Studi Perencanaan Uprating pada Transformator 30 MVA Berdasarkan Hasil Prediksi Beban Berbasis Metode Regresi Eksponensial

Authors

  • Reynanda Bagus Widyo Astomo Universitas Muhammadiyah Surabaya
  • Rudi Irmawanto Universitas Muhammadiyah Surabaya
  • Miftachul Ulum Universitas Trunojoyo Madura
  • Luh Komang Trisna Ayuni Universitas Muhammadiyah Surabaya

DOI:

https://doi.org/10.30736/jt.v18i1.1601

Keywords:

Transformator 30 MVA, Pertumbuhan Beban Listrik, Prediksi Beban, Regresi Eksponensial

Abstract

Transformator merupakan komponen krusial dalam penyaluran energi listrik, sehingga batas kapasitas pembebanannya harus selalu diamati untuk menjaga keandalan sistem tenaga listrik. Objek penelitian ini berupa transformator dengan kapasitas 30 MVA yang saat ini memiliki persentase pembebanan sebesar 70,38%, dan menunjukkan kondisi subkritis karena mendekati batas standar pembebanan sebesar 80%. Kondisi tersebut juga menyebabkan transformator berpotensi memasuki masa overload dalam beberapa tahun ke depan. Penelitian ini dilakukan dengan tujuan untuk melakukan prediksi pertumbuhan beban selama 10 tahun mendatang, serta mengkaji kemampuan transformator 30 MVA dalam memenuhi kebutuhan beban di masa yang akan datang. Metode regresi linear eksponensial digunakan untuk memperkirakan kecenderungan peningkatan beban berdasarkan data historis. Hasil analisis menunjukkan bahwa pembebanan transformator diperkirakan melampaui batas standar pada periode tahun 2030-2034, dengan rentang pembebanan sebesar 25,29 hingga 35,69 MVA atau 84,29% hingga 118,98% dari kapasitas nominal. Berdasarkan hasil evaluasi kapasitas, maka direkomendasikan tindakan uprating atau penambahan kapasitas transformator dari yang semula 30 MVA menjadi 60 MVA. Tindakan ini akan menyebabkan penurunan rating beban transformator menjadi 34,41% hingga 59,49% dalam 10 tahun ke depan. Hasil ini menunjukkan Gambaran tentang pentingnya perencanaan kapasitas transformator untuk memastikan kontinuitas sistem tenaga listrik.

Downloads

Download data is not yet available.

Author Biographies

Reynanda Bagus Widyo Astomo, Universitas Muhammadiyah Surabaya

Department of Electrical Engineering

Rudi Irmawanto, Universitas Muhammadiyah Surabaya

Department of Electrical Engineering

Miftachul Ulum, Universitas Trunojoyo Madura

Department of Electrical Engineering

References

Aizpurua, J. I., Ramirez, I., Lasa, I., Rio, L. del, Ortiz, A., & Stewart, B. G. (2023). Hybrid Transformer Prognostics Framework for Enhanced Probabilistic Predictions in Renewable Energy Applications. IEEE Transactions on Power Delivery, 38(1), 599–609. https://doi.org/10.1109/TPWRD.2022.3203873

Apriani, A., Carsono, N., & Enjat Munajat, M. D. (2024). Prediction of Rice Production to Support Food Security in Bogor Regency using Linear Regression and Support Vector Machine (SVM). Jurnal Teknika, 16(1), 13–18. https://doi.org/10.30736/jt.v16i1.1192

Arsya, N. R., Suwarno, Prasojo, R. A., Sudrajad, G. A., & Abu-Siada, A. (2024). A Holistic Integration of Conventional and Machine Learning Techniques to Enhance the Analysis of Power Transformer Health Index Considering Data Unavailability. IEEE Access, 12, 124549–124561. https://doi.org/10.1109/ACCESS.2024.3450110

Badri, J. A., Ruiz, J.-R. R., Garcia, A., Trujillo, S., & Marzàbal, A. (2024). Predicting the Effect of Voltage Harmonic Phase Angle on Transformer Core Losses. IEEE Transactions on Instrumentation and Measurement, 73, 1–9. https://doi.org/10.1109/TIM.2024.3449933

Cady, F. (2025). Regression. In The Data Science Handbook (pp. 135–145). https://doi.org/10.1002/9781394234523.ch11

Cai, L., Yin, H., Lin, J., & Zhao, D. (2024). An Update-Strategy-Based Gaussian Process Regression Method for Aeroengines Fault Prediction. IEEE Transactions on Industrial Informatics, 20(2), 1941–1951. https://doi.org/10.1109/TII.2023.3283103

Das, S., Paramane, A., Rao, U. M., & Rozga, P. (2024). A Hybrid Regression Model to Estimate Remaining Useful Life of Transformer Liquid. IEEE Transactions on Dielectrics and Electrical Insulation, 31(2), 1062–1069. https://doi.org/10.1109/TDEI.2023.3322669

Dharmali, M. J., Arisandi, D., & Sutrisno, T. (2023). SISTEM PREDIKSI PENJUALAN TRIPLEK MENGGUNAKAN METODE REGRESI TIME SERIES K-NEAREST NEIGHBOR (KNN) PADA TOKO MAKMUR CIBUBUR. Jurnal Teknika, 15(2), 81–86. https://doi.org/10.30736/jt.v15i2.994

Feng, J., Jia, X., Cai, H., Zhu, F., Li, X., & Lee, J. (2021). Cross Trajectory Gaussian Process Regression Model for Battery Health Prediction. Journal of Modern Power Systems and Clean Energy, 9(5), 1217–1226. https://doi.org/10.35833/MPCE.2019.000142

Feng, Y. (2021). New Insights Into Learning With Correntropy-Based Regression. Neural Computation, 33(1), 157–173. https://doi.org/10.1162/neco_a_01334

GATTI, F. (2024). Artificial Neural Networks. In Machine Learning in Geomechanics 1: Overview of Machine Learning, Unervised Learning, Regression, Classification and Artificial Neural Networks (pp. 145–236). https://doi.org/10.1002/9781394325634.ch5

Gorginpour, H., Ghimatgar, H., & Toulabi, M. S. (2022). Lifetime Estimation and Optimal Maintenance Scheduling of Urban Oil-Immersed Distribution-Transformers Considering Weather-Dependent Intelligent Load Model and Unbalanced Loading. IEEE Transactions on Power Delivery, 37(5), 4154–4165. https://doi.org/10.1109/TPWRD.2022.3146154

Grünwald, P. D. (2007). Linear Regression. In The Minimum Description Length Principle (pp. 335–368).

Hand, D. J., Mannila, H., & Smyth, P. (2001). Predictive Modeling for Regression. In Principles of Data Mining (pp. 367–398).

Hedayatnejad, M., Pei, Y., Boertjes, D., Demeter, D., Desrosiers, C., & Tremblay, C. (2025). Multi-Step Span Loss Prediction in Optical Networks Using Multi-Head Attention Transformers. IEEE Photonics Journal, 17(3), 1–8. https://doi.org/10.1109/JPHOT.2025.3571220

Jiao, J., Guo, X., Wang, C., & You, X. (2024). Modeling and Model Predictive Control of a Hybrid DC Transformer. IEEE Transactions on Transportation Electrification, 10(4), 9031–9042. https://doi.org/10.1109/TTE.2024.3363776

Kim, N., Balaraman, A., Lee, K., & Kim, T. (2023). Multi-Step Peak Power Forecasting With Constrained Conditional Transformer for a Large-Scale Manufacturing Plant. IEEE Access, 11, 136692–136705. https://doi.org/10.1109/ACCESS.2023.3339120

Li, W., Zuo, Y., Su, T., Zhao, W., Ma, X., Cui, G., Wu, J., & Song, Y. (2023). Firefly Algorithm-Based Semi-Supervised Learning With Transformer Method for Shore Power Load Forecasting. IEEE Access, 11, 77359–77370. https://doi.org/10.1109/ACCESS.2023.3297647

Li, Y. (2025). Short-Term Power Load Prediction Based on Level Processing Method and Improved GWO Algorithm. IEEE Access, 13, 78243–78256. https://doi.org/10.1109/ACCESS.2025.3565625

Madhukumar, M., Sebastian, A., Liang, X., Jamil, M., & Shabbir, M. N. S. K. (2022). Regression Model-Based Short-Term Load Forecasting for University Campus Load. IEEE Access, 10, 8891–8905. https://doi.org/10.1109/ACCESS.2022.3144206

Ross, R. (2019). Parameter Estimation. In Reliability Analysis for Asset Management of Electric Power Grids (pp. 207–265). https://doi.org/10.1002/9781119125204.ch6

She, B., Xin, L., Paré, P. E., & Hale, M. (2024). Modeling Epidemic Spread: A Gaussian Process Regression Approach. IEEE Control Systems Letters, 8, 2847–2852. https://doi.org/10.1109/LCSYS.2024.3517457

Skovbekk, J., Laurenti, L., Frew, E., & Lahijanian, M. (2025). Formal Verification of Unknown Dynamical Systems via Gaussian Process Regression. IEEE Transactions on Automatic Control, 70(8), 4960–4975. https://doi.org/10.1109/TAC.2025.3532812

Tuffery, S. (2023). Reminders of Machine Learning. In Deep Learning: From Big Data to Artificial Intelligence with R (pp. 71–109). https://doi.org/10.1002/9781119845041.ch3

Wang, L., Littler, T., & Liu, X. (2023). Dynamic Incipient Fault Forecasting for Power Transformers Using an LSTM Model. IEEE Transactions on Dielectrics and Electrical Insulation, 30(3), 1353–1361. https://doi.org/10.1109/TDEI.2023.3253463

Yu, C.-H., Gao, F., & Wen, Q.-Y. (2021). An Improved Quantum Algorithm for Ridge Regression. IEEE Transactions on Knowledge and Data Engineering, 33(3), 858–866. https://doi.org/10.1109/TKDE.2019.2937491

Zhang, B., Zhao, X., Dou, Z., & Liu, L. (2021). A New Medium and Long-Term Power Load Forecasting Method Considering Policy Factors. IEEE Access, 9, 160021–160034. https://doi.org/10.1109/ACCESS.2021.3131237

Zhang, W., Shao, C., Huang, W., Hu, B., Yan, J., Xie, K., Cao, M., & Wei, Z. (2025). Failure Rate Prediction of a Power Transformer: A Decomposition-Based Bayesian Deep Learning Method. CSEE Journal of Power and Energy Systems, 11(4), 1596–1609. https://doi.org/10.17775/CSEEJPES.2021.04880

Zhang, Y., Wei, X., Fan, X., Wang, K., Zhuo, R., Zhang, W., Liang, S., Hao, J., & Liu, J. (2021). A Prediction Model of Hot Spot Temperature for Split-Windings Traction Transformer Considering the Load Characteristics. IEEE Access, 9, 22605–22615. https://doi.org/10.1109/ACCESS.2021.3056529

Downloads

Published

2026-03-19

How to Cite

Astomo, R. B. W., Irmawanto, R., Ulum, M., & Luh Komang Trisna Ayuni. (2026). Studi Perencanaan Uprating pada Transformator 30 MVA Berdasarkan Hasil Prediksi Beban Berbasis Metode Regresi Eksponensial. Jurnal Teknika, 18(1), 55–68. https://doi.org/10.30736/jt.v18i1.1601

Issue

Vol. 18 No. 1 (2026): MARET

Section

Jurnal teknika

License

Copyright (c) 2026 Reynanda Bagus Widyo Astomo, Rudi Irmawanto, Miftachul Ulum

Creative Commons License

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

Jurnal Teknika dilisensikan di bawah Attribution-ShareAlike 4.0 International (CC BY-SA 4.0). Anda bebas untuk:

 

  • Bagikan — salin dan distribusikan ulang materi dalam media atau format apa pun
  • Beradaptasi — me-remix, mengubah, dan membangun materi untuk tujuan apa pun, bahkan secara komersial. Lisensi ini dapat diterima untuk Karya Budaya Bebas.

Pemberi lisensi tidak dapat mencabut kebebasan ini selama Anda mengikuti persyaratan lisensi.

  • Atribusi — Anda harus memberikan kredit yang sesuai, memberikan tautan ke lisensi, dan menunjukkan jika ada perubahan. Anda dapat melakukannya dengan cara yang wajar, tetapi tidak dengan cara apa pun yang menunjukkan bahwa pemberi lisensi mendukung Anda atau penggunaan Anda.
  • ShareAlike — Jika Anda me-remix, mengubah, atau membangun materi, Anda harus mendistribusikan kontribusi Anda di bawah lisensi yang sama seperti aslinya.
  • Tidak ada batasan tambahan — Anda tidak boleh menerapkan persyaratan hukum atau tindakan teknologi yang secara hukum membatasi orang lain untuk melakukan apa pun yang diizinkan oleh lisensi.

 

Hak Cipta

Penulis yang menerbitkan dengan jurnal ini menyetujui persyaratan berikut:

 

Penulis mempertahankan hak cipta dan memberikan jurnal hak publikasi pertama dengan karya yang dilisensikan secara bersamaan di bawah Attribution-ShareAlike 4.0 International (CC BY-SA 4.0) yang memungkinkan orang lain untuk berbagi karya dengan pengakuan kepenulisan karya dan publikasi awal di jurnal ini .

Penulis dapat membuat pengaturan kontrak tambahan yang terpisah untuk distribusi non-eksklusif dari versi jurnal yang diterbitkan dari karya tersebut (misalnya, mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan publikasi awalnya di jurnal ini.

Penulis diizinkan dan didorong untuk memposting karya mereka secara online (misalnya, di repositori institusional atau di situs web mereka) sebelum dan selama proses pengiriman, karena dapat menghasilkan pertukaran yang produktif, serta kutipan lebih awal dan lebih besar dari karya yang diterbitkan (Lihat Pengaruh Akses Terbuka).

 

Jutnal teknika oleh Universitas Islam Lamongan berlisensi Creative Commons Attribution-ShareAlike 4.0 International License.

Berdasarkan karya di https://jurnalteknik.unisla.ac.id/index.php/teknika/index

Similar Articles

1 2 3 > >> 

You may also start an advanced similarity search for this article.