PROTOTIPE PENYEIMBANG BEBAN DENGAN ANALISIS BEBAN DINAMIS BERBASIS NEURAL NETWORK MULTI-LAYER PERCEPTRON

IMANUEL, PETRUS CHANDRA (2026) PROTOTIPE PENYEIMBANG BEBAN DENGAN ANALISIS BEBAN DINAMIS BERBASIS NEURAL NETWORK MULTI-LAYER PERCEPTRON. Diploma thesis, Politeknik Perkapalan Negeri Surabaya.

Text 0422040064 - Petrus Chandra Imanuel - Prototipe Penyeimbang Beban dengan Analisis Beban Dinamis Berbasis _i_Neural Network Multi-Layer Perceptron__i_ .pdf Restricted to Repository staff only Download (1MB) | Request a copy

Abstract

Ketidakseimbangan beban pada sistem distribusi listrik tiga fasa dapat menyebabkan rugi-rugi daya, arus netral, penurunan kualitas tegangan, dan berkurangnya keandalan sistem kelistrikan. Kondisi beban yang berubah secara dinamis membuat penyeimbangan beban secara manual kurang efektif karena tidak mampu merespons perubahan arus antar fasa secara cepat. Penelitian ini bertujuan untuk merancang, mengimplementasikan, dan mengevaluasi prototipe penyeimbang beban listrik dengan analisis beban dinamis berbasis Neural Network Multi-Layer Perceptron. Sistem dirancang menggunakan ESP32 sebagai unit pemroses, PM2100 sebagai alat ukur arus tiga fasa, sensor arus ZMCT103C, relay, kontaktor, dan HMI Nextion sebagai antarmuka pengguna. Data penelitian diperoleh melalui proses logging berbagai kondisi beban dan pola perpindahan fasa. Dataset yang digunakan berjumlah 2.895 data valid, terdiri dari 20 variasi kondisi beban dan 27 variasi pola, dengan pembagian 80% data training dan 20% data testing. Model akhir menggunakan arsitektur 31–100–50–1 dengan fungsi aktivasi ReLU dan optimizer Adam. Hasil evaluasi menunjukkan nilai MAE sebesar 1,0616, RMSE sebesar 1,4544, R² sebesar 0,9986, Maximum Absolute Error sebesar 6,6985, dan P95 Absolute Error sebesar 3,0387. Pada evaluasi pemilihan pola, model memperoleh Top-1 Accuracy sebesar 95,00% dan Top-3 Hit Rate sebesar 100,00%. Implementasi model pada ESP32 menghasilkan selisih maksimum prediksi terhadap model Python sebesar 0,00003052 dan rata-rata selisih sebesar 0,00000954. Pengujian robustness menunjukkan bahwa sistem mampu menurunkan CUF aktual dari 72,59% menjadi 4,62%, serta dari 71,88% menjadi 4,13% pada pengujian berulang. Hasil tersebut menunjukkan bahwa prototipe mampu menganalisis beban dinamis, memprediksi Current Unbalance Factor, memilih pola dengan ketidakseimbangan rendah, dan mengeksekusi perpindahan beban secara otomatis

Actions (login required)

View Item