Kata Kunci : Jaringan Saraf Tiruan, Backpropagation dan Ketidakseimbangan Tegangan 1. PENDAHULUAN - PENGGUNAAN JARINGAN SARAF TIRUAN (JST) UNTUK PREDIKSI KETIDAKSEIMBANGAN TEGANGAN PADA SISTEM TENAGA LISTRIK - Repository Universitas Muhammadiyah Semarang

PENGGUNAAN JARINGAN SARAF TIRUAN (JST) UNTUK PREDIKSI KETIDAKSEIMBANGAN TEGANGAN PADA SISTEM TENAGA LISTRIK

  Agung Tri Prasetyo S-1 Teknik Elektro, Fakultas Teknik

  Universitas Muhammadiyah Semarang Jl. Kasipah No. 12 Semarang

  Email: agungtriprasetyo20@gmail.com

  ABSTRAK

  Penelitian ini bertujuan untuk memprediksi ketidakseimbangn tegangan data Kedepan dengan membuat tiga perbandingan keakuratan. Dalam penelitian ini, sistem yang digunakan adalah sistem Jaringan Syaraf Tiruan Backpropagation. Jaringan Syaraf Tiruan (JST) adalah model sistem komputasi yang berkembang sangat pesat yang dapat bekerja seperti syaraf biologis yaitu dapat mengenali pola-pola yang telah diajarkan. Pada penelitian ini, sebagai masukkan JST adalah Tegangan antar fasa dan ketidakseimbangan tegangan sekarang serta ketidakseimbangan tegangan histori yang diolah menjadi ketidakseimbangan tegangan prediksi setengah hari (12 jam), sedangkan sebagai keluaran JST adalah Ketidakseimbangan tegangan asli. Dari penelitian yang telah dilakukan, Jaringan Syaraf Tiruan dengan metode Backpropagation yang sudah dilatih dengan data koefisien Tegangan R - N, S- N, T

• – N untuk prediksi ketidakseimbangan tegangan dengan persentase kesalahan 15,90 % pada koefisien Tegangan R - N, S- N, T – N dan ketidakseimbangan sekarang untuk prediksi ketidakseimbangan tegangan dengan persentasi eror 3,14% pada koefisien tegangan R - N, S- N, T – N dan ketidakseimbangan tegangan history untuk prediksi ketidakseimbangan tegangan dengan presentasi eror 1,03%. Didapat bahwa tingkat keakuratan yang paling baik untuk meramalkan ketidakseimbangan tegangan adalah menggunakan ketiga tegangan dan ketidakseimbngan history dengan tingkat akurasi 98,97%.

  Kata Kunci : Jaringan Saraf Tiruan, Backpropagation dan Ketidakseimbangan Tegangan 1.

  permasalahan kualitas daya listrik yang

   PENDAHULUAN

  sering terjadi di Rumah Sakit yang Seiring meningkatnya kebutuhan menggunakan sistem listrik tiga fasa yaitu listrik pada pelanggan listrik khususnya terjadinya ketidakseimbangan tegangan di tempat Industri maupun Rumah sakit dan arus antar fasanya. Fenomena yang membutuhkan energi listrik dalam ketidakseimbangan tegangan dan arus ini jumlah yang besar, faktor kualitas daya sangat berpengaruh bagi kinerja peralatan listrik harus memadai guna menunjang proses produksi yang optimal. Salah satu

  S-1 Teknik Elektro Universitas Muhammadiyah Semarang

• peralatan yang disuplai oleh tegangan tiga fasa.

  artificial neural network (ANN), atau juga

  didefinisikan sebagai penyimpangan atau deviasi maksimum dari nilai rata-rata tegangan sistem tiga fase tegangan atau arus listrik , dibagi dengan nilai rata-rata

  imbalance , atau voltage unbalance)

  Ketidak-seimbangan tegangan (voltage

  sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan saraf manusia. JST merupakan salah satu sistem pemrosesan informasi yang didesain dengan menirukan cara kerja otak manusia dalam menyelesaikan suatu masalah dengan melakukan proses belajar melalui perubahan bobot sinapsisnya. JST mampu mengenali kegiatan dengan berbasis pada data. Peramalan beban listrik bulanan (jangka menengah) yang akurat sangat diperlukan bagi manajemen energy listrik pada sektor industry untuk mengambil keputusan yang tepat dalam mengambil langkah

  network (NN ). NN adalah jaringan dari

  disebut simulated neural network (SNN), atau umumnya hanya disebut neural

  Kecerdasan buatan yang sering dibicarakan adalah tentang jaringan saraf tiruan (JST) dalam bahasa Inggris disebut

• – peralatan listrik atau system instalasi listrik yang terpasang. (Armansyah, dkk : 2012).

  baik. Motor induksi khususnya motor induksi tiga fasa sangat sering digunakan pada peralatan industry dan kebanyakan langsung terhubung system distribusi daya. Oleh karena itu, sangat penting untuk dapat mengetahui efek dari variasi tegangan di system distribusi daya terhadap karakteristik motor induksi.

  friendly , dan memiliki kehandalan yang

  Di dunia industry, energy listrik banyak digunakan dalam menggerakkan konveyor, lift atau peralatan yang menggunakan motor induksi. Penggunaan motor induksi banyak digunakan karena lebih murah, perawatannya mudah, user

  Salah satu permasalahan kualitas daya yang sering terjadi adalah masalah ketidakseimbangan tegangan pada transmisi daya. Hal ini disebabkan beberapa factor diantaranya ketidaksimetrisan lilitan pada trafo daya atau ketidakseimbangan impedansi saluran dan beban yang tidak seimbang. Pengaruh dari ketidakseimbangan ini tentunya akan bersifat destruktif pada peralatan

• – langkah untuk penghematan energy listrik (Assafat L & Santoso AB : 2016) 2.

KETIDAKSEIMBANGAN TEGANGAN

  S-1 Teknik Elektro Universitas Muhammadiyah Semarang tegangan tiga fase atau arus tersebut, dan keadaan seimbang tidak terpenuhi. dinyatakan dalam persentase (Roger C. Kemungkinan keadaan tidak seimbang Dugan, 1996) Ketidak-seimbangan dapat ada 3 yaitu: didefinisikan menggunakan komponen

  1. Ketiga vektor sama besar tetapi simetris. Rasio atau perbandingan nilai tidak membentuk sudut 120º satu tegangan komponen urutan negatif sama lain. atauurutan nol dengan nilai tegangan

  2. Ketiga vektor tidak sama besar komponen urutan positif dapat digunakan tetapi membentuk sudut 120º satu untuk menentukan persentase sama lain. ketidakseimbangan (J. Schlabbach dkk,

  3. Ketiga vektor tidak sama besar 2000). Besarnya ketidak-seimbangan dan tidak membentuk sudut 120º tegangan yang pada sumber utama tidak satu sama lain. boleh lebih dari 2 persen (J. Schlabbach Gambar 2.1(a) menunjukkan vektor dkk, 2000). Nilai kritis dari keadaan diagram arus dalam keadaan seimbang. ketidakseimbangan tegangan adalah jika Di sini terlihat bahwa penjumlahan ketiga nilai persentase perbandingannya vektor arusnya (IR, IS, IT) adalah sama melebihi 5 persen, hal ini biasanya terjadi dengan nol sehingga tidak muncul arus karena terputusnya salah satu fasa dari netral (IN). Sedangkan pada Gambar sistem tenaga listrik tiga fasa (Roger C. 2.1(b) menunjukkan vektor diagram arus Dugan, 1996). yang tidak seimbang. Di sini terlihat Yang dimaksud dengan keadaan bahwa penjumlahan ketiga vektor arusnya seimbang adalah suatu keadaan di mana : (IR, IS, IT) tidak sama dengan nol

  1. Ketiga vektor arus / tegangan sehingga muncul sebuah besaran yaitu sama besar. arus netral (IN) yang besarnya bergantung

  2. Ketiga vektor saling membentuk dari seberapa besar faktor sudut 120º satu sama lain. ketidakseimbangannya. Sedangkan yang dimaksud dengan keadaan tidak seimbang adalah keadaan di mana salah satu atau kedua syarat

  S-1 Teknik Elektro Universitas Muhammadiyah Semarang

  JST adalah system komputasi dimana arsitektur dan operasi diilhami dari pengetahuan tentang sel syaraf biologi di dalam otak. Hal tersebut menjadikan JST sangat cocok untuk menyelesaikan masalah dengan tipe sama seperti otak manusia. Suatu jaringan syaraf tiruan

Gambar 2.1 Vektor diagram arus ditentukan oleh 3 hal:

  Menurut Standar The National

  1. Pola

  Standard for Electric Power System and – pola hubungan antar neuron yang disebut arsitektur Equipment ANSI Std C84.1 dimana jaringan. unbalance voltage maksimal sebesar 5%

  yang diperbolehkan di system tenaga

  2. Metode penentuan bobot penghubung listrik. Adapun cara menghitung yang disebut metode training /

  unbalance voltage dapat dilihat pada learning / algoritma.

  persamaan 1.

  3. Fungsi sktivasi yang digunakan.

  Model jaringan backpropagation Dengan : merupakan suatu teknik pembelajaran %Unb : Nilai % unbalance voltage atau pelatihan supervised leaning yang

  volt

  paling banyak digunakan. Metode ini Deviation from average voltage : selisih merupakan salah satu metode yang sangat antara tegangan rata-rata dengan tegangan baik dalam menangani masalah

  fasa terendah (selisish tegangan terbesar.

  pengenalan pola-pola kompleks. Didalam Average voltage: rata-rata tegangan ketiga fasa (fasa R, fasa S, fasa T). jaringan backpropagation, setiap unit yang berada di lapisan input berhubungan 3.

   JARINGAN SARAF TIRUAN

  dengan setiap unit yang ada di lapisan

  Backpropagation

  tersembunyi. Setiap unit yang ada di lapisan tersembunyi terhubung dengan

  S-1 Teknik Elektro Universitas Muhammadiyah Semarang setiap unit yang ada di lapisan output. masukan (ditambah sebuah bias), Jaringan ini terdiri dari banyak lapisan sebuah layar tersembunyi yang (multilayer network). Ketika jaringan ini terdiri dari p unit (ditambah diberikan pola masukan sebagai pola sebuah bias), serta m buah unit pelatihan, maka pola tersebut menuju keluaran.(Agustin M : 2012) unit-unit lapisan tersembunyi untuk selanjutnya diteruskan pada unit-unit dilapisan keluaran. Kemudian unit-unit lapisan keluaran akan memberikan respon sebagai keluaran jaringan syaraf tiruan.

  Saat hasil keluaran tidak sesuai dengan yang diharapkan, maka keluaran akan disebarkan mundur (backward) pada lapisan tersembunyi kemudian dari lapisan tersembunyi menuju lapisan

Gambar 3.1 Arsitektur 3 input, 10 hidden masukan. Tahap pelatihan ini merupakan

  dan 1 output langkah untuk melatih suatu jaringan syaraf tiruan, yaitu dengan cara melakukan perubahan bobot, sedangkan penyelesaian masalah akan dilakukan jika proses pelatihan tersebut telah selesai, fase ini disebut fase pengujian (Puspaningrum, 2006).

  1. Arsitektur Backpropation

  Backpropagation memiliki

  beberapa unit yang ada dalam satu atau lebih layar tersembunyi.

Gambar 3.1 adalah arsitektur

  Backpropagation dengan n buah S-1 Teknik Elektro Universitas Muhammadiyah Semarang

Gambar 3.2 Arsitektur 4 Input, 10 hidden Langkah : Semua bobot dan 1 output

  diinisialisasi dengan bilangan acak kecil.

  2. Algoritma Dasar Jaringan Syaraf Tiruan Backpropagation Langkah 1 : Jika kondisi

  Pelatihan Backpropagation penghentian belum meliputi 3 fase. Fase pertama adalah terpenuhi, melakukan langkah 2 fase maju. Pola masukan dihitung – 9. maju mulai dari layar masukan Langkah 2 : Untuk setiap pasangan hingga layar keluaran menggunakan data pelatihan, melakukan langkah 3

• – 8. Propasi Maju : fungsi aktivasi yang ditentukan. Fase kedua adalah fase mundur. Selisih Langkah 3 : Setiap unit masukan (X i ) antara keluaran jaringan dengan menerima sinyal dan meneruskan sinyal target yang diinginkan merupakan ini ke unit tersembunyi diatasnya.

  Langkah 4 : Menghitung semua keluaran eror yang terjadi. Error tersebut dipropagasikan mundur, dimulai dari di unit tersembunyi Z j (j=1,2,…,p). garis yang berhubungan langsung _n

  z net _  v  z w _{j j j kj}

   _i  ₁ Fase ketiga adalah modifikasi bobot

  dengan unit – unit di layar keluaran.

  1 z  f (z_net )  _{j j}

   z net _ _j untuk menurunkan error yang terjadi. 1  e

  3. Algoritma pelatihan untuk Langkah 5 : Menghitung semua keluaran jaringan dengan satu layar jaringan di unit Y k (k=1,2,…,m). tersembunyi _p

  Algoritma pelatihan untuk

  y net _  w  x v _{k k i ji}  _{j  1}

  jaringan dengan satu layar tersembunyi (dengan fungsi

  1 y  f (y_net )  _{k k  y net _}

  aktifasi sigmoid biner) adalah k

  1 e 

  sebagai berikut: Propagasi mundur:

  S-1 Teknik Elektro Universitas Muhammadiyah Semarang

• – bobotnya

   

  (baru) (lama) _{ji ji ji} v v v   

  Tiap unit tersembunyi (Z j ) mengubah bias dan bobot (i)

    

  (baru) w (lama) w _{kj kj kj} w

     Memperbarui bobot dan bias : Langkah 8 : Tiap unit keluaran mengubah bias dan bobot

  0j selanjutnya). _{j j} v a

  Dan menghiung koreksi bias (digunakan untuk mengubah V

    v a x 

  Menghitung koreksi bobot (digunakan untuk mengubah V ij selanjutnya) _{iji j i}

  _ '(z_net ) _{j j j}   net f 

  Mengalikan engan turunan fungsi aktivasi untuk menghitung informasi error.

  

   

  _ ^m _{j k kj k} net w

  S-1 Teknik Elektro Universitas Muhammadiyah Semarang

  Langkah 7 : Menghitung factor δ unit tersembunyi berdasarkan error di setiap unit tersembunyi. ₁

  k ke lapisan tersembunyi.

  Dan mengirim nilai δ

   

  

  w a

  Menghitung koreksi bias _{k k}

   w a z  

  dipakai dalam perubahan bobot layer dibawahnya (langkah 7). Kemudian menghitung koreksi bobot (digunakan untuk mengubah W jk selanjutnya) dengan laju pembelajaran merupakan salah satu parameter JST yang harus ditentukan sebelumnya. _{kj k j}

  k merupakan error yang akan

        Faktor δ

  k (t y ) f'(y_net ) (t y ) y (1 y ) _{k k k k k k k k}

  Langkah 6 : Menghitung factor δ unit keluaran berdasarkan error disetiap unit keluaran Y

  Langkah 9 : Uji syarat henti jika besar jumlah error kuadrat (sum squared error) lebih kecil dari toleransi yang ditentukan maka proses akan berhenti.

  n ₂ Algoritma Levenberg-Marquardt (t y ) e _{k k}  

   _{k  1}

  menggunakan pendekatan terhadap matrik Hessian sebagai berikut : Sedangkan jika jumlah error kuadrat lebih

   ₁

  besar dari toleransi yang ditentukan,

  [ ] x   x H   _{k k} I g maka akan kembali ke langkah 1.

  Dimana jika scalar µ (mu) adalah nol,

  4. Algoritma pelatihan BP dengan maka metode ini sama dengan metode Metode Levenberg-Marquardt Newton, menggunakan matrik Hessian.

  Algoritma

  Levenberg-Marquardt

  4. MENGHITUNG KESALAHAN didesain untuk mendekati kecepatan PERAMALAN pelatihan orde dua tanpa harus Ada beberapa perhitungan yang biasa menghitung matrik Hessian. Matrik dipergunakan untuk menghitung

  Hessian dapat diaproksikan sebagai : kesalahan peramalan (forecast error) total.

  T H J

• – J

  Perhitungan ini dapat dipergunakan untuk membandingkan model peramalan yang Dan gradient dihitung sebagai : berbeda, juga untuk mengawasi

  T g – J e

  peramalan, untuk memastikan peramalan berjalan dengan baik. Model-model dimana J adalah matrik Jacobian yang peramalan yang dilakukan kemudian terdiri dari derivative pertama dari error divalidasi menggunakan sejumlah jaringan yang mengacu pada bobot dan indikator. Indikator-indikator yang umum bias, dan e adalah vector error jaringan. digunakan adalah rata-rata penyimpangan

  Matrik Jacobian dapat dihitung dengan absolut (Mean Absolute Deviation), dan teknik backpropagation standar yang rata-rata kuadrat terkecil (Mean Square lebih sederhana dibandingkan dengan Error). perhitungan matrik Hessian.

  1. Mean Absolute Deviation (MAD)

  S-1 Teknik Elektro Universitas Muhammadiyah Semarang

  Metode untuk mengevaluasi metode atau jika dituliskan dalam bentuk rumus peramalan menggunakan jumlah dari adalah : kesalahan-kesalahan yang absolut. Mean Absolute Deviation (MAD) mengukur ketepatan ramalan dengan merata-rata

  3. Mean Absolute Percentage Error kesalahan dugaan (nilai absolut masing- (MAPE) masing kesalahan). MAD berguna ketika Mean Absolute Percentage Error mengukur kesalahan ramalan dalam unit

  (MAPE) dihitung dengan menggunakan yang sama sebagai deret asli. Nilai MAD kesalahan absolut pada tiap periode dapat dihitung dengan menggunakan dibagi dengan nilai observasi yang nyata rumus sebegai berikut. untuk periode itu. Kemudian, merata-rata kesalahan persentase absolut tersebut.

  Pendekatan ini berguna ketika ukuran

  2. Mean Squared Error (MSE) atau besar variabel ramalan itu penting Mean Squared Error (MSE) adalah dalam mengevaluasi ketepatan ramalan. metode lain untuk mengevaluasi metode

  MAPE mengindikasi seberapa besar peramalan. Masing-masin kesalahan atau kesalahan dalam meramal yang sisa dikuadratkan. Kemudian dijumlahkan dibandingkan dengan nilai nyata. dan ditambahkan dengan jumlah observasi. Pendekatan ini mengatur kesalahan peramalan yang besar karena kesalahan - kesalahan itu dikuadratkan.

  5. HASIL PENELITIAN

  Metode itu menghasilkan kesalahan- GUIDE atau GUI builder merupakan kesalahan sedang yang kemungkinan sebuah graphical user interface (GUI) lebih baik untuk kesalahan kecil, tetapi yang dibangun dengan obyek grafis kadang menghasilkan perbedaan yang seperti tombol (button), kotak teks, slider, besar. Mean Squared Error adalah rata- sumbu (axes), maupun menu. Berikut rata dari kesalahan forecast dikuadratkan, form-form tampilan GUI yang telah

  S-1 Teknik Elektro Universitas Muhammadiyah Semarang

• – masing frame menuju jendela nntool sebagai jendela peramalan JST. Yang nanti tinggal memasukan data inputan, data target serta hasil dari

  S-1 Teknik Elektro Universitas Muhammadiyah Semarang

  dibuat peneliti. Halaman Utama merupakan form yang menjadi penghubung antar form yang lain.

Gambar 5.1. berikut ini merupakan tampilan gambar halaman utama dari

  sistem yang dibuat. Form halaman utama ini merupakan tampilan halaman pembuka pada saat sistem ini dijalankan pertama kali sebelum menuju ke form-

  form lainnya

Gambar 5.1 tampilan form halaman utama

  Halaman Utama tersebut memberikan tampilan judul penelitian, nama peneliti, dan instansi peneliti. Form ini menampilkan empat menu utama antara lain halaman utama, halaman prediksi, halaman profil dan tutup aplikasi.

  Halaman Prediksi merupakan form yang menjadi fokus penelitian.

Gambar 5.2. berikut ini merupakan tampilan gambar halaman prediksi dari

  sistem yang dibuat. Form halaman prediksi ini merupakan proses utama dalam melakukan aktivitas prediksi ketidakseimbangan tegangan.

Gambar 5.2 Tampilan form prediksi ketidakseimbangan tegangan

  Halaman Prediksi terdiri dari beberapa bagian fungsi proses yang dikelompokkan dalam beberapa frame. Bagian-bagian tersebut antara lain Prediksi menggunakan ketiga tegangan sebagai inputan, prediksi menggunakan ketiga tegangan dan voltage unbalance sekarang sebagai inputan serta prediksi menggunakan ketiga tegangan dan voltage unbalance history sebagai inputan.

  Masing peramalan. Masing frame memiliki stu pada 4 input, 10 hidden dan 1 output tombol (pushbutton). dengan ketiga tegangan dan Halaman Profil Peneliti ketidakseimbangan tegangan history. merupakan form yang menampilkan Dari hasil pelatihan di dapatkan identitas peneliti, baik peneliti utama bahwa hasil yang 4 input, 10 hidden maupun peneliti anggota. Gambar 5.3. dan 1 output dengan inputan ketiga menampilkan Form Profil Peneliti . tegangan dan ketidakseimbangan tegangan history sebagai tingkat prediksi yang baik diantara pengujian yang lainnya.

Gambar 5.3 form identitas peneliti.

  Dari hasil pelatihan yang didapat menunjukkan nilai keakurasian data terjadi pada 4 input, 10 hidden dan 1 output dimana inputnya menggunakan ketiga tegangan dan ketidakseimbangan tegangan history. Dengan nilai masing

• – masing rata – rata eror 10,36% pada 3 input, 10 hidden dan 1 output dengan inputan ketiga tegangan, rata
• – rata eror 0,54% pada 4 input, 10 hidden dan 1 output dengan inputan ketiga tegangan dan ketidakseimbangan tegangan sekarang, dan
• – rata eror 0,39%

  S-1 Teknik Elektro Universitas Muhammadiyah Semarang

Gambar 5.4 grafik nilai rata

• – rata tiap percobaan pada data pelatihan.

  Pada gambar 5.4 menunjukkan nilai data pelatihan yang jauh dari prediksi adalah pada data pelatihan dengan 3

  HASIL PREDIKSI 4 INPUT DENGAN

  input, 10 hidden dan 1 output yang

  VOLTAGE UNBALANCE HISTORY dengan nilai MAPE nya 35,00%.

  Sedangkan dari data percobaan nilai MAPE yang mendekati prediksi adalah pada data percobaan 4 input, 10 hidden dan 1 output dengan inputan ketiga tegangan dan ketidakseimbangan

  Dalam pengujian data diperoleh hal yang tegangan history dengan nilai maksimum sama dengan data pelatihan yang MAPE nya 5%. menunjukkan keakuratan data terbaik

HASIL PREDIKSI PENGUJIAN

  terjadi pada 4 input, 10 hidden dan 1

  DENGAN 3 INPUT

  output dengan inputan ketiga tegangan dan ketidakseimbangan tegangan hidtory. Hasil dari rata

• – rata erornya dapat dilihat pada gambar 5.5 berikut.

  HASIL PREDIKSI PENGUJIAN 4

INPUT DENGAN VOLTAGE

  S-1 Teknik Elektro Universitas Muhammadiyah Semarang

  2. Hasil prediksi ketidakseimbangan tegangan dengan menggunakan

  Backpropogation

  JST telah menghasilkan prediksi dengan tiga percobaan dan mendapatkan tingkat akurasi terbaik adalah dengan 4 input, 10 hidden, dan 1 output dengan Voltage Unbalance History dengan hasil akurasi 98,97% dengan nilai rata-rata eror 1,03%.

  3. Pada prediksi yang menggunakan metode Jaringan Syaraf Tiruan

Gambar 5.5 grafik MAPE pada dengan fungsi Backpropagation ,

  data pengujian. rentang waktu pelatihan 6.

   Kesimpulan

  mempengaruhi error hasil prediksi, Kesimpulan dari penggunaan semakin lama waktu pelatihan JST

  Jaringan Syaraf Tiruan untuk prediksi maka nilai error prediksi semakin ketidakseimbangan tegangan adalah : kecil. Sehingga semakin banyak jumlah data latih, maka nilai

  1. Hasil rerata ketidakseimbangan kesalahannya semakin kecil. Selain tegangan pada sampel data yang itu, dengan 3 (tiga) jenis variabel data diambil di Rumah Sakit Roemani latih yang diterapkan pada JST Muhammadiyah Semarang menghasilkan nilai MAPE lebih kecil adalah 1,36%, ini menunjukkan jika dibandingkan dengan penerapan bahwa sampel yang diambil data latih kurang dari 3 (tiga) jenis. masih bisa dikatakan aman sebab masih <2%.

  S-1 Teknik Elektro Universitas Muhammadiyah Semarang

  7.

  5. Dugan R.C, dkk. 2004. Electrical

DAFTAR PUSTAKA

  Power System Quality Second

  1. Agustin M. 2012. Penggunaan Edition. Digital Enginering Library.

  Jaringan Saraf Tiruan McGraw-Hill. Backpropagation untuk Seleksi

  6. Puspaningrum. 2006. Peramalan

  Penerimaan Mahasiswa Baru Pada Kebutuhan Beban Jangka Pendek Jurusan Teknik Komputer di Menggunakan Jaringan Syaraf Politeknik Negeri Sriwijaya . Tesis Tiruan Backpropagation . Universitas

  Universitas Diponegoro. Semarang.

  Diponegoro. Semaranag.

  2. Armansyah, dkk. 2012. Panduan

  Penanganan Kualitas Daya pada Sektor Industri . Badan Pengkajian

  dan Penerapan Teknologi BPPT II.

  ISBN : 9789793733692. Jakarta.

  3. Assafat L & Santoso AB. 2016.

  Peramalan Beban Listrik Bulanan Pada Sektor Industri Menggunakan Support Vector Machine Dengan Variasi Fungsi Kernel. Universitas

  Muhammadiyah Semarang. Semarang.

  4. J. Schlabbach dkk, 2000. Pengaruh

  Variasi Ketidakseimbangan Tegangan Terhadap Kinerja Motor Induksi Tiga Fasa Dengan Nilai Faktor Ketidakseimbangan Tegangan Yang Sama. Universitas Sumatra Utara. Medan.

  S-1 Teknik Elektro Universitas Muhammadiyah Semarang