PLN unit Induk Wilayah Nusat Tenggara Barat mengaplikasikan Kecerdasan Buatan (Articial Intelligence) pada salah satu inovasi terbarunya pada proses kegiatan pemeliharaan jaringan distribusi tegangan menengah 20 KV, Inovasi tersebut terfokus pada penggunaan drone berbasis kecerdasan buatan (AI) untuk melakukan inspeksi yang efisien dan akurat pada jaringan tegangan menengah. Dengan menggabungkan teknologi AI dan drone, SkyProbe diklaim mampu mendeteksi dan menganalisis kerusakan atau kegagalan pada jaringan distribusi tegangan menengah.
Sistem Distribusi merupakan salah satu komponen sistem tenaga listrik yang tidak lepas dari terjadinya gangguan atau kerusakan. Kondisi panjangnya jaringan distribusi tenaga listrik menyebabkan banyaknya gangguan tidak terduga yang terjadi dalam penyaluran tenaga listrik. Gangguan tersebut dapat bersifat temporer ataupun permanen.
Tantangan terbesar dalam mencapai indikator keandalan jaringan distribusi seperti SAIDI, SAIFI, dan FGTM di PLN UIW NTB yaitu kondisi geografis. Seperti jaringan distribusi yang melewati kontur tanah yang tidak rata dan sulit untuk dilewati kemudian persawahan, perbukitan, perkebunan, hutan, bahkan melewati sungai atau laut. Proses inspeksi menjadi faktor pertama dari fungsi pemeliharaan jaringan distribusi. Total asset jaringan distribusi UIW NTB sebesar 140.067 titik, dengan total inspeksi ditahun 2021 sebanyak 336.161 titik (240%) dan total temuan 715 titik (0,51%). Sedangkan pemeliharaan tanpa proses inspeksi terlebih dahulu sebanyak 2135 titik (1,52%). Dari analisa data tersebut bahwa proses inspeksi yang dilakukan oleh manusia memiliki eror yang cukup besar.
Inspeksi jaringan distribusi yang masih dilakukan secara manual dengan berjalan di sepanjang jaringan distribusi masih menggunakan teropong untuk melihat lebih detail kondisi aset di atas tiang dan terkadang dalam kondisi tertentu petugas diperlukan untuk memanjat tiang membuat cara pandang menilai asset menjadi berbeda
Salah satu solusi yang akhir-akhir ini digunakan untuk mengatasi masalah tersebut adalah dengan menggunakan teknologi Unmanned Aerial Vehicle (UAV) seperti drone quadcopter yang dilengkapi dengan kamera dan GPS untuk melakukan inspeksi jaringan distribusi. Akan tetapi, dalam implementasinya, penggunaan drone untuk inspeksi jaringan distribusi masih belum optimal dikarenakan oleh analisa foto yang masih dilakukan secara manual atau satu per – satu  oleh petugas inspeksi untuk mendeteksi kondisi anomali pada komponen JTM, memasukkan titik koordinat aset yang mengalami gangguan masih dilakukan secara manual ke dalam map atau GIS, human error yang terjadi apabila jumlah foto hasil inspeksi yang dianalisis terlalu banyak
Dengan sejumlah permasalahan tersebut, maka timbul ide pengembangan karya inovasi ini. Karya inovasi ini menggunakan Artificial Intelligence (AI) – SkyProbe yang memanfaatkan teknologi machine learning, computer vision, dan object detection menggunakan YOLOv5  diharapkan mampu menjawab permasalahan terkait hasil inspeksi drone serta pengolahan datanya yang masih manual, sehingga dapat berdampak untuk peningkatan keandalan jaringan distribusi tegangan menengah. Â
Rancangan karya inovasi Sky Probe dilakukan secara sistematis dengan metode desain pemikiran (design thinking), yaitu emphatize, define, ideate, prototype, dan tes.
1. Emphatize
Pada tahap pertama, rancangan karya inovasi ini menggali informasi dari narasumber yang berhubungan langsung dengan proses bisnis inspeksi jaringan. Community Of Practice (COP) dilakukan secara internal dan kemudian wawancara terhadap petugas inspeksi jaringan, koordinator yantek, team leader Teknik ULP, team leader Pemeliharaan dan Operasi UP3 serta asisten manager Jaringan.
2. Define
Setelah mendeskripsikan permasalahan utama, didapat beberapa masalah utama. Masalah tersebut, dapat diselesaikan dengan memberikan sistem inspeksi berbasis drone dengan pengolahan data berbasis wes (Web Based Application). Dengan melakukan tinjauan pustaka, pembuatan sistem informasi sebagai penunjang inspeksi berbasis drone diharapkan mampu mengatasi akar permasalahan yang didapat.
Baca Juga
3. Ideate
Dari akar permasalahan yang ada, didapat suatu rencana solusi yang bisa membantu menyelesaikan akar permasalahan tersebut. Rencana tersebut berupa pembuatan sistem informasi inspeksi berbasis drone bagi pengguna (user) ditingkat pelaksana serta dashboard website sebagai monitoring pencapaian hasilnya oleh pengguna (user) dan manajemen.
4. Prototype
Pada tahap awal, pembuatan purwarupa (prototype) memanfaatkan machine learning dan computer vision serta object detection menggunakan YOLOv5. Secara garis besar rencana implementasi key-features SkyProbe dibagi menjadi 4 (empat) tahap yaitu :
a. Deteksi Aset & Severity
Aset sebagai fokus implementasi awal terdiri dari empat jenis isolator saluran udara tegangan menengah (SUTM) yaitu isolator tumpu keramik, isolator tarik keramik, isolator tumpu polimer, dan isolator tarik polimer.
b. Deteksi Anomali
Aset yang teridentifikasi kemudian dianalisis tingkat kerusakannya dengan 3 tingkat yang telah ditentukan (baik, kurang, atau buruk) yang juga disertai dengan rekomendasi tindakan tindak lanjut untuk setiap tingkat.
c. Integrasi dengan Aplikasi Enterprise Asset Management (EAM)
Pada fase ini, solusi ini akan diintegrasikan dengan Aplikasi EAM untuk beberapa hal seperti penerbitan Work Order (WO) pemeliharaan dan perhitungan statistik aset.
d. Continuous Improvement
Pada fase akhir ini, hasil yang diperoleh meliputi Auto model AI, data feed realtime dari drone dan Autonomous Inspection.
5. Test
Proses uji terhadap purwarupa (prototipe) dilaksanakan bulan Maret 2022, dan mendapatkan  hasil yang memuaskan berupa peranti lunak tersebut dapat berjalan serta drone terbang mengambil foto inspeksi jaringan tegangan menengah
Waktu yang dibutuhkan SkyProbe  untuk mengevaluasi hasil inspeksi per foto secara manual oleh petugas rata-rata 0,5 menit/foto sedangkan jika menggunakan SkyProbe hanya membutuhkan ratarata 0,0083 menit/foto atau dalam 1 menit dapat mengevaluasi secara otomatis sebanyak 60 foto. Dengan adanya SkyProbe ini akan mempermudah evaluasi hasil inspeksi jaringan distribusi tenaga listrik berbasis drone. Hasil inspeksi akan muncul secara otomatis dan akurat sehingga mempercepat pengambilan keputusan kegiatan pemeliharaan distribusi. Dengan SkyProbe ini juga diharapkan dapat mendukung Zero Accident karena pekerjaan dilakukan oleh mesin atau tidak ada kontak langsung antara manusia dengan instalasi ketenagalistrikan
Keunggulan utama SkyProbe terletak pada kemampuan drone untuk melakukan inspeksi secara mandiri dan mengumpulkan data visual serta informasi lainnya tentang kondisi jaringan. Drone dilengkapi dengan sensor dan kamera yang dapat mengidentifikasi masalah seperti kabel yang rusak, isolator yang pecah, atau kebocoran arus listrik. Hal ini memungkinkan operator untuk mendapatkan pemahaman yang lebih mendalam tentang keadaan jaringan tegangan menengah tanpa harus melibatkan tim inspeksi manusia.
Sesuai dengan program pemerintah untuk penerapan prinsip ESG, penerapan Skyprobe telah mengedepankan kegiatan pembangunan, investasi dan bisnis yang berkelanjutan dengan tiga faktor, yaitu environmental (lingkungan), social (sosial) dan governance (tata kelola). Penerapan inspeksi berbasis Skyprobe ini ramah lingkungan karena menggunakan mesin yang diterbangkan sehingga meminimalisir kerusakan yang ditimbulkan akibat proses inspeksi jaringan secara manual. Seperti tumbuhan yang terinjak,penebangan pohon, perusakan habibat hewan dll. Hal ini sangat relevan dengan daerah dikawasan Regional Sulmapanan pada umumnya dan NTB khususnya, dimana sebagian jaringan distribusi melintasi hutan lindung, perbukitan, persawahan dan pantai
Dibandingkan dengan produk inspeksi berbasis drone yang sejenis, Skyprobe memiliki keunggulan diantaranya Auto detection object, Auto Capture Object, Tracking Drone Position dan live stream camera drone. Kemudian, Skyprobe juga telah mendapat pengakuan dari PT PLN Pusat Sertifikasi (PLN PUSERTIF) sebagai salah satu sistem yang dapat digunakan dalam proses inspeksi untuk penerbitan Sertfikat Laik Operasi (SLO) jaringan distribusi.Â
