ILZA FAUZAN RAMADHAN 1500538 S1 TEKNIK ELEKTRO Sejak sekian lama tujuan dari kualitas daya adalah untuk memantau dan menganalisis secara terstruktur. Umumnya masalah yang dibahas dalam kualitas daya meliputi waktu dengan skala waktu dari puluhan nanodetik hingga ke dalam kondisi stabil. Masalah tersebut sering dibahas di berbagai jurnal dengan menggunakan kurva untuk mengukur dan mengklsifikasikan fenomena kualitas daya yang terjadi. Dalam jurnal ini akan menyajikan tinjauan menggunakan aplikasi transformasi wavelet. Sistem energi yang di atur ulang dan generator distribusi menjadi dua masalah baru yang muncul untuk dianalisis sistem kualitas dayanya. Gangguan kualitas daya bermacam-macam mulai dari frekuensi rendah (0,1% < dari 25 Hz) karena fluktuasi tegangan, hingga frekuensi tinggi (0 – 8.0pu, 5MHz) yang terjadi akibat sambaran petir, switching, dll. Metode yang digunakan saat ini dengan memantau kualitas daya menggunakan visual gelombang dari tegangan dan arus. Namun, dibutuhkan perangkat lunak dengan kemampuan dan kelengkapan yang mempuni untuk memahami penyebab gangguan sehingga bisa didapatkan solusi untuk memperbaiki gangguan tersebut. Saat ini fourier transform digunakan sebagai alat analisi untuk mengekstrak frekuensi untuk mendeteksi gangguan. Untuk memantau kualitas daya dengan fitur cerdas maka terus dilakukan pengembangan dalam pengolahan sinyal dengan beberapa metode yang digabungkan agar menghasilkan fitur yang lebih baik seperti fourier dan transformasi wavelet yang dikombinasikan dengan fuzzy, neutral network, kalman filter atau metode pengenalan pola. Namun, transformasi wavelet dianggap lebih baik dibandingkan fourier. Transformasi wavelet adalah proyeksi sinyal diskrit yang dibagi menjadi dua, ruang perkiraan dan serangkaian ruang detail. Kemudian transformasi wavelet akan menghasilkan dari satu domain ke domain yang lainnya dimana domain asli merupakan domain waktu dalam transformasi wavelet. Proses transformasi dari satu domain ke domain yang lain dengan mengubah sinyal menjadi beberapa tingkat resolusi yang bisa dipulihkan sehingga domain asli tidak akan kehilangan apapun. Teori wavelet merupakan alat matematika canggih yang menggunakan teknik multiresolusi untuk menganalisa bentuk gelombang dan gambar. Analisa tersebut mampu mengungkapkan beberapa aspek seperti peralatan yang gagal, breakdown poin, diskontinuitas dan self-similiarity. 1. Wavelet berbasis data kompresi Transformasi wavelet memiliki koefisien yang akan berhubungan dengan gangguan tertentu untuk mempertimbangkan peristiwa yang tidak relevan, sehingga jumlah data yang disimpan bisa dikurangi. Sekarang data yang terkompresi bisa digunakan untuk merekonstruksi sinyal asli. Kompresi didefinisikan sebagai file ukuran asli dibagi dengan file yang dikompresi. 2. Energy dan evaluasi nilai RMS Sebuah gangguan kualitas daya dipetakan ke dalam domain wavelet dan diekstrak dari sinyal mentah. Kemudian durasi distorsi yang terjadi, energi dan nilai dalam RMS dievaluasi. Efek noise yang terjadi pada fitur domain wavelet digunakan untuk mendeteksi gangguan melalui noising. Namun metode de-noising kurang kompleks setelah digunakan peneliti. Kemudian potensi metode ini terus digali dengan menambahkan fitur signal noise radio yang membuat metode tersebut menjadi efisien dalam mendeteksi gangguan secara otomatis. Transformasi wavelet digunakan mendeteksi dan mengukur durasi distorsi yang kemudian dalam proses tersebut nilai RMS diamati dan diukur menggunakan koefisien walet sehingga metode tersebut menjadi lebih efektif. Akhirnya ditemukan bahwa metode wavelet membuat fungsi dasar yang membuat koefisien algoritma menjadi adaptif karena tidak hanya satu wavelet tapi bisa dirancang agar sesuai dengan aplikasi berbeda. 3. Adaptive filter based DWT Perubahan dinamis tidak dapat diterapkan kepada DWT karena koefisien tetap, dan menghasilkan deteksi dan pengolahan steady state yang sama dengan koefisien filter. Oleh karena itu, dilakukan metode baru menggunakan kombinasi penyaringan adaptif untuk mendeteksi dan transformasi wavelet sebagai fitur extractor, untuk dimanfaatkan filter adaptif. 4. Neural network and fuzzy based waveled Untuk memperluas ruang lingkup dengan berbagai teknik kecerdasan buatan maka para pakar menggabungkannya dengan transformasi wavelet untuk mengklasifikasi kualitas daya. Kinerja kombinasi wavelet bisa meningkatkan efektivitas berbagai metode yang tersedia untuk menganalisis sinyal kualitas daya. Pelatihan dengan algoritma menunjukkan potensi besar untuk teknik pemantauan kualitas daya otomatis dengan kemampuan deteksi online. Dalam jurnal ini dibahas perbandingan yang ditampilkan transformasi wavelet dengan akurasi artificial neural network yang dikombinasikan fitus classfier. Tapi dalam hal efisien sistem berbasis JST lebih efisien dibandingkan sistem berbasis fuzzy karena dapat mengklasifikasikan semua nilai yang diuji coba dengan benar sedangkan sistem berbasis fuzzy tidak bisa mengklasifikasikan nilai-nilai ekstrim yang terjadi di gangguan secara benar. Di sisi lain, dalam hal kecepatan ANN adalah metode lambat karena merupakan prosedur iterasi yang memerlukan waktu pelatihan untuk meningkatkan kompleksitas. Skema yang diusulkan 1. 2. 3. 4. Tahap pengolahan Pra untuk mendeteksi ggangguan. Tahap ekstraksi untuk mengukur berbagai jenis sinyal. Tahap klasifikasi untuk membedakan jenis gangguan. Tahap pengambilan keputusan untuk menetapkan gangguan dan pengenalan pola penyelesaian gangguan. 5. Tahap pemantauan real time sebagai pendeteksi otomatis jika sewaktu-waktu terjadi gangguan. Kualitas daya sekarang ini telah menjadi kriteria utama dalam skenario modern analisis sistem tenaga. Dimana pendekatan untuk deteksi otomatis dan klasifikasi gangguan menggunakan transformasi wavelet.