Kembali ke dashboard

Konsep Hybrid ML dan Threshold pada Trafo Distribusi

Catatan teknis untuk menjelaskan mengapa sistem tetap membutuhkan Machine Learning walaupun sudah memiliki batas threshold.

Threshold

Threshold adalah batas keselamatan. Fungsinya menentukan apakah kondisi aktual sudah melewati nilai aman, misalnya overload, suhu tinggi, atau kondisi kritis.

Machine Learning

ML membaca pola historis dan tren operasi. Fungsinya memberi peringatan dini ketika data masih terlihat normal tetapi arahnya menuju kondisi berisiko.

Mengapa ML Tidak Sia-sia?

Threshold menjawab pertanyaan: apakah kondisi saat ini sudah berbahaya? ML menjawab pertanyaan: apakah kondisi yang masih terlihat normal sedang bergerak menuju bahaya?

Jika hanya menggunakan threshold, sistem bersifat reaktif karena alarm muncul setelah batas tercapai. Dengan ML, sistem menjadi prediktif karena dapat memberi status Waspada sebelum batas threshold benar-benar terlampaui.

Cara Kerja Sistem Secara Rinci

Sistem bekerja seperti dua lapisan yang saling menjaga. Lapisan pertama membaca kondisi aktual untuk keselamatan. Lapisan kedua membaca pola masa depan untuk peringatan dini.

1 Data Masuk

Sensor mengirim beban, suhu, tegangan, arus, kapasitas trafo, status, dan waktu pembaruan ke Firebase.

2 Validasi Aktual

Sistem memeriksa apakah data masih baru, masuk akal, dan bukan kondisi Offline atau Blackout.

3 Threshold

Sistem menghitung health trafo. Jika health turun atau nilai aktual melewati batas aman, status langsung Warning atau Critical.

4 ML Forecast

ML memperkirakan beban dan suhu pada jam berikutnya berdasarkan jam operasi, histori, kapasitas, dan kondisi saat ini.

Urutan Keputusan di Sistem Ini

Kondisi Peran Threshold Peran ML Keputusan Sistem
Data sensor tidak valid atau terlalu lama tidak update Mencegah keputusan dari data yang salah. Tidak dijadikan dasar utama. Status Offline atau Data Tidak Valid.
Kondisi aktual sudah melewati batas aman Menjadi penentu utama. Diabaikan sebagai pemutus utama karena bahaya sudah terjadi. Status Critical dan sistem dapat menyiapkan manuver.
Kondisi aktual mendekati batas aman Menaikkan status menjadi Warning atau Siaga. Menguatkan keputusan jika tren ke depan makin berisiko. Status Siaga, operator perlu memantau.
Kondisi aktual masih normal Belum memberi alarm bahaya. Membaca pola menuju overload atau suhu tinggi. Status tetap aman secara aktual, tetapi dashboard memberi Waspada Prediktif jika forecast berisiko.

Alur Data pada Website

Sensor Trafo
    -> Firebase GH/TD1, GH/TD2, GH/TD3
    -> ml_engine.py membaca data setiap beberapa detik
    -> sistem menghitung health aktual dan status threshold
    -> ML menghitung forecast beban dan suhu jam berikutnya
    -> hasil disimpan ke Firebase Prediction
    -> dashboard index.php menampilkan Aktual, Forecast, dan Command

Karena itu, status aktual dan status forecast memang bisa berbeda. Jika aktual Normal tetapi forecast Warning, artinya trafo belum berbahaya sekarang, tetapi pola datanya menunjukkan potensi risiko ke depan.

Arti Jarak Prediksi

Jarak prediksi adalah selisih waktu antara jam aktual sistem dengan jam target prediksi. Contohnya, jika waktu aktual adalah 20:00 dan operator memilih prediksi jam 17:00, maka sistem membaca target tersebut sebagai jam 17:00 hari berikutnya. Selisihnya adalah 21 jam, sehingga dashboard menampilkan jarak prediksi 21 jam.

Istilah ini sebelumnya tampil sebagai horizon. Pada sistem prediksi, horizon berarti seberapa jauh model melihat ke depan dari waktu saat ini.

Evaluasi Model Saat Ini

Model dievaluasi menggunakan data validasi holdout berbasis profil operasi sintetis trafo distribusi. Hasil prediksi beban dan suhu diklasifikasikan menjadi Normal, Warning, atau Critical.

Accuracy  : 92.17%
Precision : 92.38%
Recall    : 92.17%
F1-score  : 92.18%
Load MAE  : 1.596
Load RMSE : 2.221
Load R2   : 99.13%
Temp MAE  : 0.806
Temp RMSE : 1.063
Temp R2   : 98.16%

Nilai tersebut menunjukkan evaluasi awal sudah di atas 90% untuk metrik klasifikasi utama. Untuk laporan akhir, hasil ini tetap perlu dijelaskan sebagai validasi awal karena data yang digunakan masih berbasis profil operasi sintetis, bukan seluruhnya data lapangan jangka panjang.

Logika Singkat yang Dipakai

Jika data sensor tidak valid:
    status = Offline / Data Tidak Valid

Jika kondisi aktual melewati batas kritis:
    status = Critical
    gunakan threshold sebagai proteksi utama

Jika kondisi aktual normal tetapi ML memprediksi risiko:
    status aktual = Normal
    forecast = Warning / Critical
    tampilkan peringatan dini
    jangan langsung switching

Jika kondisi aktual dan ML sama-sama aman:
    status = Normal

Bagian pentingnya adalah ML tidak langsung memutus atau memindahkan beban hanya karena prediksi. ML memberi informasi lebih awal. Aksi proteksi tetap dikunci oleh kondisi aktual agar sistem tidak bertindak berlebihan.

Contoh Kasus

Kondisi aktual TD1:
Beban = 68%
Suhu  = 54 derajat C
Status threshold = Normal

Hasil prediksi ML:
Beban jam 18:00 = 88%
Suhu jam 18:00  = 72 derajat C
Status prediksi = Waspada

Pada contoh tersebut, threshold masih membaca Normal karena nilai aktual belum melewati batas. Namun ML memberi peringatan bahwa trafo berpotensi mendekati kondisi berisiko pada jam puncak. Jadi ML tidak menggantikan threshold, melainkan menambah kemampuan antisipasi.

Prioritas Keputusan Sistem

Kritis
Kondisi aktual sudah melewati batas aman. Sistem langsung memprioritaskan threshold dan dapat menjalankan aksi proteksi atau manuver.
Siaga
Kondisi aktual mendekati batas aman dan prediksi ML menunjukkan risiko meningkat.
Waspada Prediktif
Kondisi aktual masih normal, tetapi ML membaca potensi kenaikan beban atau suhu pada waktu berikutnya.
Normal
Kondisi aktual dan prediksi ML sama-sama berada dalam batas aman.

Kesimpulan untuk Laporan

Sistem yang digunakan adalah Hybrid Decision System. Threshold berfungsi sebagai lapisan keselamatan aktual, sedangkan ML berfungsi sebagai lapisan prediktif. Kombinasi ini membuat sistem lebih andal karena mampu bereaksi terhadap bahaya yang sudah terjadi dan mampu memberi peringatan sebelum bahaya tersebut terjadi.