Saluran transmisi tegangan tinggi tidak lepas akan potensi terjadinya berbagai jenis gangguan. Proses mengenali karakteristik gangguan tersebut seringkali masih memerlukan interpretasi manual yang membutuhkan waktu lama. Guna meningkatkan efisiensi dalam proses pemulihan sistem serta mempercepat waktu yang dibutuhkan untuk mengetahui jenis gangguan yang terjadi, maka pada tugas akhir ini diusulkan implementasi dari jaringan Multi-Layer Perceptron (MLP). Sistem kecerdasan buatan ini dirancang untuk membaca karakteristik arus, tegangan, dan karakteristik lainnya ketika gangguan terjadi sehingga dapat melakukan klasifikasi jenis gangguan secara efisien.
Prinsip dari penelitian ini diawali dengan membangkitkan 1188 sampel data untuk 11 jenis gangguan melalui simulasi MATLAB. Kemudian sinyal gangguan mentah diproses dan dilakukan ekstraksi fitur menggunakan pendekatan Discrete Wavelet Transform (DWT) untuk menghasilkan delapan fitur yang akan digunakan sebagai input MLP. Arsitektur dari jaringan MLP ini memiliki konfigurasi final dengan susunan 8 neuron input, 22 neuron pada hidden layer pertama, 10 neuron pada hidden layer kedua, dan 11 neuron output.
Hasil penelitian menunjukkan bahwa implementasi model Multi-Layer Perceptron final mampu mengklasifikasikan 11 jenis gangguan dengan akurasi rata-rata sebesar 96,18% dan standar deviasi yang rendah yaitu 1,05%. Kinerja ini merupakan hasil dari serangkaian proses optimasi dari performa awal model dengan akurasi 74,83%.

Kata Kunci: Gangguan saluran transmisi, kecerdasan buatan, multi-layer perceptron, MATLAB, Discrete Wavelet Transform