Studi Penerapan Jaringan Syaraf Tiruan
Backpropagation Terhadap Perhitungan Setting
Rele Jarak Saluran Udara Tegangan Tinggi
Wlingi-Sutami
Azrul Kholiq, Arif Nur Afandi, Anik Nur Handayani Jurusan Teknik Elektro
Universitas Negeri Malang Malang
azrulkholiq4@gmail.com, an.afandi@um.ac.id, aniknur.ft@um.ac.id Abstrak — Ketenagalistrikan di Indonesia merupakan salah
satu bentuk pembangunan nasional yang berupaya untuk memenuhi kebutuhan masyarakat yang tersebar di berbagai daerah. Pengelolaan managemen dilakukan dengan membagi daerah kerja, salah satunya daerah kerja jaringan transmisi. Untuk melindungi jaringan transmisi tetap bekerja secara kontinyu dan real time perlu membangun sistem proteksi. Rele jarak merupakan rele proteksi utama yang berfungsi mendeteksi kondisi abnormal pada saluran udara jaringan transmisi. Penyetelan nilai setting rele jarak sangat mempengaruhi sensitivitas sistem proteksi terhadap berbagai faktor gangguan sehingga berbagai metode dilakukan baik teknis lapangan maupun komputasi prediksi. Metode Jaringan Syaraf Tiruan (JST) Backpropagation merupakan metode teknik pembelajaran
komputasi untuk mengenali pola-pola kompleks dan
membangun arsitektur jaringan. Kelebihan metode ini yakni mengenali pola masukan dengan jenis variabel yang berbeda-beda sehingga dapat digunakan untuk mengenali nilai setting rele jarak. Data yang digunakan pada penelitian ini merupakan data nilai setting rele jarak dan data beban saluran serta transformator 150 kV GI Wlingi-Sutami dengan rentang waktu tahun 2016 sampai 2017. Kerangka penelitian yang digunakan diantaranya tahap pengumpulan data, tahap pengolahan data, tahap analisis data, serta kesimpulan. Arsitektur yang digunakan pada penelitian ini adalah 10 data input, 20 hidden layer, dan 4 data output. Komponen lainnya adalah learning rate sebesar 0,1 dan momentum sebesar 0,85. Proses tersebut diolah dan menghasilkan keluaran terbaik berupa Mean Squared Error (MSE) proses pelatihan sebesar 4,85x10-7 dan pengujian sebesar 9,82x10-3. Sedangkan Mean Absolute Persentage Error (MAPE) terbaik pada zone 3 sebesar 0,46897%.
Kata kunci—Sistem Proteksi; Nilai Setting Rele Jarak; Jaringan Syaraf Tiruan; Backpropagation.
I. PENDAHULUAN
Ketenagalistrikan di Indonesia merupakan salah satu bentuk pembangunan nasional yang berupaya untuk memenuhi kebutuhan masyarakat dengan pemenuhan di berbagai sektor keahlian [1]. Pemenuhan tersebut mencakup daerah yang tersebar di 38 wilayah dengan perkembangan kebutuhan listrik
yang tersambung sebesar 100.030,53 MVA pada tahun 2014 dan harus dikelola oleh pihak, salah satunya pemerintah [2].
PT. PLN selaku pengelola sistem ketenagalistrikan di Indonesia pencabangan dari Badan Usaha Milik Negara (BUMN) diharapkan mampu bekerja secara kontinyu dan real time dengan mengurangi resiko kecelakaan. Bentuk pengelolaan yang diterapkan yakni pembagian manajemen, salah satunya PT. PLN TJBTB dengan tugas pengelolaan sistem tenaga listrik jaringan transmisi dengan jenis Saluran Udara Tegangan Ekstra Tinggi (SUTET 500 kV) dan Saluran Udara Tegangan Tinggi (SUTT 150-70 kV) pada daerah kerja Jawa Timur dan Bali. Hasil dari pembangunan Gardu Induk, rata-rata pertumbuhan beban puncak, serta peningkatan kapasitas pembangkit listrik yang ada di Jawa Timur dan Bali perlu meningkatkan efektifitas sistem proteksi pada posisi transmisi sehingga keandalan dan kontinyuitas sistem tenaga listrik daerah kerja PT. PLN TJBTB dapat tercapai [3] [4].
Lingkup sistem proteksi pada jaringan sistem tenaga listrik yakni peralatan listrik mulai dari pembangkit hingga ke konsumen sesuai dengan tujuan utama sistem [5]. Disamping itu, pembangunan sistem proteksi memerlukan rele proteksi untuk memberi keputusan kepada circuit breaker atau pemutus dengan mengirimkan sinyal sesuai dengan syarat-syarat rele proteksi seperti keandalan, selektivitas, kecepatan bekerja, sederhana, dan ekonomis [6] [7]. Rele jarak salah satu perangkat pengaman atau rele proteksi utama (main protection) yang berada di area saluran transmisi yang berfungsi sebagai pendeteksi kondisi abnormal [8] [9].
Prinsip kerja dari rele jarak dengan mengukur tegangan pada titik rele dan arus gangguan seperti persamaan,
(1)
dengan persamaan tersebut rele jarak akan bekerja ketika impedansi yang diukur dari besaran Current Transformator (CT) dan tegangan Voltage Transformator (VT) lebih kecil dari nilai setting [10] [11]. Penyetelan nilai setting rele jarak memiliki beberapa zona proteksi yang berfungsi untuk Prosiding Seminar Nasional Teknologi Elektro Terapan 2018 Vol. 02 No. 01, ISSN 2581-0049
pengaturan rele jarak sesuai dengan kemampuan dari bagian saluran. Secara umum, zona proteksi terbagi menjadi tiga diantaranya zona 1, zona 2, dan zona 3 [12] [13] . Penyetelan tersebut dilakukan ketika terjadi beberapa kondisi yakni perubahan pada saluran atau transformator serta kondisi abnormal lain (seperti gangguan hubung singkat) yang dari waktu ke waktu memilik pola yang berbeda. Hal tersebut dapat dilakukan dengan beberapa metode baik secara teknis lapangan maupun komputasi prediksi.
Metode yang digunakan untuk penyetelan nilai setting rele jarak selain pengukuran di lapangan yakni dengan menggunakan sistem cerdas, salah satunya menggunakan metode Jaringan Syaraf Tiruan (JST) Backpropagation. Metode ini merupakan teknik pembelajaran yang mampu mengenali pola-pola kompleks dan membangun sebuah arsitektur jaringan sehingga pengenalan keluaran nilai setting sesuai dengan kondisi masukan yang telah dilatih [14]. Hal tersebut dibuktikan dengan keberhasilan dari metode ini cukup akurat dengan selisih tingkat error yang cenderung kecil [15] [16]. Maka dari itu, penggunaan metode Jaringan Syaraf Tiruan Bacpropagation dapat dilakukan untuk penyetelan setting rele jarak.
II. METODOLOGI PENELITIAN A. Kerangka Penelitian
Penelitian ini bersifat kuantitatif dengan data sekunder. Berikut kerangka penelitian yang ditunjukkan pada Gambar 1 [17].
Mulai
Tahap Pengolahan Data:
Persiapan Data
Perancangan Arsitektur JST
Backpropagation
Tahap Pengumpulan Data:
Studi Literatur
Studi Lapangan
Observasi
Tahap Analisis Data:
Pelatihan JST Backpropagation
Pengujian JST Backpropagation
Evaluasi JST Backpropagation
Tahap Kesimpulan dan Saran
Tingkat error hasil nilai setting
Besar akurasi hasil nilai setting
Selesai
Gambar 1. Diagram Alir Kerangka Penelitian
B. Data Penelitian
Sumber belajar pada penelitian ini dibagi menjadi tiga diantaranya studi literatur, studi lapangan, dan observasi. Data yang didapat dari sumber belajar berupa nilai setting rele jarak, datasheet serta beban puncak saluran dan transformator yang
tersambung Gardu Induk 150 kV Wlingi dan Sutami, Kabupaten Malang. Pengambilan data diambil dari PT. PLN (Persero) TJBTB Area Pelaksanaan Pemeliharaan (APP) Malang Jawa Timur dan PT. PLN (Persero) Area Pengatur Beban (APB) Jawa Timur dengan rentang data mulai tahun 2016 sampai 2017 dan pola data per satu bulan. Nilai setting rele jarak dapat dilihat pada Tabel 1.
TABEL 1NILAI SETTING RELE JARAK Setting Rele Jarak GI Wlingi-Sutami (Zsekunder)
No Tahun Zone 1 Zone 2 Zone 3 Zone 3R
1 2016 0.79500 1.19300 1.74800 0.24900
2 2017 0.76300 1.36500 2.27400 0.19100
C. Pengolahan Data
Pada tahap penelitian ini, persiapan data yang dilakukan pada metode Jaringan Syaraf Tiruan Backpropagation yakni transformasi data masukkan (input layer) sampai target pelatihan (output layer) serta penentuan arsitektur. Berikut merupakan penentuan masukan sampai keluaran untuk penelitian yang ditunjukkan pada Tabel 1 [18] [19].
TABEL 2PENENTUAN INPUT-OUTPUT JST-BACKPROPAGATION
Parameter Jumlah Deskripsi
Input Layer 10 neuron Data setiap beban (Teg. Busbar A, Ampere, MW, MVAR, %In) pada SUTT dan Trafo 3 Wlingi-Sutami Hidden Layer 1 layer dengan
percobaan 20 neuron
Hasil Percobaan
Output Layer 4 neuron Nilai setting rele jarak sekunder zone 1, 2, 3, 3R
Epoch 10.000 epoch Setting epoch maksimum
Target error 10-5 -
Fungsi Training traingdx -
Fungsi Aktivasi Sigmoid Biner -
Learning rate 0,1 -
Momentum 0,85 -
Sedangkan untuk penentuan arsitektur jaringan didasarkan pada masukan yang dikoneksikan ke keluaran. Pemodelan tersebut nantinya dijalankan dengan bantuan media aplikasi program. Berikut pemodelan dari arsitektur JST Backpropagation yang ditunjukkan pada Gambar 2.
X1 X2 X3 X4 X5 X10 Z1 Z2 Z3 Z4 Z5 Z20 Y1 Y2 Y3 Y4
Input Layer Hidden Layer Output Layer
Gambar 2. Arsitektur JST Backpropagation
D. Analisis Data
Tahap ini menjelaskan proses mulai data diolah sampai kepada perhitungan tingkat error pada JST Backpropagation. Berikut penjabaran proses analisis data pada JST Backpropagation.
1) Normalisasi Data
Data awal yang didapat dari hasil studi nantinya diubah ke bentuk nilai interval sesuai dengan syarat fungsi aktivasi [20]. Range nilai interval fungsi aktivasi pada penelitian ini adalah (0 sampai 1) dengan fungsi sigmoid. Persamaan untuk normalisasi diperlihatkan pada rumus 2.
(2) Dengan keterangan adalah nilai setelah dinormalisasi, adalah nilai sebelum dinormalisasi, adalah nilai data terkecil, sedangkan adalah nilai data terbesar.
2) Pelatihan dan Pengujian JST Backpropagation
Pada proses pelatihan dilakukan dengan tiga tahapan yakni tahap feedforward, tahap backpropagation, dan tahap update bobot dan bias. Untuk bobot dan bias awal akan ditentukan sesuai dengan persamaan [18].
(3)
Dengan keterangan adalah faktor skala, adalah jumlah neuron input, dan adalah jumlah neuron hidden layer. Tahapan tersebut akan berlanjut sampai sesuai dengan epoch dan target error yang diinginkan. Hasil dari pelatihan adalah bobot dan bias yang terbaik dari pelatihan yang akan digunakan untuk proses pengujian. Sedangkan proses pengujian hanya menggunakan tahap feedforward dengan hasil data pengujian yang belum didenormalisasi. Berikut pola pelatihan dan pengujian pada penelitian ini [18].
TABEL 3POLA PELATIHAN DAN PENGUJIAN
Proses Pola Data Masukan Target
P ela t ih an 1 X1- X10 merupakan data
beban bulan Oktober 2016
Y1- Y4 merupakan
zona rele jarak bulan Oktober 2016
2 X1- X10 merupakan data
beban bulan November 2016
Y1- Y4 merupakan
zona rele jarak bulan November 2016
. . .
. . .
8 X1- X10 merupakan data
beban bulan Mei 2017
Y1- Y4 merupakan
zona rele jarak bulan Mei 2017 P enguj ia n 1 X1- X10 merupakan data
beban bulan Juni 2017
Y1- Y4 merupakan
zona rele jarak bulan Juni 2017
. . .
. . .
7 X1- X10 merupakan data
beban bulan Desember 2017
Y1- Y4 merupakan
zona rele jarak bulan Desember 2017
3) Denormalisasi Data
Hasil proses pengujian JST Backpropagation berupa nilai yang akan diubah ke nilai nyata atau biasa disebut denormalisasi. Berikut persamaan denormalisasi data [20].
(4)
Dengan keterangan adalah nilai setelah didenormalisasi, adalah nilai sebelum didenormalisasi, adalah nilai data terkecil, sedangkan adalah nilai data terbesar.
Evaluasi JST Backpropagation
Sistem arsitektur dari JST Backpropagation diuji dengan Mean Squared Error (MSE) dan Mean Absolute Percentage Error (MAPE). Hal tersebut bertujuan untuk melihat tingkat error baik dalam sistem ataupun keakurasian sistem terhadap nilai sebenarnya yang didapatkan [21].
III. HASIL DAN PEMBAHASAN
Pada hasil penelitian ini disusun sesuai dengan Tabel 2 yang menunjukkan kebutuhan input sampai ke target JST Backpropagation. Pola input dan target yang terkumpul dibedakan menjadi dua, yakni 8 pola untuk pelatihan dan 7 pola untuk pengujian Berikut input yang diperlukan untuk proses pelatihan dan pengujian.
TABEL 4DATA INPUT PROSES PELATIHAN
X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 4380. 86 934.7 9 206.4 3 294 .78 207. 73 4360. 47 19807 .54 617. 52 228 .42 2287 .25 4234. 50 1899. 20 419.4 0 543 .80 422. 04 4059. 18 20216 .83 630. 28 220 .25 2334 .51 4211. 93 3442. 10 760.1 2 791 .22 764. 91 4149. 95 18537 .98 577. 94 199 .86 2140 .64 4343. 74 4250. 78 938.7 0 761 .70 944. 62 4137. 03 16942 .20 528. 19 192 .59 1956 .37 3931. 36 3464. 43 765.0 5 709 .29 769. 87 3727. 11 14455 .35 450. 66 166 .25 1669 .21 4233. 81 3939. 23 869.9 0 814 .13 875. 38 4287. 96 17101 .30 533. 15 199 .99 1974 .75 4097. 06 3835. 30 846.9 5 725 .67 852. 29 4017. 24 18632 .60 580. 89 249 .39 2151 .57
TABEL 5DATA INPUT PROSES PENGUJIAN X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 4200. 89 5593. 579 1235. 23 733 .85 1243. 018 3585. 15 14156 .08 441. 33 199 .41 1634 .651 4022. 8 5816. 103 1284. 37 751 .92 1292. 467 3943. 85 17465 .04 544. 49 229 .85 2016 .748 4170. 22 6416. 791 1417. 02 804 .32 1425. 954 4082. 46 16584 .23 517. 03 231 .49 1915 .038 4011. 59 6668. 931 1472. 7 835 .76 1481. 985 3774. 83 17712 .02 552. 19 249 .29 2045 .268 4095. 26 7129. 013 1574. 3 840 .38 1584. 225 3990. 58 19727 .68 615. 03 276 .68 2278 .023 3885. 09 5556. 356 1227. 01 761 .73 1234. 746 3786. 2 18237 .43 568. 57 256 .91 2105 .938 4270. 93 4985. 238 1100. 89 792 .83 1107. 831 4286. 87 20345 .46 634. 29 273 .36 2349 .36
Performa yang didapat dari hasil pelatihan sesuai dengan Tabel 2 mengalami 3690 epoch atau perulangan pelatihan JST Backpropagation. Gambar 3 menunjukkan performa pelatihan.
Gambar 3. Performa MSE JST Backpropagation
Hasil nilai setting pelatihan dan pengujian yang telah didenormalisasi dapat dilihat Tabel 6 dan 7. Gambar 4 menunjukkan grafik hasil keseluruhan pengujian. Sedangkan MAPE setiap proses pelatihan dan pengujian ditunjukkan pada Tabel 8.
TABEL 6HASIL PELATIHAN JSTBACKPROPAGATION Hasil Pelatihan JST
Backpropagation Nilai Sebenarnya MSE
Y1 Y2 Y3 Y4 Y1 Y2 Y3 Y4 1 0.794 928 1.192 955 1.748 572 0.248 803 0.795 00 1.193 00 1.748 00 0.249 00 1.43E -06 2 0.795 166 1.193 646 1.746 638 0.249 541 0.795 00 1.193 00 1.748 00 0.249 00 1.08E -05 3 0.794 846 1.193 096 1.750 432 0.248 484 0.795 00 1.193 00 1.748 00 0.249 00 9.93E -06 4 0.763 092 1.365 193 2.273 168 0.190 859 0.763 00 1.365 00 2.274 00 0.191 00 1.44E -06 5 0.763 004 1.365 402 2.274 216 0.191 037 0.763 00 1.365 00 2.274 00 0.191 00 4.85E -07 6 0.762 993 1.363 807 2.272 977 0.191 305 0.763 00 1.365 00 2.274 00 0.191 00 6.37E -06 7 0.762952 1.363786 2.273374 0.190789 0.76300 1.36500 2.27400 0.19100 5.33E-06 8 0.763019 1.366104 2.274593 0.191182 0.76300 1.36500 2.27400 0.19100 4.21E-06
TABEL 7HASIL PENGUJIAN JSTBACKPROPAGATION
Hasil Pengujian JST
Backpropagation Nilai Sebenarnya MSE
Y1 Y2 Y3 Y4 Y1 Y2 Y3 Y4 1 0.735 068 1.510 416 2.712 629 0.140 528 0.763 1.365 2.274 0.191 2.68 E-01 2 0.772 61 1.312 868 2.115 05 0.209 523 0.763 1.365 2.274 0.191 3.43 E-02 3 0.750 028 1.435 174 2.488 226 0.167 856 0.763 1.365 2.274 0.191 6.00 E-02 4 0.768 188 1.336 282 2.189 097 0.201 351 0.763 1.365 2.274 0.191 1.02 E-02 5 0.785 562 1.247 67 1.909 944 0.233 439 0.763 1.365 2.274 0.191 1.81 E-01 6 0.757 608 1.393 004 2.361 096 0.181 809 0.763 1.365 2.274 0.191 9.82 E-03 7 0.774 232 1.303 719 2.092 875 0.207 997 0.763 1.365 2.274 0.191 4.16 E-02
Gambar 4. Grafik Hasil JST Backpropagation dan Target
TABEL 8PRESENTASE MAPEJSTBACKPROPAGATION
MAPE Pelatihan JST Backpropagation (%) MAPE Pengujian JST Backpropagation (%) Y1 Y2 Y3 Y4 Y1 Y2 Y3 Y4 0.001 35 0.004 34 0.004 45 0.042 11 1.074 329 0.772 38 0.468 97 5.676 346
Berdasarkan data hasil pengolahan diatas, jaringan yang menggunakan arsitektur pelatihan traingdx menghasilkan MSE dan MAPE terbaik diantaranya: MSE pelatihan sebesar 4,85x10-7 pada pola 5 (bulan Februari 2017), MSE pengujian sebesar 9,82x10-3 pada pola 6 (bulan November 2017); MAPE pada pengujian terbaik pada zone 3 sebesar 0,46897%. Tingkat keakurasian yang dihasilkan pada setiap target menunjukkan bahwa JST Backpropagation dapat diterapkan pada penyetelan nilai setting rele jarak.
MSE yang dihasilkan dari proses pelatihan pola ke 5 dan proses pengujian pola ke 6 memiliki kesamaan yakni lebih kecil dari pola yang lain. Hal tersebut disebabkan grafik data input setiap proses mengalami penurunan pada pola tersebut. Sedangkan keakurasian juga dapat dilihat dari MAPE data output yang dihasilkan, berdasarkan analisis ini data output Y3 memiliki tingkat presentase yang lebih rendah dikarenakan rentang nilai target tersebut lebig besar dari output yang lain.
Oleh sebab itu, sistem perhitungan dapat menghitung data input dan output secara lebih teliti karena selisih data target menyeimbangi fluktusasi data input pada setiap pola.
Disisi lain, pada sistem proteksi terutama rele jarak perlu adanya sensitivitas terhadap perubahan pola disetiap bulannya. Terbukti dengan sistem JST Backpropagation mampu mendeteksi nilai yang berubah dari pola satu ke pola lain. Namun perlu diingat, proteksi utama dari rele jarak berada di zone 1 dengan tingkat keakurasian pada JST Backpropagation nomor 3 [8]. Sehingga perlu adanya perbaikan pola target yang diharapkan dapat meningkatkan kesesuaian antara sistem proteksi dengan sistem komputasi prediksi.
IV. KESIMPULAN
Berdasarkan proses penelitian, penentuan atau penyetelan nilai setting rele jarak GI Wlingi-Sutami dapat dilakukan dengan metode Jaringan Syaraf Tiruan Backpropagation. Arsitektur jaringan yang digunakan yakni 10-20-4 dengan learning rate sebesar 0,1 dan momentum sebesar 0,85. Hasil terbaik dari metode JST Backpropagation berupa MSE pola ke 5 dari proses pelatihan sebesar 4,85x10-7 serta pola ke 6 dari proses pengujian sebesar 9,82x10-3. Sedangkan MAPE terbaik pada data output zone 3 dengan hasil 0,46897%.
Penentuan pola dengan rentang yang besar serta perbaikan target pelatihan perlu ditingkatkan untuk menghasilkan keluaran yang dapat mendeteksi perubahan pola pada setiap bulan secara fluktuatif. Terutama pada target zone 1 dikarenakan proteksi utama dari sistem proteksi.
REFERENSI
[1] Undang-undang Republik Indonesia Nomor 30 Tahun 2009 Tentang Ketenagalistrikan. Jakarta. 2009.
[2] Direktorat Jenderal Ketenagalistrikan Kementerian Enegi Dan Sumber Daya Mineral. Statistik Ketenagalistrikan 2014.
[3] PT. PLN (Persero) Transmisi Jawa Bagian Timur Dan Bali. Statistik 2016.
[4] Aryanto, Tofan. “Frekuensi Gangguan Terhadap Kinerja Sistem Proteksi Di Gardu Induk 150 kV Jepara”. Semarang: Penerbit Universitas Negeri Semarang. 2013.
[5] Affandi, Irfan. “Analisa Setting Relai Arus Lebih Dan Relai Gangguan Tanah Pada Penyulang Sadewa Di GI Cawang”. Jakarta: Penerbit Universitas Indonesia. 2009.
[6] Rangga, P, Albertus. “Studi Koordinasi Rele Proteksi Pada Sistem Kelistrikan PT. BOC GASES Gresik Jawa Timur”. Surabaya: Penerbit Institut Teknologi Sepuluh November.
[7] Blackburn, J, L., & Domin, J, T, “Fourth Edition Protective Relaying Principles And Applications”. Boca Raton, Florida: Penerbit CRC Press. 2014.
[8] Pandjaitan, Bonar. “Praktik-praktik Proteksi Sistem Tenaga Listrik”. Yogyakarta: Penerbit CV. Andi Offset. 2012.
[9] Syafar, A. Muhammad. “Studi Keandalan Distance Relay Jaringan 150 kV GI Tello-GI Pare-pare”. Makassar: Penerbit Universitas Islam Makassar. 2010.
[10] Hajar, Suharti. “Evaluasi Koordinasi Rele Jarak Pada Gardu Induk Semanu Setelah Dibangunnya Gardu Induk Piyungan”. Malang: Penerbit Universitas Brawijaya. 2015.
[11] Fikriansyah, dkk. “Analisa Dan Pengaturan Ulang Relay Jarak Pada Saluran Udara Tegangan Tinggi 150 kV Keramasan-Bukit Asam”. Palembang: Penerbit Universitas Sriwijaya. 2014.
[12] Mardensyah, Adrial. “Studi Perencanaan Koordinasi Rele Proteksi Pada Saluran Udara Tegangan Tinggi Gardu Induk Gambir Lama-Pulomas”. Jakarta: Penerbit Universitas Indonesia. 2008.
[13] Syukriyadin, dkk. “Pengaruh Arus Infeed Terhadap Kinerja Rele Jarak (Studi Kasus Pada Sistem Transmisi Sigli – Banda Aceh)”. Banda Aceh: Penerbit Universitas Syiah Kuala. 2015.
[14] Agustin, M., & Prahastom, T. “Penggunaan Jaringan Syaraf Tiruan Backpropagation Untuk Seleksi Penerimaan Mahasiswa Baru Pada Jurusan Teknik Komputer Di Politeknik Negeri Sriwijaya”. Palembang: Penerbit Politeknik Negeri Sriwijaya. 2012.
[15] Budy, A. H., Gede, I. D. A., & Setiawan. W. “Studi Perhitungan Relay Jarak Pada Saluran Double Circuit Dengan Single Conductor Antara GI Kapal – GI Pemecutan Kelod Menggunakan Artifical Neural Network (ANN)” (Volume 15). 2016.
[16] Azriyenni., & Ebta. M. D. “Pemodelan Struktur Teknik Cerdas Untuk Sistem Proteksi Rele Jarak. Riau: Penerbit Universitas Riau” (Volume 21). 2017.
[17] Sugiono, “Metode Penelitian Kombinasi (Mixed Methods)”. Bandung: Penerbit Alfabeta. 2013.
[18] Siang, J, J, “Jaringan Syaraf Tiruan Dan Pemogramannya Menggunakan Matlab”. Yogyakarta: Penerbit CV. Andi Offset. 2005.
[19] Hagan, M., Demuth, H., & Beale, M. “Neural Network ToolboxTM 6 User’s Guide”. United State: Penerbit The MathWorks. 2009.
[20] Fendy, I. A. “Implementasi Metode Jaringan Syaraf Tiruan Backpropagation Pada Peramalan Kebutuhan Air PDAM Kota Malang”. Malang: Penerbit Universitas Brawijaya. 2015.
[21] Jumingan, “Studi Kelayakan Bisnis Teori Dan Pembuatan Proposal Kelayakan”. Jakarta: Penerbit Bumi Aksara. 2009.
