EVALUASI AKURASI TRANSFORMATOR ARUS (CT) PENGUKURAN PADA TRANSAKSI ENERGI
Bibliographic record
Abstract
Transformator Arus (CT) merupakan salah satu peralatan pengukuran pada proses transaksi energi yang memiliki fungsi krusial dalam perhitungan energi. Pengukuran transaksi energi harus dilakukan dengan tepat agar tidak ada kerugian atau losses yang timbul sehingga perusahaan tidak merugi dan pelanggan tidak dirugikan. Penelitian ini dilakukan untuk mengetahui apakah transformator arus (CT) pengukuran yang ada saat ini memiliki tingkat akurasi yang akurat sesuai dengan data literatur yang ada. Metodologi penelitian ini adalah dengan studi literatur terhadap standar, aturan dan referensi lain, pemetaan CT, pengujian akurasi beberapa jenis CT serta evaluasi karakteristik akurasi CT. Hasil penelitian ini menunjukkan bahwa kemampuan bahwa CT tegangan rendah dan tegangan menengah saat ini terutama pada kelas 0,5S dan 0,2S memiliki nilai akurasi pada saat beban 1% dan 5% masih memenuhi standar yang ada dan cenderung nilainya sama saat dengan pembebanan 20%, 100%, dan 120%. Hal ini menunjukkan bahwa saat ini CT dapat mengukur beban dengan akurasi tinggi meskipun pada pembebanan rendah atau lebih baik dari SPLN dan IEC. Selain itu telah disusun sebuah pedoman pemilihan rasio CT untuk semua batas daya pada level tegangan rendah, dan tegangan menengah sesuai dengan karakteristik akurasi CT.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.011 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".