PREDIKSI NILAI PARAMETER PEMELIHARAAN TAHUNAN GENERATOR CIRCUIT BREAKER TYPE 20-SFWA-80 MENGGUNAKAN METODE EXPONENTIAL SMOOTHING DAN ARTIFICIAL NEURAL NETWORK

Aji Setiyawan, - (2023) PREDIKSI NILAI PARAMETER PEMELIHARAAN TAHUNAN GENERATOR CIRCUIT BREAKER TYPE 20-SFWA-80 MENGGUNAKAN METODE EXPONENTIAL SMOOTHING DAN ARTIFICIAL NEURAL NETWORK. S1 thesis, Universitas Pendidikan Indonesia.

Abstract

Pemeliharaan tahunan di pembangkit merupakan hal yang perlu dilakukan untuk
merawat, mencegah, dan memperbaiki peralatan dari kerusakan agar tetap andal. Namun,
untuk melakukan pemeliharaan tahunan memerlukan waktu dan biaya yang cukup besar.
Salah satu peralatan yang harus dijaga ialah Generator Circuit Breaker atau pemutus tenaga
generator. Hasil pemeliharaan tahunan 2022 menunjukkan bahwa terdapat beberapa
parameter pemeliharaan yang berada di atas nilai standar serta memiliki tren yang
cenderung memburuk. Tujuan dari penelitian ini ialah membandingkan metode untuk
memprediksi nilai parameter pemeliharaan tahunan Generator Circuit Breaker Type 20-
SFWA-80. Metode yang digunakan ialah exponential smoothing (ES), artificial neural
network (ANN), dan model regresi MATLAB. Penelitian dilakukan di PT PLN Indonesia
Power Saguling POMU (PLTA Saguling) dengan menggunakan data pemeliharaan tahunan
GCB sejak beberapa tahun ke belakang. Hasil penelitian menunjukkan bahwa metode ESANN memiliki akurasi yang lebih baik daripada model regresi MATLAB dengan nilai ratarata error pada keseluruhan parameter sebesar 1,06% berbanding dengan 11,92%. Hasil
forecasting menggunakan ANN hingga 2027 menunjukkan bahwa nilai tahanan kontak, uji
switch tekanan udara, dan persentase kebocoran udara pada air leakage test diprediksi akan
berada di atas nilai standar.

Annual inspection (maintenance) at power plants is necessary to maintain, prevent,
and repair equipment from damage to keep it reliable. However, to perform annual
inspection requires considerable time and cost. One of the equipment that must be
maintained is the Generator Circuit Breaker. The 2022 annual inspection results show that
there are several inspection parameters that are above the standard value and have a trend
that tends to worsen. The purpose of this study is to compare methods for predicting the
value of the annual inspection parameters of the Type 20-SFWA-80 Generator Circuit
Breaker. The methods used are exponential smoothing (ES), artificial neural network
(ANN), and MATLAB regression model. The research was conducted at PT PLN Indonesia
Power Saguling POMU (PLTA Saguling) using GCB annual inspection data from several
years back. The results show that the ES-ANN method has better accuracy than the
MATLAB regression model with an average error value on all parameters of 1.06%
compared to 11.92%. The forecasting results using ANN until 2027 show that the contact
resistance value, air pressure switch test, and air leakage percentage on the air leakage
test are predicted to be above the standard value

	Text S_TE_1906212_Title.pdf Download (478kB)
	Text S_TE_1906212_Chapter1.pdf Download (257kB)
	Text S_TE_1906212_Chapter2.pdf Restricted to Staf Perpustakaan Download (855kB)
	Text S_TE_1906212_Chapter3.pdf Download (1MB)
	Text S_TE_1906212_Chapter4.pdf Restricted to Staf Perpustakaan Download (763kB)
	Text S_TE_1906212_Chapter5.pdf Download (238kB)
	Text S_TE_1906212_Appendix.pdf Restricted to Staf Perpustakaan Download (725kB)

Item Type:	Thesis (S1)
Additional Information:	ID SINTA: 5993914 | ID SINTA: 5978996 |
Uncontrolled Keywords:	Prediksi, Pemeliharaan Tahunan, Forecasting, Annual Inspection (Maintenance), Generator Circuit Breaker (PMT), Exponential Smoothing (ES), Artificial Neural Network (ANN).
Subjects:	L Education > L Education (General) T Technology > T Technology (General) T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions:	Fakultas Pendidikan Teknik dan Industri > Jurusan Pendidikan Teknik Elektro > Program Studi Teknik Tenaga Elektrik
Depositing User:	Aji Setiyawan
Date Deposited:	11 Sep 2023 09:09
Last Modified:	11 Sep 2023 09:09
URI:	http://repository.upi.edu/id/eprint/103246

Actions (login required)

View Item