Desain Sistem Pendeteksian dan Monitoring Harmonisa Arus Menggunakan Jaring Saraf Tiruan Berbasis LabVIEW

JURNAL TEKNIK POMITS Vol. 1, No. 1, (2014) 1-6

1

Desain Sistem Pendeteksian dan Monitoring Harmonisa Arus Menggunakan Jaring Saraf Tiruan Berbasis LabVIEW. Andika Wahyu Saputra, Ardyono Priyadi, Mauridhi Hery Purnomo Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya 60111 E-mail: [email protected], [email protected], [email protected] Abstrak— Meningkatnya kapasitas beban non-linier pada sistem tenaga listrik menjadi sebuah hal yang sangat serius mengingat beban non-linear dapat menjadi sumber munculnya arus harmonisa yang dapat menggangu kualitas dan kuantitas arus pada sistem tenaga listrik. Terdapat beberapa metode yang digunakan untuk menganalisis harmonisa, antara lain dengan mencuplik secara langsung pada jaringan yang terhubung dengan beban kemudian mentransformasikan sinyal tersebut dari domain waktu ke domain frekuensi atau dengan menggunakan Jaring Saraf Tiruan. Pada penelitian ini data pola gelombang sinyal harmonisa didapatkan dengan mensimulasikan gelombang harmonisa pada program LabVIEW. Jaring Saraf Tiruan digunakan untuk mendeteksi jenis harmonisa berdasarkan pola gelombangnya. Hasil pengenalan Jaring Saraf Tiruan kemudian dibandingkan dengan targetnya dan dianalisa untuk menentukan konfigurasi Jaring Saraf Tiruan terbaik. Kata Kunci— Harmonisa, Pendeteksian, Pola, Jaring Saraf Tiruan.

B

I. PENDAHULUAN

eberapa tahun terakhir ini perkembangan jumlah beban listrik di Indonesia semakin bertambah tiap tahunnya. Perkembangan ini diikuti oleh perkembangan teknologi peralatan elektronik pada sektor industri dan rumah tangga. Peralatan elektronik pada sektor rumah tangga seperti komputer, televisi, Air Conditioner (AC), mesin fotocopy hingga Uninterrpuable Power System (UPS) dan variable Speed Drive (VSD) untuk mesin sinkron pada sektor industri merupakan salah satu penyebab beban non-linear pada sistem tenaga listrik. Meningkatnya kapasitas beban non-linier pada sistem tenaga listrik menjadi sebuah hal penting untuk diperhatikan mengingat beban non-linear dapat menjadi sumber munculnya arus harmonisa yang dapat menggangu kualitas dan kuantitas arus pada sistem tenaga listrik. Jika dilihat dari sisi sistem distribusi sistem tenaga listrik, arus harmonisa dapat menurunkan kualitas daya (power quality), menyebabkan overvoltage (tegangan lebih), overload (kelebihan beban) sistem akibat kenaikan nilai arus RMS dan distorsi tegangan. Sedangkan jika dilihat dari sisi peralatan tenaga listrik arus harmonisa dapat menyebabkan kegagalan CB, pemanasan berlebih hingga kerusakan peralatan listrik [1].

Umumnya analisis harmonisa arus dilakukan dengan mentransformasikan sinyal arus dari domain waktu ke domain frekuensi. Metode transformasi yang digunakan beragam mulai dari transformasi fourier diskrit (DFT) yang kemudian disempurnakan dengan pengaplikasian Fast Fourier Transform (FFT), Estimation of Signal Parameters via Rotational Invariance Technique (ESPRIT), Multiple Signal Classification (MUSIC), metode Prony, Adaptive Linier Element (ADALINE), pemfilteran Kalman, metode PLL, dan Jaring Saraf Tiruan [4]. Pada penelitian ini, Jaring Saraf Tiruan digunakan pada pendeteksian harmonisa karena kemampuan belajarnya sehingga mampu untuk mengenali pola-pola harmonisa yang telah dipelajarinya. Pada penelitian ini, gelombang terdistorsi dibangkitkan dengan menggunakan program pembangkitan sinyal terdistorsi menggunakan LabVIEW. Hasil dari program pembangkitan sinyal terdistorsi kemudian digunakan sebagai data masukan pada Jaring Saraf Tiruan. Sedangkan target dari Jaring Saraf Tiruan adalah pengkodean klasifikasi jenis harmonisa. II. URAIAN PENELITIAN Penelitian ini secara garis besar meliputi tiga tahap yaitu penggalian data pola gelombang harmonisa, pelatihan Jaring Saraf Tiruan, dan pengenalan Jaring Saraf Tiruan (mapping). A. Harmonisa Harmonisa dalam sistem tenaga listrik didefinisikan sebagai sinusoidal arus dan tegangan pada frekuensi yang merupakan kelipatan bilangan bulat dengan frekuensi fundamental [3]. Misalnya frekuensi dasar suatu sistem tenaga listrik adalah 50 Hz maka harmonisa keduanya adalah gelombang dengan frekuensi sebesar 100 Hz, harmonisa ketiga adalah gelombang dengan frekuensi sebesar 150 Hz dan seterusnya. Gelombanggelombang ini kemudian menumpang pada gelombang murni/aslinya sehingga terbentuk gelombang cacat yang merupakan hasil penjumlahan antara gelombang murni sesaat dengan gelombang harmonisanya. Harmonisa muncul akibat adanya beban-beban non linier yang terhubung ke sistem distribusi. Beban non linier ini umumnya adalah peralatan elektronik yang di dalam peralatan

JURNAL TEKNIK POMITS Vol. 1, No. 1, (2014) 1-6

2

tersebut banyak terdapat komponen semi konduktor. Komponen ini dalam proses kerjanya berlaku sebagai saklar yang bekerja pada setiap siklus gelombang tegangan [1].

-

Langkah 7 Lakukan langkah 3 sampai 6 secara terus-menerus hingga dicapai error yang sangat kecil.

B. Pelatihan Jaring Saraf Tiruan Jaring Saraf Tiruan dibuat sebagai usaha agar komputer dapat menyamai proses belajar dari jaring saraf biologis, sehingga jaring tersebut dapat mempelajari berbagai pola yang berbeda menggunakan metode pelatihan. Metode pelatihan Jaring Saraf Tiruan dapat dikategorikan menjadi dua kelompok, yaitu pelatihan tak terbimbing (unsupervised learning) dan pelatihan terbimbing (supervised learning). Pelatihan tak terbimbing merupakan pelatihan di mana unit keluaran dilatih untuk merespon sekelompok pola yang ada pada input. Sedangkan pelatihan terbimbing merupakan pelatihan dimana jaring saraf dilatih dengan memberikan pola masukan dan target keluarannya. [10] Terdapat beberapa metoda pelatihan terbimbing yang digunakan Jaring Saraf Tiruan, diantaranya yang sering diaplikasikan adalah Jaring Saraf Tiruan perseptron lapis jamak (multi layer perceptron) dan propagasi balik (Back propagation ). [11] Berikut ini merupakan algoritma menyusun Artificial Neural Network Back propagation [11] : - Langkah 1 : Inisiasi setiap parameter jaring saraf tiruan. - Langkah 2 : Unit masukan Ai sejumlah n disebarkan ke hidden layer. - Langkah 3 : Masing-masing sinyal input yang sudah di normalisasi dikalikan dengan pemberat dan dijumlahkan. Jumlah input yang memiliki berat ditambahkan dengan bias node di hidden layer. Hsil tersebut kemudian diaktifkan dengan fungsi pengaktif sigmoid unipolar. - Langkah 4 : Sinyal yang sudah diaktifkan diteruskan ke unit output. Sinyal hasil dari hidden layer sejumlah m dikalikan dengan pemberat masing-masing dari link penghubung antara hidden layer dan unit output dan dijumlahkan. Penjumlahan sinyal yang masuk unit output ditambah dengan bias pada node output. Unit yang berada didalam unit output kemudian diaktifkan menggunakan fungsi pengaktif. - Langkah 5 : Setelah didapat nilai output, nilai target dibandingkan dengan nilai output, lalu dihitung nilai error / galatnya lalu dihitung perbaikan pemberatnya serta perbaikan biasnya. Setelah perbaikan pemberat dan bias didapatkan, nilai perbaikan pemberat dan bias tersebut ditambahkan dengan nilai pemberat dan bis lama untuk mendapatkan nilai pemberat dan bias baru. - Langkah 6 Masing-masing pemberat yang dihubungkan dengan hidden layer dikalikan delta dan dijumlahkan kemudian dikalikan dengan turunan fungsi pengaktif lalu dihitung perbaikan pemberat dan biasnya. Setelah perbaikan pemberat dan bias didapatkan, nilai perbaikan pemberat dan bias tersebut ditambahkan dengan nilai pemberat dan bias lama untuk mendapatkan nilai pemberat dan bias baru.

C. Pengenalan Jaring Saraf Tiruan Pengenalan Jaring Saraf Tiruan menggunakan Jaring Saraf Tiruan Feed forward. Algoritma Jaring Saraf Tiruan Feed forward seperti langkah 3 dan 4 pada Back propagation. Masing-masing sinyal input yang sudah di normalisasi dikalikan dengan pemberat hasil proses pelatihan dan dijumlahkan. Jumlah input yang memiliki berat ditambahkan dengan bias node di hidden layer. Hasil tersebut kemudian diaktifkan dengan menggunakan fungsi pengaktif sigmoid unipolar. Hasil kalkulasi tersebut diterapkan kembali pada layer selanjutnya hingga mendapat nilai output [2]. III. PERENCANAAN SOFTWARE A. Sofware Penggalian Data Proses penggalian data menggunakan program bernama pembangkit sinyal terdistorsi. Program tersebut merupakan cuplikan dari program yang dibuat oleh Arfian Edi Tama pada tugas akhir berjudul “Desain Sistem Pendeteksian dan Monitoring Harmonisa Arus secara Online Menggunakan Transformasi-S Berbasis LabVIEW [12].” Pada tugas akhir tersebut terdapat sub-program yang dapat membangkitkan berbagai macam tipe gelombang harmonisa beserta tingkatan distorsinya. Gambar 1 adalah program pembangkit sinyal terdistorsi yang digunakan pada tugas akhir ini.

Gambar 1. Program pembangkitan sinyal terdistorsi.

Hasil dari program pembangkitan sinyal terdistorsi adalah gelombang terdistorsi yang mengandung komponen harmonisa yang telah ditentukan. Hasil tersebut akan digunakan sebagai data input bagi Jaring Saraf Tiruan. Pada penelitian ini, data diambil dan dibagi menjadi 2 bagian. Bagian pertama digunakan sebagai data input pada proses pelatihan Jaring Saraf Tiruan, sedangkan bagian kedua digunakan sebagai data input pada proses mapping. Pada data pelatihan, masing-masing jenis gelombang terdistorsi menggunakan 10 set data dengan berbagai tingkat distorsi mulai dari 0% hingga 90%. Sedangkan pada proses mapping, masing-masing jenis gelombang terdistorsi menggunakan 4 set data dengan berbagai tingkat distorsi mulai dari 35% hingga 65%.

JURNAL TEKNIK POMITS Vol. 1, No. 1, (2014) 1-6

3

B. Software Pelatihan Jaring Saraf Tiruan Proses pelatihan Jaring Saraf Tiruan pada penelitian ini menggunakan software aNETka 2.0 yang dibuat oleh Stan Zurek. Program ini adalah Jaring Saraf Tiruan berjenis Multi Layer Perceptron dengan metoda Back propagation. Data input pada program ini adalah data gelombang yang dihasilkan oleh software penggalian data. Target yang akan digunakan pada proses pelatihan adalah pengkodean klasifikasi masing-masing jenis harmonisa. Pengkodean target pada penelitian ini dibagi menjadi dua, perbedaan ini hanya terdapat terdapat pada tingkat distorsi 0%. Tabel 1 dan 2 adalah dua pengkodean pada tingkat distorsi 0%. Pada tingkat selain 0%, pengkodean yang digunakan adalah pengkodean pada tabel 2. Tabel 1. Pengkodean A

Jenis Harmonisa Harmonisa ke-2 Harmonisa ke-3 Harmonisa ke-3 dan 5 Harmonisa ke-3, 5 dan 7 Harmonisa ke-3, 5, 7 dan 9

1 0 0 0 0

0 1 0 0 0

Kode 0 0 1 0 0

0 0 0 1 0

0 0 0 0 1

Tabel 2. Pengkodean B Jenis Harmonisa Harmonisa ke-2 Harmonisa ke-3 Harmonisa ke-3 dan 5 Harmonisa ke-3, 5 dan 7 Harmonisa ke-3, 5, 7 dan 9

0 0 0 0 0

0 0 0 0 0

Kode 0 0 0 0 0

0 0 0 0 0

0 0 0 0 0

Setelah menentukan input dan target, proses selanjutnya adalah mengkonfigurasi jumlah layer dan node jaring saraf tiruan. Konfigurasi jumlah layer dan node yang digunakan pada penelitian dibagi menjadi 2, yaitu mengikuti perhitungan yang diperkenalkan oleh Guang-Bin Huang [13] yang menggunakan dua hidden layer dan menggunakan konfigurasi satu hidden layer. Guang-Bin Huang menyatakan pada penelitiannya bahwa sebuah Jaring Saraf Tiruan dapat menyerap data secara optimum apabila diberi konfigurasi sesuai dengan persamaan berikut: L1 = L2 = m

𝑚+2 𝑁+2 𝑁 (𝑚 +2)

𝑁 (𝑚 +2)

Tabel 3. Konfigurasi dua hidden layer. Layer Input Output Hidden layer 1 Hidden layer 2

Jumlah Node 32 5 21 12

Tabel 4. Konfigurasi satu hidden layer. Layer Input Output Hidden layer

Jumlah Node 32 5 40

Setelah mengkonfigurasi jumlah layer dan node, proses yang dilakukan selanjutnya adalah mengkonfigurasi parameter-parameter pelatihan yang akan digunakan pada simulasi pelatihan Jaring Saraf Tiruan. Parameter pelatihan yang digunakan pada penelitian ini seperti yang diperlihatkan pada tabel 5. Tabel 5. Nilai-nilai parameter pelatihan.

Paramater Laju pelatihan Error (RMS) untuk berhenti Banyak iterasi Momentum

Nilai 0,6 1% 10000 0,8

Ouput yang diharapkan dari program pelatihan adalah matriks dengan nilai pemberat dan bias yang nantinya digunakan pada pengenalan (mapping) Jaring Saraf Tiruan. C. Software Pengenalan Jaring Saraf Tiruan Pada proses pengenalan Jaring Saraf Tiruan pada penelitian ini menggunakan software Jaring Saraf Tiruan Feed forward yang dibuat oleh penulis. Program Jaring Saraf Tiruan Feed forward ini akan memakai data input dari software penggalian data dan nilai pemberat dan bisnya dari hasil software pelatihan Jaring Saraf Tiruan. Hasil dari software Pengenalan Jaring Saraf Tiruan kemudian dibandingkan dengan target yang ingin dicapai. Gambar 2 adalah software Jaring Saraf Tiruan Feed forward.

(3.1) (3.2)

Keterangan: L1 = jumlah node hidden layer 1 L2 = jumlah node hidden layer 2 N = jumlah node input dan node output m = jumlah node output Konfigurasi jumlah layer dan node yang digunakan pada penelitian ini dapat dilihat pada tabel 3 dan 4. Tabel 3 adalah konfigurasi jumlah layer dengan menggunakan persamaan Guang-Bin Huang, sedangkan tabel 4 adalah konfigurasi dengan menggunakan satu hidden layer.

Gambar 2. Program Jaring Saraf Tiruan Feed forward.

JURNAL TEKNIK POMITS Vol. 1, No. 1, (2014) 1-6

4

IV. SIMULASI DAN ANALISIS A. Simulasi Penggalian Data. Simulasi penggalian data bertujuan untuk menggali data bentuk gelombang terdistorsi sesuai dengan jenis dan tingkat distorsi yang telah direncanakan. Masing-masing bentuk gelombang terdistorsi yang digali oleh software penggalian data diperlihatkan oleh gambar 3 hingga gambar 7. Sesuai dengan bab III, data gelombang yang dihasilkan akan dibagi menjadi dua bagian. Pada bagian pertama, setiap jenis gelombang akan berisi masing-masing 10 data data dengan tingkat distorsi antara 0% hingga 90% sehingga total data bagian pertama berjumlah 50 buah data. Sedangkan pada bagian kedua, tiap jenis gelombang berisi 4 buah data dengan tingkat distorsi 35% hingga 65%.

Gambar 3. Gelombang mengandung harmonisa orde 2.

Gambar 7. Gelombang mengandung harmonisa orde 3, 5, 7 dan 9.

B. Pelatihan Jaring Saraf Tiruan Setelah data input telah diperoleh melalui simulasi penggalian data maka proses selanjutnya adalah simulasi pelatihan Jaring Saraf Tiruan. Pada simulasi ini bertujuan untuk melatih pemberat dan bias dengan menggunakan data input dan target yang telah ditentukan. Data input didapat dari simulasi penggalian data, sedangkan data target yang digunakan pada simulasi ini adalah pengkodean jenis-jenis harmonisa seperti pada tabel 1 dan tabel 2. Fungsi pengaktif yang digunakan adalah fungsi pengaktif sigmoid unipolar. Simulasi pada penelitian ini dapat dibagi menjadi tiga percobaan, perbedaan antara ketiga percobaan tersebut terdapat pada pengkodean jenis harmonisa pada tingkat distorsi 0% dan perbedaan konfigurasi hidden layer yang digunakan. Tabel 6 adalah perbedaan antara ketiga percobaan tersebut. Tabel 6. Perbedaan setting ketiga percobaan. Percobaan

Gambar 4. Gelombang mengandung harmonisa orde 3.

Gambar 5. Gelombang mengandung harmonisa orde 3 dan 5.

Gambar 6. Gelombang mengandung harmonisa orde 3, 5 dan 7.

1 2 3

Pengkodean distorsi 0% Pengkodean A Pengkodean A Pengkodean B

Konfigurasi jumlah layer 32-21-12-5 32-40-5 32-21-12-5

Pengkodean A pada tabel 6 merujuk pada data pengkodean sesuai dengan tabel 1, sedangkan pengkodean B merujuk pada data pengkodean sesuai dengan tabel 2. Konfigurasi jumlah layer 32-21-12-5 pada tabel 6 merujuk pada konfigurasi dua hidden layer sesuai perhitungan pada penelitian Guang-Bin Huang, pada tabel 3, sedangkan konfigurasi jumlah layer 3240-5 merujuk pada tabel 4. Setelah dilakukakn proses pelatihan Jaring Saraf Tiruan, hasil akhir dari pelatihan Jaring Saraf Tiruan dibandingkan dan diamati. Hasil dari proses perlatihan tersebut dapat dilihat pada gambar 8 hingga 13.

Gambar 8. Hasil pelatihan percobaan 1.

JURNAL TEKNIK POMITS Vol. 1, No. 1, (2014) 1-6

Gambar 9. Error pelatihan percobaan 1.

5 pelatihan yang telah dilakukan. Data nilai pemberat dan bias yang digunakan pada simulasi pengenalan Jaring Saraf Tiruan adalah data yang dihasilkan oleh simulasi pelatihan Jaring Saraf Tiruan. Setelah data input, pemberat serta bias diterapkan pada Jaring Saraf Tiruan Feed forward, hasil dari Jaring Saraf Tiruan tersebut kemudian dibandingkan dengan target yang telah ditentukan. Tabel 8 hingga tabel 10 adalah hasil Jaring Saraf Tiruan pada percobaan 1 hingga percobaan 3 sedangkan pengkodean target yang diinginkan mengacu pada tabel 1. Tabel 7. Output Jaring Saraf Tiruan dari percobaan pertama.

Gambar 10. Hasil pelatihan percobaan 2.

Distorsi 35%

Gambar 11. Error pelatihan percobaan 2.

45%

55%

Gambar 12. Hasil pelatihan percobaan 3. 65%

Output 1 9,48E-01 5,09E-02 4,95E-02 5,13E-02 4,37E-02 9,48E-01 5,09E-02 5,24E-02 4,91E-02 4,47E-02 9,48E-01 5,09E-02 5,36E-02 4,80E-02 4,65E-02 9,48E-01 5,09E-02 5,44E-02 4,78E-02 4,85E-02

Output 2 4,74E-02 9,47E-01 7,08E-01 5,45E-02 3,95E-02 4,74E-02 9,47E-01 4,24E-01 5,73E-02 4,02E-02 4,74E-02 9,47E-01 2,88E-01 5,60E-02 4,29E-02 4,74E-02 9,47E-01 2,32E-01 5,44E-02 4,64E-02

Output 3 5,12E-02 5,03E-02 2,82E-01 4,90E-02 5,06E-02 5,12E-02 5,03E-02 5,87E-01 4,72E-02 5,06E-02 5,12E-02 5,03E-02 7,33E-01 4,66E-02 5,04E-02 5,12E-02 5,03E-02 7,91E-01 4,61E-02 5,00E-02

Output 4 5,17E-02 5,10E-02 5,67E-02 1,55E-01 8,06E-03 5,17E-02 5,10E-02 5,31E-02 7,67E-01 9,21E-03 5,17E-02 5,10E-02 5,07E-02 8,83E-01 1,44E-02 5,17E-02 5,10E-02 4,87E-02 9,20E-01 2,70E-02

Output 5 5,17E-02 5,09E-02 6,23E-02 8,42E-01 9,94E-01 5,17E-02 5,09E-02 7,51E-02 2,49E-01 9,93E-01 5,17E-02 5,09E-02 8,03E-02 1,33E-01 9,88E-01 5,17E-02 5,09E-02 8,18E-02 9,35E-02 9,75E-01

Tabel 8. Output Jaring Saraf Tiruan dari percobaan ke-dua. Gambar 13. Error pelatihan percobaan 3.

Dari Gambar 8 hingga 13 dapat dilihat bahwa penggunaan konfiguras jumlah layer 32-40-5 menghasilkan error yang lebih besar dibandingkan konfigurasi Guang-Bin Huang. Sedangkan jika ditilik melalui setting konfigurasi pengkodeannya, percobaan ke-tiga menghasilkan error yang lebih kecil dibandingkan dengan percobaan pertama. Hal tersebut terjadi karena pada distorsi 0% gelombang harmonisa yang di proses berpola sama, yaitu pola gelombang fundamental. Sehingga ketika menggunakan pengkodean A Jaring Saraf Tiruan dipaksa untuk belajar mengenali pola yang sama namun dengan target yang berbeda. Hasil dari proses pelatihan Jaring Saraf Tiruan ini adalah matriks yang berisi nilai pemberat dan bias dari setiap pelatihan Jaring Saraf Tiruan. Matriks-matriks tersebut selanjutnya akan digunakan sebagai nilai pemberat dan bias pada proses pengenalan Jaring Saraf Tiruan. C. Pengenalan Jaring Saraf Tiruan Dalam simulasi ini, data input yang digunakan adalah data gelombang harmonisa dengan tingkat distorsi antara 35% hingga 65%. Penggunaan data yang berbeda dari proses pelatihan bertujuan untuk mengetahui keakurasian hasil dari

Distorsi 35%

45%

55%

65%

Output 1 9,28E-01 1,04E-01 3,80E-02 2,22E-02 2,45E-01 9,03E-01 8,53E-02 2,41E-02 4,86E-02 4,07E-02 8,93E-01 9,09E-02 3,05E-02 6,57E-02 4,47E-02 9,09E-01 6,59E-02 3,91E-02 5,08E-02 4,82E-02

Output 2 4,64E-01 8,20E-01 4,85E-01 1,16E-01 1,18E-02 7,92E-01 9,52E-01 6,48E-01 9,01E-02 7,43E-02 9,24E-01 9,85E-01 4,54E-01 6,24E-02 5,94E-02 9,58E-01 9,76E-01 1,37E-01 5,53E-02 5,24E-02

Output 3 2,49E-05 8,41E-01 8,87E-01 1,57E-13 3,20E-18 7,19E-06 1,98E-01 1,73E-02 1,68E-12 1,56E-15 8,80E-07 9,25E-02 9,24E-02 1,55E-11 7,55E-15 5,66E-07 5,73E-02 7,47E-01 3,08E-08 1,18E-14

Output 4 1,27E-08 3,23E-07 1,12E-03 9,14E-01 4,33E-06 1,25E-10 4,57E-08 2,75E-04 1,00E+00 1,07E-02 2,63E-11 4,55E-08 7,16E-04 1,00E+00 3,18E-02 1,15E-11 1,32E-07 8,51E-03 9,90E-01 4,62E-02

Output 5 8,87E-07 1,66E-13 1,68E-10 8,83E-01 9,98E-01 1,65E-08 3,94E-14 1,64E-11 9,86E-01 9,41E-01 2,89E-09 2,28E-14 9,09E-12 9,92E-01 9,45E-01 1,02E-09 2,79E-14 1,49E-11 4,06E-01 9,49E-01

JURNAL TEKNIK POMITS Vol. 1, No. 1, (2014) 1-6 Tabel 9. Output Jaring Saraf Tiruan dari percobaan ke-tiga. Distorsi 35%

45%

55%

65%

Output 1 9,74E-01 1,64E-02 4,59E-02 4,70E-02 5,18E-02 9,67E-01 2,99E-02 4,78E-02 4,46E-02 5,01E-02 9,57E-01 4,09E-02 4,86E-02 3,64E-02 4,97E-02 9,51E-01 4,63E-02 4,89E-02 2,92E-02 4,96E-02

Output 2 3,15E-02 1,00E+00 6,11E-02 5,19E-02 4,93E-02 3,97E-02 9,99E-01 5,79E-02 5,19E-02 5,03E-02 4,62E-02 9,96E-01 5,59E-02 4,93E-02 5,06E-02 4,96E-02 9,89E-01 5,52E-02 4,59E-02 5,07E-02

Output 3 3,45E-02 1,81E-04 9,38E-01 5,09E-02 4,89E-02 4,06E-02 8,62E-04 9,40E-01 5,05E-02 4,97E-02 4,63E-02 3,82E-03 9,42E-01 4,84E-02 4,99E-02 4,93E-02 1,13E-02 9,43E-01 4,36E-02 4,99E-02

Output 4 1,03E-02 4,11E-02 3,50E-02 5,55E-02 4,62E-02 2,53E-02 5,28E-02 3,71E-02 6,81E-02 4,87E-02 3,95E-02 5,57E-02 3,96E-02 1,48E-01 4,97E-02 4,81E-02 5,46E-02 4,06E-02 5,44E-01 5,00E-02

Output 5 1,13E-01 2,30E-08 2,17E-06 9,47E-01 9,52E-01 6,66E-02 4,39E-08 2,22E-06 9,37E-01 9,51E-01 5,50E-02 7,76E-08 2,33E-06 8,85E-01 9,50E-01 5,07E-02 1,17E-07 2,37E-06 6,16E-01 9,50E-01

Dari tabel 7 hingga 9 dapat dilihat bahwa error pada hasil pelatihan juga cukup berpengaruh pada proses pengenalan. Percobaan 2 yang mempunyai error terbesar pada proses pelatihan juga memiliki error terbesar ketika proses pengenalan. V. KESIMPULAN Dari keseluruhan proses penelitian yang telah dilaksanakan dapat ditarik kesimpulan bahwa Jaring Saraf Tiruan dapat mengenali klasifikasi gelombang-gelombang harmonisa. Penggunaan persamaan dua hidden layer yang digagas oleh Guang-Bin Huang dalam menentukan jumlah layer dan node terbukti lebih efektif untuk digunakan dalam Jaring Saraf Tiruan dari pada penggunaan satu hidden layer. Pada proses pelatihan, data harmonisa dengan distorsi 0% sebaiknya menggunakan pengkodean B karena akan memberikan error yang lebih kecil pada saat proses pelatihan. UCAPAN TERIMA KASIH Penulis A.W.S. berterima kasih kepada Stan Zurek dan Arfian Edi Tama atas programnya yang telah membantu penulis dalam mengerjakan penelitiannya. DAFTAR PUSTAKA [1]

[2]

[3]

Srinivasan, D. , "Neural-network-based Signature Recognition for Harmonic Source Identification", IEEE Transactions on Power Delivery, Vol. 21, No. 1 pp.398405, 2006. Lin, Hsiung Cheng, "Intelligent Neural Network Based Fast Power System Harmonic Detection" , IEEE Transaction on Industrial Electronics, Vol. 54, No. 1 pp.43-51, 2007. Arrillaga, J., Watson, N.R., “Power System Harmonics Second Edition”, John Wiley & Sons Ltd, England, Ch. 1,2, 2003.

6 [4]

Chen, C.I., and Chang, G.W., “Virtual Instrumentation and Educational Platform for Time-Varying Harmonic and Interharmonic Detection”, IEEE Transactions on Industrial Electronics, Vol. 57, No. 10, pp.3334-3342, October, 2010. [5] Radiana, S.G., “Discreate Fourier Transform Menjadi Fast Fourier Transform” , Desember 2009. [6] Tang, Q., Teng, Z., Guo, S., and Wang, Y., “Design of Power Quality Monitoring System Based on LabVIEW”, Proc. of IEEE International Conference on Measuring Technology and Mechatronics Automation, pp. 292-295, Hunan, April, 2009. [7] Dehghani, M.J., “Comparison of S-Transform and Wavelet Transform in Power Quality Analysis”, World Academy of Science, Engineering and Technology, Vol. 50, pp.395-398, 2009. [8] Stockwell, R.G., “Why Use The S-Transform?”, Colorado Research Associates Division, 2008. [9] Ponce-Cruz, Pedro, Ramírez-Figueroa, Fernando D. , "Intelligent Control Systems with LabVIEW", Springer, London, Ch. 3, 2010. [10] Smagt, Patrick van der, "An Inroduction to Neural Network", The University of Amsterdam, Ch. 2, 1996. [11] Purnomo, M.H., Agus K., "Supervised Neural Networks dan aplikasinya", Graha Ilmu, Yogyakarta, Bab. 3, 2006. [12] Edi Tama, Arfian, "Desain Sistem Pendeteksian dan Monitoring Harmonisa Arus Secara Online Menggunakan Transformasi S Berbasis LabVIEW", Tugas Akhir, Bab. 3-4, 2012. [13] Zurek, Stan, "aNETka 2.0", Cardiff University, 2005. [14] Huang, Guang-Bin, "Learning Capability and Storage Capacity of Two-Hidden-Layer Feedforward Networks", IEEE Transactions on Neural Networks, Vol. 14, No. 2 pp.274-281, 2003. BIOGRAFI PENULIS Andika Wahyu Saputra dilahirkan di Surabaya pada tanggal 17 Juli 1990, anak semata wayang dari pasangan Bapak Wahyu Priyanto dan Ibu Eni Sutilah. Pendidikan dasar ditempuh di SD Negeri Simokerto 2/135 Surabaya lulus tahun 2002. Kemudian melanjutkan ke SMP Negeri 6 Surabaya lulus tahun 2005. Selanjutnya, sekolah di SMA Negeri 1 Surabaya lulus tahun 2008. Saat ini sedang menyelesaikan studi program sarjana di Jurusan Teknik Elektro ITS pada bidang Teknik Sistem Tenaga. Selain pernah aktif sebagai staff departemen Komunikasi dan Informasi (Kominfo)Badan Eksekutif Mahasiswa FTI-ITS pada tahun 2010-2011, penulis juga pernah mendapatkan medali perak pada Pekan Mahasiswa Nasional XIV (PIMNAS XIV) di Makassar pada tahun 2011.