Sistem prediksi beban rendah pada transformator daya berbasis Ensemble Machine Learning dengan Hybrid Feature Selection

Fadhali, Ahmad (2026) Sistem prediksi beban rendah pada transformator daya berbasis Ensemble Machine Learning dengan Hybrid Feature Selection. Sarjana thesis, UIN Sunan Gunung Djati Bandung.

Preview	Text (COVER) 1_cover.pdf Download (157kB) | Preview
Preview	Text (ABSTRAK) 2_abstrak.pdf Download (215kB) | Preview
Preview	Text (SK BEBAS PLAGIARISM) 3_skbebasplagiarism.pdf Download (1MB) | Preview
Preview	Text (DAFTAR ISI) 4_daftarisi.pdf Download (183kB) | Preview
Preview	Text (BAB 1) 5_bab1.pdf Download (376kB) | Preview
	Text (BAB 2) 6_bab2.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text (BAB 3) 7_bab3.pdf Restricted to Registered users only Download (271kB) | Request a copy
	Text (BAB 4) 8_bab4.pdf Restricted to Registered users only Download (4MB) | Request a copy
	Text (BAB 5) 9_bab5.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text (BAB 6) 10_bab6.pdf Restricted to Registered users only Download (206kB) | Request a copy
	Text (DAFTAR PUSTAKA) 11_daftarpustaka.pdf Restricted to Registered users only Download (182kB) | Request a copy
	Text (LAMPIRAN) 12_lampiran.pdf Restricted to Repository staff only Download (368kB) | Request a copy

Abstract

Pentingnya prediksi beban transformator daya dalam sistem tenaga listrik, khususnya pada kondisi beban rendah yang dapat berpotensi menyebabkan overvoltage dan menurunkan keandalan peralatan, menjadi dasar dalam penelitian ini. Penelitian ini bertujuan untuk mengembangkan sistem prediksi beban transformator daya jangka pendek (1–24 jam) berbasis ensemble machine learning dengan pendekatan hybrid feature selection pada Transformator Unit 2 PLTP Kamojang. Dataset yang digunakan berupa data historis operasional sebanyak 2111 data dengan interval pencatatan 1 jam, yang terdiri dari 9 variabel utama. Data dibagi menjadi 80% data latih dan 20% data uji, serta divalidasi menggunakan metode 10-fold cross-validation. Model yang digunakan meliputi Random Forest (RF), XGBoost (XGB), dan Extra Trees (ET), dengan evaluasi menggunakan metrik Mean Absolute Error (MAE) dan Root Mean Squared Error (RMSE). Hasil penelitian menunjukkan bahwa model Extra Trees memiliki performa terbaik dengan nilai MAE sebesar 0.320 dan RMSE sebesar 0.833, dibandingkan dengan Random Forest (MAE 0.331; RMSE 0.926) dan XGBoost (MAE 0.310; RMSE 0.905). Sistem kemudian diimplementasikan dalam bentuk dashboard interaktif berbasis Streamlit sebagai visualisasi dan simulasi prediksi beban secara langsung. Berdasarkan hasil dan analisis, diperoleh kesimpulan bahwa metode ensemble machine learning dengan hybrid feature selection mampu meningkatkan akurasi dan kestabilan prediksi beban transformator daya serta dapat digunakan sebagai langkah pengambilan keputusan operasional dalam sistem tenaga listrik.

Actions (login required)

View Item