Model Kuantum Untuk Deteksi Gangguan Dan Lokasi Pada Jaringan Distribusi Untuk Meningkatkan Keandalan Sistem Kelistrikan

Latar belakang. Keandalan pasokan energi pada jaringan distribusi tenaga listrik sangat bergantung pada kemampuan deteksi dan penentuan lokasi gangguan yang cepat serta akurat. Kompleksitas jaringan yang meningkat, termasuk integrasi smart grid, pembangkit terdistribusi, dan variasi profil beban, menuntut strategi diagnosis gangguan yang mampu menangani data berdimensi tinggi, pola nonlinier, dan struktur topologi jaringan. Metode analitik tradisional serta pendekatan machine learning klasik masih menghadapi keterbatasan dalam representasi fitur, generalisasi model, dan efisiensi komputasi untuk kebutuhan operasional secara real-time. Tujuan. Penelitian ini bertujuan mengembangkan dan mengevaluasi pendekatan Quantum Machine Learning secara progresif dan terintegrasi untuk deteksi gangguan, klasifikasi tipe gangguan, dan estimasi lokasi gangguan pada jaringan distribusi tenaga listrik. Metode. Penelitian dilaksanakan melalui tiga tahap berurutan dengan desain kumulatif menggunakan sistem uji IEEE 76-Bus (transmisi) dan IEEE 33-Bus (distribusi). Data parameter kelistrikan diperoleh melalui simulasi ETAP, MATLAB, dan Python untuk gangguan tiga fasa (3PH), satu fasa ke tanah (LG), antar fasa (LL), serta dua fasa ke tanah (LLG). Tahap pertama mengimplementasikan Quantum Support Vector Machine (QSVM) dengan estimasi kernel kuantum. Tahap kedua mengembangkan Quantum Convolutional Neural Network (QCNN) berbasis arsitektur hybrid quantum-classical. Tahap ketiga merumuskan kerangka QUANTUM-SAG yang mengintegrasikan Quantum Graph Neural Network (QGNN) dan QSVM dengan memanfaatkan informasi topologi jaringan. Evaluasi kinerja dilakukan terhadap model klasik menggunakan akurasi, presisi, recall, F1-score, serta waktu pelatihan dan inferensi. Hasil. QSVM pada jaringan transmisi IEEE 76-Bus memperoleh akurasi rata-rata 95,1% dengan puncak 100% serta percepatan komputasi 3,7 kali lipat dibanding Support Vector Machine (SVM) klasik. QCNN pada jaringan distribusi IEEE 33-Bus mencapai akurasi 99,21%, F1-score 99,00%, presisi 99,10%, dan recall 98,89%, dengan inferensi 4,7 milidetik per sampel yang berarti 23,3 kali lebih cepat daripada Convolutional Neural Network (CNN), SVM, dan Random Forest. Kerangka QUANTUM-SAG menghasilkan akurasi rata-rata 90,8% untuk klasifikasi empat tipe gangguan, meningkat 45,8 persen dibanding SVM baseline melalui representasi graf kuantum yang menangkap konektivitas spasial antar bus. Kesimpulan. Integrasi prinsip komputasi kuantum ke dalam arsitektur machine learning terbukti menghasilkan peningkatan kinerja substantif dalam domain proteksi jaringan tenaga listrik. Pendekatan Quantum Machine Learning yang dikembangkan memvalidasi kelayakan, keunggulan, dan potensi penerapan praktis untuk deteksi gangguan serta mendukung peralihan menuju pemeliharaan prediktif pada sistem distribusi cerdas.