MONITORING DAN IDENTIFIKASI PEMAKAIAN BEBAN LISTRIK SECARA REAL TIME BERBASIS ARTIFICIAL NEURAL NETWORK = MONITORING AND IDENTIFICATION OF ELECTRIC LOAD USAGE IN REAL TIME BASED ON ARTIFICIAL NEURAL NETWORK

MUHAMMAD SYUKRI. Monitoring dan Identifikasi Pemakaian Beban Listrik Secara Real Time Berbasis Artificial Neural Network (dibimbing oleh Yusran, Yusri Syam Akil)
Untuk mendapatkan informasi mengenai kondisi peralatan listrik sektor rumah tangga secara real time, maka perlu dirancang sebuah sistem yang dapat memberikan informasi mengenai kapan peralatan listrik tersebut dalam kondisi on dan off. Penelitian ini bertujuan: (1) menghasilkan sebuah prototipe sistem monitoring dan identifikasi peralatan listrik secara real time berbasis Jaringan Syaraf Tiruan atau Artificial Neural Network (ANN), (2) mendapatkan hasil pengujian monitoring dan identifikasi beberapa kondisi peralatan listrik (tunggal dan kombinasi. Penelitian ini menggunakan konsep Non Intrusive Load Monitoring (NILM), yang dikombinasikan dengan ANN. Besaran arus listrik dari setiap peralatan listrik didapatkan melalui sensor PZEM-004T, yang kemudian diolah dengan bahasa pemrograman yang terdapat dalam mikrokontroler Arduino Uno. Selanjutnya, data arus tersebut digunakan untuk proses pelatihan ANN sehingga diperoleh algoritma pelatihan yang mampu mengidentifikasi penggunaan peralatan listrik, yang dalam penelitian ini menggunakan 5 jenis peralatan listrik tunggal (lampu, Teko listrik, kipas, kulkas dan dispenser) dan 26 kombinasi peralatan listrik dalam kondisi on dan off secara bersamaan dan bergantian. Sebuah prototipe dari sistem monitoring dan identifikasi perlatan listrik berhasil dibuat. Prototipe ini berbasis ANN dan beroperasi secara real time. Dari hasil pengujian didapatkan karakteristik monitoring arus dan identifikasi untuk masing-masing peralatan listrik. Perbedaan terbesar dari proses identifikasi beban listrik terjadi pada pengujian ke-9, dimana keluaran ANN bernilai 15,9 pada target identifikasi yang bernilai 18, sehingga terdapat selisih sebesar 2,1. Selisih terkecil sebesar 0 terjadi pada pengujian ke-11, dengan keluaran ANN sebesar 22 pada target identifikasi sebesar 22. Dari hasil pengujian sebanyak 31 kombinasi peralatan listrik, algoritma ANN dapat mengidentifikasi beban sesuai dengan yang diharapkan.

Keywords : Peralatan Listrik, Monitoring, Identifikasi, Artificial Neural Network