ANALISIS GANGGUAN ARUS LISTRIK PADA GARDU INDUK MENGGUNAKAN K-MEANS CLUSTERING (Studi kasus : PT PLN Persero)

Abstract

ABSTRAK

Gangguan arus listrik yang terjadi pada gardu induk PT. PLN (Persero) wilayah Tangerang, Banten disebabkan adanya trafo yang telah mencapai beban tinggi. Tetapi data beban trafo belum dimanfaatkan secara optimal. Oleh karena itu penelitian yang dilakukan ini bertujuan untuk melakukan pengelompokkan data beban trafo dengan menggunakan metode algoritma K-Means Clustering. Terdapat tiga cluster yang digunakan, dimana masing-masing cluster terdiri dari beban tinggi, sedang, rendah serta menggunakan 3 variasi waktu dalam sehari yaitu siang pada pukul 11.00 sampai 14.00, sore pada pukul 15.00 sampai 18.00, dan malam pada pukul 19.00 sampai 23.00. Hasil clustering didapatkan pada cluster 1 berisi 97 trafo memiliki beban tinggi karena pelanggan industri mendominasi pada cluster ini, cluster 2 berisi 106 trafo dan cluster 3 berisi 97 trafo. Dengan kategori pelanggan pada tiap cluster industri, bisnis, dan rumah. Sehingga hasil ini membantu area pemeliharaan untuk mengantisipasi kerusakan pada trafo dengan melakukan pemeliharaan, perpindahan sistem atau penambahan trafo.

Kata kunci : Data Beban, Trafo, K-Means, Clustering, PT PLN Persero

ABSTRACT

Disruption of electric current that occurs at the substation PT. PLN (Persero) Tangerang area, Banten is caused by a transformer that has reached the high load. But the transformer load data has not been utilized optimally. Therefore the research conducted aims to group transformer load data using the K-Means Clustering algorithm method. There are three clusters used, where each cluster consists of high, medium, low loads and uses 3 time variations in a day, namely 11.00 to 14.00, afternoon at 3:00 p.m. to 6:00 p.m., and 7:00 p.m. to 11:00 p.m. The clustering results obtained in cluster 1 containing 97 transformers have a high load because industrial customers dominate in this cluster, cluster 2 contains 106 transformers and cluster 3 contains 97 transformers. With customer categories in each industry, business and home cluster. So that these results help the maintenance area to anticipate damage to the transformer by carrying out maintenance, transferring the systems or adding a transformer.

Keywords: Data on Load, Transformer, K-Means, Clustering, PT PLN Persero