Rancang Bangun Sistem Penjejak Matahari 2 Sumbu Berbasis Kontrol Adaptive Neuro-Fuzzy Inference System (ANFIS)

Abstrak— Photovoltaic (PV) merupakan teknologi yang

berkembang dibidang pemanfaatan energi terbarukan. Teknologi ini dapat mengkonversi intensitas matahari menjadi energi listrik. Dalam pengembangannya dibutuhkan suatu metode untuk dapat memaksimalkan daya keluaran dari PV, dan salah satunya yaitu dengan menjaga agar PV dapat tegak lurus dengan arah matahari melalui metode tracking (penjejak). Metode yang saat ini dikembangkan adalah dengan menggunakan kontrol Adaptive Neuro Fuzzy Inference

System (ANFIS) yang memanfaatkan pengelompokan

menggunakan fuzzy dan pembelajaran menggunakan jaringan saraf tiruan. Hasil yang diperoleh pada penelitian ini adalah dengan memvalidasi sudut antara sudut munculnya matahari dengan sudut ketika telah menggunakan tracking.

Kata Kunci: Photovoltaic, Solar Tracker, ANFIS

I. PENDAHULUAN

eiring dengan perkembangan teknologi, telah banyak sumber energi terbarukan yang dikembangkan diantaranya yaitu pemanfaatan energy matahari yang dikonversi menggunakan sel surya (photovoltaic). Tenaga surya sebagai sumber clean energy menjadi banyak diminati untuk dilakukan penelitian lebih lanjut [1]. Energi listrik yang dihasilkan dapat dimanfaatkan ke banyak aplikasi, sebagai contoh pemanfaatan dalam kehidupan sehari-hari diantaranya sebagai pengisi baterai lampu jalan, pemanas air, dan juga sebagai pembangkit tenaga listrik yang akan dihubungkan langsung ke jala-jala PLN.

Sel Surya adalah perangkat yang dapat mengkonversi energi cahaya matahari menjadi energi listrik. Namun, dalam proses konversi energi pada sel surya ini dipengaruhi banyak faktor yang dapat mengurangi kerja maksimal pengkonversian energi. Faktor tersebut diantaranya adalah faktor orientasi terhadap posisi matahari yang selalu berubah-ubah yang dapat mengurangi kerja maksimal panel surya dalam pengkonversian energi matahari menjadi energi listrik

Penelitian yang berkembang telah sampai pada peningkatan efisiensi kerja dari PV. Efisiensi yang lebih tinggi dari sistem tersebut dapat dihasilkan bila sinar matahari bisa tegak lurus dengan permukaan photovoltaic. Adapun pengendalian yang digunakan dalam pengembangan solar tracker ini cukup bervariasi, mulai dari menggunakan pengendalian klasik sampai pada pengendalian yang modern.

Pada tugas akhir ini, dibuat alat yang dapat menyelesaikan permasalahn optimalisasi kinerja photovoltaic yaitu dengan membuat penjejak matahari menggunakan sistem dan pengendalian yang modern. Dengan paduan kontrol neural network dan fuzzy atau yang dikenal dengan istilah Adaptive Neuro-Fuzzy Inference System (ANFIS).

II. TINJAUAN PUSTAKA

A. Solar Tracker

Solar tracker adalah gabungan suatu sistem yang mampu mendeteksi dan mengikuti arah matahari agar senantiasa tegak lurus. Tujuan diberikannya penjejak pada photovoltaic adalah agar dapat mengoptimalkan daya keluaran dari PV. Semakin tegak lurus PV dengan matahari, maka semakin besar pula daya yang dapat dihasilkan. Hal ini tentunya sangat berguna untuk kebutuhan alternatif sumber energi. Solar tracking

terdiri dari beberapa komponen penting seperti: sensor, logika kontrol, controller dan photovoltaic. Penelitian yang berkembang, telah dapat menggunakan berbagai jenis control agar penjejak berjalan optimal. Namun adanya solar tracker

sendiri menjadi tantangan buat peneliti untuk mengembangkannya, pasalnya selama ini sistem penjejak memerlukan catu daya yang cukup besar untuk dapat beroperasi agar keluaran daya dari PV menjadi optimal. selain digunakan untuk penjejak matahari, diharapkan ada juga daya yang dapat di simpan untuk kepentingan lainnya.

B. Photovoltaic

Photovoltaic (PV) merupakan piranti yang mengubah cahaya matahari menjadi energi listrik tanpa ada pengaruh faktor kalor. Didalam photovoltaic terjadi peristiwa

photoelectric pada sebuah lempengan metal yang melapaskan

partikel energi foton ketika terkena sinar matahari. foton-foton terus bergerak mendesak atom-atom metal dan terjadi partikel energi foton yang bersifat energi cahaya.

C. Sensor LDR

Sensor LDR merupakan sensor yang digunakan untuk mendeteksi cahaya matahari berupa intensitas yang akan mempengaruhi perubahan resistansi dari sensor. Semakin besar intensitas yang masuk pada sensor, maka semakin besar pula resistansi yang akan dihasilkan. Hal ini nantinya akan dihubungkan dengan supply tegangan dan dibentuk dengan rangkaian pembagi tegangan dan akan diletakkan pada Rbottom. Sehingga perubahan intensitas akan berbanding terbalik

Rancang Bangun Sistem Penjejak Matahari 2 Sumbu

Berbasis Kontrol

Adaptive Neuro-Fuzzy Inference System

(ANFIS)

Amar Muhammad, Imam Abadi ST MT

Teknik Fisika, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya 60111

E-mail: amar09@mhs.ep.its.ac.id

S

dengan perubahan tegangan, dan akan lebih mudah untuk diatur.

D. Adaptive Neuro Fuzzy Inference System (ANFIS)

Model fuzzy dapat digunakan sebagai pengganti dari perceptron dengan banyak lapisan. Dalam hal ini, system dapat dibagi menjadi 2 grup, yaitu berupa jaringan syaraf dengan bobot-bobot fuzzy dan fungsi aktivasi fuzzy, dan grup kedua berupa jaringan syaraf dengan input yang difuzzykan pada lapisan pertama atau kedua, namun bobot-bobot pada jaringan syaraf tersebut tidak difuzzykan. Neuro-fuzzy

termasuk kelompok yang kedua (Owoski, 2004).

ANFIS adalah arsitektur yang secara fungsional sama dengan fuzzyrule base model sugeno. Arsitektur ANFIS juga sama dengan jaringan syaraf dengan fungsi radialdengan sedikit batasan tertentu. Bias dikatakan bahwa ANFIS adalah suatu metode yang mana dalam melakukan penyetelan aturan digunakan algoritma pembelajaran terhadap sekumpulan data. Pada ANFIS juga memungkinkan aturan-aturan untuk beradaptasi[4]

Berikut ini salah satu contoh ilustrasi mekanisme inferensi

fuzzy TSK orde satu dengan dua masukan x dan y (Gambar 1). Basis aturan dengan dua aturan fuzzy if-then seperti dibawah ini :

Rule 1: if x is A1 and y is B1 then f1 = p1x + q1y + r1

premis consequent

Rule 2: if x is A2 and y is B2then f2 = p2x + q2y + r2

premis consequent Input : x dan y.

Consequent-nya adalah f

Gambar 1. Sistem inferensi fuzzy TSK dua masukan dengan

dua aturan [5]

𝑓 =𝑤1𝑓1+ 𝑤2𝑓2 𝑤1+ 𝑤2

= 𝑤 𝑓1 1+ 𝑤 𝑓2 2 [3]

Struktur ANFIS yang menggambarkan sistem fuzzy Tagaki-Sugeno-Kang seperti yang digambarin di Gambar 1 diatas bisa digambarin dalam diagram blok atau disebut arsitektur jaringan syaraf feedforward seperti ini:

Gambar 2Arsitektur ANFIS [5]

Pada gambar diatas terlihat sistem neuro-fuzzy terdiri atas lima lapisan dengan fungsi yang berbeda untuk tiap lapisannya. Tiap lapisan terdiri atas beberapa simpul yang dilambangkan dengan kotak atau lingkaran. Lambang kotak menyatakan simpul adaptif artinya nilai parameternya bisa berubah dengan pembelajaran dan lambang lingkaran menyatakan simpul nonadaptif yang nilainya tetap [6]. Penjelasan lebih lengkap dapat dijabarkan dibawah ini. Lapisan 1. Pada lapisan pertama ini, merupakan lapisan yang terdiri dari simpul-simpul adaptif atau nilai yang dapat berubah-ubah. Pada struktur ANFIS lapisan ini biasanya merupakan derajat keanggotaan (µi) dari fuzzy set. Fungsi simpul adalah sebagai berikut:

𝑂1,𝑖= 𝜇𝐴_𝑖 𝑥 , 𝑈𝑛𝑡𝑢𝑘 𝑖 = 1, 2 𝑎𝑡𝑎𝑢

𝑂1,𝑖= 𝜇𝐵_𝑖−2 𝑥 , 𝑈𝑛𝑡𝑢𝑘 𝑖 = 3, 4

Nilai x dan y merupakan nilai masukan pada simpul I, Ai atau Bi-2 merupakan fungsi keanggotaan masing-masing simpul. Simpul O1,i menyatakan derajat keanggotaan 𝜇𝐴_𝑖 𝑥 dari setiap masukan terhadap himpunan fuzzy A dan B. Fungsi keanggotaan fuzzy input (premis) yang biasanya digunakan adalah jenis G-bell (Generalized Bell) yaitu:

𝑔𝑏𝑒𝑙𝑙 𝑥, 𝑎, 𝑏, 𝑐 = 1

1 + 𝑥 − 𝑐_𝑎 2𝑏 (1)

Fungsi gbell berfungsi untuk menentukan derajat sesuai dengan kehendak dengan memasukkan parameter awal a, b, c dan jumlah himpunan fuzzy input (x) dan selanjutnya parameter premis a, b, c akan diolah dengan metode pembelajaran.

Lapisan 2. Pada lapisan ini, semua simpul adalah parameter-parameter tetap (non adaptif). Simpul ini berguna untuk mengalikan setiap input yang masuk. Fungsi simpul:

𝑂2,𝑖 = 𝑤𝑖= 𝜇𝐴_𝑖 𝑥 . 𝜇𝐵_𝑖−2 𝑥 𝑈𝑛𝑡𝑢𝑘 𝑖 = 1, 2 (2) Output dari simpul ini menyatakan derajat pengaktifan untuk setiap fuzzy rule. Fungsi ini dapat diperluan apabila jumlah fungsi premis lebih dari dua himpunan fuzzy. Semakin banyak fungsi ini menandakan semakin banyak pula fuzzy rule

Lapisan 3. Simpul ini sama halnya dengan simpul pada lapisan 2 yang merupakan simpul non adaptif yang dapat menampilkan fungsi derajat pengaktifan ternormalisasi, yaitu ratio keluaran simpul ke-i pada lapisan sebelumnya terhadap seluruh keluaran lapisan sebelumnya, dengan bentuk fungsi simpul:

𝑂3,𝑖= 𝑤 =

𝑤𝑖

𝑤1+ 𝑤2, 𝑖 = 1,2 3 Lapisan 4. Merupakan simpul adaptif dengan derajat pengaktifan ternormalisasi dari lapisan sebelumnya. Fungsi simpul:

𝑂4,𝑖= 𝑤 . 𝑓𝑖 𝑖 = 𝑤 𝑝𝑖 𝑖𝑥 + 𝑞𝑖𝑦 + 𝑟𝑖 (4) Parameter p, q, r menyatakan parameter konsekuen yang adaptif berdasarkan output dari lapisan sebelumnya.

Lapisan 5. Pada lapisan ini adalah lapisan yang menjumlahkan semua masukan dan hanya mempunyai satu keluaran dengan fungsi simpul:

𝑂5,𝑖= 𝑤 . 𝑓𝑖 𝑖 =

𝑤𝑖𝑓𝑖

𝑤𝑖 (5)

Kelima lapisan ini ekivalen dengan system inferensi Fuzzy Takagi-Sugeno

E. Diagram Blok Sistem Pengendalian Solar Tracker

SENSOR LDR3SELATAN-LDR4UTARA BOARD ARDUINO

MEGA 2650 R3 (ANFIS CONTROLLER)

MOTOR DC 2 SOLAR TRACKER

+ -MOTOR DC 1 SENSOR LDR1TIMUR-LDR2BARAT X X X + + INTENSITAS

Gambar 3. Diagram Blok Sistem Pengendalian Solar Tracker

Secara umum, sistem pengendalian solar tracker dapat dilihat pada blok diagram diatas. Tujuannya adalah mengendalikan photovoltaic agar dapat tetap tegak lurus terhadap matahari dan tercapai pengoptimalan daya yang dikeluarkan. Pada pengendalian yang digunakan adalah ANFIS controller, dimana pengendali ini merupakan pengendali modern yang tidak membutuhkan persamaan matematis untuk pegoperasiannya seperti pengendalian klasik lainnya. Pada bagian ini akan menjelaskan seluruh sistem beserta kerja masing-masing blok diatas.

Sensor/Transmitter merupakan piranti elektrik pertama yang akan merasakan besaran fisis yang masuk. Dalam hal ini menggunakan 4 buah Light Detector Resistence (LDR) yang diletakkan pada 4 kutub yang berbeda pula (timur, barat, selatan, utara). Sensor ini berfungsi untuk merubah intensitas

cahaya menjadi perubahan resistansi, yang selanjutnya diberiakan pada rangkaian voltage devider (pembagi tegangan). Setiap perubahan intensitas pada masing-masing kutub yang berbeda, akan mengakibatkan terjadinya selisih antara LDR satu dengan lainnya. Dalam hal ini terdapat 2 selisih sensor yang dapat menjejak menggunakan 2 motor. Selisih 1( LDRtimur-LDRbarat) untuk motor 1, sedangkan selisih 2(LDRselatan-LDRutara) untuk motor2.

(a) (b)

Gambar 5. (a). Motor 1 arah zenith, (b) motor 2 arah azimuth

Motor DC meruapakan actuator dari system pengendalian

solar tracker yang akan menggerakkan photovoltaic sesuai dengan arah matahari. Penjejak matahari memanfaatkan polaritas dari motor DC. Dimana, apabila menginginkan polaritas kekanan, maka diberikan tegangan positif, sedangkan apabila menginginkan polaritas kekiri, maka diberikan tegangan negative atau sebaliknya. Pengaturan kecepatan motor, dapat dilakukan dengan menggunakan board arduino Mega 2650 dengan fitur PWM yang dimiliki. Dimana PWM disini mengatur lebar pulsa dalam bentuk persentase pulsa

high-low.

Arduino Mega 2650 adalah pengendali/otak yang akan memberikan perintah terhadap seluruh komponen elektrik yang dapat menerima atau memberikan tegangan standar 5 volt. Selain itu juga pusat seluruh kendali proses dilakukan didalam mikrokontroller ini. Data keluaran dari arduino memanfaatkan data digital yang menghasilkan tegangan high atau low. Keluaran ini selanjutnya ditransfer pada rangkaian motor driver dengan menggunakan ic L293D dimana didalam IC tersebut telah ada rangkaian H-Bridge transistor yang dapat merubah polaritas motor DC bergantung pada input yang diberikan.

(a) (b)

(c) (d)

Gambar 6. (a) membership function input error1, (b)

membership function input delta error1, (c) membership function input error2, (d) membership function input delta

Gambar 7. Membership function Output Motor 1

Gambar 8. Membership function Output Motor 2

Masing-masing input memiliki parameter variable yang bernilai: NH [a=0.25; b=2.5; c=-1] NM [a=0.25 b=2.5; c=-0.5] Z [a=0.25 b=2.5; c=0] PM [a=0.25 b=2.5; c=0.5] PH [a=0.25 b=2.5; c=1]

Sedangkan Untuk masing-masing Output memiliki nilai NH = -5; NM = -2.5; Z = 0; PM = 2.5; PH = 5;

Seluruh rangkaian elektrik penyusun solar tracker adalah sebagai berikut: 4 buah sensor LDR, adaptor sebagai catu daya yang dapat memberikan tegangan sebesar 5 volt DC, driver motor + relay serta arduino mega 2650 R3.

Gambar 11. Rangkaian Elektrik

III. HASIL DAN PEMBAHASAN

Pada pengambilan data dilakukan dengan proses disaat PV pada posisi tegak lurus dan setelah dilakukan tracking. Data yang diambil adalah keluaran dari rangkaian pembagi tegangan dengan sensor sebagai variable resistansi yang berubah-ubah, dan resistor fix sebesar 1k ohm. diperoleh data pada masing-masing waktu dalam rentang waktu 1 jam sebagai berikut:

Tabel 1. Pengukuran sensor pukul 09.00

Pada tracking matahari pukul 09.00 diatas, diperoleh parameter-parameter fisis lainnya yang dapat mempengaruhi kinerja dari PV yaitu: suhu = 48,4 oC, intensitas = 107000lux serta hasil besar sudut tracking antara garis vertikal dengan matahari atau sudut Zenith adalah sebesar 31o. yang seharusnya pada pukul 09.00 sudut vertikal dengan matahari adalah sebesar 35o sehingga error pada sudut tracking adalah sebesar 4o. LDR timur LDR timur LDR barat LDR barat LDR selatan LDR selatan LDR utara LDR utara error -0.42011714 error 0 -0.188328505 µA1 0.61372509 µC1 0.402963352 µA1 0.6125741 µC1 0.38913579 µA2 0.69306145 µC2 0.8483531 µA2 0.690983009 µC2 0.7390522 µA3 0.94148293 µC3 0.709252405 µA3 1 µC3 0.784642601 µA4 0.68893671 µC4 0.622405815 µA4 0.690983009 µC4 0.655857992 µA5 0.61143293 µC5 0.570226622 µA5 0.6125741 µC5 0.591911077 µB1 0.61372509 µD1 0.674939108 µB1 0.6125741 µD1 0.637024975 µB2 0.69306145 µD2 0.8483531 µB2 0.690983009 µD2 0.7390522 µB3 0.94148293 µD3 0.709252405 µB3 1 µD3 0.784642601 µB4 0.68893671 µD4 0.622405815 µB4 0.690983009 µD4 0.655857992 µB5 0.61143293 µD5 0.570226622 µB5 0.6125741 µD5 0.591911077 f-0.36541924 F -3.355879545 f -0.363713956 F -1.400486374 Selisih ERROR TRACKING 0 -0.188328505

MOTOR 2 MOTOR 1 MOTOR 2

voltage (volt) 2.911847591 2.911847591 2.916676521 3.105005026 voltage (volt) ERROR NO TRACKING -0.00965786 -0.42011714 Selisih -0.00965786 3.042228699 2.622111559 2.617282629 2.607624769 Pukul 09.00 WIB Membership Function (u) Membership Function (u) MOTOR 1

Gambar 12 Ilustrasi Validasi sudut matahari

Tabel 2. Pengukuran sensor pukul 10.00

Pada tracking matahari pukul 10.00 diatas, diperoleh parameter-parameter fisis lainnya yang dapat mempengaruhi kinerja dari PV yaitu: suhu = 42,6oC, intensitas = 65800 lux serta hasil besar sudut tracking antara garis vertikal dengan matahari sebesar 16o. yang seharusnya pada pukul 10.00 sudut vertikal dengan matahari adalah sebesar 20o sehingga error pada sudut tracking adalah sebesar 4o

Hasil dari pemodelan menggunakan control anfis ditunjukkan pada grafik perbandingan antara PV pada saat tegak lurus matahari dengan PV pada saat telah mendapatkan tracking. Hasil keluaran yang diperoleh adalah sebagai berikut:

Tabel 3. hasil perbandingan output PV tegak lurus bumi dan

output PV dengan tracking

Sehingga dapat diplot dalam sebuah grafik perbandingan antara lain:

Gambar 13 Perbandingan Pv tegak lurus dan PV tracking

Hasil yang ditunjukkan pada grafik diatas menggambarkan bahwa keluaran dari tracking mampu meningkatkan daya sebesar 2.340279 %

IV. KESIMPULAN

Telah dirancang sebuah alat penjejak matahari berbasis control adaptive neuro fuzzy inference system. Perancangan untuk motor 1 pada sumbu zenith telah hampir mencapai tegak lurus terhadap matahari dengan error sudut sebesar 4,833 namun pada sumbu azimuth masih belum mencapi tegak lurus terhadap matahari dikarenakan kecepatan motor yang terlalu besar. Validasi menggunakan keluaran dari photovoltaic menghasilkan peningkatan daya sebesar 2, 340279 watt.

DAFTAR PUSTAKA

[1] An Intelligent Fuzzy Based Tracking Controller For A Dual-Axis Solar Pv System. Batayneh, Wafa. 2013, El Sevier

[2] Kusumadewi, Sri. Analisis Desain Sistem Fuzzy Menggunakan Tool Box Matlab. Yogyakarta: Informatika, 2002

[3] Neuro-Fuzzy And Soft Computing. J.s.r. Jang, c.t. Sun, And e. Mizutani. 1997, Prentice-Hall International [4] Anton, Adi, s, s. Studi Dan Penerapan Model

Neuro-Fuzzy Dalam Prakiraan Cuaca,S1 Jurusan Teknik Fisika ITB, 2000

[5] Ardhana, d dan rameli, m dan astrowulan, katjuk. Perancangan Dan Implementasi Penjejak Matahari Pada Panel Surya Dengan Metode Fuzzy Berbasis Mikrokontroler, Surabaya: Teknik Elektro, 2011

[6] Ahbb, Catur Hilman. “Aplikasi Kendali Logika Fuzzy (KLF) Pada Sistem Tracking Aktif Matahari Tipe Single-Axis Panel Surya 2011. Surabaya: Teknik Fisika FTI-ITS, 2011

[7] Wijaya, Ade, A., Uqud. Rancang Bangun Sistem Penjejak Matahari Untuk Panel Surya Pada Sistem Teknologi Hybrid Konversi Energi Surya & Angin, Surabaya: Teknik Fisika FTI-ITS, 2012

LDR timur LDR timur LDR barat LDR barat LDR selatan LDR selatan LDR utara LDR utara MOTOR 1 MOTOR 2 error error 0 -0.169012785 µA1 0.61372509µC1 0.395639782 µA1 0.6125741µC1 0.388117809 µA2 0.693061447µC2 0.781347179 µA2 0.690983009µC2 0.733212519 µA3 0.941482925µC3 0.741377926 µA3 1µC3 0.793644667 µA4 0.68893671µC4 0.638090229 µA4 0.690983009µC4 0.659062958 µA5 0.611432934µC5 0.580625534 µA5 0.6125741µC5 0.59388895 µB1 0.61372509µD1 0.654642296 µB1 0.6125741µD1 0.634301615 µB2 0.693061447µD2 0.781347179 µB2 0.690983009µD2 0.733212519 µB3 0.941482925µD3 0.741377926 µB3 1µD3 0.793644667 µB4 0.68893671µD4 0.638090229 µB4 0.690983009µD4 0.659062958 µB5 0.611432934µD5 0.580625534 µB5 0.6125741µD5 0.59388895 f -0.36541924 F -2.2661257 f -0.363713956 F -1.267471313 -0.304222822 voltage (volt) 2.738005877 2.738005877 2.738005877 2.907018661 Selisih -0.00965786 -0.304222775 MOTOR 1 MOTOR 2 voltage (volt) 2.506217003 2.515874863 2.520703793 2.824926567 -0.00965786 Membership Function (µ) 0 -0.169012785 Selisih Pukul 10.00 WIB

ERROR NO TRACKING ERROR TRACKING

Membership Function (µ)

Vout(v) Iout(A) P(watt) Vout(v) Iout(A) P(watt) Suhu(oC) Lux(lux) 7 16.32 0.41 6.6912 19.42 0.445 8.6419 34.6 37500 8 17.82 0.46 8.1972 19.18 0.57 10.9326 41.4 43200 9 18.36 0.85 15.606 19.36 0.93 18.0048 49.2 82100 10 18.95 1.02 19.329 19.18 1.14 21.8652 52.6 111000 11 19.13 1.15 21.9995 19.39 1.2 23.268 52.3 115000 12 19.15 1.22 23.363 19.18 1.213 23.26534 54 114100 13 18.85 0.921 17.36085 18.99 1.067 20.26233 55.6 103600 14 18.32 0.712 13.04384 19.4 0.848 16.4512 40.2 89000 15 18.12 0.21 3.8052 19.21 0.431 8.27951 38.1 38400 16 17.52 0.014 0.24528 17.42 0.119 2.07298 31.8 11500 Pukul (WIB) Photovoltaic Tegak Lurus Tracking

0 2 4 6 8 10 12 14 16 18 20 22 24 6 7 8 9 10 11 12 13 14 15 16 17 18 D aya (w at t) Pukul (WIB)

Grafik Perbandingan

PV Tegak Lurus dan PV Tracking

PV Tegak Lurus T B U S 31o

[8] Santoso, Yusuf, Mochamad Pengembangan Sistem Deteksi Dini Dan Diagnosa Kanker Paru Berbasis Adaptive Neuro Fuzzy Inference System., Surabaya: Teknik Fisika FTI-ITS, 2012