Dengan memberikan fungsi suatu gelombang f(t), transformasi wavelet kontinu (continuous wavelet transform/CWT) menghasilkan terlalu banyak koefisien transformasi wavelet (wavelet transform Coefesien/WTC). Hal ini menyebabkan data yang dihasilkan menjadi berlebihan (redudansi) [6]. Dan masalah redudansi data ini dapat diselesaikan dengan pemakaian transformasi wavelet diskrit (Discrete Wavelet Transform/DWT). Pada DWT, hanya beberapa sampel WTC saja yang diambil. Artinya, DWT mengurangi kelebihan WTC dari CWT. Gambar 1 menunjukkan diagram dekomposisi dari DWT yang berdasarkan algoritma Mallat. Sinyal input dibagi ke dalam dua sub-sinyal dengan bagian frekuensi rendah l(n) dan frekuensi tinggi h(n). Sub-sinyal bagian frekuensi rendah di bagi lagi menjadi dua sub dengan frekuensi yang berbeda. Proses ini terjadi berulang ulang sesuai dengan jumlah level transformasi wavelet yang digunakan. h (n)

↓2

detail

x(n)

h (n) l (n)

↓2

detail

↓2

ca1

l (n)

↓2

h (n)

↓2

l (n)

↓2

detail

ca2

-0.017 0.128 0.0004 -0.284 -0.015 0.585 0.675 0.312 0.054] (3) Hf (Db8) = [-0.054 0.312 -0.675 0.585 0.015 -0.284 -0.0004 0.128 0.017 -0.044 -0.013 0.008 0.004 -0.0003 0.0006 -0.0001] (4) Lf (Coif5) = [-9.51x10-08 -1.67x10-07 2.06x10-06 3.73x10-06 2.13x10-05 -4.13x10-05 0.0001 0.0003 -0.0006 0.001 0.002 0.006 0.009 -0.019 0.032 0.041 -0.105 -0.062 0.437 0.774 0.421 -0.052 -0.091 0.028 0.023 -0.010 -0.004 0.002 0.0003 -0.0002] (5) Hf (Coif5) = [0.0002 0.0003 -0.002 -0.004 0.010 0.023 -0.028 0.091 0.052 0.421 -0.774 0.437 0.062 -0.105 0.041 0.032 0.019 -0.009 -0.006 0.002 0.001 0.0006 -0.0003 0.0001 4.13x10-05 -2.13x10-05 3.73x10-06 2.06x10-06 -1.67x10-07 9.51x10-08] (6) C.

Klasifikasi Naive Bayes [7] Klasifikasi-klasifikasi Bayes adalah klasifikasi statistik yang dapat memprediksi kelas suatu anggota probabilitas. Untuk klasifikasi Bayes sederhana yang lebih dikenal dengan Klasifikasi Naive Bayes, dapat diasumsikan bahwa efek dari suatu nilai atribut sebuah kelas yang diberikan adalah bebas dari atribut-atribut lain. Asumsi ini disebut class conditional independence yang dibuat untuk memudahkan perhitunganperhitungan. Dalam Naive Bayes diasumsikan prediksi atribut adalah tidak tergantung pada kelas atau tidak dipengaruhi atribut lain. Diberikan set data dengan banyak atribut, maka akan sangat sulit dalam perhitungan komputasinya. Untuk meringankan masalah ini adalah umum untuk membuat asumsi bahwa setiap dua koordinat dokumen adalah vektor, bila dilihat sebagai variabel acak, secara statistik independen satu sama lain, ini adalah asumsi tidak tergantung yang dapat dinyatakan dengan persamaan sebagai berikut :

...

Gambar 1. Diagram dekomposisi DWT

𝑃(d|c𝑗 ) = ∏𝑚 𝑘=1 𝑃(𝑤𝑘 |𝑐𝑗 )

(7)

Daubechies merupakan salah satu jenis mother wavelet yang paling terkenal dalam penelitian wavelet. Filter daubechies (db) memiliki orde N (N bilangan positif integer). Memiliki support width sepanjang 2N-1. Panjang filternya 2N. Coiflet di desain untuk menghasilkan nilai tren menyerupai dengan nilai sinyal original. Semua jenis wavelet Coiflet didefinisikan dengan cara yang sama. Filter coiflet (Coif) memiliki Orde N (N = 1, 2, 3, 4, 5). Memiliki support width sepanjang 6N-1. Panjang filternya 6N. Koefisien filter low-pass (Lf) dan High-pass (Hf) dari tiga mother wavelet yang digunakan dalam penelitian ini dapat dilihat pada Persamaan 1-6.

Dimana m adalah jumlah data, w dalam koleksi data. Klasifikasi probabilitas yang menggunakan asumsi ini disebut klasifikasi Naive Bayes dan sebagian besar perhitungan menggunakan pendekatan probabilitas untuk mengklasifikasikan data. Algoritma klasifikasi Naive Bayes adalah menghitung terlebih dahulu probabilitas dari setiap term yang terjadi pada data training, kemudian mengkombinasikan probabilitas terkait dengan data yang ditemukan pada data test untuk mengklasifikasikan dan memperkirakan bahwa kemungkinan dokumen ini termasuk kelas-kelas yang berbeda. Akhirnya akan memberikan tanda pada data test ke kelas dengan nilai probabilitas yang tinggi.

Lf(Db5) = [0.003 -0.012 -0.006 0.077 -0.032 -0.242 0.138 0.724 0.603 0.160] (1)

III. MODEL SALURAN TRANSMISI

Hf(Db5) = [-0.160 0.603 -0.724 0.138 0.242 -0.032 -0.077 -0.006 0.012 0.003] (2) Lf (Db8) = [-0.0001 0.0006 -0.0003 -0.004 0.008 0.013 -0.044

Penelitian ini menggunakan model saluran transmisi 500kV dengan panjang saluran 250 km. Parameter saluran yang dipakai untuk pemodelan adalah parameter dari saluran yang menghubungkan bus Surabaya Barat (Blok Timur) dan bus Unggaran (blok barat) dalam sistem transmisi listrik Jamali.

3

Arus Send

Arus Send

3000

5000 Fasa a Fasa b Fasa c

2000 Current (Ampere)

Current (Ampere)

0

1000 0 -1000 -2000

-5000 0

0.02

0.04

0.06

0.08

-3000 0

0.1

0.02

(a)

Arus Send

500 0 -500

1000 Fasa a Fasa b Fasa c

-500

0.02

0.04

0.06

0.08

-1000 0

0.1

0.02

0

-500

-1000 0

0.04

0.06

0.08

-1000 0

0.1

0.02

Time (Second)

1000

0.1

0.08

0.1

500 Current (Ampere)

Current (Ampere)

0.08

Arus Send

500

0

-500

-1000 0

0.06

(b)

Arus Send

1000

0.04

Time (Second)

(a)

0

-500

0.02

0.04

0.06

Time (Second)

0.08

0.1

-1000 0

0.06

Time (Second)

Fault Inception Angel (FIA) merupakan sudut awal terjadinya gangguan. Semakin besar FIA maka semakin mundur waktu mulai terjadinya gangguan. Untuk perbedaan bentuk arus berdasarkan Fault Inception Angle (FIA) pada ganggau satu fasa ke tanah, resistansi gangguan 95 Ω, dan jarak 250km, dapat dilihat pada Gambar 5. Arus Send

Arus Send

1000

1500 Fasa a Fasa b Fasa c

1000 Current (Ampere)

500

0

500 0 -500

-500 -1000 -1000 0

0.02

0.04

0.06

0.08

-1500 0

0.1

0.02

Time (Second)

0.04

(a)

0.08

0.1

0.08

0.1

(b)

Arus Send

Arus Send

1000

0.06

Time (Second)

1000

500 Current (Ampere)

500

0

0

-500

-500

-1000 0

-1000 0

0.02

0.04

0.06

0.08

0.1

0.02

0.04

0.06

Time (Second)

(d) (c) Gambar 5. Perbedaan bentuk arus berdasar Fault Inception Angle (a) Fault Inception Angel 0o (b) Fault Inception Angel 60o (c) Fault Inception Angel 120o (d) Fault Inception Angel 180o

0

-500

0.02

0.04

(c) (d) Gambar 4. Perbedaan bentuk arus berdasar jarak gangguan (a) Jarak 0.0001km (b) Jarak 100 km (c) Jarak 200 km (d) jarak 250 km

Time (Second)

500 Current (Ampere)

Current (Ampere)

500

0.1

0

-1000

Arus Send

1000

0.08

Arus Send

500

Current (Ampere)

Simulasi Hubung Singkat Simulasi hubung singkat pada saluran transmisi ini mensimulasikan beberapa kondisi pada saluran transmisi, yaitu keadaan pada saat saluran normal dan juga pada saat terjadi gangguan hubung singkat. Untuk kondisi saat saluran normal, disimulasikan sebanyak 110 kondisi dengan arus antara 450A sampai 500A. Sedangkan pada saat terjadi hubung singkat yang disimulasikan meliputi beberapa kondisi dan parameter berbeda. Jenis gangguan yang disimulasikan yaitu gangguan hubung singkat satu fasa ke tanah (a-g), hubung singkat antar fasa (a-b), hubung singkat dua fasa ke tanah (a-b-g), hubung singkat tiga fasa ke tanah (a-b-c-g). Simulasi yang dilakukan juga memiliki parameter-parameter seperti jarak gangguan (sepanjang 250 kilometer dengan interval 25 kilometer), Fault Inception Angle (0o-180o dengan interval 20o), Resistansi gangguan (0.001 Ω, 35 Ω, 65 Ω, 95 Ω, 8000 Ω, 9000 Ω, 10000 Ω, 11000 Ω)

0.1

1000

Current (Ampere)

A.

0.08

1000

Time (Second)

IV. SIMULASI DAN ANALISIS

0.06

(b)

Arus Send

1500

-1500 0

Proses pengerjaan dalam penelitian ini adalah simulasi hubung singkat, transformasi sinyal gangguan ke dalam bentuk wavelet, lalu diklasifikasikan dengan Klasifikasi Naive Bayes.

0.04

Time (Second)

Time (Second)

Current (Ampere)

Untuk wilayah timur, parameter sumber tiga fasa yang di gunakan adalah Vrms 489000 volt, sudut fasa A 11,868, frekuensi 50 Hz, koneksi internal Yg, short circuit level 3 fasa 38623,6 MVA, base voltage 500000 Vrms ph-ph, rasio X/R 28, dan tipe bus swing. Sedangkan Untuk wilayah barat, parameter yang di gunakan adalah Vrms 467000 volt, sudut fasa A 6,108, frekuensi 50 Hz, koneksi internal Yg, short circuit level 3 fasa 18878,8 MVA, base voltage 500000 Vrms ph-ph, rasio X/R 12, dan tipe bus swing. Parameter saluran yang digunakan adalah frekuensi 50 Hz, resistansi urutan positif dan urutan 0 [r1, r0] 0,0293 dan 0,3864 Ω/km, induktansi urutan positif dan nol [l1, l0] 0,896x10-3 dan 4,1264 x10-3 H/km, kapasitansi urutan positif dan nol [c1, c0] 12,74 x10-9 dan 7,751 x10-9 F/km, dan panjang saluran 250 km.

Current (Ampere)

Gambar 2. Model saluran transmisi Ungaran – Surabaya Barat

Jarak gangguan juga berpengaruh pada besarnya lonjakan arus gangguan. Dari hasil simulasi menunjukkan semakin jauh lokasi gangguan hubung singkat, maka semakin kecil arus gangguan yang terdeteksi. Perbedaan bentuk arus berdasarkan jarak gangguan pada gangguan hubung singkat satu fasa ke tanah, resistansi gangguan 95Ω dan FIA 0o ditunjukkan pada Gambar 4.

0.02

0.04

0.06

Time (Second)

(c) (d) Gambar 3. Perbedaan bentuk arus saat berbagai kondisi gangguan (a) Hubung singkat a-g (b) Hubung singkat a-b (c) Hubung singkat a-b-g (d) Hubung singkat a-b-c-g

Nilai Resistansi gangguan (Rf) sangat berpengaruh pada lonjakan arus gangguan yang terjadi. Semakin besar nilai Rf maka semakin kecil pula lonjakan arus gangguan yang terjadi. Semakin kecil arus gangguan, maka semakin sulit juga untuk dideteksi. Pada Gambar 6 (e), 6 (f), 6 (g), 6 (h), adalah simulasi gangguan hubung singkat dengan resistansi tinggi (High Resistance). Hal ini menyebabkan lonjakan arus gangguan yang terjadi sangat kecil sehingga terlihat seperti sinyal normal. Perbedaan arus berdasarkan pada nilai resistansi gangguan (Rf) untuk gangguan hubung singkat satu fasa ke tanah, FIA 0o, dan

4 jarak 250 km dapat dilihat pada Gambar 6. Dan perbandingannya dapat dilihat pada Tabel 1. Dari hasil simulasi hubung singkat diambil sampel arus dengan frekuensi sampel 20kHz sepanjang 0.1 detik. Sehingga didapatkan 5 cycle arus dengan jumlah 2000 sampel pada setiap sinyal yang disimulasikan. Sampel arus kemudian di filter dengan 3 mother wavelet yang berbeda. Arus Send

Arus Send

8000

2000

Fasa a Fasa b Fasa c

6000

x 10

Fasa a 1 0 -1 0 20

500

1000

1500

2000

2500

d1 0

-20 0 50

200

400

600

800

1000

1200 d2

0 1000

-50

Current (Ampere)

4000

Current (Ampere)

5

2

2000 0

0

-100 0 200

100

200

300

400

500

600

d3

-1000

-2000

100

-4000 0

0.02

0.04

0.06

0.08

-2000 0

0.1

0.02

0.04

0.06

Time (Second)

Time (Second)

(a)

Arus Send

0.1

(b)

Arus Send

1500

0.08

1000

0 -100 0

50

100

150

200

250

300

1000 d4

1000 500 Current (Ampere)

Current (Ampere)

500 0 -500

0

0

-1000 0 5000

20

40

60

80

100

120

140 d5

-500 -1000

0 -1500 0

0.02

0.04

0.06

0.08

0.1

-1000 0

0.02

Time (Second)

0.04

(c)

Current (Ampere)

Current (Ampere)

0.02

0.04

0.06

0.08

-500 0

0.1

0.02

0.04

Arus Send

Current (Ampere)

Current (Ampere)

0.06

Time (Second)

(e)

0

0.04

0.06

Time (Second)

(g)

0.08

0.1

0.08

0.1

0.08

0.1

(f)

500

0

-500 0

0.02

0.04

0.06

Time (Second)

(h)

Gambar 6. Perbedaan bentuk arus berdasar resistansi gangguan (a) Rf = 0.001 Ω (b) Rf = 35 Ω (c) Rf = 65 Ω (d) Rf = 95 Ω (e) Rf = 8000 Ω (f) Rf = 9000 Ω (g) Rf = 10000 Ω (h) Rf = 11000Ω

Rf 0 35 65 95 8000 9000 10000 11000

B.

10

20

30

40

50

60

70

Gambar 7. Hasil dekomposisi sinyal 5 level menggunakan filter Db5

Time (Second)

500

0.02

-5000 0

0

Arus Send

-500 0

0.1

Arus Send

500

0

-500 0

0.08

(d)

Arus Send

500

0.06

Time (Second)

Tabel 1. Perbandingan nilai lonjakan arus gangguan Arus gangguan Arus gangguan Arus terendah tertinggi Normal (A) (A) Lonjakan (A) Lonjakan 450 6240 1286.00% 115400 25544.00% 450 1560 246.00% 11070 2360.00% 450 1080 140.00% 6200 1278.00% 450 900 100.00% 4420 882.00% 450 457 1.56% 507 12.60% 450 457 1.56% 501 11.33% 450 456 1.33% 496 10.22% 450 456 1.33% 492 9.33%

Simulasi Transformasi Wavelet Simulasi transformasi wavelet menggunakan tiga macam mother wavelet yaitu Daubechies-5 (db5), Daubechies-8 (db8), dan Coiflets-5 (Coif5). Sinyal arus fasa yang didapatkan dari proses simulasi ditransformasikan ke dalam bentuk wavelet menggunakan 3 filter yang berbeda sebanyak lima level dekomposisi sehingga mendapatkan detail sinyal wavelet d1 untuk level 1, d2 untuk level 2, d3 untuk level 3, d4 untuk level 4, dan d5 untuk level 5. Sinyal detail hasil dekomposisi tiap level dapat dilihat pada Gambar 7.

80

Dari Gambar 7 terlihat bahwa pada saat sampel ke 2/5 dari total sampel detail sinyal wavelet yang telah didekomposisi, terjadi lonjakan koefisien yang tajam. Hal ini dikarenakan tipe mother wavelet Db5 yang mendeteksi perbedaan arus gangguan dari arus normal. Setiap perbedaan nilai arus yang terjadi diluar sifat karakteristik sinyal, maka perbedaan arus tersebut yang akan menghasilkan nilai koefisien detail wavelet yang tinggi. Sedangkan nilai arus yang normal akan memiliki koefisien 0. Dari setiap level, sinyal yang telah ditransformasikan dijumlahkan sepanjang 3 cycle, lalu hasil penjumlahan tersebut dijadikan koefisien S sehingga akan didapatkan 3 koefisien yaitu Sa untuk fasa a, Sb untuk fasa b dan Sc untuk fasa c. Persamaan yang digunakan dalam penentuan koefisien S pada setiap level adalah : 1200 𝑛

(8)

2 𝑆𝑛 = ∑𝑖=1 𝑥(𝑖)

Dimana n adalah level dekomposisi dari sinyal dan i adalah bilangan bulat. 1200 adalah jumlah sampel dari 3 cycle sinyal asli. Input Data Sinyal

Koefisien S

Dekomposisi sinyal dengan high pass filter dan low pass filter

Penjumlahan 3 Cycle detail koefisien Wavelet tiap level

Transformasi Wavelet berdasarkan fungsi skala dan waktu

Rekonstruksi sinyal pada setiap level dekomposisi

Gambar 8. Flowchart simulasi Transformasi Wavelet

5 D.

Tabel 2. Pola dasar dari penjumlahan output sinyal detail wavelet

Koefesien Wavelet Tiap Fasa

Kondisi Saluran Transmisi

Sa

Sb

Sc

Normal

Kecil

Kecil

Kecil

Gangguan 1 Fasa ke Tanah

Besar

Sedang

Sedang

Gangguan 2 Fasa

Besar

Besar

Kecil

Gangguan 2 Fasa ke Tanah

Besar

Besar

Sedang

Gangguan 3 Fasa ke Tanah

Besar

Besar

Besar

Koefisien yang didapat kemudian divariasikan menjadi beberapa variabel untuk melihat karakteristik pola variabel dari masing-masing tipe gangguan. Variabel yang dibentuk yaitu SumSaSbSc (Penjumlahan Sa, Sb, dan Sc), SumSaSb (Penjumlahan Sa dan Sb), SumSaSc (Penjumlahan Sa dan Sc), SumSbSc (Penjumlahan Sb dan Sc), |Sa|-|Sb| (Pengurangan nilai absolut Sa dan Sb), |Sa|-|Sc| (Pengurangan nilai absolut Sa dan Sc), dan |Sb|-|Sc| (Pengurangan nilai absolut Sb dan Sc). Variabel-variabel tersebut yang nantinya akan dijadikan fitur dalam klasifikasi menggunakan Naive Bayes. SumSaSbSc =0

Tidak

Tabel 3. Pengambilan sampel data

Ya

|Sa|-|Sc| = 0

sumSaSc = 0

|Sb|-|Sc| = 0

sumSbSc = 0 Ya

Tidak

Tidak

L-L Fault

L-L-G Fault

L-G Fault

Kondisi

sumSaSb = 0

|Sa|-|Sb| = 0

Ya

L-L-L-G Fault

Gambar 9. Algoritma Diagnosa Gangguan

Algoritma pada Gambar 9 menunjukkan pola-pola variasi yang terbentuk dari masing-masing gangguan berdasarkan hasil simulasi dan analisis [3]. Gambar 10 memperlihatkan pengaruh Fault Inception Angle terhadap koefisien mutlak Sa, Sb, Sc, dan SumSaSbSc tegangan. Sampel data gangguan satu fasa ke tanah, diambil dari jarak 0 km, resistansi gangguan 0 Ω dan pada level ke 5. 6000

1000

Coif5 Db5 Db8

4000

800 Koefisien Sb

Koefisien Sa

5000

3000 2000

400

0

5

25

45

65 85 105 125 145 Fault Inception Angle

165 180

1000

5000

800

4000 Koefisien Sc

Koefisien Sc

600

600 400 200 0

Data Training Jumlah Filter data

Normal

99

Gangguan 1 Fasa ke Tanah

792

Gangguan 2 Fasa

792

Gangguan 2 Fasa ke Tanah Gangguan 3 Fasa ke Tanah

Data Test Jumlah Filter data 11 88

Db5, Db8, Coif5 (level 1-5)

792

88 88

792

Total

Db5, Db8, Coif5 (level 1-5)

88

3267

15

363

15

Hasil tes validasi menunjukkan, untuk distribusi normal, hasil terbaik didapatkan dengan menggunakan koefisien dari mother wavelet Db5 level 5. Jika menggunakan koefisien dari dua mother wavelet lainnya pada level 5 menunjukaan tingkat akurasi yang tidak berbeda jauh. Untuk distribusi kernel, hasil terbaik juga didapatkan dengan menggunakan koefisien dari mother wavelet Db5 pada level 5. Hal ini dikarenakan mother wavelet Db5 level 5 menghasilkan koefisien yang cukup besar dan terdistribusi lebih padat untuk setiap variabel, sehingga tingkat akurasi klasifikasi menjadi lebih tinggi.

200

1000 0

Klasifikasi Menggunakan Naive Bayes Klasifikasi Naive Bayesian akan digunakan untuk mengklasifikasikan tipe-tipe gangguan yang terjadi berdasarkan fitur-fitur yang telah dijelaskan sebelumnya. Dalam klasifikasi ini, digunakan dua tipe distribusi, yaitu distribusi normal dan distribusi kernel. Setiap level dekomposisi dari transformasi wavelet dengan mother wavelet yang berbeda akan diambil 90% dari jumlah data untuk menjadi data training, dan 10% akan digunakan untuk data test. Semua data merupakan hasil dari filter wavelet Db5, Db8, Coif5 pada level dekomposisi 1-5. Total terdapat 3630 data untuk setiap levelnya. Sebanyak 3267 data digunakan untuk data training dan 363 data digunakan untuk data test. Setelah melakukan training sistem untuk setiap jenis mother wavelet pada setiap level , sistem training tersebut yang digunakan untuk menguji keakuratan data test. Namun sebelum itu dilakukan pengujian terhadap sistem training itu sendiri (validasi). Simulasi dikondisikan pada lima kondisi, kondisi pertama adalah saat saluran normal (kelas 0), kedua adalah saat gangguan satu fasa ke tanah (kelas 1), ketiga adalah gangguan hubung singkat dua fasa (kelas 2), keempat adalah gangguan hubung singkat dua fasa ke tanah (kelas 3) dan kelima adalah gangguan hubung singkat tiga fasa ke tanah (kelas 4).

5

25

45

65 85 105 125 145 Fault Inception Angle

165 180

Tipe Wavelet

2000

25

45

65 85 105 125 145 Fault Inception Angle

165 180

0

5

25

45

65 85 105 125 145 Fault Inception Angle

165 180

Gambar 10. Pengaruh Fault inception Angle terhadap nilai absolut koefisien S

Akurasi setiap Level filter (%) 1

2

3

4

5

Db5

71.75

86.41

85.22

94.09

97.09

Db8

71.69

92.41

84.96

96.11

96.97

Coif5

57.64

86.23

86.13

93.69

96.48

3000

1000

5

Tabel 4. Akurasi validasi Data Training Distribusi Normal

6 Tabel 5. Akurasi validasi Data Training Distribusi Kernel Tipe Wavelet

Akurasi setiap Level filter (%) 1

2

3

4

5

Db5

98.75

97.49

98.29

98.32

99.78

Db8

98.93

97.46

98.65

98.56

99.36

Coif5

92.29

96.27

98.62

98.75

99.39

Input

Setelah melakukan validasi untuk data training, dilakukan pengujian dengan sejumlah data Test untuk mengetahui hasil Training yang telah dilakukan. Hasil pengklasifikasian menggunakan data test dapat dilihat pada Tabel 6 dan 7.

menggunakan tipe mother wavelet Db5 pada level 5 dengan distribusi kernel dapat dilihat pada Tabel 8. kelas 0 untuk kondisi normal, kelas 1 untuk gangguan LG, kelas 2 untuk gangguan LL, kelas 3 untuk gangguan LLG, dan kelas 4 untuk gangguan LLLG.

Tabel 6. Akurasi Klasifikasi Data Test Distribusi Normal Tipe Wavelet

Akurasi kelas 100.00% 99.37% 100.00% 99.75% 100.00%

V. KESIMPULAN

Akurasi setiap Level filter (%) 1

2

3

4

5

Db5

73.55

87.88

83.20

94.21

100

Db8

73.00

93.11

83.20

95.87

100

Coif5

55.10

84.85

87.88

93.98

98.90

Tabel 7. Akurasi Klasifikasi Data Test Distribusi Kernel

Tipe Wavelet

Kelas 0 1 2 3 4

Tabel 8. Positive Predictive Value Distribusi Kernel Output 0 1 2 3 4 99 0 0 0 0 0 787 5 0 0 0 0 792 0 0 0 1 1 790 0 0 0 0 0 792

Akurasi setiap Level filter (%) 1

2

3

4

5

Db5

97.25

93.39

99.17

98.35

100

Db8

96.14

98.90

98.90

99.45

100

Coif5

82.09

98.35

98.35

99.17

100

Data hasil dari tabel di atas menunjukkan semakin baik akurasi validasi, semakin baik pula akurasi data test yang dihasilkan. Tetapi untuk distribusi kernel tidak demikian, dikarenakan untuk distribusi kernel jika terdapat data Test yang bernilai di batas terluar dari data Training, maka data tersebut tidak dapat di klasifikasikan. Hal itu dikarenakan distribusi kernel menghasilkan Probability Density Function (PDF) yang sangat mendekati bentuk distribusi data aslinya. Dari seluruh simulasi klasifikasi yang telah dilakukan, klasifikasi dengan menggunakan koefisien dari mother wavelet Db5 pada level 5 dan tipe distribusi kernel menunjukkan tingkat akurasi yang paling baik. Untuk validasi klasifikasi mencapai tingkat akurasi 99.78%. Berarti dalam pengklasifikasian 3267 data training, hanya 7 data yang gagal diklasifikasikan dengan benar. Hal itu terjadi pada 5 data dengan tipe gangguan satu fasa ke tanah, dimana untuk variabel sumSaSbSc dari data tersebut bernilai sangat kecil (<10-2). Pola variabel tersebut lebih mendekati dengan pola variabel untuk gangguan dua fasa, sehingga data tersebut salah diklasifikasi. Kesalahan juga terjadi pada 1 data dengan tipe gangguan dua fasa ke tanah, dimana untuk variabel |Sb|-|Sc| data tersebut bernilai sangat kecil (<10-1), sehingga pola tersebut lebih mendekati dengan pola gangguan satu fasa ke tanah. Juga pada 1 data dengan variabel sumSaSbSc dari data tersebut bernilai sangat kecil (<10-2), sehingga pola tersebut lebih mendekati dengan pola gangguan dua fasa. Detail hasil validasi klasifikasi

Berdasarkan hasil yang didapatkan dari simulasi dan analisis pada penelitian ini, dapat diambil beberapa kesimpulan diantaranya adalah kondisi yang dapat dideteksi dan diklasifikasikan menggunakan metode Wavelet Transform dan Bayesian Classifier adalah kondisi normal dan kondisi gangguan hubung singkat. Metode ini mampu mendeteksi dan mengklasifikasikan jenis gangguan hubung singkat pada saluran transmisi dengan resistansi gangguan yang tinggi (High Impedance). Penggunaan estimasi distribusi tipe kernel lebih baik dari tipe normal, karena pada tipe kernel mampu mengestimasi Probability Distribution Function (PDF) dari keragaman data dengan lebih mendekati bentuk distribusi data aslinya. Jenis filter yang memiliki nilai akurasi paling tinggi adalah Db5 pada level kelima dengan nilai akurasi 97,09% menggunakan distribusi normal dan 99.78% dengan menggunakan distribusi kernel. Hal ini dikarenakan tipe mother wavelet Db5 level 5 mampu mendeteksi kondisi transien arus gangguan dan menghasilkan koefisien detail sinyal yang lebih besar dibanding yang lainnya. Metode deteksi dan klasifikasi pada penelitian ini sudah cukup baik, akan lebih baik lagi jika disertakan penentuan lokasi gangguan. DAFTAR PUSTAKA [1] [2] [3] [4] [5] [6]

[7]

M. Mirzaei, M.Z. A Ab Kadir, E. Moazami, H. Hizam "Review of Fault Location Methods for Distribution Power System". Australian Journal of Basic and Applied Sciences , 3(3): 2670-2676, 2009 ISSN 1991-8178 Liang J, Elangovan S, Devotta JBX. “A wavelet multiresolution analysis approach to fault detection and classification in transmission lines”. Electr Power Energ Sys 1998;20 (5):327–32. M. Jayabharata Reddy, D.K. Mohanta “A wavelet-fuzzy combined approach for classification and location of transmission line faults” Electrical Power and Energy Systems 29 (2007) 669–678 Daman Suswanto, 2009 “Sistem Distribusi Tenaga Listrik” James S. Walker “A Primer on WAVELETS and Their Scientific Applications” second edition 2008 pp41 Dimas Anton A, Adi Soeprijanto, Mauridhi Heri P, “Klasifikasi Gangguan Hubung Singkat pada Saluran Transmisi yang Dikompensasi Seri Menggunakan Kombinasi Wavelet dan ANFIS”. Seminar Nasional Efisiensi dan Konservasi Energi FISERGI, Semarang, 12 Desember 2005, hal. B158-B165 Aritz Pérez *, Pedro Larrañaga, Iñaki Inza “Bayesian classifiers based on kernel density estimation: Flexible classifiers” International Journal of Approximate Reasoning 50 (2009) 341–362

7