Pengukuran aktifitas partial discharge (PD) telah dilakukan dengan menseleksi sinyal noise (de-noising)
menggunakan metode Support Vector Machine (SVM) lalu dilakukan pengenalan pola PD dengan metode
Convolutional Neural Network (CNN). Pengujian CNN dilakukan dengan berbagai model seperti metode

aktivasi: Sigmoid, Softmax, Relu, Tanh, dan Swish. Jumlah layer 1, 2, 3, 4 dengan ukuran filter masing-
masing 32, 64, 128, 256 serta kernel size 3x3, 2x2, 1x1, 1x2, 1x3 pada metode pooling MaxPooling dan

AveragePooling. Hasil pengujian telah didapat yaitu pada metode Sigmoid metode pooling MaxPooling
dan AveragePooling dengan jumlah layer 1 memiliki tingkat akurasi rendah yaitu sekitar 14,40% akan
tetapi pada jumlah layer lain mendapatkan nilai akurasi tinggi yaitu sekitar 98,99% baik yang telah
dilakukan de-noising ataupun belum. Pada metode aktivasi Softmax metode pooling MaxPooling memiliki
tingkat akurasi sekitar 84,94% dan yang telah de-noising 90,66%. Metode pooling AveragePoolingnya
memiliki tingkat akurasi 65,25% dan yang telah dide-noising sekitar 75,29% hasil ini menunjukan bahwa
de-noising SVM meningkatkan tingkat akurasi sekitar 11,12% pada metode aktivasi Softmax. Pada
metode aktivasi Tanh, Relu, dan Swish didapatkan tingkat akurasi yang rendah dengan rata-rata 14.40%,
dan de-noising SVM tidak meningkatkan tingkat akurasi pengenalan polanya, maka deeplearning berbasis
CNN dengan de-noising SVM lebih cocok menggunakan metode aktivasi Sigmoid dan Softmax.