PREDIKSI JENIS KONTAMINASI PADA PERMUKAAN ISOLATOR TEGANGAN TINGGI MENGGUNAKAN METODE MOBILENET YANG DIMODIFIKASI

mukhlisin yoga raya, Prof. Ir. Tumiran, M.Eng., Ph.D., IPU.

2026 | Tesis | S2 Teknik Elektro

Kontaminasi permukaan pada isolator tegangan tinggi, seperti endapan garam, jelaga, dan kotoran burung, merupakan faktor kritis yang dapat memicu terjadinya ashover dan kegagalan sistem transmisi listrik. Metode inspeksi visual konvensional yang saat ini digunakan dinilai kurang esien, subjektif, dan memakan waktu. Penelitian ini bertujuan untuk mengembangkan sistem klasikasi otomatis kondisi isolator menggunakan pendekatan Deep Learning berbasis Convolutional Neural Network (CNN). Penelitian dilakukan dalam dua tahap pendekatan. Tahap pertama mengevaluasi kinerja enam arsitektur pre-trained (EcientNetB7, InceptionV3, MobileNetV2, ResNet50V2, VGG19, dan Xception) menggunakan teknik transfer learning. Hasil komparasi menunjukkan bahwa MobileNetV2 merupakan model paling superior dengan akurasi baseline sebesar 91,09%, mengungguli model dengan kompleksitas tinggi lainnya, sementara ResNet50V2 mencatat performa terendah (32,94%). Tahap kedua berfokus pada optimasi hyperparameter pada model terbaik. Melalui kongurasi pelatihan 150 epoch, batch size 4, learning rate 10-3, optimizer Adam, dan dropout 0.3, performa MobileNetV2 berhasil ditingkatkan secara signikan. Hasil akhir penelitian menunjukkan bahwa model MobileNetV2 yang telah dioptimasi mampu mencapai akurasi 96,12%, dengan nilai Precision 96,32?n Recall 96,05%. Tingginya akurasi dan keseimbangan metrik evaluasi ini membuktikan bahwa model yang dikembangkan sangat efektif untuk diterapkan sebagai alat bantu inspeksi cerdas guna mendukung pemeliharaan prediktif pada jaringan listrik.

Surface contamination on high-voltage insulators, such as salt deposits, soot, and bird excrement, is a critical factor that can trigger ashovers and power transmission system failures. Conventional visual inspection methods currently employed are considered inecient, subjective, and time-consuming. This study aims to develop an automated insulator condition classication system using a Deep Learning approach based on Convolutional Neural Networks (CNN). The research was conducted in two approaches. The rst stage evaluated the performance of six pre-trained architectures (EcientNetB7, InceptionV3, MobileNetV2, ResNet50V2, VGG19, and Xception) using transfer learning techniques. Comparative results showed that MobileNetV2 was the most superior model with a baseline accuracy of 91.09%, outperforming other high-complexity models, while ResNet50V2 recorded the lowest performance (32.94%). The second stage focused on hyperparameter optimization of the best model. Through a training conguration of 150 epochs, batch size of 4, learning rate of 10-3, Adam optimizer, and dropout of 0.3, the performance of MobileNetV2 was signicantly improved. The nal results demonstrated that the optimized MobileNetV2 model achieved an accuracy of 96.12%, with a Precision of 96.32% and Recall of 96.05%. This high accuracy and balanced evaluation metrics prove that the developed model is highly eective for implementation as an intelligent inspection tool to support predictive maintenance in power grids

Kata Kunci : Isolator Tegangan Tinggi, Klasikasi Kontaminasi, Convolutional Neural Network, MobileNetV2, Hyperparameter Tuning.