PERKIRAAN STABILITAS TRANSIEN PADA SISTEM TENAGA LISTRIK MULTIMESIN JAWA BALI 500 KV MENGGUNAKAN COMMITTEE NEURAL NETWORK
|
|
- Suhendra Sanjaya
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PERKIRAAN STABILITAS TRANSIEN PADA SISTEM TENAGA LISTRIK MULTIMESIN JAWA BALI 500 KV MENGGUNAKAN COMMITTEE NEURAL NETWORK Eko Prasetyo Jurusan Teknik Elektro-FTI, Institut Teknologi Sepuluh Nopember Kampus ITS, Keputih-Sukolilo, Surabaya Abstrak : Pada sistem tenaga listrik multimesin skala besar, pengaturan stabilitas transien merupakan hal yang sangat penting. Beberapa metode perkiraan stabilitas transien memerlukan waktu komputasi yang lama, untuk mengatasinya maka dikembangkanlah metode perkiraan stabilitas transien menggunakan neural network (NN). Pada penelitian ini status stabilitas dan critical clearing time (CCT) diperkirakan menggunakan metode committee neural network () yang membagi proses prediksi kepada beberapa NN expert yang akhirnya menghasilkan suatu keputusan keseluruhan. Sistem multimesin yang diuji coba adalah sistem interkoneksi Jawa - Bali 500 kv milik PLN. Diasumsikan terdapat hubung singkat tiga fasa simetris pada sistem, kemudian status stabilitas transien dan CCT dihitung menggunakan metode kriteria luas sama. Status stabilitas transien dan CCT yang diperoleh digunakan sebagai target bagi. Tiap NN expert dilatih menggunakan metode backpropagation neural network (BPNN) dan hasilnya digunakan pada suatu aplikasi mandiri. Metode ini diuji dengan membandingkan hasil perkiraan oleh dan komputasi menggunakan metode kriteria luas sama. Ketika diuji dengan data yang tidak diajarkan, memiliki akurasi maksimal sebesar 100% dan akurasi minimal sebesar 97,90% dalam memperkirakan status stabilitas. Ketika diuji untuk memperkirakan nilai CCT, diperoleh akurasi maksimal sebesar 100% dan akurasi minimal sebesar 70,42%. Kata kunci : stabilitas transien, sistem multimesin, committee neural network, kriteria luas sama, backpropagation neural network. I. PENDAHULUAN Kualitas tenaga listrik harus selalu dijaga agar kontinuitas layanan listrik dapat dipenuhi. Salah satu faktor yang mempengaruhi kontinuitas layanan adalah stabilitas transien. Stabilitas transien adalah kemampuan sistem tenaga listrik untuk mencapai kondisi stabil operasi baru setelah mengalami gangguan besar [1]. Pemadaman listrik skala besar akan menimbulkan kerugian besar, baik secara materiil maupun imateriil [2]. Pada penelitian ini digunakan untuk memperoleh penafsiran stabilitas transien yang akurat dan proses komputasi yang cepat. Salah satu tipe pernah digunakan untuk memperkirakan status stabilitas transien sistem multimesin ketika saluran diputus pada waktu tertentu [3]. tersusun atas beberapa NN expert yang bekerja secara simultan untuk menghasilkan suatu keputusan keseluruhan [4]. Pembelajaran tiap expert yang menyusun dilakukan menggunakan metode BPNN. Pada penelitian sebelumnya, radial basis function neural network (RBFNN) terbukti melakukan pembelajaran lebih cepat daripada multi layer perceptron (MLP) [5]. BPNN menggunakan metode pelatihan terbimbing yang menggunakan pola masukan dan keluaran untuk menentukan bobot penimbang serta didesain untuk operasi pada NN feed forward multi layer [6]. II. TEORI PENUNJANG 2.1Studi Aliran Daya Inti dari setiap metode aliran daya adalah proses iterasi hingga tercapainya konvergensi [7]. Besaran awal yang dibutuhkan sebagai input dalam studi aliran daya adalah tegangan (V) dan sudut fasa (δ ) bus swing (slack), daya aktif (P l ) dan daya reaktif (Q l ) bus beban, serta daya aktif (P g ) dan tegangan (V g ) bus generator. Informasi utama yang diperoleh dari suatu analisis aliran daya adalah besar dan sudut fasa tegangan pada tiap bus serta daya nyata dan daya reaktif yang mengalir pada masing-masing saluran. 2.2 Kriteria Luas Sama Studi stabilitas transien melibatkan penentuan apakah sinkronisasi dapat dipertahankan setelah mesin mengalami gangguan besar. Kehilangan sinkronisasi karena gangguan transien biasanya akan tampak 2-3 detik setelah gangguan pertama [8]. Metode kriteria luas sama didasarkan pada interpretasi grafis energi yang tersimpan pada benda berputar sebagai bantuan untuk menentukan kemampuan mesin dalam mempertahankan stabilitasnya setelah mengalami suatu gangguan. Gambar 1. Sistem mesin tunggal terhubung ke infinite bus, gangguan 3 fasa pada titik F Gambar 2. Kriteria luas sama untuk gangguan 3 fasa jauh dari sisi kirim. Halaman 1 dari 6 halaman
2 Misalkan sebuah generator sinkron terhubung ke infinite bus dan terdapat hubung singkat tiga fasa seimbang pada titik F yang jauh dari sisi kirim, reaktansi ekivalen akan bertambah dan menurunkan kemampuan transfer daya. Selama terjadi gangguan, titik operasi bergeser ke titik b pada kurva B. Daya input mekanis yang melebihi daya output elektris mempercepat rotor dan menyimpan energi kinetik sehingga sudut naik. Apabila gangguan dihilangkan pada 1 dengan memutus saluran, hal ini menggeser titik operasi ke e pada kurva C. Daya bersih menurun dan energi kinetik yang tersimpan sebelumnya berkurang sampai nol pada titik f. Menurut kriteria luas sama, sistem akan stabil ketika luas daerah A 1 sama dengan A 2. Perhitungan luas tiap daerah dapat dihitung menggunakan persamaan berikut : δ 1 m c 0 δ 2max 0 c A = P ( δ δ ) P sinδdδ (1) max A = P sinδdδ ( δ δ ) (2) 2 δ δc 3 max P m Redaman pada mesin menyebabkan osilasi menghilang dan kondisi steady state yang baru dimulai pada titik f. Pada kondisi sistem multimesin, persamaan dapat ditulis sama seperti sistem mesin tunggal yang terhubung dengan infinite bus dengan beberapa asumsi penyederhanaan [9]. 2.3 Artificial Neural Network Artificial neural network (ANN) adalah sebuah sistem pemroses informasi dengan karakteristik tertentu yang dibuat menyerupai suatu jaring saraf biologis [10]. Misalkan terdapat n buah masukan dan penimbang, fungsi keluaran dari tiap neuron adalah sebagai berikut : F(x,W) = f(w 1 x w n x n ) (3) max c disebar mundur (backward) pada lapisan tersembunyi dan diteruskan ke unit pada lapisan masukan. 2.5 Committee Neural Network Salah satu metode dalam menyelesaikan suatu komputasi yang kompleks adalah dengan membagi proses komputasi menjadi beberapa bagian sederhana untuk kemudian menggabungkan hasil komputasi dari beberapa bagian tersebut untuk memperoleh keputusan keseluruhan [4]. Kombinasi ini lah yang akan menghasilkan apa yang disebut mesin komite (committee machine) atau lebih umum dengan committee neural network (). juga dikenal sebagai bentuk struktur gabungan beberapa NN yang bekerja secara simultan untuk mengambil suatu keputusan keseluruhan. dapat diklasifikasikan menjadi dua kategori berdasarkan strukturnya, yaitu struktur statis dan dinamis. Tipe statis terdiri atas dua metode yaitu, ensemble averaging yang mengkombinasikan secara linier keluaran expert yang berbeda untuk mendapatkan keluaran keseluruhan dan boosting yang mengubah suatu algoritma pembelajaran yang lemah menjadi algoritma yang memiliki akurasi sangat tinggi. Pada tipe dinamis juga dikenal dua macam metode yaitu mixture of expert (ME) dimana respon individu tiap expert dikombinasikan secara non linier untuk memperoleh keluaran keseluruhan dan hierarchical mixture of expert (HME), yaitu metode ketika respon individu tiap expert dikombinasikan secara non linier melalui beberapa jaringan gerbang (gating network) yang tersusun dalam suatu model hirarki. III. METODOLOGI 3.1 Perencanaan Penelitian Berikut ini adalah langkah penelitian penafsiran stabilitas transien sistem tenaga listrik multimesin Jawa - Bali 500 kv menggunakan committee neural network : Gambar 3. Model tiruan neuron tanpa bias Proses belajar (learning) bagi ANN merupakan proses mengatur nilai bobot penimbangnya untuk mendapatkan nilai yang terbaik dengan melatih ANN menggunakan sekumpulan data, menurut unjuk kerja sistem yang dikehendaki [6]. 2.4 Backpropagation Neural Network Algoritma pelatihan BPNN terdiri dari dua proses utama, yaitu feed forward dan backpropagation dari error-nya [6]. Secara garis besar, algoritma ini disebut sebagai backpropagation neural network (BPNN) karena ketika jaringan diberi pola masukan sebagai pola pelatihan, maka pola tersebut disebarkan maju (forward) menuju ke unit-unit pada lapisan tersembunyi dan diteruskan pada lapisan keluaran yang akan memberikan tanggapan yang disebut sebagai keluaran jaringan. Ketika keluaran jaringan tidak sama dengan keluaran yang diharapkan maka keluaran akan Gambar 4. Flowchart langkah penelitian Penelitian dimulai dengan mengumpulkan data sistem interkoneksi Jawa - Bali 500 kv yang meliputi parameter Halaman 2 dari 6 halaman
3 saluran, parameter bus yang terdiri dari beban dan generator, serta data pembangkitan sistem tiap jam. Studi aliran daya dilakukan menggunakan metode Newton-Raphson untuk memperoleh nilai pembangkitan daya reaktif tiap generator yang nantinya akan digunakan sebagai masukan bagi NN. Metode kriteria luas sama (equal area criteria - ) digunakan untuk memperkirakan status stabilitas transien sistem dan CCT yang nantinya digunakan sebagai masukan dan target bagi pembelajaran NN. Pembelajaran tiap NN expert dilakukan secara individu menggunakan metode BPNN. Hasil pembelajaran yang berupa weight dan parameter normalisasi disimpan. Untuk mengetahui keandalan metode yang diusulkan, kemampuan diuji menggunakan data yang pernah dan tidak pernah diajarkan sebelumnya. Parameter NN yang telah disimpan digunakan sebagai data penunjang bagi aplikasi mandiri yang didesain menggunakan perangkat pemrograman Delphi. 3.2 Penafsiran Stabilitas Transien Menggunakan Kriteria Luas Sama Apabila terjadi gangguan transien pada suatu sistem tenaga listrik skala besar, pada umumnya hanya beberapa (atau mungkin satu) mesin saja yang paling terganggu atau terpengaruh dengan gangguan tersebut. Mesin-mesin yang terganggu dapat memiliki batas stabilitas yang berbeda, namun mesin yang memiliki batas stabilitas terendah dapat dianggap sebagai mesin yang paling kritis. Ketika terjadi gangguan, mesin paling kritis akan menjadi mesin yang pertama kali kehilangan sinkronisasi. dan angka 0 berarti sistem tidak stabil. Pada sistem yang stabil, ketika sistem tidak akan mengalami kondisi tidak stabil pada semua kondisi CCT, maka CCT diasumsikan bernilai 1 detik. Ketika sistem akan mengalami kondisi tidak stabil pada suatu CCT tertentu, maka nilai CCT tersebut yang digunakan. Pada sistem yang tidak stabil, CCT diasumsikan sebagai 0 detik. Untuk keperluan pembelajaran, parameter NN yang harus ditentukan adalah sebagai berikut : 1. Fungsi pembelajaran : traingdm 2. Jumlah Layer : Input layer : 18 neuron (expert 1, 2, dan 3), 6 neuron (expert 4) Hidden layer : 2 buah, 49 dan 45 neuron Output layer : 2 neuron 3. Fungsi aktivasi : Hidden layer 1 : tansig (fungsi sigmoid bipolar) Hidden layer 2 : logsig (fungsi sigmoid biner) Output layer : purelin (fungsi identitas) 4. Iterasi maksimal : epoch (expert 1, 2, 3, dan 4) 5. Error minimal : 1e-9 6. Learning rate : Momentum : Hasil pelatihan ditampilkan tiap : 5000 epoch IV. PENGUJIAN DAN ANALISIS 4.1 Konfigurasi Sistem Interkoneksi Jawa - Bali 500 kv Sistem tenaga listrik yang digunakan adalah sistem interkoneksi Jawa - Bali 500 kv milik PLN yang terdiri dari 8 pembangkit tenaga listrik, 23 bus, dan 28 saluran transmisi, dengan single line diagram sebagai berikut : 3.3 Penafsiran Stabilitas Transien Menggunakan Comittee Neural Network Pembangkitan daya aktif dan reaktif tiap generator, bus yang mengalami gangguan, dan saluran transmisi yang diputus digunakan sebagai masukan untuk expert 1, 2, dan 3. Kondisi stabilitas sistem yang berupa status stabilitas dan CCT digunakan sebagai target pelatihan tiap NN expert, sedangkan keluaran expert 1, 2, dan 3 digunakan sebagai masukan untuk expert 4. Keluaran keseluruhan sistem adalah keluaran expert 4 yang merupakan hasil generalisasi dari keluaran expert 1, 2, dan 3. Gambar 5. Diagram blok yang digunakan dalam penelitian Kondisi stabilitas yang berupa status stabilitas dan CCT digambarkan menggunakan aturan tertentu. Status stabilitas digambarkan dalam angka biner, angka 1 berarti sistem stabil Gambar 6. Single line diagram sistem interkoneksi Jawa - Bali 500 kv Halaman 3 dari 6 halaman
4 Parameter-parameter bagian sistem interkoneksi Jawa - Bali 500 kv yang digunakan dalam penelitian ini adalah seperti yang terdapat pada tabel 1, tabel 2, dan tabel 3. Tabel 1. Parameter saluran transmisi sistem interkoneksi Jawa - Bali 500 kv No Bus Bus Asal Tujuan R X 1 / 2Bc Tap , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , , Tabel 2. Parameter reaktansi dan batas daya reaktif generator dalam sistem interkoneksi Jawa - Bali 500 kv Generator Bus Ra Xd' H Q (Mvar) Minimal Maksimal Suralaya 1 0 0, , Muaratawar 8 0 0, , Cirata , , Saguling , , Tanjung Jati , , Gresik , , Paiton , , Grati , , Pembelajaran Artificial Neural Network Pembelajaran tiap NN expert dilakukan menggunakan 33 pola pembangkitan yang terdiri atas 24 pola pembangkitan riil dan 9 pola buatan. Pada tiap pola pembangkitan terdapat 54 pola lokasi gangguan dan pemutusan saluran, sehingga diperoleh total 1782 pola pembelajaran. Tabel 3. MSE minimal tiap expert Neural Network MSE Expert 1 0, Expert 2 0, Expert 3 0, Expert 4 0, Seluruh NN expert dilatih hingga diperoleh kondisi epoch maksimal karena tidak satu pun NN expert dapat mencapai batas nilai MSE minimal yang diinginkan. 4.3 Pengujian Artificial Neural Network Pengujian dilakukan secara langsung pada aplikasi mandiri yang telah dibuat. Dimisalkan pada tanggal 30 Maret 2009 jam 19.00WIB terdapat hubung singkat tiga fasa simetris pada bus 1 dan saluran 1 2 diputus, maka tampilan program ketika telah dieksekusi adalah sebagai berikut : Gambar 7. Tampilan program ketika telah dilakukan eksekusi penafsiran stabilitas transien sistem Pengujian Kasus 1 NN diuji menggunakan kondisi pembangkitan yang telah diajarkan sebelumnya. Kondisi yang diujikan adalah kondisi pembangkitan sistem tiap jam pada tanggal 30 Maret a. Perkiraan Status Stabilitas Transien Sistem Perbandingan status stabilitas transien keluaran metode dan untuk pola pembangkitan dalam pengujian kasus 1 ditampilkan pada tabel 4. Tabel 4. Perbandingan status stabilitas pada kasus 1 No Error (%) No Error (%) 1 1,000 1,000 0, ,000 1,000 0,00 2 1,000 1,000 0, ,000 1,000 0,00 3 1,000 1,000 0, ,000 1,000 0,00 4 1,000 1,000 0, ,000 1,000 0,00 5 1,000 1,000 0, ,000 1,000 0,00 6 1,000 1,000 0, ,000 1,000 0,00 7 1,000 1,000 0, ,000 1,000 0,00 8 1,000 1,000 0, ,000 1,000 0,00 9 1,000 1,000 0, ,000 1,000 0, ,000 1,000 0, ,000 1,000 0, ,000 1,000 0, ,000 1,000 0, ,000 1,000 0, ,000 1,000 0,00 Berdasarkan data pada tabel 4 dapat diketahui bahwa error minimal dan maksimal dalam memperkiraan status stabilitas transien untuk kondisi pengujian kasus 1 adalah sebagai berikut : - Error maksimal : 0,00 % b. Perkiraan CCT untuk Circuit Breaker Perbandingan CCT keluaran metode dan untuk pola pembangkitan dalam pengujian kasus 1 ditampilkan pada tabel 5. Tabel 5. Perbandingan CCT pada kasus 1 No (s) (s) Error (%) No (s) (s) Error (%) 1 0,203 0,203 0, ,146 0,144 1,37 2 0,214 0,216 0, ,146 0,146 0,00 3 0,214 0,212 0, ,142 0,136 4,23 4 0,216 0,210 2, ,134 0,131 2,24 5 0,194 0,194 0, ,135 0,136 0,74 6 0,194 0,191 1, ,140 0,140 0,00 7 0,216 0,213 1, ,147 0,147 0,00 8 0,198 0,202 2, ,136 0,135 0,74 9 0,155 0,151 2, ,133 0,130 2, ,148 0,151 2, ,136 0,125 8, ,159 0,158 0, ,164 0,146 10, ,137 0,142 3, ,186 0,183 1,61 Halaman 4 dari 6 halaman
5 Berdasarkan data pada tabel 5 dapat diketahui bahwa error minimal dan maksimal dalam memperkiraan CCT untuk kondisi pengujian kasus 1 adalah sebagai berikut : - Error maksimal : 10,98 % Analisis Hasil Pengujian Kasus 1 Berdasarkan persentase error pada tabel 4 dapat status stabilitas transien untuk kondisi pengujian kasus 1 sebagai berikut : - Akurasi minimal : 100,00 % status stabilitas pada pengujian kasus 1 dapat dilihat pada gambar 8. Status Stabilitas Gambar 8. Grafik perbandingan status stabilitas pada kasus 1 Berdasarkan persentase error pada tabel 5 dapat CCT pada pengujian kasus 1 sebagai berikut : - Akurasi minimal : 89,02 % CCT pada pengujian kasus 1 dapat dilihat pada gambar 9. CCT Gambar 9. Grafik perbandingan CCT pada kasus Pengujian Kasus 2 NN diuji menggunakan kondisi pembangkitan yang tidak diajarkan sebelumnya. Kondisi yang diujikan adalah pembangkitan sistem pada bulan Maret 2009 yang diambil secara acak. a. Perkiraan Status Stabilitas Transien Sistem Perbandingan status stabilitas transien keluaran metode dan untuk pola pembangkitan dalam pengujian kasus 2 ditampilkan pada tabel 6. Tabel 6. Perbandingan status stabilitas pada kasus 2 No Error (%) No Error (%) 1 1,000 1,000 0, ,000 1,000 0,00 2 1,000 0,979 2, ,000 1,000 0,00 3 1,000 1,000 0, ,000 1,000 0,00 4 1,000 1,000 0, ,000 1,000 0,00 5 1,000 1,000 0, ,000 1,000 0,00 6 1,000 1,000 0, ,000 1,000 0,00 7 1,000 1,000 0, ,000 1,000 0,00 8 1,000 1,000 0, ,000 1,000 0,00 9 1,000 1,000 0, ,000 1,000 0, ,000 1,000 0, ,000 1,000 0, ,000 1,000 0, ,000 1,000 0, ,000 1,000 0, ,000 1,000 0,00 Berdasarkan data pada tabel 6 dapat diketahui bahwa error minimal dan maksimal dalam memperkiraan status stabilitas transien untuk kondisi pengujian kasus 2 adalah sebagai berikut : - Error maksimal : 2,10 % b. Perkiraan CCT untuk Circuit Breaker Perbandingan CCT keluaran metode dan untuk semua pola pembangkitan dalam pengujian kasus 2 ditampilkan pada tabel 7. Tabel 7. Perbandingan CCT pada kasus 2 No (s) (s) Error (%) No (s) (s) Error (%) 1 0,215 0,219 1, ,216 0,155 28,24 2 0,197 0,150 23, ,213 0,150 29,58 3 0,160 0,160 0, ,220 0,164 25,45 4 0,155 0,162 4, ,155 0,150 3,23 5 0,141 0,144 2, ,158 0,161 1,90 6 0,146 0,154 5, ,147 0,129 12,24 7 0,140 0,127 9, ,137 0,174 27,01 8 0,137 0,152 10, ,147 0,177 20,41 9 0,132 0,134 1, ,142 0,103 27, ,177 0,166 6, ,153 0,145 5, ,145 0,121 16, ,157 0,141 10, ,131 0,137 4, ,143 0,143 0,00 Berdasarkan data pada tabel 7 dapat diketahui bahwa error minimal dan maksimal dalam memperkiraan CCT untuk kondisi pengujian kasus 2 adalah sebagai berikut : - Error maksimal : 29,58 % Analisis Hasil Pengujian Kasus 2 Berdasarkan persentase error pada tabel 6 dapat status stabilitas transien untuk kondisi pengujian kasus 2 sebagai berikut : - Akurasi minimal : 97,90 % status stabilitas pada pengujian kasus 2 dapat dilihat pada gambar 10. Halaman 5 dari 6 halaman
6 Status Stabilitas Gambar 10. Grafik perbandingan status stabilitas pada kasus 2 Berdasarkan persentase error pada tabel 7 dapat CCT pada pengujian kasus 2 sebagai berikut : - Akurasi minimal : 70,42 % CCT pada pengujian kasus 2 dapat dilihat pada gambar 11. CCT Gambar 11. Grafik perbandingan CCT pada kasus 2 V. PENUTUP 5.1 Kesimpulan Pengujian perkiraan stabilitas transien sistem menggunakan data-data yang diajarkan pada NN menunjukkan bahwa dapat memperkirakan semua status stabilitas transien dengan benar atau dengan akurasi 100%. Ketika diuji untuk memperkirakan nilai CCT, maka diperoleh akurasi maksimal sebesar 100% dan akurasi minimal sebesar 89,02%. Pengujian perkiraan stabilitas transien sistem menggunakan data-data yang tidak diajarkan pada NN menunjukkan bahwa dapat memperkirakan status stabilitas transien dengan akurasi maksimal sebesar 100% dan akurasi minimal sebesar 97,90%. Ketika diuji untuk memperkirakan nilai CCT, maka diperoleh akurasi maksimal sebesar 100% dan akurasi minimal sebesar 70,42%. Pada penelitian ini metode layak digunakan untuk memperkirakan status stabilitas transien pada sistem interkoneksi Jawa - Bali 500 kv, namun disisi lain masih kurang layak untuk memperkirakan CCT karena masih terdapat selisih akurasi yang cukup besar. 5.2 Saran Perangkat lunak ini hanya bisa digunakan untuk hubung singkat 3 fasa simetri yang terjadi pada bus, kedepan dapat dikembangkan untuk jenis hubung singkat yang lain di berbagai tempat dan lokasi pemutusan. Akurasi perkiraan pada program ini dapat diperbaiki dengan menambah data pelatihan, memperbesar variasi data pelatihan, menambah parameter masukan pelatihan, atau mengganti tipe NN yang digunakan dengan NN lain yang memiliki kemampuan prediksi non linier lebih baik. Perangkat lunak ini dapat dijadikan sebagai dasar untuk pengembangan software monitoring berbasis kecerdasan buatan untuk sistem interkoneksi Jawa - Bali 500 kv yang terintegrasi dengan sistem SCADA yang sudah ada. DAFTAR PUSTAKA [1]. Imam Robandi, Desain Sistem Tenaga Modern, Andi, Yogyakarta, [2]. Djiteng Marsudi, Pembangkitan Energi Listrik, Erlangga, Jakarta, [3]. Reza Ebrahimpour dan Easa K.A, An Improved Method in Transient Stability Assessment of a Power System Using Committee Neural Networks, International Journal of Computer Science and Network Security, Vol. 9, No. 1, [4]. Simon Haykin, Neural Networks a Comprehensive Foundation, Pearson Prentice Hall, India, [5]. Noor Izzri A.W. dan Mohamed Azah, Transient Stability Assessment of a Power System Using Probabilistic Neural Network, American Journal of Applied Sciences 5, (9): , ISSN , [6]. Mauridhi Hery P. dan Agus Kurniawan, Supervised Neural Networks dan Aplikasinya, Graha Ilmu, Yogyakarta, [7]. Hadi Saadat, Power System Analysis, McGraw Hill, Singapura, [8]. Prabha Kundur, Power System Stability and Control, Mc. Graw Hill, Singapura, [9]. Boy Sandra, Perancangan Software Aplikasi Untuk Perkiraan Stabilitas Transien Multimesin Menggunakan Metode Kriteria luas sama, Tugas Akhir Jurusan Teknik Elektro FTI-ITS, Surabaya, [10]. Saludin Muis, Teknik Jaringan Syaraf Tiruan, Graha Ilmu, Yogyakarta, [11]. Jong Jek S., Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab, Andi, Yogyakarta, DAFTAR RIWAYAT HIDUP Penulis lahir di Surabaya pada 9 Maret 1987 dengan nama Eko Prasetyo sebagai putra pertama pasangan Slamet dan Suprihatin. Pendidikannya dimulai di SD Muhammadiyah 15 Surabaya dan dilanjutkan di SD Muhammadiyah 1 Sidoarjo ketika menginjak kelas 5. Lulus dari SLTP Negeri 1 Sidoarjo pada tahun 2002 dan melanjutkan ke SMA Negeri 1 Sidoarjo serta lulus pada tahun Pada tahun yang sama penulis melanjutkan studinya di Jurusan Teknik Elektro, FTI-ITS melalui jalur SPMB dan memperoleh NRP Sejak penulis aktif dalam komunitas robotika ITS dan memperoleh prestasi cemerlang dalam Kontes Robot Cerdas Indonesia (KRCI) Dalam perkuliahan penulis mengambil bidang studi teknik sistem tenaga dengan konsentrasi desain dan manajemen sistem tenaga listrik. Penulis dapat dihubungi pada alamat prast_yuu@yahoo.co.id atau prastyuu@elect-eng.its.ac.id Halaman 6 dari 6 halaman
PERANCANGAN SOFTWARE APLIKASI UNTUK PERKIRAAN STABILITAS TRANSIEN MULTIMESIN MENGGUNAKAN METODE KRITERIA SAMA LUAS
PERANCANGAN SOFTWARE APLIKASI UNTUK PERKIRAAN STABILITAS TRANSIEN MULTIMESIN MENGGUNAKAN METODE KRITERIA SAMA LUAS Boy Sandra (2204 100 147) Jurusan Teknik Elektro-FTI, Institut Teknologi Sepuluh Nopember
Lebih terperinciBAB I PENDAHULUAN. konsumen. Suplai daya listrik dari pusat-pusat pembangkit sampai ke konsumen
BAB I PENDAHULUAN 1.1 Latar Belakang Suatu sistem tenaga listrik yang besar pada umumnya memiliki beberapa pusat pembangkit yang terdiri dari banyak generator (multimesin). Generator berfungsi untuk mensalurkan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Jaringan Syaraf Biologi Jaringan Syaraf Tiruan merupakan suatu representasi buatan dari otak manusia yang dibuat agar dapat mensimulasikan apa yang dipejalari melalui proses pembelajaran
Lebih terperinciJURNAL TEKNIK ITS Vol. 5, No. 2, (2016) ISSN: ( Print)
JURNAL TEKNIK ITS Vol. 5, No. 2, (216) ISSN: 2337-3539 (231-9271 Print) A121 Studi Analisa Stabilitas Transien Sistem Jawa-Madura-Bali (Jamali) 5kV Setelah Masuknya Pembangkit Paiton MW Pada Tahun 221
Lebih terperinciSATIN Sains dan Teknologi Informasi
SATIN - Sains dan Teknologi Informasi, Vol. 2, No. 1, Juni 2015 SATIN Sains dan Teknologi Informasi journal homepage : http://jurnal.stmik-amik-riau.ac.id Jaringan Syaraf Tiruan untuk Memprediksi Prestasi
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI NILAI KURS JUAL SGD-IDR
Seminar Nasional Teknologi Informasi dan Multimedia 205 STMIK AMIKOM Yogyakarta, 6-8 Februari 205 IMPLEMENTASI JARINGAN SYARAF TIRUAN MULTI LAYER FEEDFORWARD DENGAN ALGORITMA BACKPROPAGATION SEBAGAI ESTIMASI
Lebih terperinciPERHITUNGAN CCT (CRITICAL CLEARING TIME) UNTUK ANALISIS KESTABILAN TRANSIENT PADA SISTEM KELISTRIKAN 500KV JAWA-BALI
JURNAL TEKNIK POMITS Vol. 1, No. 1, (01) 1-5 1 PERHITUNGAN CCT (CRITICAL CLEARING TIME) UNTUK ANALISIS KESTABILAN TRANSIENT PADA SISTEM KELISTRIKAN 500KV JAWA-BALI I Nyoman Kurnia Widhiana, Ardyono Priyadi
Lebih terperinciSimulasi dan Analisis Stabilitas Transien dan Pelepasan Beban pada Sistem Kelistrikan PT. Semen Indonesia Pabrik Aceh
B-468 JURNAL TEKNIK ITS Vol. 5 No. (016) ISSN: 337-3539 (301-971 Print) Simulasi dan Analisis Stabilitas Transien dan Pelepasan Beban pada Sistem Kelistrikan PT. Semen Indonesia Pabrik Aceh David Firdaus,
Lebih terperinciBAB III METODE PENELITIAN
34 BAB III METODE PENELITIAN Penelitian ini bertujuan untuk mengetahui kondisi tegangan tiap bus, perubahan rugi-rugi daya pada masing-masing saluran dan indeks kestabilan tegangan yang terjadi dari suatu
Lebih terperinciBAB III METODE PENELITIAN
34 BAB III METODE PENELITIAN Penelitian ini bertujuan untuk mengetahui kondisi tegangan tiap bus, perubahan rugi-rugi daya pada masing-masing saluran dan indeks kestabilan tegangan yang terjadi dari suatu
Lebih terperinciPerhitungan Waktu Pemutus Kritis Menggunakan Metode Simpson pada Sebuah Generator yang Terhubung pada Bus Infinite
JURNAL TEKNIK ELEKTRO Vol., No., (03) -6 Perhitungan Waktu Pemutus Kritis Menggunakan Metode Simpson pada Sebuah Generator yang Terhubung pada Bus Infinite Argitya Risgiananda ), Dimas Anton Asfani ),
Lebih terperinciPERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN
Feng PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK... 211 PERBANDINGAN ANTARA MODEL NEURAL NETWORK DAN MODEL DUANE UNTUK EVALUASI KETEPATAN PREDIKSI WAKTU KERUSAKAN SUATU KOMPONEN Tan
Lebih terperinciBAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK)
BAB IV JARINGAN SYARAF TIRUAN (ARTIFICIAL NEURAL NETWORK) Kompetensi : 1. Mahasiswa memahami konsep Jaringan Syaraf Tiruan Sub Kompetensi : 1. Dapat mengetahui sejarah JST 2. Dapat mengetahui macam-macam
Lebih terperinciPREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
PREDIKSI CURAH HUJAN DI KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, Erlinda Ningsih 2 1 Dosen Teknik Informatika, STMIK Potensi Utama 2 Mahasiswa Sistem Informasi, STMIK
Lebih terperinciUJM 3 (1) (2014) UNNES Journal of Mathematics.
UJM 3 (1) (2014) UNNES Journal of Mathematics http://journal.unnes.ac.id/sju/index.php/ujm APLIKASI JARINGAN SYARAF TIRUAN BACKPROPAGATION DALAM PERAMALAN BEBAN PUNCAK DISTRIBUSI LISTRIK DI WILAYAH PEMALANG
Lebih terperinciAnalisis Kestabilan Sistem Daya pada Interkoneksi PT.Ajinomoto Indonesia dan PT.Ajinex Internasional Mojokerto Factory
1 Analisis Kestabilan Sistem Daya pada Interkoneksi PT.Ajinomoto Indonesia dan PT.Ajinex Internasional Mojokerto Factory Triyudha Yusticea Sulaksono, Hadi Suyono, Hery Purnomo Abstrak PT. Ajinomoto Indonesia
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Forecasting Forecasting (peramalan) adalah seni dan ilmu untuk memperkirakan kejadian di masa yang akan datang. Hal ini dapat dilakukan dengan melibatkan data historis dan memproyeksikannya
Lebih terperinciT 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX
T 11 Aplikasi Model Backpropagation Neural Network Untuk Perkiraan Produksi Tebu Pada PT. Perkebunan Nusantara IX Oleh: Intan Widya Kusuma Program Studi Matematika, FMIPA Universitas Negeri yogyakarta
Lebih terperinciJURNAL TEKNIK POMITS Vol. 1, No. 1, (2014) 1-6 1
JURNAL TEKNIK POMITS Vol., No., () -6 Perhitungan Critical Clearing Time Berdasarkan Critical Trajectory Menggunakan Controlling Unstable Equilibrium Point (CUEP) Pada Sistem Multimesin Terhubung Bus Infinite
Lebih terperinciDESAIN RECURRENT NEURAL NETWORK - AUTOMATIC VOLTAGE REGULATOR PADA SISTEM SINGLE MESIN
Prosiding Seminar Nasional Manaemen Teknologi XI Program Studi MMT-ITS, Surabaya 6 Pebruari 200 DESAIN RECURRENT NEURAL NETWORK - AUTOMATIC VOLTAGE REGULATOR PADA SISTEM SINGLE MESIN Widi Aribowo Fakultas
Lebih terperinciBAB I PENDAHULUAN. penerangan dan juga proses produksi yang melibatkan barang-barang elektronik dan
BAB I PENDAHULUAN 1.1 Latar Belakang Listrik adalah bentuk energi sekunder yang paling praktis penggunaanya oleh manusia baik untuk kegiatan industri, kegiatan komersial, maupun dalam kehidupan sehari-hari
Lebih terperinciVOL. 01 NO. 02 [JURNAL ILMIAH BINARY] ISSN :
PENERAPAN JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH PRODUKSI AIR MINUM MENGGUNAKAN ALGORITMA BACKPROPAGATION (STUDI KASUS : PDAM TIRTA BUKIT SULAP KOTA LUBUKLINGGAU) Robi Yanto STMIK Bina Nusantara
Lebih terperinciAnalisis Kestabilan Transien dan Mekanisme Pelepasan Beban di PT. Pertamina (Persero) Refinery Unit (R.U.) VI Balongan Jawa Barat
JURNAL TEKNIK POMITS Vol. 1, No. 1, (013) 1-6 1 Analisis Kestabilan Transien dan Mekanisme Pelepasan Beban di PT. Pertamina (Persero) Refinery Unit (R.U.) VI Balongan Jawa Barat Syahrul Hidayat, Ardyono
Lebih terperinciPerbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation
65 Perbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh dengan Algoritma Neural Network Backpropagation Risty Jayanti Yuniar, Didik Rahadi S. dan Onny Setyawati Abstrak - Kecepatan angin dan curah
Lebih terperinciPenerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6
Penerapan Jaringan Saraf Tiruan Metode Backpropagation Menggunakan VB 6 Sari Indah Anatta Setiawan SofTech, Tangerang, Indonesia cu.softech@gmail.com Diterima 30 November 2011 Disetujui 14 Desember 2011
Lebih terperinciPengontrolan Sistem Eksiter Untuk Kestabilan Tegangan Di Sistem Single Machine Infinite Bus (SMIB) Menggunakan Metode PID
JURNAL INTAKE---- Vol. 5, Nomor 2, Oktober 2014 Pengontrolan Sistem Eksiter Untuk Kestabilan Tegangan Di Sistem Single Machine Infinite Bus (SMIB) Menggunakan Metode PID Alamsyah Ahmad Teknik Elektro,
Lebih terperinciStudi Perhitungan Critical Clearing Time Pada Beban Dinamis Berbasis Controlling Unstable Equilbrium Point
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6 1 Studi Perhitungan Critical Clearing Time Pada Beban Dinamis Berbasis Controlling Unstable Equilbrium Point Angga Mey Sendra., Dr.Eng. Ardyono Priyadi, ST,
Lebih terperinciNama : Ririn Harwati NRP : Pembimbing : 1. Prof. Ir. Ontoseno Penangsang, M.Sc, PhD 2. Prof. Dr. Ir. Adi Soeprijanto, MT.
Nama : Ririn Harwati NRP : 2206 100 117 Pembimbing : 1. Prof. Ir. Ontoseno Penangsang, M.Sc, PhD 2. Prof. Dr. Ir. Adi Soeprijanto, MT. Presentasi Sidang Tugas Akhir (Genap 2010) Teknik Sistem Tenaga Jurusan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.6. Jaringan Syaraf Tiruan Jaringan syaraf tiruan atau neural network merupakan suatu sistem informasi yang mempunyai cara kerja dan karakteristik menyerupai jaringan syaraf pada
Lebih terperinciANALISIS PENGGUNAAN POWER SYSTEM STABILIZER (PSS) DALAM PERBAIKAN STABILITAS TRANSIEN GENERATOR SINKRON
ANALISIS PENGGUNAAN POWER SYSTEM STABILIZER (PSS) DALAM PERBAIKAN STABILITAS TRANSIEN GENERATOR SINKRON Indra Adi Permana 1, I Nengah Suweden 2, Wayan Arta Wijaya 3 1,2,3 Jurusan Teknik Elektro, Fakultas
Lebih terperinciMODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA
MODEL PEMBELAJARAN JARINGAN SYARAF TIRUAN UNTUK OTOMATISASI PENGEMUDIAN KENDARAAN BERODA TIGA Ramli e-mail:ramli.brt@gmail.com Dosen Tetap Amik Harapan Medan ABSTRAK Jaringan Syaraf Tiruan adalah pemrosesan
Lebih terperinciPERAMALAN HARGA SAHAM PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN AKAIKE INFORMATION CRITERION
Seminar Nasional Aplikasi Teknologi Informasi 20 (SNATI 20) ISSN: 19-5022 Yogyakarta, 16 Juni 20 PERAMALAN HARGA SAHAM PERUSAHAAN MENGGUNAKAN ARTIFICIAL NEURAL NETWORK DAN AKAIKE INFORMATION CRITERION
Lebih terperinciIMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM
IMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK MEMPREDIKSI HARGA SAHAM Ayu Trimulya 1, Syaifurrahman 2, Fatma Agus Setyaningsih 3 1,3 Jurusan Sistem Komputer, Fakultas MIPA Universitas
Lebih terperinciKLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION. Dhita Azzahra Pancorowati
KLASIFIKASI POLA HURUF VOKAL DENGAN MENGGUNAKAN JARINGAN SARAF TIRUAN BACKPROPAGATION Dhita Azzahra Pancorowati 1110100053 Jurusan Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi
Lebih terperinciAnalisis Kestabilan Sistem Daya pada Interkoneksi PT.Ajinomoto Indonesia dan PT.Ajinex Internasional Mojokerto Factory
1 Analisis Kestabilan Sistem Daya pada Interkoneksi PT.Ajinomoto Indonesia dan PT.Ajinex Internasional Mojokerto Factory Triyudha Yusticea Sulaksono, Hadi Suyono, Hery Purnomo Abstrak PT. Ajinomoto Indonesia
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bab ini akan dielaskan mengenai teori-teori yang berhubungan dengan penelitian ini, sehingga dapat diadikan sebagai landasan berpikir dan akan mempermudah dalam hal pembahasan
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN RBF PADA SISTEM KONTROL VALVE UNTUK PENGENDALIAN TINGGI MUKA AIR
APLIKASI JARINGAN SYARAF TIRUAN RBF PADA SISTEM KONTROL VALVE UNTUK PENGENDALIAN TINGGI MUKA AIR Wahyudi, Hariyanto, Iwan Setiawan Jurusan Teknik Elektro, Fakultas Teknik, Universitas Diponegoro, Jln.
Lebih terperinciPENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN ABSTRAK
PENGENALAN PLAT NOMOR KENDARAAN DALAM SEBUAH CITRA MENGUNAKAN JARINGAN SARAF TIRUAN Decy Nataliana [1], Sabat Anwari [2], Arief Hermawan [3] Jurusan Teknik Elektro Fakultas Teknologi Industri Institut
Lebih terperinciBAB 2 LANDASAN TEORI. fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
8 BAB 2 LANDASAN TEORI 2.1 Teori Neuro Fuzzy Neuro-fuzzy sebenarnya merupakan penggabungan dari dua studi utama yaitu fuzzy logic dengan aplikasi neuro computing. Masing-masing memiliki cara dan proses
Lebih terperinciPREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION
PREDIKSI PENDAPATAN ASLI DAERAH KALIMANTAN BARAT MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Dwi Marisa Midyanti Sistem Komputer Universitas Tanjungpura Pontianak Jl Prof.Dr.Hadari Nawawi, Pontianak
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK
APLIKASI JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI VOLUME PEMAKAIAN AIR BERSIH DI KOTA PONTIANAK [1] Meishytah Eka Aprilianti, [2] Dedi Triyanto, [3] Ilhamsyah [1] [2] [3] Jurusan Sistem Komputer, Fakultas
Lebih terperinciKlasifikasi Pola Huruf Vokal dengan Menggunakan Jaringan Saraf Tiruan
JURNAL TEKNIK POMITS 1-7 1 Klasifikasi Pola Huruf Vokal dengan Menggunakan Jaringan Saraf Tiruan Dhita Azzahra Pancorowati, M. Arief Bustomi Jurusan Fisika, Fakultas Matematika dan Ilmu Pengetahuan Alam,
Lebih terperinciBAB III 1 METODE PENELITIAN
23 BAB III 1 METODE PENELITIAN 1.1 Sumber Data Data yang digunakan dalam penelitian ini sebagai berikut: 1. Karakteristik pembangkit meliputi daya maksimum dam minimum, karakteristik heat-rate (perbandingan
Lebih terperinciBAB 2 LANDASAN TEORI. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu
BAB 2 LANDASAN TEORI 2.1 Pengenalan Suara. Pengenalan suara (voice recognition) dibagi menjadi dua jenis, yaitu speech recognition dan speaker recognition. Speech recognition adalah proses yang dilakukan
Lebih terperinciAnalisa Stabilitas Transien Pada Sistem Transmisi Sumatera Utara 150 kv 275 kv Dengan Penambahan PLTA Batang Toru 4 X 125 MW
B202 Analisa Stabilitas Transien Pada Sistem Transmisi Sumatera Utara 150 kv 275 kv Dengan Penambahan PLTA Batang Toru 4 X 125 MW Danar Tri Kumara, Prof. Ir Ontoseno Penangsang M.Sc,Ph.D, dan Ir. NI Ketut
Lebih terperinciANALISIS KESTABILAN TRANSIEN BERBASIS CRITICAL CLEARING TIME PADA PT. PUPUK SRIWIDJAJA PALEMBANG
ANALISIS KESTABILAN TRANSIEN BERBASIS CRITICAL CLEARING TIME PADA PT. PUPUK SRIWIDJAJA PALEMBANG Angky Inggita Putra, Margo Pujiantara, Ardyono Priyadi Jurusan Teknik Elektro-FTI, Institut Teknologi Sepuluh
Lebih terperinciMETODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN A. Kerangka Pemikiran Perusahaan dalam era globalisasi pada saat ini, banyak tumbuh dan berkembang, baik dalam bidang perdagangan, jasa maupun industri manufaktur. Perusahaan
Lebih terperinciPERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI
PERANCANGAN PROGRAM PENGENALAN BENTUK MOBIL DENGAN METODE BACKPROPAGATION DAN ARTIFICIAL NEURAL NETWORK SKRIPSI Oleh Nama : Januar Wiguna Nim : 0700717655 PROGRAM GANDA TEKNIK INFORMATIKA DAN MATEMATIKA
Lebih terperinciMEMPREDIKSI KECERDASAN SISWA MENGGUNAKAN JARINGAN SYARAF TIRUAN BERBASIS ALGORITMA BACKPROPAGATION (STUDI KASUS DI LP3I COURSE CENTER PADANG)
MEMPREDIKSI KECERDASAN SISWA MENGGUNAKAN JARINGAN SYARAF TIRUAN BERBASIS ALGORITMA BACKPROPAGATION (STUDI KASUS DI LP3I COURSE CENTER PADANG) R. Ayu Mahessya, S.Kom, M.Kom, Fakultas Ilmu Komputer Universitas
Lebih terperinciPENERAPAN TEKNIK JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK PERAMALAN HARGA SAHAM Putra Christian Adyanto
PENERAPAN TEKNIK JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK PERAMALAN HARGA SAHAM Putra Christian Adyanto Teknik Informatika, Univesitas Dian Nuswantoro ABSTRACT: Peramalan saham merupakan
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Data Yang Digunakan Dalam melakukan penelitian ini, penulis membutuhkan data input dalam proses jaringan saraf tiruan backpropagation. Data tersebut akan digunakan sebagai
Lebih terperinciPENGEMBANGAN SISTEM MONITORING VISUAL KEAMANAN TRANSMISI
PENGEMBANGAN SISTEM MONITORING VISUAL KEAMANAN TRANSMISI Mohammad Arie Reza 1), Mauridhi Hery Purnomo 2), Adi Soeprijanto 3) 1) Univ. Sains dan Teknologi Jayapura/Mahasiswa S2 Jurusan Teknik Elektro ITS
Lebih terperinciBAB 3 PERANCANGAN SISTEM. Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang
BAB 3 PERANCANGAN SISTEM Bab ini menguraikan analisa penelitian terhadap metode Backpropagation yang diimplementasikan sebagai model estimasi harga saham. Analisis yang dilakukan adalah menguraikan penjelasan
Lebih terperinciBAB I PENDAHULUAN. Bab ini membahas garis besar penelitian yang meliputi latar belakang,
BAB I PENDAHULUAN Bab ini membahas garis besar penelitian yang meliputi latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian dan sistematika penulisan penelitian. 1.1.
Lebih terperinciBAB II NEURAL NETWORK (NN)
BAB II NEURAL NETWORK (NN) 2.1 Neural Network (NN) Secara umum Neural Network (NN) adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan syaraf manusia. NN ini merupakan
Lebih terperinciJURNAL SAINS DAN INFORMATIKA
39 Fauzul Sains Amri, dan Jaringan Informatika Syaraf Vol.1 Tiruan (N0.1) untuk (2015): Memprediksi 37-43 JURNAL SAINS DAN INFORMATIKA Research of Science and Informatic e-mail: jit.kopertis10@gmail.com
Lebih terperinciPEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER
PEMANFAATAN NEURAL NETWORK PERCEPTRON PADA PENGENALAN POLA KARAKTER Fakultas Teknologi Informasi Universitas Merdeka Malang Abstract: Various methods on artificial neural network has been applied to identify
Lebih terperinciANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK
ANALISIS ALGORITMA INISIALISASI NGUYEN-WIDROW PADA PROSES PREDIKSI CURAH HUJAN KOTA MEDAN MENGGUNAKAN METODE BACKPROPAGATION NEURAL NETWORK Yudhi Andrian 1, M. Rhifky Wayahdi 2 1 Dosen Teknik Informatika,
Lebih terperinciOptimisasi Operasi Sistem Tenaga Listrik dengan Konstrain Kapabilitas Operasi Generator dan Kestabilan Steady State Global
Optimisasi Operasi Sistem Tenaga Listrik dengan Konstrain Kapabilitas Operasi Generator dan Kestabilan Steady State Global Johny Custer (2209201007) Dosen Pembimbing : Prof. Ir. Ontoseno Penangsang, M.
Lebih terperinciSTUDI PERHITUNGAN CRITICAL CLEARING TIME PADA BEBAN STATIS BERBASIS CONTROLLING UNSTABLE EQUILIBRIUM POINT
STUDI PERHITUNGAN CRITICAL CLEARING TIME PADA BEBAN STATIS BERBASIS CONTROLLING UNSTABLE EQUILIBRIUM POINT JURUSAN TEKNIK ELEKTRO INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA Kestabilan Sistem Tenaga Kestabilan
Lebih terperinciAnalisis Kestabilan Transien Dan Mekanisme Pelepasan Beban Di PT. Pusri Akibat Penambahan Generator Dan Penambahan Beban
JUNAL TEKNIK ITS Vol. 6, No. 1, (2017) ISSN: 2337-3539 (2301-9271 Print) B-170 Analisis Kestabilan Transien Dan Mekanisme Pelepasan Beban Di PT. Pusri Akibat Penambahan Generator Dan Penambahan Beban Baghazta
Lebih terperinciPengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation
Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko Pengembangan Aplikasi Prediksi Pertumbuhan Ekonomi Indonesia dengan Jaringan Syaraf Tiruan Backpropagation Erlangga, Sukmawati Nur Endah dan Eko Adi Sarwoko
Lebih terperinciJARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA
JARINGAN SARAF TIRUAN DENGAN BACKPROPAGATION UNTUK MENDETEKSI PENYALAHGUNAAN NARKOTIKA Dahriani Hakim Tanjung STMIK POTENSI UTAMA Jl.K.L.Yos Sudarso Km 6.5 Tanjung Mulia Medan notashapire@gmail.com Abstrak
Lebih terperinciPREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN METODE NEURAL NETWORK DAN PARTICLE SWARM OPTIMIZATION
PREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN METODE NEURAL NETWORK DAN PARTICLE SWARM OPTIMIZATION Dewi Kusumawati 1), Wing Wahyu Winarno 2), M. Rudyanto Arief 3) 1), 2), 3) Magister Teknik Informatika STMIK
Lebih terperinciPENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT
PENERAPAN JARINGAN SYARAF TIRUAN DALAM MEMPREDIKSI TINGKAT PENGANGGURAN DI SUMATERA BARAT Havid Syafwan Program Studi Manajemen Informatika, Amik Royal, Kisaran E-mail: havid_syafwan@yahoo.com ABSTRAK:
Lebih terperinciAplikasi Jaringan Saraf Tiruan Sebagai Penterjemah Karakter Braille Ke Bentuk Abjad
The 13 th Industrial Electronics Seminar 2011 (IES 2011) Electronic Engineering Polytechnic Institute of Surabaya (EEPIS), Indonesia, October 26, 2011 Aplikasi Jaringan Saraf Tiruan Sebagai Penterjemah
Lebih terperinciStrategi Interkoneksi Suplai Daya 2 Pembangkit di PT Ajinomoto Indonesia, Mojokerto Factory
1 Strategi Interkoneksi Suplai Daya 2 di PT Ajinomoto Indonesia, Mojokerto Factory Surya Adi Purwanto, Hadi Suyono, dan Rini Nur Hasanah Abstrak PT. Ajinomoto Indonesia, Mojokerto Factory adalah perusahaan
Lebih terperinciPENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD NEURAL NETWORK MENGGUNAKAN ALGORITMA RESILENT BACKPROPAGATION
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 203-209 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENENTUAN MODEL RETURN HARGA SAHAM DENGAN MULTI LAYER FEED FORWARD
Lebih terperinciANALISIS KEANDALAN SISTEM 150 KV DI WILAYAH JAWA TIMUR
ANALISIS KEANDALAN SISTEM 150 KV DI WILAYAH JAWA TIMUR Ridwan Jurusan Teknik Elektro-FTI, Institut Teknologi Sepuluh Nopember Kampus Keputih-Sukolilo, Surabaya-60111, Email : ridwan_elect@yahoo.co.id ABSTRAK
Lebih terperinciANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang)
ANALISIS JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI JUMLAH RESERVASI KAMAR HOTEL DENGAN METODE BACKPROPAGATION (Studi Kasus Hotel Grand Zuri Padang) 1 Musli Yanto, 2 Sarjon Defit, 3 Gunadi Widi Nurcahyo
Lebih terperinciPEMODELAN DAN SISTEM INFORMASI PREDIKSI KAPASITAS PEMBANGKIT LISTRIK MENGGUNAKAN NEURAL NETWORK (SEKTOR RUMAH TANGGA)
PEMODELAN DAN SISTEM INFORMASI PREDIKSI KAPASITAS PEMBANGKIT LISTRIK MENGGUNAKAN NEURAL NETWORK (SEKTOR RUMAH TANGGA) Salmawaty Tansa 1, Bambang Panji Asmara 2 Fakultas Teknik, Jurusan Teknik Elektro,
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Artificial Neural Network Artificial neural network (ANN) / jaringan saraf tiruan adalah konsep yang merefleksikan cara kerja dari jaringan saraf biologi kedalam bentuk artificial
Lebih terperinciJurnal Fisika Unand Vol. 2, No. 4, Oktober 2013 ISSN
PREDIKSI CURAH HUJAN BULANAN MENGGUNAKAN JARINGAN SYARAF TIRUAN DENGAN BEBERAPA FUNGSI PELATIHAN BACKPROPAGATION (Studi Kasus: Stasiun Meteorologi Tabing Padang, Tahun 2001-2012) Cici Oktaviani, Afdal
Lebih terperinciSIMULASI JARINGAN SYARAF TIRUAN BERBASIS METODE BACKPROPAGATION SEBAGAI PENGENDALI KECEPATAN MOTOR DC
SIMULASI JARINGAN SYARAF TIRUAN BERBASIS METODE BACKPROPAGATION SEBAGAI PENGENDALI KECEPATAN MOTOR DC Romi Wiryadinata 1), Dwi Ana Ratnawati 2) Lab. Pemrograman Informatika Teori 1), Lab. Software MATLAB
Lebih terperinciBAB 2 KONSEP DASAR PENGENAL OBJEK
BAB 2 KONSEP DASAR PENGENAL OBJEK 2.1 KONSEP DASAR Pada penelitian ini, penulis menggunakan beberapa teori yang dijadikan acuan untuk menyelesaikan penelitian. Berikut ini teori yang akan digunakan penulis
Lebih terperinciAPLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA
Aplikasi Jaringan Syaraf Tiruan Multilayer Perceptron (Joni Riadi dan Nurmahaludin) APLIKASI JARINGAN SYARAF TIRUAN MULTI LAYER PERCEPTRON PADA APLIKASI PRAKIRAAN CUACA Joni Riadi (1) dan Nurmahaludin
Lebih terperinciPENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION
PENGENALAN KARAKTER ALFANUMERIK MENGGUNAKAN METODE BACKPROPAGARATION Amriana 1 Program Studi D1 Teknik Informatika Jurusan Teknik Elektro Fakultas Teknik UNTAD ABSTRAK Jaringan saraf tiruan untuk aplikasi
Lebih terperinciIDENTIFIKASI VARIETAS UNGGUL BENIH KEDELAI BERDASARKAN WARNA DENGAN JARINGAN SARAF TIRUAN
IDENTIFIKASI VARIETAS UNGGUL BENIH KEDELAI BERDASARKAN WARNA DENGAN JARINGAN SARAF TIRUAN Galih Probo Kusuma, Dr Melania Suweni Muntini, MT Jurusan Fisika Institut Teknologi Sepuluh Nopember (ITS) Surabaya
Lebih terperinciSTUDI ALIRAN DAYA PADA SISTEM KELISTRIKAN SUMATERA BAGIAN UTARA (SUMBAGUT) 150 kv DENGAN MENGGUNAKAN SOFTWARE POWERWORLD VERSI 17
STUDI ALIRAN DAYA PADA SISTEM KELISTRIKAN SUMATERA BAGIAN UTARA (SUMBAGUT) 50 kv DENGAN MENGGUNAKAN SOFTWARE POWERWORLD VERSI 7 Adly Lidya, Yulianta Siregar Konsentrasi Teknik Energi Listrik, Departemen
Lebih terperinciPERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS)
PERAMALAN BEBAN LISTRIK JANGKA PENDEK DI BALI MENGGUNAKAN PENDEKATAN ADAPTIVE NEURO-FUZZY INFERENCE SYSTEM (ANFIS) L K Widyapratiwi 1, I P A Mertasana 2, I G D Arjana 2 1 Mahasiswa Teknik Elektro, Fakultas
Lebih terperinciNEURAL NETWORK BAB II
BAB II II. Teori Dasar II.1 Konsep Jaringan Saraf Tiruan (Artificial Neural Network) Secara biologis jaringan saraf terdiri dari neuron-neuron yang saling berhubungan. Neuron merupakan unit struktural
Lebih terperinciJaringan Syaraf Tiruan. Disusun oleh: Liana Kusuma Ningrum
Jaringan Syaraf Tiruan Disusun oleh: Liana Kusuma Ningrum Susilo Nugroho Drajad Maknawi M0105047 M0105068 M01040 Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret
Lebih terperinciII. TINJAUAN PUSTAKA. utama yaitu pembangkit, penghantar (saluran transmisi), dan beban. Pada sistem
II. TINJAUAN PUSTAKA A. Aliran Daya Tiga Fasa Menurut Marsudi, proses penyaluran tenaga listrik terdiri dari tiga komponen utama yaitu pembangkit, penghantar (saluran transmisi), dan beban. Pada sistem
Lebih terperinciSISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON
Jurnal Informatika Mulawarman Vol. 7 No. 3 Edisi September 2012 105 SISTEM PENGENALAN KARAKTER DENGAN JARINGAN SYARAF TIRUAN ALGORITMA PERCEPTRON Anindita Septiarini Program Studi Ilmu Komputer FMIPA,
Lebih terperinciPERAMALAN BEBAN LISTRIK MENGGUNAK AN JARINGAN SARAF TIRUAN METODE KOHONEN ABSTRAK
PERAMALAN BEBAN LISTRIK MENGGUNAK AN JARINGAN SARAF TIRUAN METODE KOHONEN Galang Jiwo Syeto, Arna Fariza, S.Kom, M.Kom, Setiawardhana, S.T Program DIV Jurusan Teknik Informatika Politeknik Elektronika
Lebih terperinciFarah Zakiyah Rahmanti
Farah Zakiyah Rahmanti Latar Belakang Struktur Dasar Jaringan Syaraf Manusia Konsep Dasar Permodelan JST Fungsi Aktivasi JST Contoh dan Program Jaringan Sederhana Metode Pelatihan Supervised Learning Unsupervised
Lebih terperinciKata Kunci Operasi ekonomis, iterasi lambda, komputasi serial, komputasi paralel, core prosesor.
OPERASI EKONOMIS PEMBANGKIT TENAGA LISTRIK DENGAN METODE ITERASI LAMBDA MENGGUNAKAN KOMPUTASI PARALEL Dheo Kristianto¹, Hadi Suyono, ST, MT, Ph.D.², Ir. Wijono, MT. Ph.D³ ¹Mahasiswa Teknik Elektro, ² ³Dosen
Lebih terperinciArchitecture Net, Simple Neural Net
Architecture Net, Simple Neural Net 1 Materi 1. Model Neuron JST 2. Arsitektur JST 3. Jenis Arsitektur JST 4. MsCulloh Pitts 5. Jaringan Hebb 2 Model Neuron JST X1 W1 z n wi xi; i1 y H ( z) Y1 X2 Y2 W2
Lebih terperinciMuhammad Fahrizal. Mahasiswa Teknik Informatika STMIK Budi Darma Jl. Sisingamangaraja No. 338 Simpanglimun Medan
IMPLEMENTASI JARINGAN SARAF TIRUAN DALAM MEMPREDIKSI SERVICE KENDARAAN RODA 4 DENGAN METODE BACKPROPAGATION (STUDI KASUS PT. AUTORENT LANCAR SEJAHTERA) Muhammad Fahrizal Mahasiswa Teknik Informatika STMIK
Lebih terperinciNeural Networks. Machine Learning
MMA10991 Topik Khusus - Machine Learning Dr. rer. nat. Hendri Murfi Intelligent Data Analysis (IDA) Group Departemen Matematika, Universitas Indonesia Depok 16424 Telp. +62-21-7862719/7863439, Fax. +62-21-7863439,
Lebih terperinciJaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang)
Jaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation Untuk Memprediksi Jumlah Pengangguran (Studi Kasus DiKota Padang) Hadi Syahputra Universitas Putra Indonesia YPTK Padang E-mail: hadisyahputra@upiyptk.ac.id
Lebih terperinciSINGUDA ENSIKOM VOL. 7 NO. 2/Mei 2014
PERBANDINGAN METODE FAST-DECOUPLE DAN METODE GAUSS-SEIDEL DALAM SOLUSI ALIRAN DAYA SISTEM DISTRIBUSI 20 KV DENGAN MENGGUNAKAN ETAP POWER STATION DAN MATLAB (Aplikasi Pada PT.PLN (Persero Cab. Medan) Ken
Lebih terperinciAplikasi yang dibuat adalah aplikasi untuk menghitung. prediksi jumlah dalam hal ini diambil studi kasus data balita
BAB III ANALISA DAN PERANCANGAN SISTEM 3.1. Analisa dan Kebutuhan Sistem Analisa sistem merupakan penjabaran deskripsi dari sistem yang akan dibangun kali ini. Sistem berfungsi untuk membantu menganalisis
Lebih terperinciJARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN)
JARINGAN SYARAF TIRUAN UNTUK MEMPREDIKSI CURAH HUJAN SUMATERA UTARA DENGAN METODE BACK PROPAGATION (STUDI KASUS : BMKG MEDAN) Marihot TP. Manalu Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 JARINGAN SARAF SECARA BIOLOGIS Jaringan saraf adalah salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak
Lebih terperinciPENGGUNAAN RADIAL BASIS FUNCTION (RBF) PADA GENERATOR TUNGGAL UNTUK OPTIMASI KINERJA POWER SYSTEM STABILIZER
PENGGUNAAN RADIAL BASIS FUNCTION (RBF) PADA GENERATOR TUNGGAL UNTUK OPTIMASI KINERJA POWER SYSTEM STABILIZER Subuh Isnur Haryudo (1,), Adi Soeprijanto (1), Mauridhi Hery Purnomo (1) (1) Jurusan Teknik
Lebih terperinciJurnal Informatika Mulawarman Vol 5 No. 1 Februari
Jurnal Informatika Mulawarman Vol 5 No. 1 Februari 2010 50 Penerapan Jaringan Syaraf Tiruan Untuk Memprediksi Jumlah Pengangguran di Provinsi Kalimantan Timur Dengan Menggunakan Algoritma Pembelajaran
Lebih terperinciPERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK
Jurnal POROS TEKNIK, Volume 6, No. 2, Desember 2014 : 55-10 PERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK Nurmahaludin (1) (1) Staff Pengajar Jurusan
Lebih terperinciPREDIKSI PERHITUNGAN DOSIS RADIASI PADA PEMERIKSAAN MAMMOGRAFI MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN PROPAGASI BALIK
Berkala Fisika ISSN : 1410-9662 Vol.18, No.4, Oktober 2015, hal 151-156 PREDIKSI PERHITUNGAN DOSIS RADIASI PADA PEMERIKSAAN MAMMOGRAFI MENGGUNAKAN ALGORITMA JARINGAN SYARAF TIRUAN PROPAGASI BALIK Zaenal
Lebih terperinciANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION
ANALISIS PENAMBAHAN NILAI MOMENTUM PADA PREDIKSI PRODUKTIVITAS KELAPA SAWIT MENGGUNAKAN BACKPROPAGATION Eka Irawan1, M. Zarlis2, Erna Budhiarti Nababan3 Magister Teknik Informatika, Universitas Sumatera
Lebih terperinci