Kursus Klasifikasi Gangguan Kualitas Daya dengan Wavelet & Machine Learning (Python)
Deteksi dan klasifikasikan gangguan kualitas daya — sag, swell, interupsi, harmonik, flicker, transien, notch — dengan wavelet transform dan machine learning: dataset sintetis sesuai IEEE 1159, dekomposisi DWT 5 level, fitur energi & statistik, SVM, Random Forest, XGBoost, dan uji ketahanan noise.
Materi mengikuti seri video Kursus Deteksi & Klasifikasi Gangguan Kualitas Daya dengan Wavelet Transform & Machine Learning (6 modul). Modul 1 bisa ditonton gratis.
Hasil yang Dicapai
- 99% — Akurasi klasifikasi 9 jenis gangguan (XGBoost)
- 2.700 — Sinyal gangguan sintetis sesuai IEEE 1159
- 32 — Fitur wavelet dan RMS per sinyal
- ±90% — Akurasi pada sinyal ber-noise setelah augmentasi
Apa yang Dipelajari
- Jenis Gangguan: Sag, swell, interupsi, harmonik, flicker, transien, dan notch.
- Dataset IEEE 1159: Membangkitkan 2.700 sinyal dengan parameter acak dan cek RMS.
- Discrete Wavelet Transform: Dekomposisi Daubechies-4 lima level untuk melokalisasi gangguan.
- Ekstraksi Fitur: Energi, entropi, dan statistik koefisien wavelet.
- SVM, RF, XGBoost: Tiga klasifikasi dibandingkan dengan confusion matrix.
- Uji Noise: Ketahanan terhadap noise dan trik augmentasi saat pelatihan.
Untuk Siapa?
- Mahasiswa S1/S2 (skripsi & tesis) — Kerangka penelitian kualitas daya listrik lengkap: metode pembanding, metode usulan, eksperimen, dan evaluasi siap bab 4.
- Peneliti & dosen — Kode Python yang rapi dan mudah diganti data, parameter, atau metodenya untuk publikasi.
- Praktisi & engineer — Memahami cara kerja kualitas daya listrik dari teori sampai implementasi yang bisa dicoba sendiri.
- Developer & data scientist — Praktik Python pada studi kasus nyata, bukan sekadar contoh mainan.
Dataset dan file project tersedia khusus untuk pelanggan premium. Butuh pendampingan riset? Lihat .









