Implementasi preprocessing Akima Interpolation pada model Long Short Term Memory untuk klasifikasi gangguan tenaga listrik berdasarkan data Disturbance Fault Recorder (DFR)

Febriansyah, Ryan Rachmadha (2025) Implementasi preprocessing Akima Interpolation pada model Long Short Term Memory untuk klasifikasi gangguan tenaga listrik berdasarkan data Disturbance Fault Recorder (DFR). Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text 1_cover.pdf Download (210kB) | Preview
Preview	Text 2_abstrak.pdf Download (244kB) | Preview
Preview	Text 3_skbebasplagiarism.pdf Download (82kB) | Preview
Preview	Text 4_daftarisi.pdf Download (215kB) | Preview
Preview	Text 5_bab1.pdf Download (302kB) | Preview
	Text 6_bab2.pdf Restricted to Registered users only Download (465kB) | Request a copy
	Text 7_bab3.pdf Restricted to Registered users only Download (324kB) | Request a copy
	Text 8_bab4.pdf Restricted to Registered users only Download (388kB) | Request a copy
	Text 9_bab5.pdf Restricted to Registered users only Download (720kB) | Request a copy
	Text 10_bab6.pdf Restricted to Registered users only Download (236kB) | Request a copy
	Text 11_daftarpustaka.pdf Restricted to Registered users only Download (210kB) | Request a copy
	Text 12_lampiran.pdf Restricted to Repository staff only Download (2MB) | Request a copy

Abstract

Analisis gangguan pada sistem tenaga listrik merupakan elemen penting dalam menjaga keandalan pasokan energi listrik. Disturbance Fault Recorder (DFR) menyediakan data rekaman gangguan, namun data mentah ini sering kali mengandung noise dan ketidakteraturan yang dapat menurunkan akurasi. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi sebuah model yang menggunakan preprocessing Akima Interpolation pada model Long Short-Term Memory (LSTM) untuk meningkatkan akurasi klasifikasi gangguan listrik. Metode penelitian melibatkan pra-pemrosesan data DFR menggunakan Akima Interpolation untuk menghaluskan sinyal dan mengatasi data yang hilang. Kinerja model ini dibandingkan dengan model LSTM standar yang tidak menggunakan pra-pemrosesan. Hasil pengujian menunjukkan bahwa model Akima-LSTM memiliki performa yang lebih unggul dengan mencapai tingkat akurasi sebesar 96,67%, presisi 100%, dan recall 93,35% pada data uji. Keunggulan ini sangat signifikan dibandingkan dengan model LSTM standar yang kinerjanya kurang stabil. Penelitian ini menyimpulkan bahwa tahapan pra-pemrosesan merupakan langkah penting yang secara efektif meningkatkan kualitas data, sehingga model LSTM dapat bekerja secara optimal.

Actions (login required)

View Item