Seleksi Aturan Menggunakan Rough Set Theory Untuk Diagnosis Gangguan Transformator Daya Berbasis Dissolved Gas Analysis (DGA)

Transkripsi

1 Seleksi Aturan Menggunakan Rough Set Theory Untuk Diagnosis Transformator Daya Berbasis Dissolved Gas Analysis (DGA) Hendra Marcos, Noor Akhmad Setiawan 2, Suharyanto 3 hendramarcos@mailugmacid, 2 noorwewe@ugmacid, 3 suharyanto@ugmacid Jurusan Teknik Elektro dan Teknik Informasi, Universitas Gadjah Mada Abstrak - Tujuan dari penelitian ini adalah mengembangkan metode seleksi aturan (rule) dari sejumlah rule yang dihasilkan dari metode induksi rule menggunakan Rough Set Theory (RST) Aturan yang terseleksi digunakan untuk diagnosis gangguan transformator daya dari dataset berbasis Dissolved Gas Analysis (DGA) Seleksi aturan berdasarkan batasan nilai accuracy dan coverage tertentu dilakukan pada tahap awal Aturan yang terseleksi kemudian diekstrak menggunakan RST dengan konsep reduksi atribut, dimana aturan terseleksi disusun membentuk decision table baru Dari percobaan yang telah dilakukan terhadap aturan (rule) yang terseleksi, metode yang diusulkan dapat memilih sejumlah kecil aturan yang berkualitas tinggi terhadap hasil klasifikasi dibandingkan dengan metode seleksi aturan sebelumnya Kata Kunci : Rough Set Theory, DGA, seleksi aturan I PENDAHULUAN Transformator merupakan salah satu peralatan paling penting dari sistem tenaga listrik, yang berfungsi untuk mengkonversikan daya [] Namun transformator seringkali menjadi peralatan listrik yang kurang diperhatikan dan tidak diberikan perawatan yang memadai Padahal perbaikan transformator yang rusak tidaklah mudah dan tidak dapat dikerjakan dalam waktu yang singkat Transformator yang tidak bekerja sebagaimana mestinya akan menimbulkan dampak terganggunya suplai listrik ke konsumen Dissolved Gas Analysis (DGA) atau analisis gas terlarut adalah salah satu cara yang paling mudah dan efektif untuk mendiagnosis gangguan permulaan pada transformator daya [2][3] Dengan ditemukannya gangguan yang lebih awal pada transformator akan memudahkan pemeliharaan rutin, dan dapat memperpanjang usia transformator Salah satu uji yang dilakukan untuk pengujian kandungan gas terlarut pada material minyak isolasi adalah dengan uji kromatografi Dengan adanya uji kromatografi ini akan diperoleh kandungan gas yang terlarut dalam minyak transformator Gas yang dapat diperoleh dari uji DGA adalah Oksigen (O 2 ), karbondioksida (CO 2 ), karbonmonoksida (CO), hidrogen (H 2 ), etana (C 2 H 6 ), metana (CH 4 ), etilen (C 2 H 4 ), dan asetilen (C 2 H 2 ) Gas yang dihasilkan diukur dalam satuan ppm (part per milion) [4] Konsentrasi dari beberapa jenis gas yang dihasilkan tergantung pada jenis gangguan yang terjadi Tetapi dapat dikatakan pula bahwa setiap jenis gangguan akan menghasilkan gas, yang dikenal dengan key gases [5] Untuk itu dibuat perbandingan 5 gas yang mewakili semua kemungkinan gas yang muncul berdasarkan pada penelitian sebelumnya Akan tetapi diagnosis gangguan transformator berdasarkan DGA yang memetakan antara variabel kandungan gas dengan jenis kesalahan tidaklah linier dan sulit dimodelkan secara matematis RST diperlukan dalam proses ini untuk menangani masalah uncertainty, imprecision, dan vagueness sehingga ditemukan pola hubungan antara gas yang dikandung dengan jenis gangguan Pola tersebut merupakan informasi yang diharapkan dapat digunakan untuk menggantikan pakar yang mahal dalam memetakan data kandungan gas terlarut lainnya di masa mendatang [6] Beberapa penelitian sebelumnya telah menggunakan teknik machine learning untuk memudahkan diagnosis Metode rough set menunjukkan hasil klasifikasi yang lebih bagus dari teknik lainnya [6][7] Kemudian beberapa penelitian dengan menggabungkan metode juga telah dilakukan, diantaranya menggunakan RST dan fuzzy logic [8], RST dan ANN [9] Dari penelitian tersebut masih terdapat kekurangan diantaranya masih sulitnya didapatkan pengetahuan yang intrinsik dan masih rendahnya nilai akurasi klasifikasi Dengan metode DGA dan RST yang sudah dilakukan [6], didapatkan jumlah rule dari atribut perbandingan gas hasil reduksi yang masih berjumlah besar, kemudian dengan metode rule filtering menggunakan RST [] Dengan batasan support dan coverage didapatkan rule yang lebih sedikit Pengujian terhadap data uji menunjukkan hasil akurasi yang masih rendah yaitu 8,5% [6] Pada paper ini diusulkan metode klasifikasi menggunakan DGA dan rough set theory Dengan konsep dataset gangguan dibuat binary classification Metode seleksi rule (aturan) pada tahap awal diusulkan pada penelitian ini Dengan batasan nilai support dan coverage terhadap sejumlah aturan yang masih berjumlah besar, didapatkan aturan yang lebih sedikit Teknik RST kemudian digunakan untuk mereduksi sejumlah aturan agar didapatkan aturan yang lebih sedikit, sehingga hasil akurasi klasifikasi meningkat dari penelitian sebelumnya II METODOLOGI A DATASET GANGGUAN TRANSFORMATOR Dataset transformator daya diambil dari New IEC Publication dan IEC TC Databases [2] yang mengadopsi data transformator dengan data Normal Dengan total data 65 obyek, data ini digunakan untuk data latih dan data uji Perbandingan data gas yang terlarut

2 kemudian dibuat menjadi 5 perbandingan gas yang mewakili dari seluruh kemungkinan rasio gas yang dapat diklasifikasikan menjadi 6 jenis gangguan B Rough Set Theory (RST) Rough set theory (RST) dikembangkan oleh Zdzislaw Pawlak pada tahun 98-an [2], RST ini sangat berguna untuk menemukan hubungan dalam data yang disebut pengetahuan Hasil penemuan pengetahuan berupa rule (aturan) yang mudah dimengerti dan bermakna, yang dihasilkan dari ekstraksi pola data Metode RST muncul sebagai salah satu metode matematika untuk mengelola ketidakpastian, ambiguitas dan ketidakjelasan dari hubungan data yang tidak lengkap dan sulit dimodelkan secara matematis Untuk S=(U,A) dan B A, dimana a B, dengan : INDs (B) = {(x, x') U x U a B, a(x) = a(x')} dapat dikatakan bahwa a dapat diabaikan dalam B, dan : INDs (B) = INDs (B {a} jika sangat diperlukan a dapat diabaikan Himpunan B dikatakan independen jika semua atributnya diperlukan Setiap subset B' dari B disebut reduct dari B jika B' adalah independen dan INDs (B ) = INDs (B) Reduct dapat didefinisikan sebagai subset minimal dari beberapa atribut yang memiliki hasil klasifikasi yang sama Dengan kata lain, atribut yang bukan unsur reduct merupakan redundant dari klasifikasi Reducts relatif didasarkan pada elemen obyek-obyek tertentu C Rule Extraction dan Rule Selection Ekstraksi rule (aturan) didasarkan pada nilai coverage dan support dari masing-masing rule Hal ini telah dilakukan pada penelitian sebelumnya [] Misalnya untuk, DS = (U, C D) Yang merupakan decision table dari x U, maka c (x),,c k (x), d(x) dapat didefinisikan, dimana {c,,c k } = C dan {d} = D Decision rule didapatkan dari, c (x),,c 2 (x) d(x) C merupakan reduct dari atribut kondisi yang merupakan perbandingan gas yang direduksi dari decision table Seleksi rule RST dilakukan karena rule yang ada terlalu banyak dan panjang Untuk menyerderhanakan jumlah rule dapat dilakukan melalui metode RST Jika R = {Rule, Rule 2,, Rule j } merupakan subset rule yang didapatkan dari Rough Set sebagai decision table yang baru, dimana rule berlaku sebagai subset atribut Nilai dari atribut Rule a jika obyek x b pada decision (d) mempunyai nilai yang sama dengan decision table, dan bernilai jika tidak bernilai sama Nilai pada kolom (atribut) j+ sama dengan nilai decision, dengan a =,,j dan b =,,i Tabel keputusan baru dapat direduksi menggunakan konsep rough set Reduct yang didapat dari hasil reduksi atribut merupakan rule yang memiliki nilai accuracy dan coverage besar Untuk selanjutnya sejumlah rule hasil reduksi RST dapat diuji coba nilai accuracy dan coverage-nya menggunakan data uji kembali Untuk lebih jelas decision table dari seleksi rule yang akan dilakukan menggunakan RST, dapat dilihat pada Tabel I TABEL I DECISION TABLE RULE SEBAGAI ATRIBUT x U Rule Rule 2 Rule j- Rule j D x x 2 x i- x i non- D Langkah-langkah Penelitian Langkah-langkah pada penelitian ini dapat dilihat pada Gambar dibawah ini GAMBAR LANGKAH-LANGKAH PENELITIAN Pertama dataset gangguan transformator daya sebagai decision table dibuat menjadi binary, dimana untuk 6 jenis klasifikasi menjadi 6 dataset Data dinormalisasi dengan sebaran - Kemudian didiskretisasi dengan algoritme boolean reasoning yang kemudian data terdiskretisasi tersebut direduksi atributnya memakai exhaustive calculation dengan piihan object related reduct yang sekaligus menghasilkan rule Untuk proses selanjutnya dilakukan ekstraksi dan seleksi rule menggunakan teknik RST III HASIL DAN ANALISIS A Data Preprocessing Pada proses awal data set dibuat menjadi dua kelas yaitu kelas positif dan kelas negatif, untuk kelas positif merupakan jenis gangguan/normal dan kelas negatif adalah yang bukan terkena gangguan Dapat dilihat pada Tabel II dengan perincian jumlah obyek masing-masing jenis gangguan Label Kelas Positif TABEL II DATA SET BINARY KELAS Data Kelas Positif Label Kelas Negatif Data Kelas Negatif 9 non- 56 D 26 non-d 39 D2 48 non-d2 7 T&T2 5 non-t&t2 5 T3 8 non-t3 47 Normal 49 6

3 Untuk atribut adalah 5 perbandingan gas yang mewakili kemungkinan dari perbandingan gas yang terlarut pada isolasi minyak transformator TABEL III KODE PERBANDINGAN GAS TERLARUT C C 2 H 2 /C 2 H 4 C2 CH 4 /H 2 C3 C 2 H 4 /C 2 H 6 C4 C 2 H 6 /CH 4 C5 CH 4 /C 2 H 4 C6 C 2 H 2 /CH 4 C7 C 2 H 2 /C 2 H 6 C8 C 2 H 6 /H 2 C9 C 2 H 4 /H 2 C C 2 H 2 /H 2 C CH 4 /Total Hydrocarbon C2 C 2 H 4 /Total Hydrocarbon C3 C 2 H 6 /Total Hydrocarbon C4 C 2 H 2 /Total Hydrocarbon C5 H 2 /Total Hydrocarbon +H 2 ) Dengan skala yang besar dari hasil 5 perbandingan gas, data dinormalisasi menggunakan persamaan (), untuk kemudian dilakukan discretization menggunakan boolean reasoning algorithm [3] X () Dimana : x max dan x min masing-masing adalah nilai maksimal dan minimal dari data set untuk tiap-tiap atribut pada decision table Dan, masing-masing adalah nilai normalisasi dari data yang dicari dari nilai x, dimana i bernilai sampai 65 Sesuai dengan jumlah data set gangguan berjumlah 9 obyek dan non- berjumlah 56 obyek Pada Tabel IV diperlihatkan data set hasil normalisasi dengan nilai yang mempunyai skala - TABEL IV DECISION TABLE DATA HASIL NORMALISASI No C C2 C3 C3 C4 C5 Diag,5,8726 9,47 2,5395,,9,7627,428 9,695 3,23 9,929 63,35,6,77 6,348,369 3,473 non- 64,2698,32,4 5,87,357 2,599 non- 65,2698,2,4 5,87,357 8,48 non- Tabel V contoh hasil diskretisasi untuk kasus gangguan dan selain itu dibuat non- TABEL V HASIL DISKRETISASI DATA SET DAN NON- Atribut Nilai Diskret C C2H2/C2H4 [2,*) - [*,2) C2 CH4/H2 [28,*) - [*,28) C3 C2H4/C2H6 [32,*) - [*,32) C4 C2H6/CH4 [79,*) - [*,79) C5 CH4/C2H4 [6,*) - [*,6) C6 C2H2/CH4 [,*) - [*,) C7 C2H2/C2H6 [8,*) - [*,8) C8 C2H6/H2 [3,*) - [*,3) C9 C2H4/H2 [2,*) - [*2) C C2H2/H2 [8,*) - [*,8) C CH4/Total [4474,*) [4474, 4638) [*,4638) C2 C2H4/Total [2,*) - [*,2) C3 C2H6/Total [,263,*) [263, 6887) [*,6887) C4 C2H2/Total [83,*) - [*,83) C5 H2/Total+H2) [57622,*) - [*,57622) Untuk contoh kasus dan non-, dimana untuk atribut C (C 2 H 2 /C 2 H 4 ) [2,*) rasio gas C 2 H 2 dan C 2 H 4 <,2 dan,2 Untuk atribut C (CH 4 /Total Hydrocarbon) [4474,4638) artinya,4474 C<4,638 dimana rasio gas CH 4 dan Total Hydrocarbon berkisar antara,4474 dan 4,638 Selanjutnya diskretisasi dilakukan untuk 5 data set berikutnya yaitu Normal-, D-non-D, D2-non- D2, T&T2-non-T&T2, dan T3-non-T3 Kemudian direduct menggunakan Exhaustive Calculation Reduct dan discernibility object related, didapatkan minimal subset atribut tereduksi, dan selanjutnya akan dilakukan generate rule Hasil selengkapnya dapat dilihat pada Tabel VI Data di-split menjadi 5:5, dimana 83 obyek data untuk data latih dan 82 obyek data dijadikan data uji Kemudian diujikan ke data uji untuk dilihat hasil klasifikasinya TABEL VI PERBANDINGAN JUMLAH RULE DAN AKURASI Reduct Rule (det) Akurasi (%) Normal dan ,68 dan non ,, D dan non-d ,46 D2 dan non-d ,37 T&T2 dan non ,34 T&T2 T3 dan non-t ,2 Dari 6 decision table yang ada, untuk dan non- memperoleh hasil akurasi klasifikasi yang paling tinggi yaitu % dengan jumlah rule 56 Sedangkan hasil akurasi yang paling rendah untuk kasus gangguan D2 dan non-d2 dengan akurasi klasifikasi 85,37% jumlah rule-nya 987 rule TABEL VII RULE UNTUK KASUS DAN NON- No Decision Rule Support IF C2,9 => Diag(non-) 77 2 IF C9,2 => Diag(non-) 75 3 IF C < 4,9673 => Diag(non-) IF C7,8 AND C <,8 AND C 4,9673 => Diag() 55 IF C7,8 AND C 4,9673 AND 7633 C3<,45 => Diag() 56 IF C7,8 AND C 4,9673AND C4 <,74 => Diag()

4 B Rule Extraction dan Rule Selection Pada proses ini rule yang didapatkan kemudian diekstraksi menggunakan basic filtering, dimana parameter yang digunakan adalah berdasar nilai coverage dan support Tabel VII dan VIII memperlihatkan rule hasil seleksi untuk satu kasus yaitu dan non- Selanjutnya akan dilakukan untuk 5 gangguan lainnya TABEL VIII RULE TEREKSTRAKSI UNTUK KASUS DAN NON- No Decision Rule Support IF C2,9 => Diag(non-) 77 2 IF C9,2 => Diag(non-) 75 3 IF C< 4,9673 => Diag(non-) 73 4 IF C,8 => Diag(non-) 73 4 IF C8 <,3 AND C2 <,9 => Diag() 5 5 IF C2<,9 AND C4<,74 => Diag() 5 6 IF C3 <,33 AND C4 <,74 => Diag() 5 Tabel VII dan VIII memperlihatkan contoh untuk kasus gangguan dan non- dari 56 rule yang didapatkan dari RST dengan seleksi rule menggunakan pengurangan rule dengan nilai coverage dan support akhirnya didapatkan 6 rule terseleksi dengan nilai akurasi klasifikasi tetap % Untuk selanjutnya dapat dilihat pada Tabel IX perbandingan dari jumlah rule dan nilai akurasinya dari sebelum dan sesudah seleksi rule TABEL IX PERBANDINGAN JUMLAH RULE DAN AKURASI SEBELUM DAN SESUDAH SELEKSI Rule (det) Accuracy (%) Rule Selection Method (Basic Filter process) Rule Accuracy Selection (%) Normal dan Coverage, ,68 2 Length ,24 dan Coverage,8 non- 56, 2 Length 3 6, 3 Coverage, D dan Coverage,3 non-d 75 9,46 2 Length ,2 3 Support 5 D2 dan Coverage,3398 non-d ,37 2 Length ,9 T&T2 dan Coverage,25 non-t&t ,34 2 Length ,34 3 Support 3 T3 dan Support 9 non-t ,2 2 Length ,2 3 Coverage,8399 Dengan teknik seleksi rule, kemudian dibuat decision table dari rule yang sudah terekstraksi Rule yang ada disusun menjadi atribut dari tabel keputusan baru, dan 83 obyek dari data latih sebagai instance Hasil seleksi rule dengan metode RST mendapatkan jumlah rule yang lebih sedikit, dapat dilihat pada Tabel X TABEL X RULE YANG SUDAH TERSELEKSI Jenis Rule RuleNo IF C4 < 3333 AND C5 26 THEN Rule IF C4 < 3333 AND C 3 AND C3 < 284 Rule 5 THEN IF C2 < 42 AND C4 < 3333 THEN Rule IF C 4364 AND C2 < 42 THEN Rule 5 Normal IF C < 4364 AND C3 633 AND C3 < 284 Rule 3 THEN IF C AND 832 C < 4585 AND C2 Rule THEN Normal IF C < 4364 AND C < 832 AND C3 284 Rule 6 THEN Normal IF C5 < 26 AND C 48 C < 3 THEN Rule 73 Normal IF C6 < AND C9 < 2 THEN Rule 6 IF C < 8535 AND C5 < 4268 THEN non-d Rule IF C4 595 AND C THEN non-d Rule 2 D IF C7 < 88 AND C4 < THEN non-d Rule 8 IF 239 C < 2972 AND C THEN non- Rule 37 D IF C7 < 533)) AND C3 472 THEN non-d2 Rule 2 IF C5 < 85 AND C6 < 583 THEN non-d2 Rule 5 D2 IF C2 < THEN non-d2 Rule 4 IF C6 583 AND C8 < 5)) AND C THEN D2 Rule 8 IF C7 533 AND C8 < 5)) AND C9 3 Rule 9 D2 AND C THEN D2 IF C5 85 AND C8 < 5)) AND C < 3498)) Rule 5 AND C THEN D2 IF C5 < 26 AND C < THEN non-t&t2 Rule 2 IF C5 < 26)) AND C 526 THEN non-t&t2 Rule 3 IF C3 76 AND C6 7 AND C9 3 Rule 22 T&T2 THEN non-t&t2 IF C2 < 297 AND C3 < 76 AND C5 < 26 Rule 42 THEN non-t&t2 IF C2 < 297 AND C2 < 5578 THEN non-t&t2 Rule 56 IF C9 < 42 AND C2 < 552 THEN non-t3 Rule T3 IF C4 897 AND C2 < 552 THEN non-t3 Rule 23 IF C2 < 2 AND C < 224 THEN non-t3 Rule 24 IF C < 32 AND C9 < 42 THEN non-t3 Rule 38 Selanjutnya dilakukan pengujian rule terseleksi kepada 82 obyek data ujiting, dengan hasil ditunjukkan pada Tabel XI TABEL XI AKURASI HASIL KLASIFIKASI RULE TERSELEKSI No Akurasi Normal dan % 2 dan non- 98,78% 3 D dan non-d 92,68% 4 D2 dan non-d2 % 5 T&T2 dan non-t&t2 % 6 T3 dan non-t3 96,34% Rata-rata 98% Tabel XII menunjukkan hasil perbandingan akurasi antara beberapa metode konvensional, kecerdasan buatan dan metode yang diusulkan TABEL XII PERBANDINGAN AKURASI HASIL KLASIFIKASI No Metode Akurasi Segitiga Duval 48% 2 Rasio Roger 4% 3 IEC 58% 4 MLP 75% 5 RST 8,5% 6 Metode Usulan 98% Metode konvensional menunjukkan hasil akurasi yang masih rendah yaitu dibawah 7%, metode kecerdasan buatan seperti MLP 75%, metode RST pada paper sebelumnya memberikan akurasi 8,5%

5 IV KESIMPULAN Dari seleksi aturan (rule) menggunakan metode RST didapatkan jumlah aturan yang lebih sedikit dan mudah dipahami Hasil akurasi yang bagus dari masing-masing decision table ditunjukkan pada klasifikasi menggunakan DGA dengan akurasi 98%, diharapkan dapat digunakan untuk memudahkan proses klasifikasi selanjutnya Untuk selanjutnya rule berkualitas tinggi akan digunakan untuk memudahkan pengambilan keputusan dalam mendiagnosis gangguan transformator daya dengan membuat fuzzy inference-nya REFERENSI [] WHTang, QHWu, Condition Monitoring and Assessment of Power Transformers Using Computational Intelligence The University of Liverpool, Springer, 2 [2] M Duval, M Interpretation of Gas-In-Oil Analysis Using New IEC Publication 6599 and IEC TC Databases Electrical Insulation Magazine, IEEE, Vol 7:2, pp 3-4, 2 [3] M Duval, Dissolved gas analysis: It can save your transformer, IEEE Electrical Insulation Magazine, vol 5, no 6, pp 22-27, 989 [4] Dr DiGiorgio, Dissolved Gas Analysis Of Mineral Oil Insulating Fluids, Northern Technology & Ujiting, 2 [5] R R Rogers, IEEE and IEC codes to interpret incipient faults in transformers, using gas in oil analysis, IEEE Trans on Electrical Insulation, vol 3, no 5, pp , 978 [6] NASetiawan,Sarjiya,ZArdhiaga, Power Transformer Incipient Faults Diagnosis Using Dissolved Gas Analysis and Rough Set, IEEE International Conference, 22 [7] YC Huang, HC Sun, KY Huang and YS Liao, Fault Diagnosis of Power Transformers Using Rough Set Theory Proceeiding of Fourth International Conference on Innovative Computing, Information, and Control, pp , 29 [8] XZheng Intelligent Fault Diagnosis of Power Transformer based on Fuzzy logic and Rough Set Theory Proceeding, of the 7th, 28 [9] X Yu and H Zang, Transformer Fault Diagnosis Based on Rough Sets Theory and Artificial Neural Networks International Conference on Condition Monitoring and Diagnosis pp , 28 [] MZhou, TWang, Fault Diagnosis of Power Transformer Based on Assosiation Rules Gained by Rough Set, IEEE 2 [] NASetiawan,PAVenkathachalam,and Ahmad Fadzil MH, Rule Selection for Coronary Artery Disease Diagnosis Based on Rough Set, International Journal of Recent Trends Engineering, 29 [2] Z Pawlak, "Rough Sets," International Journal of Computer and Information Sciences, vol, pp , 982 [3] T Agotnes, "Filtering large propositional rule sets while retaining classifier performance," in Department of Computer and Information Science: Norwegian Universtiy of Science and Technology, 999, pp 43