analisis titik hotspot pada pemisah di Gardu Induk 150 kV duri kosambi dengan bay penghantar, menggunakan metode decision tree dengan menerapkan artificial intelligence pada suhu hotspot dalam jaringan tenaga listrik untuk meningkatkan keandala operasi memperpanjang umur peralatan, dan mengurangi resiko kegagalan. analisis ini menggunakan metode desicion tree sebagai pohon keputusan dapat diketahui dari hasil data yang di-training dan data yang di-testing sehingga kemampuannya untuk cepat beradaptasi dengan kumpulan data yang ada, sehingga memungkinkan proses pemodelan menjadi lebih efisien. Selain itu, model yang dihasilkan oleh Decision Tree dapat dengan mudah divisualisasikan dan dipahami melalui diagram "pohon keputusan", yang memudahkan interpretasi dan analisis dari proses pengambilan keputusan. Dari hasil penelitian ini menunjukkan bahwa suhu contact finger adalah parameter utama dalam mengidentifikasi hotspot. Data yang di-training dan data yang di-testing menunjukkan bahwa suhu contact finger min tiga minggu adalah indikator yang lebih akurat dibandingkan arus atau suhu lingkungan. Jika suhu contact finger min tiga minggu melebihi 49.750 °C, maka diprediksi terjadi hotspot, sebaliknya jika kurang dari 49.750 °C, tidak terjadi hotspot. Implementasi decision tree pada data yang di-training dan ditesting mengkonfirmasi bahwa suhu contact finger adalah parameter yang paling akurat untuk memprediksi hotspot, dengan arus sebagai parameter sekunder. Pemeliharaan prediktif dengan menggunakan decision tree dapat meningkatkan keandalan operasi dan mengurangi risiko kegagalan dalam sistem tenaga listrik.

analysis of hotspot points on separators at the Duri Kosambi 150 kV main substation with conductor bays, using the decision tree method by applying artificial intelligence to hotspot temperatures in the electric power network to increase operational reliability, extend equipment life and reduce the risk of failure. This analysis uses the decision tree method as the decision tree can be identified through the results of training data and testing data so that its ability to quickly adapt to the existing data set, thus enabling the modeling process to be more efficient. In addition, the model generated by Decision Tree can be easily visualized and understood through a "decision tree" diagram, which facilitates the interpretation and analysis of the decision-making process. The results of this study show that contact finger temperature is the main parameter in identifying hotspots. Training data and testing data show that the contact finger temperature for a minimum of three weeks is a more accurate indicator than current or environmental temperature. If the contact finger temperature for a minimum of three weeks exceeds 49,750 °C, then a hotspot is predicted to occur, whereas if it is less than 49,750 °C, a hotspot does not occur. Implementation of the decision tree on training and testing data confirms that contact finger temperature is the most accurate parameter for predicting hotspots, with current as a secondary parameter. Predictive maintenance using decision trees can increase operational reliability and reduce the risk of failure in electric power systems.