BAB II DASAR TEORI
2.9 Fuzzy logic
Profesor Lotfi A. Zadeh adalah guru besar pada University of California yang merupakan pencetus sekaligus yang memasarkan ide tentang cara mekanisme pengolahan atau manajemen ketidakpastian yang kemudian dikenal dengan logika fuzzy. Dalam penyajiannya vaiabel-variabel yang akan digunakan harus cukup menggambarkan ke-fuzzy-an tetapi di lain pihak persamaan-persamaan yang dihasilkan dari variable-variabel itu haruslah cukup sederhana sehingga komputasinya menjadi cukup mudah. Karena itu Profesor Lotfi A Zadeh kemudian memperoleh ide untuk menyajikannya dengan menentukan “derajat keanggotaan” (membership function) dari masing-masing variabelnya[14].
Fuzzy logic adalah cabang dari matematika dengan bantuan computer memodelkan dunia nyata seperti yang dilakukan manusia. Fuzzy logic meformulasikan masalah memnjadi lebih mudah, mempunyai pesisi yan tinggi, dan solusi yang akurat. Fuzzy logic menggunakn dasar pendekatan hukum-hukum untuk mengontrol system dengan bantuan model matematika.
Fungsi keanggotaan (membership function), adalah suatu kurva yang menunjukkan pemetaan titik input data kedalam nilai keanggotaanya (sering juga disebut dengan derajat keanggotaan) yang memiliki interval antara 0 sampai 1.
Konsep dasar logika fuzzy dapat dilihat pada Gambar 2.11[15].
Gambar 2. 11 Konsep dasar logika fuzzy
1. Derajat Keanggotaan (membership function) adalah : derajat dimana nilai crisp dengan fungsi keanggotaan ( dari 0 sampai 1 ), juga mengacu sebagai tingkat keanggotaan, nilai kebenaran, atau masukan fuzzy.
2. Label adalah nama deskriptif yang digunakan untuk mengidentifikasikan sebuah fungsi keanggotaan.
3. Fungsi Keanggotaan adalah mendefinisikan fuzzy set dengan memetakkan masukan crisp dari domainnya ke derajat keanggotaan.
4. Masukan Crisp adalah masukan yang tegas dan tertentu.
5. Lingkup/Domain adalah lebar fungsi keanggotaan. Jangkauan konsep, biasanya bilangan, tempat dimana fungsi keanggotaan dipetakkan.
6. Daerah Batasan Crisp adalah jangkauan seluruh nilai yang dapat diaplikasikan pada variabel sistem.
Teori himpunan fuzzy merupakan kerangka matematis yang digunakan untuk mempesentasikan ketidakpastian, ketidakjelasan, kekurangan informasi dan kebenaran parsial.[16].
Dalam kamus Oxford, istilah fuzzy didefinisikan sebagai blurred (kabur atau remang-remang), indistinct (tidak jelas), imprecisely defined (didefenisikan secara tidak presisi), confused (membingungkan), vague (tidak jelas).
Kendali fuzzy logic memberikan alternatif lain dalam sistem kendali. Dalam kendali fuzzy logic tidak diperlukan model matematika dari sistem karena kendali fuzzy logic bekerja berdasarkan rule-rule yang diekstrak sesuai dengan pemikiran dan pengetahuan manusia baik sebagai operator atau ahli[17].
Proses fuzzy inference dalam kendali fuzzy logic terdiri atas 3 bagian yaitu fuzzifikasi, evaluasi rule dan defuzzifikasi. Fuzzifikasi mengubah nilai crisp input menjadi nilai fuzzy input. Proses evaluasi rule mengolah fuzzy input sehingga menghasilkan fuzzy output. Defuzzifikasi mengubah fuzzy output menjadi nilai crisp output. Gambar 2.12 menunjukkan tahapan – tahapan fuzzy logic[4].
1. Fuzzifikasi
Fuzzifikasi yaitu suatu proses untuk mengubah suatu masukkan dari bentuk tegas (crisp) menjadi fuzzy (variabel linguistik) yang biasanya disajikan dalam bentuk himpunan-himpunan fuzzy dengan suatu fungsi kenggotaannya masing-masing.
2. Evaluasi aturan (inference engine)
Evaluasi rule merupakan proses pengambilan keputusan (inference) yang berdasarkan rule-rule yang ditetapkan pada basis rule untuk menghubungkan antar peubah-peubah fuzzy masukan dan peubah fuzzy keluaran. Rule-rule ini berbentuk jika …maka (IF ... THEN).
Ada 2 proses pada inference Engine:
1. Aggregation: proses penghitungan pada IF 2. Composition: proses penghitungan pada Then 3. Defuzzifikasi
Defuzzifikasi merupakan proses mencari nilai dari variabel fuzzy berdasarkan derajat keanggotaan yang dimilikinya. Proses defuzzifikasi menghasilkan keluaran (output) yang diinginkan dari proses sebelumnya.
Proses defuzzifikasi memiliki keluaran fungsi keanggotaan yang berupa garis vertical (singleton) [18].
BAB III
METODE PENELITIAN 3.1 Umum
Secara umum sistem dirancang untuk dapat mengolah masukan dari 4 buah sensor cahaya dan diolah pada mikrokontroler arduino nano untuk mengetahui posisi matahari. Mikrokontroler menggerakan motor servo mengarahkan panel surya tegak lurus dengan arah datangnya sinar matahari. Sebelum dapat bekerja seperti yang diinginkan, sistem membutuhkan media editor, compiler, dan uploader program. Pada penelitian ini menggunakan arduino IDE sebagai software untuk memprogram mikrokontroler yang digunakan dan menggunakan LCD untuk menampilkan tegangan yang dihasilkan dari panel surya.
Agar perancangan ini dapat berjalan dengan efesien dan terarah, maka perlu dilakukan tahapan – tahapan sebagai berikut:
a. Perancangan sistem
Pada tahap ini pembuatan model sistem tracking panel surya sehingga didapatkan kebutuhan sistem diperoleh baik kebutuhan perangkat lunak maupun perangkat keras.
b. Implementasi rancangan sistem
Pada tahap ini ialah tahap implementasi dari perancangan perangkat keras dan perangkat lunak.
c. Perbandingan hasil
Pada tahap ini dilakukan perbandingan tegangan yang dihasilkan dari sistem tracking dengan neural network dan fuzzy logic.
3.2 Perancangan sistem
Pada perancangan sistem tracking panel surya menggunakan 4 buah sensor cahaya untuk mendeteksi posisi cahaya matahari. Nilai sensor merupakan nilai analog yang akan diubah kedalam bentuk digital dengan proses ADC yang ada pada arduino nano.
Motor servo menggerakan panel surya kearah matahari. Tegangan yang dihasilkan dari panel surya akan dibaca oleh sensor tegangan dengan input 0 – 25 Volt. Arduino hanya dapat membaca nilai tegangan input antara 0 – 5 Volt maka sensor tegangan akan menurunkan tegangan input dari panel surya dengan perbandingan 1:5.
Nilai yg didapatkan arduino dari sensor tegangan akan dikalikan 5 kembali agar dapat membaca nilai keluaran dari panel surya. Nilai tersebut akan ditampilkan kedalam LCD untuk memudahkan membaca nilai tegangan yang dihasilkan. Pada Gambar 3.1 dapat dilihat blok diagram sistem alat Tracking panel surya dibawah ini.
Gambar 3. 1 Diagram blok sistem
3.2.1 Kebutuhan sistem
Pada blok diagram sistem yang ditunjukkan pada Gambar 3.2 dapat dilihat kebutuhan sistem yang akan di buat. Diantaranya sebagai berikut:
a. Sensor cahaya
Sensor cahaya yang dibutuhkan pada penelitian ini sebanyak 4 buah sensor untuk mendeteksi posisi matahari. Sensor diletakan pada 4 sisi yaitu sisi utara, timur, selatan, dan barat. Masing masing sensor diberikan pembatas agar cahaya matahari yang terdeteksi tidak saling mengganggu masing-masing sensor.
b. Sensor tegangan
Sensor tegangan yang digunakan pada penelitian ini menggunakan metode pembagi tegangan dimana nilai R1=7500 ohm dan R2=30000 ohm.
Dengan rumus, Vout = Vin x 7500
7500+3000 maka nilai Vout = Vin x 0.2 atau dalam pebandingan Vout banding Vin adalah 1:5.
c. Analog to digital converter (ADC)
ADC digunakan untuk merubah nilai dari sensor cahaya dalam bentuk analog kedalam bentuk digital. Nilai analog yang didapat dari sensor cahaya dalam rentang 0 – 5 Volt sesuai dengan nilai tegangan referensi dari mikrokontroler. Nilai yang dihasilkan dari proses ADC sebesar 10 bit yaitu dalam rentang 0 – 1023.
d. Arduino nano
Arduino nano digunakan sebagai otak dari sistem yang dirancang. Arduino nano memproses masukan dari sensor cahaya untuk mendapatkan posisi
matahari lalu menggerakan panel surya dengan motor servo kearah tegak lurus dengan matahari.
e. Motor servo
Motor servo digunakan untuk menggerakan panel surya agar tegak lurus kearah matahari.
f. Panel surya
Panel surya digunakan untuk mengubah energi matahari menjadi energi listrik. Panel surya yang digunakan pada penelitian ini yaitu panel surya 12 Volt 1,5 watt.
g. LCD
LCD digunakan untuk memonitor output tegangan yang dihasilkan dari panel surya.
3.2.2 Perancangan perangkat keras
Setelah menentukan komponen yang akan digunakan, maka selanjutnya membuat rangkaian skematik untuk sistem. Rangkaian skematik tracking menggunakan neural network dan fuzzy logic adalah sama.
Rangkaian skematik tracking panel surya dapat dilihat pada Gambar 3.2.
Pada Gambar 3.2 dapat dilihat dapat dilihat sensor cahaya terhubung dengan pin A0-A3 pada Arduino Nano. LCD terhubung dengan pin 5,6,7,8,11, dan 12 pada arduino nano. Motor servo terhubung pada pin 3 dan 4 pada Arduino nano. Sensor tegangan terhubung pada pin A5 pada arduino nano.
Masing-masing komponen mendapatkan catudaya dari arduino nano sebesar 5 Volt. Arduino nano mendapatkan catudaya dari adaptor 5 Volt.
Gambar 3. 2 Skematik rangkaian sistem
3.2.3 Perancangan perangkat lunak
Tahap perancangan perangkat lunak alat tracking panel surya dengan neural network dan fuzzy logic ialah tahap pembuatan alur program atau algoritma alat bekerja. Untuk mengurangi kesalahan pembacaan pada sensor cahaya diberikan nilai toleransi. Untuk mendapatkan nilai tolenransi perlu dilakukan kalibrasi pada sensor terlebih dahulu. Pada penelitian ini memiliki 2 model perancangan yaitu neural network backpropagation dan fuzzy logic.
3.2.3.1 Perancangan perangkat lunak neural network
Pada penelitian ini menggunakan metode neural network backpropagation. Rancangan arsitektur backpropagation disesuaikan dengan model yang akan dikembangkan. Arsitektur jaringan merupakan gambaran hubungan antar lapisan yang digunakan dalam proses
di lapisan input terhubung dengan setiap unit yang ada di lapisan tersembunyi. Setiap unit yang ada di lapisan tersembunyi terhubung dengan setiap unit yang ada di lapisan output. Penelitian menggunakan arsitektur multilayer network yang terdiri dari 3 (tiga) layer yaitu :
Satu input layer (x) yang terdiri dari 4 buah neuron.
Satu hidden layer yang terdiri dari 3 buah neuron.
Satu output layer yang terdiri dari 2 buah neuron.
Masing-masing neuron memiliki nilai bobot yang berbeda-beda sesuai dengan proses trial error yang dilakukan. Fungsi aktifasi sigmoid biner yang memiliki range (0, 1) digunakan pada penelitian ini. Fungsi aktifasi sigmoid dengan nilai f(x) seperti pada Gambar 3.3 [13]:
𝑓(𝑥) = 1
1+𝑒−𝑥 (3.1) dengan turunan :
𝑓′(𝑥) = 𝑓(𝑥)(1 − 𝑓(𝑥)) (3.2)
Gambar 3. 3 Grafik aktifasi sigmoid
Gambar 3. 4 Arsiterktur neural network backpropagation
Arsiterktur model neural network backpropagation yang digunakan pada penelitian ini ditunjukan pada Gambar 3.4 berikut. Sementara parameter-parameter yang digunakan pada neural network backpropagation dapat dilihat pada Tabel 3.1.
Tabel 3. 1 Parameter-parameter yang digunakan.
PatternCount 8
InputNodes 4
HiddenNodes 3
OutputNodes 2
LearningRate 0.3
Momentum 0.9
InitialWeightMax 0.5
Success 0.003
PatternCount merupakan banyaknya kemungkinan yang dapat terjadi.
InputNodes merupakan banyaknya neuron pada layer masukan.
HiddenNodes merupakan banyaknya neuron pada layer tersembunyi.
OutputNode merupakan banyaknya neuron pada layer keluaran.
LearningRate untuk menyesuaikan seberapa banyak kesalahan sebenarnya yang dipropagasi kembali. Momentum untuk menyesuaikan seberapa besar hasil iterasi sebelumnya mempengaruhi iterasi selanjutnya.
InitialWeightMax untuk membatasi inisial nilai bobot diawal proses.
Success batasan nilai untuk training data selesai.
Gambar 3. 5 Diagram alir neural netwok backpropagation
Proses metode neural network backpropagation terdapat 3 fase, yaitu fase maju, fase mundur, dan fase perubahan ditunjukkan pada Gambar 3.5.
Proses inisialisasi yaitu memberikan nilai kepada semua bobot secara acak dengan nilai maksimal 0.5. Setelah masing-masing bobot memiliki nilai acak lalu lakukan fase maju yaitu menghitung nilai neuron yang berada pada hidden layer dengan persamaan dibawah[13].
𝑍_𝑛𝑒𝑡𝑗 = 𝑉𝑗𝑜+ ∑ 𝑥𝑖𝑣𝑗𝑖 Setelah mendapatkan nilai hidden layer maka hitung nilai pada output layer dengan persamaan Setelah mendapatkan nilai output hitung nilai error dengan persamaan
𝐸𝑌𝑘 =1
2(𝑡𝑎𝑟𝑔𝑒𝑡 − 𝑌𝑘)2 (3.7) Jika target sudah tercapai maka program berhenti. Jika terget belum tercapai maka melakukan fase mundur dengan menghitung faktor δ unit keluaran berdasarkan kesalahan di setiap unit keluaran 𝑌𝑘 dengan persamaan:
δ𝑘 = (𝑡𝑘− 𝑦𝑘)𝑓′(𝑦𝑛𝑒𝑡𝑘) = (𝑡𝑘− 𝑦𝑘)𝑦𝑘(1 − 𝑦𝑘) (3.8) δ𝑘 merupakan unit kesalahan yang akan dipakai dalam perubahan bobot layar dibawahnya. Lalu hitung suku perubahan bobot 𝑤𝑘𝑗(yang akan dipakai
nanti untuk merubah bobot 𝑤𝑘𝑗) dengan laju percepatan α dengan persamaan :
∆𝑤𝑘𝑗 = 𝛼 𝛿𝑘 𝑧𝑗 (3.9) Setelah mendapat nilai δ untuk output layer maka selanjutnya menghitung nilai δ untuk hidden layer dengan persamaan
𝛿_𝑛𝑒𝑡𝑗 = ∑ 𝛿𝑘𝑊𝑘𝑗
𝑚 𝑘=1
(3.10)
δ𝑗 = δ_net𝑗 𝑓′(𝑧𝑛𝑒𝑡𝑗) = δ_net𝑗 𝑧𝑗 (1 − 𝑧𝑗) (3.11) Lalu hitung suku perubahan bobot 𝑤𝑘𝑗(yang akan dipakai nanti untuk merubah bobot 𝑤𝑘𝑗) dengan laju percepatan α dengan persamaan :
∆𝑣𝑗𝑖 = 𝛼 𝛿𝑗 𝑥𝑖 (3.12) Setelah mendapatkan nilai suku perubahan untuk output layer dan hidden layer lalu memasuki fase perubahan, yaitu merubah semua nilai bobot dengan tujuan mengurangi nilai error. Perubahan bobot pada output layer menggunakan persamaan :
𝑤𝑘𝑗(𝑏𝑎𝑟𝑢) = 𝑤𝑘𝑗(𝑙𝑎𝑚𝑎) + ∆𝑤𝑘𝑗 (3.13) Perubahan bobot pada hidden layer menggunakan persamaan :
𝑣𝑗𝑖(𝑏𝑎𝑟𝑢) = 𝑣𝑗𝑖(𝑙𝑎𝑚𝑎) + ∆𝑣𝑗𝑖 (3.14) Setelah semua bobot sudah diubah maka lakukan fase maju dan melakukan fase ini secara terus menerus hingga nilai yang diinginkan tercapai.
Setelah nilai bobot yang sesuai sudah didapatkan lalu nilai bobot dapat dikalkulasikan dengan nilai dari sensor cahaya secara realtime. Hasil dari kalkulasi antara bobot dengan masukan dari sensor cahaya merupakan sudut servo sehingga motor servo dapat mengarahkan panel surya ke arah
matahari. Panel surya akan menangkap cahaya matahari dan merubahnya menjadi listrik. Tegangan yang dihasilkan panel surya dibaca oleh sensor tegangan dan nilai dikirimkan ke Arduino Nano yang selanjutnya nilai akan ditampilkan pada LCD. Bentuk diagram alir tracking panel surya dapat dilihat pada Gambar 3.6 dibawah ini
Gambar 3. 6 Diagram alir tracking panel surya dengan neural network
Proses training neural network backpropagation pada gambar diatas merupakan proses yang ada pada Gambar 3.5.
3.2.3.2 Perancangan perangkat lunak fuzzy logic
Pada perancangan pengkat lunak dengan metode fuzzy Logic masing-masing motor servo diberi masukan nilai melalui 2 buah sensor cahaya. Motor Servo yang bergerak pada posisi vertical diberi masukan dari sensor cahaya pada sisi utara dan selatan. Sedangkan motor servo yang bergerak pada posisi horizontal diberimasukan dari sensor cahaya pada sisi timur dan barat. Masing-masing servo bergerak sesuai perbandingan dari 2 buah sensor cahaya dapat dilihat pada Tabel 3.2. Adapun tahapan penggerak servo secara vertikal dapat dilihat pada Gambar 3.7.
Gambar 3. 7 Diagram alir motor servo secara vertical
Tabel 3. 2 Motor Servo Dengan Masukan Sensor Cahaya
Motor Servo Sensor Cahaya
Vertikal Utara dan Selatan (atas dan bawah) Horizontal Timur dan Barat (kanan dan kiri)
Adapun tahapan penggerak servo secara Horizontal dapat dilihat pada Gambar 3.8 diagram alir dibawah ini.
Gambar 3. 8 Diagram alir motor servo secara horizontal
Pada Gambar 3.7 dan Gambar 3.8 Jika nilai sensor cahaya memiliki nilai sama besar maka sudut servo tidak berubah (tetap). Setelah kedua motor servo bergerak mengarahkan panel surya ke arah matahari, lalu sensor tegangan akan membaca nilai tegangan yang dihasilkan dari panel surya. Nilai yang terbaca akan ditampilkan didalam LCD. Adapun proses ini dapat dilihat pada Gambar 3.9 diagram alir dibawah. Pada gambar tersebut, proses fuzzy untuk kedua motor servo merupakan proses yang ada pada Gambar 3.7 dan Gambar 3.8
Gambar 3. 9 Diagram alir tracking panel surya dengan fuzzy Logic
3.3 Implementasi rancangan sistem
Pada tahap implementasi rancangan sistem ialah tahap pembuatan perangkat keras dan perangkat lunak nberdasatkan perancangan sistem tang telah dibuat.
3.3.1 Implementasi perancangan perangkat keras
Seluruh komponen yang telah ditentukan pada perancangan perangkat keras dintegrasikan yang terpusat pada arduino nano sebagai mikrokontroler.
Setelah perangkat keras terintegrasi selanjutnya melakukan pembutan rangkaian yang telah didesain sebelumnya. Pada Gambar 3.10 dan Gambar 3.11, dapat dilihat gambar rangkaian yang sudah dicetak dan sudah dipasang komponen.
Gambar 3. 10 Rangkain yang sudah dicetak
Rangkaian yang dibuat berukuran 10 x 6 cm. Papan PCB yang digunakan merupakan PCB single layer berbahan fiber atau berjenis FR4. Jenis FR4 ini memiliki ketahanan tembaga yang baik agar tidak mudah berkarat mengingat alat yang diletakan di outdoor.
Gambar 3. 11 Rangkain yang sudah dipasangi komponen
Gambar mekanika pemasangan servo 2 sumbu dapat dilihat pada Gambar 3.12 dibawah ini.
Gambar 3. 12 pemasangan 2 buah motor servo
Gambar posisi sensor cahaya dapat dilihat pada Gambar 3.13 dan gambar 3.14 dibawah.
Gambar 3. 13 Posisi sensor cahaya
Peletakan sensor cahaya pada kedua sistem dibuat berbeda. Sensor cahaya pada sistem Fuzzy Logic dibuat bergerak mengikuti pergerakan panel surya. Sedangkan sensor cahaya pada sistem Neural Network dibuat tidak bergerak dan terpisah dengan papan panel surya.
3.3.2 Implementasi perancangan perangkat lunak
Implementasi perancangan perangkat lunak ialah tahap pembuatan program untuk setiap berdasarkan algoritma yang telah dirancang, pembuatan program menggunakan software arduino IDE.
Program yang buat untuk membaca nilai sensor cahaya, membaca nillai sensor tegangan, menampilkan tegangan pada LCD, Menggerakan motor servo, proses neural network backpropagation dan fuzzy logic. Gambar
aplikasi yang digunakan pada penelitian ini dapat dilihat pada Gambar 3.14 dibawah ini.
Gambar 3. 14 Software arduino IDE.
3.4 Pengujian dan pengambilan data
Setelah pembuatan hardware dan program telah selesai, tahap selanjutnya ialah dengan melakukan pengujian sensor dan pengambilan data dari sistem. Data yang diambil merupakan tegangan, arus dan daya yang dihasilkan dari panel surya.
Pengambilan data dilakukan selama 7 hari yaitu pada tanggal 4,5,18,19,23,25, dan 26 bulan April 2020. Seluruh data yang didapat akan dibandingkan dan analisa untuk mendapatkan kesimpulan penelitian ini.
BAB IV
PENGUJIAN DAN ANALISA 4.1 Kalibrasi dan pengujian sensor
Kalibrasi dan pengujian sensor sangat perlu dilakukan untuk mendapatkan nilai yg akurat dan menentukan nilai deviasi pada sensor. Nilai yang didapat dari kalibrasi akan digunakan dalam pemrograman agar sistem dapat berjalan dengan semestinya. Penelitian ini melakukan kalibrasi pada sensor cahaya dan tegangan.
4.1.1 Kalibrasi dan pengujian sensor cahaya
Kalibrasi sensor cahaya bertujuan untuk mendapatkan nilai dari masing masing sensor cahaya. Masing masing nilai sensor cahaya akan dibandingkan nilai deviasinya. Nilai deviasi ini akan digunakan sebagai nilai toleransi sensor cahaya pada program arduino. Kalibrasi sensor cahaya dilakukan dengan melihat nilai sensor dalam keadaan seluruh sensor cahaya yg digunakan diarahkan ke cahaya matahari secara bersamaan. Hasil kalibrasi sensor cahaya dapat dilihat pada Gambar 4.1 dibawah.
Gambar 4. 1 Hasil kalibrasi sensor cahaya
4.1.2 Kalibrasi dan pengujian sensor tegangan
Kalibrasi sensor tegangan bertujuan untuk mendapatkan nilai tegangan dari panel surya dengan akurat. Kalibrasi ini membandingkan nilai keluaran dari panel surya yang terbaca oleh sensor tegangan dengan alat ukur tegangan Multimeter Digital. Hasil kalibrasi sensor cahaya dapat dilihat pada Gambar 4.2 dibawah ini.
Gambar 4. 2 Hasil kalibrasi sensor tegangan
Saat melakukan kalibrasi terdapat nilai error antara Tegangan yang dibaca oleh sensor tegangan dan multitester digital sebesar 0,01 Volt.
4.2 Pengujian panel surya dengan neural network
Pengujian dilakukan selama 7 hari yaitu pada tanggal 4,5,18,19,23,25, dan 26 bulan April 2020. Pada pengukuran arus diberikan beban resistor sebesar 330k Ohm. Hasil pengujian hari pertama dapat dilihat pada Tabel 4.1 dibawah. Rata-rata daya yang dihasilkan pada pengujian hari pertama adalah 0.011761 Watt.
Tabel 4. 1 Hasil pengujian hari pertama panel surya dengan neural network yang dihasilkan pada pengujian hari kedua adalah 0,011992 Watt.
Tabel 4. 2 Hasil pengujian hari kedua panel surya dengan neural network
Jam Tegangan (Volt) Arus (mA) Daya (Watt)
Hasil pengujian hari ketiga dapat dilihat pada Tabel 4.3 dibawah. Rata-rata daya yang dihasilkan pada pengujian hari ketiga adalah 0,011903 Watt.
Tabel 4. 3 Hasil pengujian hari ketiga panel surya dengan neural network
Hasil pengujian hari keempat dapat dilihat pada Tabel 4.4 dibawah. Rata-rata daya yang dihasilkan pada pengujian hari keempat adalah 0,011187 Watt.
Tabel 4. 4 Hasil pengujian hari keempat panel surya dengan neural network
Jam Tegangan (Volt) Arus (mA) Daya (Watt)
Hasil pengujian hari kelima dapat dilihat pada Tabel 4.5 dibawah. Rata-rata daya yang dihasilkan pada pengujian hari kelima adalah 0,011989 Watt.
Tabel 4. 5 Hasil pengujian hari kelima panel surya dengan neural network
Hasil pengujian hari keenam dapat dilihat pada Tabel 4.6 dibawah. Rata-rata daya yang dihasilkan pada pengujian hari keenam adalah 0,011505 Watt.
Tabel 4. 6 Hasil pengujian hari keenam panel surya dengan neural network
Jam Tegangan (Volt) Arus (mA) Daya (Watt)
Hasil pengujian hari ketujuh dapat dilihat pada Tabel 4.7 dibawah. Rata-rata daya yang dihasilkan pada pengujian hari ketujuh adalah 0,011238 Watt.
Tabel 4. 7 Hasil pengujian hari ketujuh panel surya dengan neural network pengujian, daya rata-rata terbesar terjadi pada pengujian hari kedua yaitu 0,011992 Watt. Sedangkan daya rata-rata terendah terjadi pada pengujian hari keempat yaitu 0,011187 Watt. Tegangan rata-rata terbesar terjadi pada hari kedua 12,0033 Volt. Tegangan rata-rata terendah terjadi pada hari keempat 11,4775 Volt. Arus rata-rata terbesar terjadi pada hari kelima 0.98917 mA. Arus rata-rata terendah terjadi pada hari keempat 0,94917 mA.
Besar kecilnya nilai yang dihasilkan tergantung oleh cuaca saat melakukan pengujian. Cuaca yang dapat terjadi yaitu cerah, berawan, dan mendung.
4.3 Pengujian panel surya dengan fuzzy logic
Pengujian dilakukan selama 7 hari yaitu pada tanggal 4,5,18,19,23,25, dan 26 bulan April 2020. Pada pengukuran arus diberikan beban resistor sebesar 330k Ohm. Hasil pengujian hari pertama dapat dilihat pada Tabel 4.8 dibawah. Rata-rata daya yang dihasilkan pada pengujian hari pertama adalah 0.011814 Watt.
Tabel 4. 8 Hasil pengujian hari pertama panel surya dengan fuzzy logic yang dihasilkan pada pengujian hari kedua adalah 0.012076 Watt.
Tabel 4. 9 Hasil pengujian hari kedua panel surya dengan fuzzy logic
Jam Tegangan (Volt) Arus (mA) Daya (Watt)
Hasil pengujian hari ketiga dapat dilihat pada Tabel 4.10 dibawah. Rata-rata daya yang dihasilkan pada pengujian hari ketiga adalah 0.011935 Watt.
Tabel 4. 10 Hasil pengujian hari ketiga panel surya dengan fuzzy logic
Jam Tegangan (Volt) Arus (mA) Daya (Watt) daya yang dihasilkan pada pengujian hari keempat adalah 0.011164 Watt.
Tabel 4. 11 Hasil pengujian hari keempat panel surya dengan fuzzy logic
Jam Tegangan (Volt) Arus (mA) Daya (Watt)
Hasil pengujian hari kelima dapat dilihat pada Tabel 4.12 dibawah. Rata-rata daya yang dihasilkan pada pengujian hari kelima adalah 0.020055 Watt.
Tabel 4. 12 Hasil pengujian hari kelima panel surya dengan fuzzy logic
Jam Tegangan (Volt) Arus (mA) Daya (Watt) daya yang dihasilkan pada pengujian hari keenam adalah 0.011514 Watt.
Tabel 4. 13 Hasil pengujian hari keenam panel surya dengan fuzzy logic
Jam Tegangan (Volt) Arus (mA) Daya (Watt)
Hasil pengujian hari ketujuh dapat dilihat pada Tabel 4.14 dibawah. Rata-rata daya yang dihasilkan pada pengujian hari ketujuh adalah 0.011272 Watt.
Tabel 4. 14 Hasil pengujian hari ketujuh panel surya dengan fuzzy logic
Jam Tegangan (Volt) Arus (mA) Daya (Watt)
Dari data yang didapat pada sistem fuzzy logic selama 7 hari pengujian, daya rata-rata terbesar terjadi pada pengujian hari kedua yaitu 0,012076 Watt.
Sedangkan daya rata-rata terendah pada pengujian hari keempat yaitu 0,011164 Watt. Tegangan rata-rata terbesar terjadi pada hari kedua 12,01416 Volt.
Sedangkan daya rata-rata terendah pada pengujian hari keempat yaitu 0,011164 Watt. Tegangan rata-rata terbesar terjadi pada hari kedua 12,01416 Volt.