Klasterisasi K-Means untuk Karakterisasi Efisiensi Turbin Angin berdasarkan Karakteristik Operasi
DOI:
https://doi.org/10.30736/jt.v18i2.1756Keywords:
Machine Learning, K-Means Clustering, Turbin Angin, Efisiensi, Karakteristik OperasiAbstract
Efisiensi turbin angin merupakan indikator penting dalam mengevaluasi kemampuan sistem mengonversi energi angin menjadi energi listrik. Penelitian ini mengembangkan pendekatan machine learning berbasis K-Means untuk karakterisasi efisiensi kondisi operasi turbin angin menggunakan Wind Speed, Active Power, dan Efficiency. Dataset terdiri atas 100 observasi dari Wind Turbine Power Generation Dataset. Tahapan penelitian meliputi praproses data, normalisasi menggunakan Min-Max Scaling, penentuan jumlah klaster optimal dengan Elbow Method, K-Means clustering, serta evaluasi kualitas klaster menggunakan Silhouette Score. Hasil menunjukkan bahwa jumlah klaster optimal adalah tiga (K=3), dengan nilai WCSS sebesar 27,4509; 6,7612; 2,9752; 1,7142; dan 1,1369 untuk K=1 hingga K=5. Ketiga klaster diinterpretasikan sebagai high-efficiency regime, transition regime, dan low-efficiency regime. Klaster 1 memiliki Centroid Active Power 577,1 kW, Wind Speed 6,4 m/s, dan Efficiency 73,6%; Klaster 2 sebesar 2.482 kW, 12,4 m/s, dan 63,7%; sedangkan Klaster 3 sebesar 6.122 kW, 18,0 m/s, dan 54,7%. Komposisi klaster masing-masing terdiri atas 44, 16, dan 40 observasi. Nilai Silhouette Score sebesar 0,5863 menunjukkan kualitas pengelompokan yang baik. Kontribusi utama penelitian terletak pada interpretasi hasil K-Means sebagai rezim efisiensi sehingga memberikan karakterisasi kondisi operasi berbasis data. Hasil menunjukkan bahwa peningkatan kecepatan angin berkaitan dengan peningkatan daya aktif, tetapi tidak selalu menghasilkan efisiensi yang lebih tinggi.
Downloads
References
Allal, Z., Noura, H. N., Vernier, F., Salman, O., & Chahine, K. (2024). Wind turbine fault detection and identification using a two-tier machine learning framework. Intelligent Systems with Applications, 22, 200372. https://doi.org/10.1016/j.iswa.2024.200372
Astolfi, D., Pandit, R., Celesti, L., Lombardi, A., & Terzi, L. (2022). SCADA data analysis for long-term wind turbine performance assessment: A case study. Sustainable Energy Technologies and Assessments, 52, 102357.
https://doi.org/10.1016/j.seta.2022.102357
Baihaqi, M. D. (2023). Rancang bangun sistem pemantauan efisiensi daya DC pada turbin angin (Studi kasus turbin angin sumbu vertikal Darrieus tipe H). Doctoral dissertation, Universitas Gadjah Mada.
Chalimah, S., Setyobudi, R., Sadrina, A., Satria, M. H. B., & Sari, T. P. (2024). Pengaruh variasi daya turbin pada turbin angin poros vertikal terhadap efisiensi daya generator. TESME, 1(1), 78–85.
Fajri, S., & Yuhendri, M. (2023). Monitoring pembangkit listrik tenaga angin menggunakan Human Machine Interface. JTEIN: Jurnal Teknik Elektro Indonesia, 4(1), 434–444.
https://doi.org/10.24036/jtein.v4i1.421
Kurniawati, I., Reynanda Bagus W. A., Akbar, R., & Rais, M. A. (2026). Evaluasi Performansi Propagasi LoRa E220-900T30D di Lingkungan Rural untuk Monitoring Turbin Angin Berbasis IoT. Jurnal Teknika, 18(1), 69–78.
https://doi.org/10.30736/jt.v18i1.1614
Martins, A. A., Vaz, D. C., Silva, T. A. N., Cardoso, M., & Carvalho, A. (2024). Clustering of wind speed time series as a tool for wind farm diagnosis. Mathematical and Computational Applications, 29(3), 35. https://doi.org/10.3390/mca29030035
Marti-Puig, P., & Núñez-Vilaplana, C. (2024). Dynamic clustering of wind turbines using SCADA signal analysis. Energies, 17(11), 2514. https://doi.org/10.3390/en17112514
Paik, C., Chung, Y., & Kim, Y. J. (2023). Power curve modeling of wind turbines through clustering-based outlier elimination. Applied System Innovation, 6(2), 41.
https://doi.org/10.3390/asi6020041
Peco Chacón, A. M., Segovia Ramirez, I., & García Márquez, F. P. (2023). False alarm detection in wind turbine by classification models. Advances in Engineering Software, 177, 103409.
https://doi.org/10.1016/j.advengsoft.2023.103409
Rodriguez, P. C., Marti-Puig, P., Caiafa, C. F., Serra-Serra, M., Cusidó, J., & Solé-Casals, J. (2023). Exploratory analysis of SCADA data from wind turbines using the K-Means clustering algorithm for predictive maintenance purposes. Machines, 11(2), 270.
https://doi.org/10.3390/machines11020270
Sugeng, S., Nizar, T. N., Jatmiko, D. A., Hartono, R., & Kerlooza, Y. Y. (2024). Kalibrasi sensor monitoring cuaca pada area lokal untuk meningkatkan akurasi pada sensor biaya rendah. Komputika: Jurnal Sistem Komputer, 13(2), 277–287. https://doi.org/10.34010/komputika.v13i2.13949
Sun, S., Hu, W., Liu, Y., Wang, T., & Chu, F. (2023). Matching contrastive learning: An effective and intelligent method for wind turbine fault diagnosis with imbalanced SCADA data. Expert Systems with Applications, 223, 119891.
https://doi.org/10.1016/j.eswa.2023.119891
Tian, X., Jiang, Y., Liang, C., Liu, C., Ying, Y., Wang, H., Zhang, D., & Qian, P. (2022). A novel condition monitoring method of wind turbines based on GMDH neural network. Energies, 15(18), 6717.
https://doi.org/10.3390/en15186717
Tyass, I., Khalili, T., Rafik, M., Abdelouahed, B., Raihani, A., & Mansouri, K. (2023). Wind speed prediction based on statistical and deep learning models. International Journal of Renewable Energy Development, 12(2), 288–299.
https://doi.org/10.14710/ijred.2023.48672
Wei, L., Wang, L., Liu, F., & Qian, Z. (2023). Clustering analysis of wind turbine alarm sequences based on domain knowledge-fused Word2vec. Applied Sciences, 13(18), 10114.
https://doi.org/10.3390/app131810114
Wiranata, D. T., Prahasto, T., & Widodo, A. (2021). Analisis prognostik terhadap kerusakan bantalan pada poros kecepatan tinggi turbin angin menggunakan machine learning dengan pendekatan Support Vector Regression (SVR). Jurnal Teknik Mesin, 9(2), 181–190.
Wu, Z., Li, Y., & Wang, P. (2024). A hierarchical modeling strategy for condition monitoring and fault diagnosis of wind turbine using SCADA data. Measurement, 238, 114325.
https://doi.org/10.1016/j.measurement.2024.114325
Yandri, Y., Khwee, K. H., & Kurnianto, R. (2024). Studi komparatif turbin angin berdaya sama dengan kurva daya yang berbeda berbasis distribusi Weibull. Jurnal Teknologi Elektro, 15(1), 36–46.
https://doi.org/10.22441/jte.2024.v15i1.007
Yang, L., Wang, K., & Zhou, J. (2024). Multimode high-dimensional time series clustering and monitoring for wind turbine SCADA data. Quality and Reliability Engineering International, 40(8), 4285–4306. https://doi.org/10.1002/qre.3626
Zhang, G., Li, Y., & Zhao, Y. (2023). A novel fault diagnosis method for wind turbine based on adaptive multivariate time-series convolutional network using SCADA data. Advanced Engineering Informatics, 57, 102031. https://doi.org/10.1016/j.aei.2023.102031
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Triuli Novianti, Ridho Akbar, Iwan Santosa, Ainur Romzy
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:
Â
- 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.
Â
Hak Cipta
Penulis yang menerbitkan dengan jurnal ini menyetujui persyaratan berikut:
Â
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
