SKRIPSI
PERBANDINGAN SISTEM TRACKING PADA PANEL SURYA MENGGUNAKAN METODE NEURAL NETWORK DENGAN
METODE FUZZY LOGIC
Diajukan untuk memenuhi persyaratan menyelesaikan pendidikan sarjana (S-1) pada
Departemen Teknik Elektro Sub Konsentrasi Teknik Telekomunikasi
Oleh
MUFRIHUL FAJRI NIM : 150402069
DEPARTEMEN TEKNIK ELEKTRO FAKULTAS TEKNIK
UNIVERSITAS SUMATERA UTARA MEDAN
2020
ABSTRAK
Berdasarkan letak gografis indonesia memiliki surplus radiasi matahari.
Radiasi matahari ini dapat dimanfaatkan sebagai sumber listrik oleh masyarakat dengan menggunakan panel surya. Namun jika hanya hanya memanfaatkan solar panel yang statis, daya yang dihasilkan tidak maksimal terkhusus pada pagi hari dan sore hari dimana arah datangnya matahari tidak langsung ke permukaan panel surya. Dengan kemajuan teknologi pada zaman sekarang diharapkan dapat membuat sistem solar panel selalu mengarah kearah datangnya matahari sehingga daya yang dihasilkan dapat maksimal. Banyak cara sudah dilakukan untuk meningkatkan daya yang dihasilkan panel surya seperti tracking panel surya dan reflector panel surya.
Pada penelitian ini dibuat tracking panel surya dengan menggunakan kecerdasan buatan dengan harapan daya yang dihasilkan dapat maksimal. Selain dengan kecerdasan buatan, sistem ini dibuat 2 sumbu x dan y agar memudahkan peletakan panel surya. Sistem dibuat dengan metode neural network dan fuzzy logic untuk membandingkan hasil keluarannya.
Dari hasil penelitian yang dilakukan tracking panel surya dengan menggunakan metode fuzzy logic mendapatkan keluaran yang lebih besar daripada metode neural network. Namun pergerakan Tracking lebih cepat dengan metode neural network karena perubahan sudutnya lebih signifikan. Selain itu pada penelitian ini menghasilkan daya 14,75% lebih besar daripada panel surya yang diam (statis).
KATA PENGANTAR
Segala puji dan syukur penulis panjatkan kehadirat Allah subhanahu wa ta’ala, karena atas berkat dan rahmat-Nya Skripsi ini dapat disusun dan diselesaikan. Sholawat dan salam penulis sampaikan kepada nabi Muhammad shallallahu alaihi wa sallam. Serta penulis sangat berterimakasih kepada orang tua penulis yang menjadi motivasi bagi penulis untuk menyelesaikan Skripsi ini.
Skripsi ini merupakan bagian dari kurikulum yang harus diselesaikan untuk memenuhi persyaratan dalam menyelesaikan pendidikan Sarjana Strata Satu di Departemen Teknik Elektro, Universitas Sumatera Utara. Adapun judul Skripsi ini adalah :
“PERBANDINGAN SISTEM TRACKING PADA PANEL SURYA MENGGUNAKAN METODE NEURAL NETWORK DENGAN METODE
FUZZY LOGIC”
Skripsi ini penulis persembahkan kepada orangtua yang teristimewa yaitu ayahanda Maslanil Azhar dan ibunda Endang Sri Yusrida yang selalu memberikan semangat dan mendoakan penulis selama masa studi hingga menyelesaikan Skripsi ini.
Selama masa kuliah hingga penyelesaian Skripsi ini, penulis juga banyak mendapatkan dukungan maupun bantuan dari berbagai pihak. Untuk itu penulis ingin menyampaikan rasa terima kasih yang mendalam kepada:
1. Bapak Suherman, S.T., M.Comp., Ph.D selaku dosen Pembimbing Skripsi yang telah banyak meluangkan waktu dan pikirannya untuk selalu memberikan bantuan, bimbingan, dan pengarahan kepada penulis selama perkuliahan hingga penyusunan Skripsi ini.
2. Bapak Dr. Maksum Pinem, ST., MT., selaku Dosen Penguji Skripsi yang telah memberikan banyak masukan demi perbaikan Skripsi ini.
3. Ibu Naemah Mubarakah, ST., MT.,selaku Dosen Penguji Skripsi yang telah memberikan banyak masukan demi perbaikan Skripsi ini.
4. Bapak Dr, Ali Hanafiah Rambe ST,. MT., selaku dosen wali penulis yang telah banyak memberikan bimbingan selama perkuliahan.
5. Seluruh Bapak dan Ibu dosen teknik elektro, khususnya kepada Bapak Ir. T.
Ahri Bahriun, M.Sc., Bapak Ir. Pernantin Tarigan, M.Sc., Bapak Soeharwinto, S.T., M.T., Bapak Tigor Hamonangan Nasution, ST., MT., Bapak Ir. Kasmir Tanjung, Bapak Dr. Fahmi, ST M.Sc. Ph.D., Bapak Suherman, ST., M.Comp., Ph.D., Bapak Ir. M. Zulfin, MT., yang telah banyak mengajarkan dan berbagi pengalaman kepada penulis.
6. Seluruh staf pegawai Departemen Teknik Elektro FT USU Kak Umi, Kak Fika, Bang Divo dak pak Darsono yang telah membantu penulis dalam pengurusan administrasi.
7. Teman - teman Saib’er selaku teman diskusi dan bermain yang memberikan motivasi kepada penulis.
8. Tim Stemi Robotika Pak Baihaqi, Bang Nabil, Fitra Nurmayadi dan Muhammad Asriyansyah yang telah banyak membatu dalam menyelesaikan Skripsi ini.
9. Seluruh tim robot sepak bola beroda Si-Hatop 2019 Robotik Sikonek USU yang memberikan dukungan kepada penulis.
10. Tim Si-Hatop 2018, tim Sikorala 2017 Robotik Sikonek USU yang memberikan dukungan kepada penulis.
11. Teman-teman satu angkatan 2015 Teknik Elektro FT USU sebagai teman seperjuangan yang selalu memberikan dukungan.
12. Serta semua keluarga, kerabat, dan teman lainya yang telah banyak membatu penulis dalam menyelesaikan studi yang tidak dapat disebutkan satu persatu.
Saran dan kritik dari pembaca sangat penulis harapkan untuk menyempurnakan dan mengembangkan kajian dalam bidang terkait Skripsi ini.
Akhir kata, penulis berharap semoga Skripsi ini dapat bermanfaat bagi pembacanya.
Medan, 2020 Penulis,
Mufrihul Fajri 150402069
DAFTAR ISI
ABSTRAK ... i
KATA PENGANTAR ... ii
DAFTAR ISI ... v
DAFTAR GAMBAR ... vii
DAFTAR TABEL ... x
BAB I PENDAHULUAN ... 1
1.1 Latar belakang ... 1
1.2 Rumusan masalah ... 2
1.3 Tujuan ... 3
1.4 Batasan masalah... 3
1.5 Manfaat penelitian ... 3
1.6 Sistematika penelitian ... 4
BAB II DASAR TEORI... 5
2.1 Panel surya ... 5
2.2 Sensor tegangan ... 6
2.3 Sensor LDR (Light Dependent Resistor) ... 7
2.4 Analog to digital converter... 8
2.5 Modul LCD (Liquid Crystal Display) ... 10
2.6 Mikrikontroler arduino nano ... 11
2.7 Motor servo ... 13
2.8 Artifical neural network (jaringan saraf tiruan) ... 14
2.9 Fuzzy logic ... 17
BAB III METODE PENELITIAN ... 21
3.1 Umum ... 21
3.2 Perancangan sistem ... 22
3.2.1 Kebutuhan sistem ... 23
3.2.2 Perancangan perangkat keras ... 24
3.2.3 Perancangan perangkat lunak ... 25
3.3 Implementasi rancangan sistem ... 35
3.3.1 Implementasi perancangan perangkat keras... 35
3.3.2 Implementasi perancangan perangkat lunak ... 37
3.4 Pengujian dan pengambilan data ... 38
BAB IV PENGUJIAN DAN ANALISA ... 39
4.1 Kalibrasi dan pengujian sensor ... 39
4.1.1 Kalibrasi dan pengujian sensor cahaya ... 39
4.1.2 Kalibrasi dan pengujian sensor tegangan ... 40
4.2 Pengujian panel surya dengan neural network ... 40
4.3 Pengujian panel surya dengan fuzzy logic ... 41
4.4 Analisa hasil pengujian sistem ... 46
BAB V KESIMPULAN DAN SARAN... 64
DAFTAR PUSTAKA ... 66
DAFTAR GAMBAR
Gambar 2. 1 Panel surya 13V 1,5W ... 6
Gambar 2. 2 Sensor tegangan ... 7
Gambar 2. 3 Sensor cahaya (LDR) ... 8
Gambar 2. 4 ADC dengan kecepatan sampling rendah dan tinggi ... 9
Gambar 2. 5 Proses konversi analog to digital ... 10
Gambar 2. 6 LCD (Liquid Crystal Display) 16 x 2 ... 11
Gambar 2. 7 Arduino nano ... 12
Gambar 2. 8 Motor servo ... 13
Gambar 2. 9 Konstruksi motor servo. ... 14
Gambar 2. 10 Arsiterktur backpropagation ... 16
Gambar 2. 11 Konsep dasar logika fuzzy ... 18
Gambar 2. 12 Tahapan-tahapan fuzzy logic ... 19
Gambar 3. 1 Diagram blok sistem ... 22
Gambar 3. 2 Rangkaian skematik sistem ... 25
Gambar 3. 3 Grafik aktifasi sigmoid ... 26
Gambar 3. 4 Arsiterktur neural network backpropagation Sistem ... 27
Gambar 3. 5 Diagram alir neural netwok backpropagation ... 28
Gambar 3. 6 Diagram alir tracking panel surya dengan neural network ... 31
Gambar 3. 7 Diagram alir motor servo secara vertical ... 33
Gambar 3. 8 Diagram alir motor servo secara horizontal ... 34
Gambar 3. 9 Diagram alir tracking panel surya dengan fuzzy Logic ... 34
Gambar 3. 10 Rangkain yang sudah dicetak ... 35
Gambar 3. 11 Rangkain yang sudah dipasangi komponen ... 36
Gambar 3. 12 pemasangan 2 buah motor servo ... 36
Gambar 3. 13 Posisi sensor cahaya ... 37
Gambar 3. 14 Software arduino IDE. ... 38
Gambar 4. 1 Hasil kalibrasi sensor cahaya ... 39
Gambar 4. 2 Hasil kalibrasi sensor tegangan ... 40
Gambar 4. 3 Grafik perbandingan tegangan pengujian hari pertama ... 49
Gambar 4. 4 Grafik perbandingan arus pengujian hari pertama ... 50
Gambar 4. 5 Grafik perbandingan daya pengujian hari pertama ... 50
Gambar 4. 6 Grafik perbandingan tegangan pengujian hari kedua ... 51
Gambar 4. 7 Grafik perbandingan arus pengujian hari kedua ... 52
Gambar 4. 8 Grafik perbandingan daya pengujian hari kedua ... 52
Gambar 4. 9 Grafik perbandingan tegangan pengujian hari ketiga ... 53
Gambar 4. 10 Grafik perbandingan arus pengujian hari ketiga... 54
Gambar 4. 11 Grafik perbandingan daya pengujian hari ketiga ... 54
Gambar 4. 12 Grafik perbandingan tegangan pengujian hari keempat ... 55
Gambar 4. 13 Grafik perbandingan arus pengujian hari keempat ... 56
Gambar 4. 14 Grafik perbandingan daya pengujian hari keempat ... 56
Gambar 4. 15 Grafik perbandingan tegangan pengujian hari kelima ... 57
Gambar 4. 16 Grafik perbandingan arus pengujian hari kelima ... 58
Gambar 4. 17 Grafik perbandingan daya pengujian hari kelima... 58
Gambar 4. 18 Grafik perbandingan tegangan pengujian hari keenam ... 59
Gambar 4. 19 Grafik perbandingan arus pengujian hari keenam ... 60
Gambar 4. 20 Grafik perbandingan daya pengujian hari keenam ... 60
Gambar 4. 21 Grafik perbandingan tegangan pengujian hari ketujuh ... 61
Gambar 4. 22 Grafik perbandingan arus pengujian hari ketujuh ... 62 Gambar 4. 23 Grafik perbandingan daya pengujian hari ketujuh ... 62
DAFTAR TABEL
Tabel 3. 1 Parameter-parameter yang digunakan. ... 27
Tabel 3. 2 Motor servo dengan masukan sensor cahaya ... 33
Tabel 4. 1 Hasil pengujian hari pertama panel surya dengan neural network ... 41
Tabel 4. 2 Hasil pengujian hari kedua panel surya dengan neural network ... 41
Tabel 4. 3 Hasil pengujian hari ketiga panel surya dengan neural network ... 42
Tabel 4. 4 Hasil pengujian hari keempat panel surya dengan neural network ... 42
Tabel 4. 5 Hasil pengujian hari kelima panel surya dengan neural network ... 43
Tabel 4. 6 Hasil pengujian hari keenam panel surya dengan neural network ... 43
Tabel 4. 7 Hasil pengujian hari ketujuh panel surya dengan neural network ... 44
Tabel 4. 8 Hasil pengujian hari pertama panel surya dengan fuzzy logic ... 45
Tabel 4. 9 Hasil pengujian hari kedua panel surya dengan fuzzy logic ... 45
Tabel 4. 10 Hasil pengujian hari ketiga panel surya dengan fuzzy logic... 46
Tabel 4. 11 Hasil pengujian hari keempat panel surya dengan fuzzy logic ... 46
Tabel 4. 12 Hasil pengujian hari kelima panel surya dengan fuzzy logic ... 47
Tabel 4. 13 Hasil pengujian hari keenam panel surya dengan fuzzy logic ... 47
Tabel 4. 14 Hasil pengujian hari ketujuh panel surya dengan fuzzy logic ... 48
Tabel 4. 15 Perbandingan hasil pengujian pada hari pertama ... 49
Tabel 4. 16 Perbandingan Hasil Pengujian Pada Hari Kedua ... 51
Tabel 4. 17 Perbandingan Hasil Pengujian Pada Hari Ketiga ... 53
Tabel 4. 18 Perbandingan Hasil Pengujian Pada Hari Keempat ... 55
Tabel 4. 19 Perbandingan Hasil Pengujian Pada Hari Kelima ... 57
Tabel 4. 20 Perbandingan Hasil Pengujian Pada Hari Keenam ... 59
Tabel 4. 21 Perbandingan Hasil Pengujian Pada Hari Ketujuh ... 61
Tabel 4. 22 Waktu pergerakan motor servo ... 63
BAB I PENDAHULUAN 1.1 Latar belakang
Secara geografis, Indonesia merupakan negara yang terletak di daerah ekuator tepatnya berada pada 11o LS-6o LU dan 95o BT-141o BB. Letak geografis Indonesia yang berada di ekuator menyebabkan Indonesia adalah salah satu daerah yang memiliki nilai surplus sinar matahari karena mendapat sinar matahari sepanjang tahun. sehingga daerah ekuator mempunyai radiasi matahari rata-rata yang tinggi sepanjang tahun.
Dikarenakan Indonesia merupakan daerah surplus radiasi matahari, maka energi surya diyakini sangat potensial untuk dikembangkan. Dalam hal ini, energi surya merupakan alternatif energi terbarukan yang mampu menjadi salah satu solusi untuk menjadi pengganti energi fosil. Selain itu, energi surya juga adalah salah satu sumber energi bersih yang memberikan dampak negatif minimal bagi lingkungan. Diproyeksikan di masa yang akan datang, energi surya akan menjadi salah satu energi yang dapat mengakomodir kebutuhan manusia dan paling banyak digunakan di banyak negara termasuk Indonesia.
Berdasarkan letak geografis yang strategis, wilayah Indonesia memiliki intensitas radiasi harian matahari dengan daya rata-rata mencapai 4kWh/m2. Kawasan barat Indonesia memiliki distribusi penyinaran sekitar 4,5 kWh/m2/hari dengan variasi bulanan 10% sementara kawasan timur Indonesia berpotensi penyinaran sekitar 5,1 kWh/m2/hari dengan variasi bulanan sekitar 9%[1].
Potensi radiasi matahari dapat dimanfaatkan dengan solar sel. Banyak cara yang dapat dilakukan untuk memaksimalkan hasil keluaran pada solar sel. Salah
satu cara yaitu dengan sistem tracking matahari agar posisi panel surya selalu tegak lurus dengan arah datangnya sinar matahari.
Berdasarkan penelitian yang telah dilakukan sebelumnya, terjadi peningkatan efisiensi panel surya hingga 40% dengan menggunakan metode solar tracker [2].
Untuk meningkatkan nilai efisiensi panel surya digunakan cara tracking dengan jaringan saraf tiruan (neural network) dan fuzzy logic.
Jaringan saraf tiruan adalah paradigma pemrosesan suatu informasi yang terinspirasi oleh sistim sel syaraf biologi, sama seperti otak yang memproses suatu informasi. Elemen mendasar dari paradigma tersebut adalah struktur yang baru dari sistim pemrosesan informasi. Jaringan saraf tiruan (neural network), seperti manusia, belajar dari suatu contoh. Jaringan syaraf tiruan (neural network) dibentuk untuk memecahkan suatu masalah tertentu seperti pengenalan pola atau klasifikasi karena proses pembelajaran [3].
Himpunan fuzzy adalah cabang dari matematika yang tertua, yang mempelajari proses bilang random, teori probabilitas, statistik matematik, teori informasi dan lainnya. Penyelesaian masalah dengan himpunan fuzzy lebih mudah dari pada dengan mengunakan teori probabilitas [4].
Penelitian ini membandingkan keluaran tegangan panel surya menggunakan sistem tracking yang dikendalikan secara neural network dan secara fuzzy logic.
Sistem tracking bertujuan untuk meningkatkan efisiensi panel surya.
1.2 Rumusan masalah
Berdasarkan latar belakang yang telah diuraikan di atas, maka permasalahan yang dibahas adalah:
1. Bagaimana mengendalikan panel surya agar selalu tegak lurus terhadap arah datangnya sinar matahari dengan menggunakan sistem tracking.
2. Bagaimana merancang pengendalian sistem tracking menggunakan backpropagation neural network dan fuzzy logic.
3. Bagaimana perbandingan hasil keluaran panel surya setelah menggunakan sistem tracking.
1.3 Tujuan
Tujuan penelitian adalah merancang sistem tracking yang dapat mengarahkan panel surya tepat pada intensitas penyinaran yang maksimum menggunakan algoritma pengendali backpropagation neural network dan fuzzy logic, serta membandingkan keluaran panel surya untuk kedua algoritma pengendalian..
1.4 Batasan masalah
Untuk mengatasi meluasnya pokok pembahasan, maka pada skripsi ini dibuat batasan masalah dan ruang lingkup sebagai berikut:
1. Sebagai pengolahan data dan training jaringan saraf tiruan digunakan mikrokontroler arduino nano.
2. Menggunakan sensor light dependant resistor (LDR) sebagai pendeteksi cahaya.
3. Menggunakan backpropagation neural network dan fuzzy logic sebagai algoritma pengendali.
4. Menggunakan servo untuk mengarahkan panel surya.
1.5 Manfaat penelitian
1. Memaksimalkan daya keluaran dari panel surya.
2. Mempermudah peletakan posisi panel surya.
3. Algoritma pengendali sistem tracking menggunakan neural network dengan menggunakan fuzzy Logic.
4. Parameter yang diukur hanya tegangan, arus dan daya keluaran.
1.6 Sistematika penelitian
Penelitian ini disusun berdasarkan sistematika penulisan sebagai berikut:
BAB I PENDAHULUAN
Bab ini merupakan pendahuluan yang berisi latar belakang masalah, tujuan dan manfaat penulisan, batasan masalah, metode penulisan, dan sistematika penulisan.
BAB II DASAR TEORI
Bab ini membahas sekilas beberapa teori tentang panel surya, sensor tegangan, sensor cahaya LDR (Light Dependent Resistor), ADC (Analog To Digital Converter), modul LCD (Liquid Crystal Display), mikrokontroler Arduino Nano, motor servo, Artificial neural network (Jaringan Saraf Tiruan), dan fuzzy Logic.
BAB III PERANCANGAN SISTEM
Pada bab ini dijelaskan tentang perancangan sistem, perancangan perangkat lunak, dan perancangan perangkat keras.
BAB IV PUNGUJIAN DAN ANALISIS
Bab ini membahas tentang pengujian dan analisis terhadap sistem yang telah dirancang.
BAB V KESIMPULAN DAN SARAN
Bab ini membahas tentang kesimpulan dari perancangan dan saran-saran yang mungkin untuk pengembangan lebih lanjut.
BAB II DASAR TEORI 2.1 Panel surya
Panel surya merupakan pembangkit listrik yang mampu mengkonversi sinar matahari menjadi arus listrik. Energi matahari sesungguhnya merupakan sumber energi yang paling menjanjikan mengingat sifatnya yang berkelanjutan (sustainable) serta jumlahnya yang sangat besar. Matahari merupakan sumber energi yang diharapkan dapat mengatasi permasalahan kebutuhan energi masa depan setelah berbagai sumber energi konvensional berkurang jumlahnya serta tidak ramah terhadap lingkungan.
Pada panel surya dibutuhkan material yang dapat menangkap matahari, dan energi tersebut digunakan untuk memberikan energi keelektron agar dapat berpindah melewati band gapnya ke pita konduksi, dan kemudian dapat berpindah ke rangkaian luar. Melaui proses tersebutlah arus listrik dapat mengalir dari sel surya. Umumnya devais dari sel surya ini menggunakan prinsip PN junction.
Energi yang dikeluarkan oleh sinar matahari sebenarnya hanya diterima oleh permukaan bumi sebesar 69% dari total energi yang dipancarkan matahari. Suplai energi surya dari sinar matahari yang diterima oleh permukaan bumi sangat luar biasa besarnya yaitu mencapai 0,5 miliar energi matahari atau kira-kira 1,3 x 1017 Watt [5].
Melihat energi yang dikeluarkan dari pancaran matahari yang begitu besar, pemanfaatan energi matahari menjadi salah satu daya tarik tersendiri untuk dilakukan. Salah satu pemanfaatan energi matahari adalah penggunaan sel surya yang berfungsi mengubah energi matahari menjadi energi listrik. Dalam proses
konversi energi pada sel surya dipengaruhi banyak faktor yang dapat mengurangi optimalisasi pada proses konversi energi. Diantaranya adalah faktor orientasi terhadap matahari yang selalu berubah-ubah dapat mengurangi optimalisasi sel surya dalam proses konversi energi matahari menjadi energi listrik. Sel surya akan menghasilkan daya maksimal ketika posisinya saling tegak lurus dengan cahaya matahari [5].
Pada penelitian ini digunakan sel surya dengan spesifikasi 13V 1,5W.
Adapun gambaran fisik sel surya dapat dilihat pada Gambar 2.1 [6].
Gambar 2. 1 Sel surya 13V 1,5W
2.2 Sensor tegangan
Spesifikasi sensor tegangan yang digunakan pada penelitian ini adalah sebagai berikut :
1. Tegangan Input 0 – 25 Volt.
2. Tegangan Output 0 – 5 Volt.
3. Ketelitian pengukuran 0.00489 Volt.
4. Perbandingan antara tegangan input dan output adalah 1:5.
Bentuk fisik sensor tegangan yang digunakan dapat dilihat pada Gambar 2.2.
Gambar 2. 2 Sensor tegangan
Sensor ini menggunakan sistem pembagi tegangan dimana nilai R1=7500 ohm dan R2=30000 ohm. Dengan rumus, Vout = Vin x 7500
7500+3000 maka nilai Vout menjadi 1:5 dari nilai Vin[7].
2.3 Sensor LDR (Light Dependent Resistor)
Sensor yang sering digunakan dalam berbagai rangkaian elektronik salah satunya adalah sensor cahaya (LDR). Sensor cahaya adalah alat yang digunakan dalam bidang elektronika yang berfungsi untuk mengubah besaran cahaya menjadi besaran listrik. Sensor cahaya LDR merupakan suatu jenis resistor yang peka terhadap cahaya. Nilai resistansi LDR akan berubah-ubah sesuai dengan intensitas cahaya yang diterima. Jika LDR tidak terkena cahaya maka nilai tahanan akan menjadi besar (sekitar 10MΩ) dan jika terkena cahaya nilai tahanan akan menjadi kecil (sekitar 1kΩ).
Cara kerja dari sensor ini adalah mengubah energi dari foton menjadi elektron, umumnya satu foton dapat membangkitkan satu elektron. Sensor ini mempunyai kegunaan yang sangat luas salah satu yaitu sebagai pendeteksi cahaya pada tirai otomatis. Bentuk fisik dari LDR dapat dilihat pada Gambar 2.3[8].
Gambar 2. 3 Sensor cahaya (LDR)
2.4 Analog to digital converter
Konverter merupakan suatu hal yang penting untuk teknologi kontrol proses sebagai penerjemah informasi analog kebentuk digital maupun sebaliknya.
Sebagian besar pengukuran variabel –variabel dinamik dilakukan oleh piranti yang keluaran sinyal listrik analog. Untuk menghubungkan sinyal ini dengan sebuah komputer atau rangkaian logika digital, perlu dilakukan terlebih dahulu konversi analog ke digital (ADC).
ADC adalah pengubah sinyal analog menjadi sinyal digital. ADC banyak digunakan sebagai pengatur proses industri, komunikasi digital dan rangkaian pengukuran/ pengujian. Umumnya ADC digunakan sebagai perantara antara sensor yang kebanyakan analog dengan sistim komputer seperti sensor cahaya, suhu, arus, tegangan dan sebagainya kemudian diproses dengan menggunakan sistim digital[9].
ADC memiliki 2 karakter prinsip, yaitu kecepatan sampling dan resolusi.
Kecepatan sampling suatu ADC menyatakan seberapa sering sinyal analog dikonversikan ke bentuk sinyal digital pada selang waktu tertentu. Kecepatan sampling biasanya dinyatakan dalam sample per second (SPS). Gambar sampling kecepatan rendah dan tinggi dapat dilihat pada Gambar 2.4 [9].
Gambar 2. 4 ADC dengan kecepatan sampling rendah dan tinggi
Resolusi ADC menentukan ketelitian nilai hasil konversi ADC. Sebagai contoh: ADC 4 bit akan memiliki output 4 bit data digital, ini berarti sinyal input dapat dinyatakan dalam 16 nilai diskrit. ADC 8 bit memiliki 8 bit output data digital, ini berarti sinyal input dapat dinyatakan dalam 256 nilai diskrit. Dari contoh di atas ADC 8 bit akan memberikan ketelitian nilai hasil konversi yang jauh lebih baik daripada ADC 4 bit.
Prinsip kerja ADC adalah merubah sinyal analog ke dalam bentuk besaran yang merupakan rasio perbandingan sinyal input dan tegangan referensi. Sebagai contoh, bila tegangan referensi 3 volt, tegangan input 0,6 volt, rasio input terhadap referensi adalah 20%. Jadi, jika menggunakan ADC 4 bit dengan skala maksimum 16, akan didapatkan sinyal digital sebesar 50% x 16 = 8 (bentuk decimal) atau 1000 (bentuk biner).
Proses konversi tersebut dapat digambarkan sebagai proses 3 langkah yaitu sampling (pencuplikan), quantizing (kuantisasi), dan coding (pengkodean) seperti diilustrasikan pada Gambar 2.5 [9].
Gambar 2. 5 Proses konversi analog to digital
2.5 Modul LCD (Liquid Crystal Display)
Modul LCD 16x2 adalah modul yang sangat dasar dan sangat umum digunakan di berbagai perangkat dan sirkuit. Modul ini lebih sering digunakan dari pada Seven Segment dan LED (light emitting diode) multi segmen lainnya . Alasannya adalah karena modul LCD lebih ekonomis, mudah diprogram, tidak memiliki batasan untuk menampilkan karakter khusus (tidak seperti dalam Seven Segment), bentuk animasi, dan sebagainya.
Sebuah modul LCD 16x2 berarti dapat menampilkan 16 karakter perbaris dan ada 2 kolom. Dalam modul LCD ini setiap karakter ditampilkan dalam matriks 5x7 piksel. LCD ini memiliki dua register, yaitu, Command dan Data.
Register perintah menyimpan instruksi perintah yang diberikan kepada LCD. Perintah yang diberikan kepada LCD untuk melakukan tugas yang telah ditentukan seperti menginisialisasi, membersihkan layar, mengatur posisi kursor, mengontrol tampilan dan lain-lain. Register data menyimpan data yang akan ditampilkan pada LCD. Data berupa nilai ASCII dari karakter yang akan ditampilkan pada LCD.
Bentuk fisik dari LCD (Liquid Crystal Display) 16 x 2 dapat dilihat pada Gambar 2.6[10].
Gambar 2. 6 LCD (Liquid Crystal Display) 16 x 2
2.6 Mikrikontroler arduino nano
Arduino nano adalah salah satu papan pengembangan mikrokontroler yang berukuran kecil, lengkap dan mendukung penggunaan breadboard. Arduino nano diciptakan dengan basis mikrokontroler ATmega328 (untuk arduino nano versi 3.x) atau ATmega 168 (untuk arduino versi 2.x). Masing-masing dari 14 pin digital pada arduino nano dapat digunakan sebagai input atau output, dengan menggunakan fungsi pinMode(), digitalWrite(), dan digitalRead(). Semua pin beroperasi pada tegangan 5 volt. Setiap pin dapat memberikan atau menerima arus maksimum 40 mA dan memiliki resistor pull-up internal (yang terputus secara default) sebesar 20-50 KOhm.
Selain itu beberapa pin memiliki fungsi khusus, yaitu:
1. Serial: 0 (RX) dan 1 (TX). Digunakan untuk menerima (RX) dan mengirimkan (TX) TTL data serial. Pin ini terhubung ke pin yang sesuai dari chip FTDI USBto-TTL Serial.
2. External Interrupt (Interupsi Eksternal): Pin 2 dan pin 3 ini dapat dikonfigurasi untuk memicu sebuah interupsi pada nilai yang rendah, meningkat atau menurun, atau perubahan nilai.
3. PWM: Pin 3, 5, 6, 9, 10, dan 11. Menyediakan output PWM 8-bit dengan fungsi analogWrite(). Jika pada jenis papan berukuran lebih besar (misal:
Arduino Uno), pin PWM ini diberi simbol tilde atau “~” sedangkan pada Arduino nano diberi tanda titik atau strip.
4. SPI: Pin 10 (SS), 11 (MOSI), 12 (MISO), 13 (SCK). Pin ini mendukung komunikasi SPI. Sebenarnya komunikasi SPI ini tersedia pada hardware, tapi untuk saat belum didukung dalam bahasa arduino.
5. LED: Pin 13. Tersedia secara built-in pada papan arduino nano. LED terhubung ke pin digital 13. Ketika pin diset bernilai HIGH, maka LED menyala, dan ketika pin diset bernilai LOW, maka LED padam.
Bentuk fisik Arduino Nano dapat dilihat pada Gambar 2.7[11].
Gambar 2. 7 Arduino nano
Arduino nano memiliki 8 pin sebagai input analog, diberi label A0 sampai dengan A7, yang masing-masing menyediakan resolusi 10 bit (yaitu 1024 nilai yang berbeda). Secara default pin ini dapat diukur/diatur dari mulai ground sampai dengan 5 Volt. Pin analog 6 dan 7 tidak dapat digunakan sebagai pin digital. Selain itu juga, beberapa pin memiliki fungsi yang dikhususkan, yaitu I2C:
Pin A4 (SDA) dan pin A5 (SCL)[11].
2.7 Motor servo
Motor servo adalah sebuah motor DC yang dilengkapi rangkaian kendali dengan sistem closed feedback yang terintegrasu dalam motor tersebut. Pada motor servo posisi putaran sumbu (axis) dari motor akan diinformasikan kembali ke rangkaian control yang ada di dalam motor servo.
Motor servo mampu bekerja dua arah (CW dan CCW) dimana arah dan sudut pergerakan rotornya dapat dikendalikan dengan memberikan variasi lebar pulsa (duty cycle) sinyal PWM pada bagian pin kontrolnya. Bentuk fisik motor servo dapat dilihat pada Gambar 2.8 [12].
Gambar 2. 8 Motor servo
Motor servo disusun dari sebuah motor DC, gearbox, variable resistor (VR) atau potensiometer dan rangkaian control. Potensiometer berfungsi untuk menentukan batas maksimum putaran sumbu (axis) motor servo. Sedangkan sudut dari sumbu motor servo diatur berdasarkan lebar pulsa yang pada pin control motor servo. Gambar konstruksi motor servo dapat dilihat pada Gambar 2.9[12].
Gambar 2. 9 Konstruksi motor servo.
2.8 Artifical neural network (jaringan saraf tiruan)
Artificial neural network adalah suatu sistem pemrosesan informasi yang mempunyai karakteristik menyerupai jaringan syaraf biologi. Jaringan syaraf tiruan tercipta sebagai generalisasi model matematis dari pemahaman manusia (human cognition) yang didasarkan pada asumsi [13] :
1. Pemrosesan informasi terjadi pada elemen sederhana yang disebut neuron, unit, sel atau node.
2. Isyarat mengalir di antara sel syaraf/neuron melalui suatu sambungan penghubung.
3. Setiap sambungan penghubung memiliki bobot yang bersesuaian. Bobot ini akan digunakan untuk menggandakan isyarat yang dikirim melaluinya.
4. Setiap sel syaraf/neuron akan menerapkan fungsi aktivasi terhadap isyarat hasil penjumlahan berbobot yang masuk kepadanya untuk menentukan isyarat keluarannya.
Karakteristik jaringan syaraf tiruan ditentukan oleh [13] :
1. Pola hubungan antar neuron (disebut dengan arsitektur jaringan).
2. Metode untuk menentukan bobot penghubung (disebut metode training / learning / algoritma).
3. Fungsi aktivasi, yaitu fungsi yang digunakan untuk menentukan keluaran suatu neuron.
Jaringan syaraf tiruan , seperti manusia, belajar dari suatu contoh karena mempunyai karakteristik yang adaptif, yaitu dapat belajar dari data-data sebelumnya dan mengenal pola data yang selalu berubah. Selain itu, jaringan saraf tiruan merupakan sistem yang tak terprogram, artinya semua keluaran atau kesimpulan yang ditarik oleh jaringan didasarkan pada pengalamannya selama mengikuti proses pembelajaran/pelatihan.
Kelemahan jaringan saraf tiruan yang terdiri dari layar tunggal membuat perkembangan Jaringan Saraf Tiruan menjadi terhenti pada sekitar tahun 1970 an.
Penemuan backpropagation yang terdiri dari beberapa layar membuka kembali cakarawala. Terlebih setelah berhasil ditemukannya berbagai aplikasi yang dapat diselesaikan dengan Backpropagation, membuat Jaringan Saraf Tiruan semakin diminati orang.
Jaringan saraf tiruan dengan layar tunggal memiliki keterbatasan dalam pengenalan pola. Kelemahan ini bisa ditanggulangi dengan menambahkan satu/beberapa layar tersembunyi diantara layar masukan dan keluaran. Meskipun
penggunaan lebih dari satu layar tersembunyi memiliki kelebihan manfaat untuk beberapa kasus, tapi pelatihannya memerlukan waktu yang lama. Maka umumnya orang mulai mencoba dengan sebuah layar tersembunyi lebih dahulu.
Seperti halnya model jaringan saraf tiruan lain, Backpropagation melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan untuk mengenali pola yang digunakan selama pelatihan serta kemampuan jaringan untuk memberikan respon yang benar terhadap pola masukan yang serupa (tapi tidak sama) dengan pola yang dipakai selama pelatihan.
Backpropagation memiliki beberapa unit yang ada dalam satu atau lebih layar tersembunyi. Gambar 2.10 adalah arsitektur backpropagation dengan n buah masukan (ditambah sebuah bias), sebuah layar tersembunyi yang terdiri dari p unit (ditambah sebuah bias), serta m buah unit keluaran.
Gambar 2. 10 Arsiterktur backpropagation
Vji merupakan bobot garis dari unit masukan xi ke unit layar tersembunyi zj
(vjo merupakan bobot garis yang menghubungkan bias di unit masukan ke unit layar tersembunyi zj). Wkj merupakan bobot dari unit layar tersembunyi zj ke unit keluaran yj (wko merupakan bobot dari bias di layar tersembunyi ke unit keluaran zk)[13].
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
𝑛 𝑖=1
(3.3) 𝑍𝑗= 𝑓(𝑍_𝑛𝑒𝑡𝑗) = 1
1+𝑒−𝑍_𝑛𝑒𝑡𝑗 (3.4) Setelah mendapatkan nilai hidden layer maka hitung nilai pada output layer dengan persamaan
𝑌_𝑛𝑒𝑡𝑘 = 𝑊𝑘𝑜 + ∑ 𝑍𝑗𝑊𝑘𝑗
𝑝 𝑗=1
(3.5)
𝑌𝑘 = 𝑓(𝑌_𝑛𝑒𝑡𝑘) = 1
1+𝑒−𝑦_𝑛𝑒𝑡𝑘 (3.6) 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
Jam Tegangan (Volt) Arus (mA) Daya (Watt)
07.00 10,02 0,84 0,008417
08.00 11,54 0,89 0,010271
09.00 12 0,95 0,0114
10.00 12,79 1,08 0,013813
11.00 12,83 1,09 0,013985
12.00 12,74 1,05 0,013377
13.00 12,94 1,11 0,014363
14.00 12,24 0,98 0,011995
15.00 12,81 1,07 0,013707
16.00 12,88 1,03 0,013266
17.00 11,83 0,92 0,010884
18.00 8,32 0,68 0,005658
Hasil pengujian hari kedua dapat dilihat pada Tabel 4.2 dibawah. Rata-rata daya 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)
07.00 9,92 0,83 0,008234
08.00 11,74 0,91 0,010683
09.00 12,39 0,98 0,012142
10.00 12,71 1,07 0,0136
11.00 12,78 1,08 0,013802
12.00 12,57 1,04 0,013073
13.00 12,84 1,09 0,013996
14.00 12,76 1,08 0,013781
15.00 12,64 1,04 0,013146
16.00 12,72 1,05 0,013356
17.00 11,96 0,94 0,011242
18.00 9,01 0,76 0,006848
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
Jam Tegangan (Volt) Arus (mA) Daya (Watt)
07.00 10,12 0,85 0,008602
08.00 11,76 0,89 0,010466
09.00 12,02 0,96 0,011539
10.00 12,79 1,08 0,013813
11.00 12,63 1,08 0,01364
12.00 12,67 1,05 0,013304
13.00 12,83 1,1 0,014113
14.00 12,8 1,11 0,014208
15.00 12,66 1,05 0,013293
16.00 12,56 1,05 0,013188
17.00 11,95 0,94 0,011233
18.00 8,12 0,67 0,00544
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)
07.00 8,32 0,67 0,005574
08.00 8,56 0,68 0,005821
09.00 11,98 0,94 0,011261
10.00 11,39 0,91 0,010365
11.00 12,01 0,96 0,01153
12.00 12,78 1,08 0,013802
13.00 12,98 1,13 0,014667
14.00 12,92 1,11 0,014341
15.00 12,88 1,09 0,014039
16.00 12,72 1,08 0,013738
17.00 12,55 1,04 0,013052
18.00 8,64 0,7 0,006048
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
Jam Tegangan (Volt) Arus (mA) Daya (Watt)
07.00 9,8 0,81 0,007938
08.00 11,59 0,88 0,010199
09.00 12,36 0,98 0,012113
10.00 12,65 1,06 0,013409
11.00 12,72 1,08 0,013738
12.00 12,77 1,08 0,013792
13.00 12,84 1,09 0,013996
14.00 12,69 1,07 0,013578
15.00 12,65 1,04 0,013156
16.00 12,74 1,05 0,013377
17.00 11,97 0,95 0,011372
18.00 9,23 0,78 0,007199
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)
07.00 9,55 0,78 0,007449
08.00 11,24 0,86 0,009666
09.00 12,43 1,01 0,012554
10.00 12,06 0,94 0,011336
11.00 12,53 1,04 0,013031
12.00 12,59 1,05 0,01322
13.00 12,72 1,08 0,013738
14.00 12,78 1,08 0,013802
15.00 12,69 1,06 0,013451
16.00 12,44 1,01 0,012564
17.00 11,84 0,92 0,010893
18.00 8,82 0,72 0,00635
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
Jam Tegangan (Volt) Arus (mA) Daya (Watt)
07.00 9,22 0,76 0,007007
08.00 11,48 0,86 0,009873
09.00 12,33 0,98 0,012083
10.00 12,68 1,07 0,013568
11.00 12,77 1,08 0,013792
12.00 12,81 1,09 0,013963
13.00 12,88 1,1 0,014168
14.00 12,71 1,07 0,0136
15.00 11,97 0,96 0,011491
16.00 11,77 0,93 0,010946
17.00 10,27 0,83 0,008524
18.00 8,23 0,71 0,005843
Dari data yang didapat pada sistem neural network selama 7 hari 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
Jam Tegangan (Volt) Arus (mA) Daya (Watt)
07.00 10 0,84 0,0084
08.00 11,55 0,89 0,01028
09.00 11,96 0,94 0,011242
10.00 12,86 1,09 0,014017
11.00 12,8 1,08 0,013824
12.00 12,7 1,05 0,013335
13.00 12,97 1,12 0,014526
14.00 12,29 0,99 0,012167
15.00 12,96 1,08 0,013997
16.00 12,91 1,05 0,013556
17.00 11,79 0,91 0,010729
18.00 8,38 0,68 0,005698
Hasil pengujian hari kedua dapat dilihat pada Tabel 4.9 dibawah. Rata-rata daya 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)
07.00 9,75 0,81 0,007898
08.00 11,59 0,89 0,010315
09.00 12,49 1 0,01249
10.00 12,83 1,1 0,014113
11.00 12,84 1,09 0,013996
12.00 12,62 1,03 0,012999
13.00 12,94 1,12 0,014493
14.00 12,88 1,11 0,014297
15.00 12,79 1,05 0,01343
16.00 12,68 1,05 0,013314
17.00 11,78 0,92 0,010838
18.00 8,98 0,75 0,006735
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)
07.00 10,08 0,84 0,008467
08.00 11,65 0,89 0,010369
09.00 11,87 0,94 0,011158
10.00 12,86 1,09 0,014017
11.00 12,79 1,08 0,013813
12.00 12,66 1,05 0,013293
13.00 12,87 1,11 0,014286
14.00 12,89 1,11 0,014308
15.00 12,76 1,06 0,013526
16.00 12,57 1,05 0,013199
17.00 11,97 0,94 0,011252
18.00 8,25 0,67 0,005528
Hasil pengujian hari keempat dapat dilihat pada Tabel 4.11 dibawah. Rata-rata 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)
07.00 8,38 0,67 0,005615
08.00 8,45 0,67 0,005662
09.00 11,89 0,94 0,011177
10.00 11,58 0,92 0,010654
11.00 12,19 0,96 0,011702
12.00 12,74 1,07 0,013632
13.00 12,97 1,13 0,014656
14.00 12,88 1,11 0,014297
15.00 12,89 1,08 0,013921
16.00 12,75 1,07 0,013643
17.00 12,61 1,04 0,013114
18.00 8,55 0,69 0,0059
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)
07.00 9,61 0,8 0,007688
08.00 11,48 0,89 0,010217
09.00 12,43 1 0,01243
10.00 12,73 1,08 0,013748
11.00 12,78 1,09 0,01393
12.00 12,72 1,08 0,013738
13.00 12,94 1,11 0,014363
14.00 12,77 1,09 0,013919
15.00 12,78 1,06 0,013547
16.00 12,68 1,05 0,013314
17.00 11,77 0,92 0,010828
18.00 9,01 0,77 0,006938
Hasil pengujian hari keenam dapat dilihat pada Tabel 4.13 dibawah. Rata-rata 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)
07.00 9,53 0,78 0,007433
08.00 11,35 0,86 0,009761
09.00 12,41 1,01 0,012534
10.00 12,12 0,95 0,011514
11.00 12,67 1,05 0,013304
12.00 12,55 1,05 0,013178
13.00 12,81 1,09 0,013963
14.00 12,77 1,09 0,013919
15.00 12,68 1,06 0,013441
16.00 12,46 1,01 0,012585
17.00 11,64 0,9 0,010476
18.00 8,54 0,71 0,006063
