Klasifikasi kondisi isolator di saluran transmisi 150 KV menggunakan Convolutional Neural Network

Prasetio, Muhammad Munziat (2026) Klasifikasi kondisi isolator di saluran transmisi 150 KV menggunakan Convolutional Neural Network. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (195kB) | Preview
Preview	Text (ABSTRAK) 2_abstrak.pdf Download (179kB) | Preview
Preview	Text (LEMBAR PERNYATAAN) 3_SURAT PERNYATAAN PLAGIARISME.pdf Download (71kB) | Preview
Preview	Text (DAFTAR ISI) 4_Daftar isi.pdf Download (277kB) | Preview
Preview	Text (BAB I) 5_Bab 1.pdf Download (267kB) | Preview
	Text (BAB II) 6_Bab 2.pdf Restricted to Registered users only Download (610kB)
	Text (BAB III) 7_Bab 3.pdf Restricted to Registered users only Download (239kB)
	Text (BAB IV) 8_Bab 4.pdf Restricted to Registered users only Download (5MB)
	Text (BAB V) 9_Bab 5.pdf Restricted to Registered users only Download (984kB)
	Text (BAB VI) 10_Bab 6.pdf Restricted to Registered users only Download (206kB)
	Text (DAFTAR PUSTAKA) 11_Daftar pustaka.pdf Restricted to Registered users only Download (196kB)
	Text (LAMPIRAN) 12_Lampiran.pdf Restricted to Repository staff only Download (120kB)

Abstract

Isolator merupakan komponen penting pada saluran transmisi yang berfungsi memisahkan penghantar dengan menara transmisi. Kerusakan akibat korosi maupun kontaminasi polutan dapat menurunkan keandalan sistem tenaga listrik dan meningkatkan risiko gangguan pada jaringan transmisi. Oleh karena itu, diperlukan metode inspeksi yang mampu mengidentifikasi kondisi isolator secara cepat dan akurat. Penelitian ini bertujuan merancang dan mengimplementasikan model klasifikasi kondisi isolator berbasis citra menggunakan Convolutional Neural Network (CNN) serta mengevaluasi kinerja model yang dikembangkan. Dataset yang digunakan terdiri atas enam kelas isolator, yaitu kaca bersih, kaca polutan, keramik bersih, keramik korosi, keramik korosi+polutan, dan keramik polutan. Citra isolator diperoleh melalui proses deteksi dan cropping setiap disc isolator menggunakan YOLOv11. Selanjutnya, citra diberikan augmentasi berupa horizontal flip dan rotasi untuk meningkatkan variasi data pelatihan. Model klasifikasi dikembangkan menggunakan pendekatan transfer learning dengan MobileNetV2 sebagai model dasar. Hasil pengujian menunjukkan bahwa model memperoleh nilai accuracy sebesar 94%, macro average precision sebesar 0,93, recall sebesar 0,94, dan F1-score sebesar 0,93. Selain itu, validasi ahli terhadap 27 sampel citra disc isolator menunjukkan tingkat kesesuaian sebesar 100% antara hasil prediksi model dan hasil identifikasi ahli. Model yang dikembangkan juga berhasil diimplementasikan ke dalam website menggunakan framework Gradio pada platform Hugging Face Spaces, sehingga dapat digunakan untuk melakukan klasifikasi kondisi isolator secara mudah. Hasil penelitian menunjukkan bahwa model CNN yang dikembangkan mampu mengklasifikasikan kondisi isolator dengan baik dan berpotensi mendukung proses inspeksi serta pemeliharaan saluran transmisi 150 kV.

Actions (login required)

View Item