TELEKONTRAN: Jurnal Ilmiah Telekomunikasi.
Kendali dan Elektronika Terapan TELEKONTRAN: Jurnal Ilmiah Telekomunikasi.
Kendali dan Elektronika Terapan Vol.
No.
Oktober 2024 Vol.
No.
Oktober 2024 DOI : 10.
34010/telekontran.
p-ISSN : 2303 Ae 2901.
e-ISSN : 2654 Ae 7384 Penerapan Jaringan Syaraf Tiruan untuk Meningkatkan Akurasi Sensor Arus PZEM-004T Application of an Artificial Neural Network to Improve the Accuracy of the PZEM-004T Current Sensor Reydho Trihandika Putra.
Muhammad Aria Rajasa Pohan* Program Studi Teknik Elektro.
Fakultas Teknik dan Ilmu Komputer Universitas Komputer Indonesia Jl.
Dipati Ukur No.
Bandung.
Indonesia 40132 Email* : muhammad.
aria@email.
Abstrak Ae Sensor PZEM-004T digunakan untuk monitoring arus listrik yang dikonsumsi oleh perangkat Namun, data yang dihasilkan oleh sensor tersebut masih kurang akurat dan memerlukan optimasi.
Dalam penelitian ini, digunakan metode Jaringan Saraf Tiruan (JST) untuk optimasi sistem sensor PZEM004T dengan menggunakan data amperemeter fluke 112 akurasi 1,5% sebagai target pem belajaran.
Arsitektur JST yang digunakan adalah 1-10-1 karena memiliki nilai MSE terkecil sebesar 0,0009 dibandingkan 1-5-1 dan 1-15-1.
Hasil simulasi Matlab menunjukkan bahwa arsitektur tersebut sangat efektif dengan selisih error 0,0027.
Kemudian, parameter JST seperti bobot dan bias diterapkan pada sistem dan berhasil meningkatkan akurasi dengan rata-rata selisih error 0,0075.
Meskipun terdapat selisih antara nilai error pada simulasi Matlab dan implementasi pada Arduino, nilai error masih dapat diminimalisir.
Dengan demikian, penggunaan sistem optimasi sensor PZEM-004T dengan arsitektur 1-10-1 dan parameter JST pada Arduino dapat menjadi solusi yang efektif dalam meningkatkan akurasi pengukuran arus listrik.
Kata kunci : Sensor PZEM-004T.
Jaringan Syaraf Tiruan.
Optimasi Sensor Abstract Ae The PZEM-004T sensor is used for monitoring the electric current consumed by electronic devices.
However, the data generated by these sensors is still inaccurate and requires optimization.
In this study, the Artificial Neural Network (ANN) method was used to optimize the PZEM-004T sensor system using fluke 112 ammeter data with an accuracy of 1.
5% as a learning target.
The ANN architecture used is 1-10-1 because it has the smallest MSE value of 0.
0009 compared to 1-5-1 and 1-15-1.
Matlab simulation results show that the architecture is very effective with an error difference of 0.
Then.
ANN parameters such as weights and bias were applied to the system and succeeded in increasing accuracy with an average error difference of Even though there is a difference between the error values in the Matlab simulation and the Arduino implementation, the error values can still be minimized.
Thus, the use of the PZEM-004T sensor optimization system with 1-10-1 architecture and ANN parameters on Arduino can be an effective solution in increasing the accuracy of electric current measurements.
Keywords : PZEM-004T Sensor.
Artificial Neural Network.
Sensor Optimization PENDAHULUAN Energi listrik digunakan konsumen sesuai dengan Penggunaan energi listrik tidak dibatasi Perusahaan Listrik Negara (PLN) karena konsumen bertanggung jawab terhadap energi listrik yang digunakan sendiri.
Penggunaan energi listrik yang besar membuat pembangkit listrik harus Penghematan energi perlu dilakukan karena masih kurangnya pasokan listrik secara merata di Indonesia.
Arus merupakan salah satu parameter penting yang ada pada listrik.
Akan tetapi, jika nilai arus yang dihasilkan tidak sesuai dengan yang dibaca tentu saja hal itu dapat merugikan konsumen itu sendiri.
Tagihan yang akan dibayar oleh konsumen pun dapat tidak sesuai, sehingga dapat merugikan konsumen maupun PLN itu sendiri.
Sensor arus ini sangat penting dalam dunia industri, khususnya pada bidang otomasi dan kontrol TELEKONTRAN: Jurnal Ilmiah Telekomunikasi.
Kendali dan Elektronika Terapan Vol.
No.
Oktober 2024 proses.
Hasil pengukuran sensor arus ini sangat berpengaruh pada keamanan, keandalan, dan efisiensi suatu sistem.
Namun, dalam pengukuran sensor arus sering kali terjadi kesalahan atau ketidakakuratan hasil pengukuran.
Oleh karena itu, diperlukan suatu optimasi pada sensor arus agar output yang dihasilkan sesuai dengan yang Optimasi sensor arus merupakan suatu kegiatan yang penting dilakukan untuk memastikan bahwa pengukuran arus yang dilakukan sesuai dengan yang Hal ini dilakukan karena setiap sensor arus memiliki karakteristik yang berbeda-beda dan dapat mengalami pergeseran pada waktu tertentu.
Oleh karena itu, optimasi perlu dilakukan secara berkala agar hasil pengukuran arus yang diperoleh akurat dan dapat diandalkan.
Dalam penelitian ini, salah satu metode yang dapat digunakan untuk meningkatkan akurasi pengukuran sensor arus adalah dengan menerapkan Jaringan Syaraf Tiruan.
Jaringan Syaraf Tiruan merupakan suatu model matematika yang dapat meniru cara kerja otak manusia dalam memproses informasi.
Dengan menerapkan Jaringan Syaraf Tiruan pada sensor arus, diharapkan hasil pengukuran yang dihasilkan menjadi lebih akurat dan kesalahan pengukuran dapat diminimalisir.
Oleh karena itu, penelitian ini bertujuan untuk menemukan cara yang efektif untuk melakukan optimasi akurasi sensor arus dan menerapkan Jaringan Syaraf Tiruan pada sensor arus agar akurasi pengukuran dapat ditingkatkan.
Dengan melakukan penelitian mengenai cara efektif melakukan optimasi akurasi sensor arus dan menerapkan jaringan syaraf tiruan dalam pengukuran sensor arus, diharapkan hasil pengukuran arus yang diperoleh lebih akurat dan dapat diandalkan, serta dapat meningkatkan kualitas pengukuran arus dalam berbagai aplikasi.
Penelitian sebelumnya telah melakukan berbagai metode kalibrasi sensor, baik secara manual maupun Metode kalibrasi ini akan memakan waktu lama karena kalibrasi ini biasanya dilakukan dengan cara manual dan identifikasi data secara Selain itu, algoritma yang dibuat hanya dapat diterapkan pada berbagai jenis data sensor dan tidak sesuai untuk digunakan pada sistem pengukuran umum .
Pada penelitian Jumrianto pada tahun 2019 menerapkan kalibrasi sensor menggunakan Rumus Regresi Linear.
Penerapan Rumus Regresi Linear untuk menentukan nilai arus masukan pada sensor arus ZMCT103C mendapatkan akurasi pengukuran 92,26%.
Pada penelitian tugas akhir Iyan Anugrah, pengujian untuk kerja alat mendapatkan nilai rata-rata persentase kesalahan alat saat mengukur arus listrik sebesar 4,45%.
Nilai rata-rata persentase kesalahan saat mengukur tegangan listrik sebesar 0,25% dan rata-rata persentase kesalahan saat mengukur daya listrik sebesar 4,35% .
Penelitian ini memiliki peranan penting dalam meningkatkan akurasi pengukuran sensor arus PZEM-004T dan mengoptimalkan hasil pengukuran yang dihasilkan.
Penelitian sebelumnya telah melakukan berbagai metode kalibrasi sensor, namun belum banyak yang menggunakan metode khusus seperti Jaringan Syaraf Tiruan (JST) dengan algoritma Backpropagation.
Oleh karena itu, penelitian ini mengisi kesenjangan dalam penelitian sebelumnya dengan mengusulkan penggunaan JST untuk mengkalibrasi sensor arus PZEM-004T agar mendekati nilai yang dibaca oleh amperemeter dengan tingkat akurasi yang tinggi.
Melalui penelitian ini, diharapkan dapat meningkatkan efisiensi penggunaan energi listrik, meningkatkan kualitas pengukuran arus listrik, serta mengurangi kemungkinan kerugian yang mungkin terjadi baik bagi konsumen maupun PLN.
Penelitian ini memiliki kontribusi kebaruan yang signifikan dengan menerapkan JST dengan algoritma Backpropagation sebagai metode kalibrasi sensor arus PZEM-004T.
Metode ini diharapkan menjadi alternatif yang lebih efisien dan akurat dalam melakukan kalibrasi sensor arus, terutama PZEM-004T.
Dengan menggunakan JST, diharapkan dapat mencapai tingkat akurasi pengukuran yang lebih tinggi dan mengurangi kesalahan pengukuran.
Hal ini akan membantu meningkatkan efisiensi penggunaan energi listrik, meningkatkan kualitas pengukuran arus listrik, serta mengurangi kemungkinan kerugian yang mungkin terjadi baik bagi konsumen maupun PLN.
Dalam konteks penelitian sebelumnya, penelitian ini membawa kontribusi baru dengan menerapkan metode JST untuk kalibrasi sensor arus, yang sebelumnya belum banyak digunakan.
Dengan demikian, penelitian ini menawarkan pendekatan yang inovatif dan dapat menjadi landasan untuk pengembangan metode kalibrasi sensor arus yang lebih baik di masa depan.
II.
METODOLOGI
Pada bagian ini akan membahas tentang perancangan sistem beserta implementasi melalui Dalam tahapan perancangan ini terdapat perancangan perangkat keras dan perancangan perangkat lunak.
Perangkat keras sendiri terdiri dari mikrokontroler, sensor, ampermeter dan beban yang akan diukur untuk pengujian sistem di perangkat TELEKONTRAN: Jurnal Ilmiah Telekomunikasi.
Kendali dan Elektronika Terapan Vol.
No.
Oktober 2024 Sedangkan pada bagian perangkat lunak dalam perancangan sistem ini terdapat program pelatihan sensor dan ampermeter serta penerapannya dengan metode JST.
Pada awal pembahasan, akan difokuskan pada blok diagram dari sistem yang akan dibuat.
Terdapat 2 blok diagram yang dibagi menjadi pelatihan di Matlab dan penerapannya ke arduino.
Ini merupakan ilustrasi dasar mengenai sistem yang akan dibuat, terdiri dari tiga bagian, yaitu bagian input, proses, dan output.
Untuk blok diagram pelatihan di Matlab dapat dilihat pada Gambar 1.
Sedangkan blok diagram penerapan ke arduino dapat dilihat pada Gambar 2.
membantu dalam memahami bagaimana seluruh komponen bekerja secara keseluruhan untuk menciptakan sistem yang efisien.
Gambar 3.
Skematik Rangkaian Gambar 1.
Blok Diagram Sistem Pelatihan di Matlab Untuk memasang sensor PZEM-004T ke Arduino, diperlukan beberapa hal yang harus Pertama, ground dari sensor PZEM-004T dihubungkan ke ground dari Arduino.
Selanjutnya, pin VCC dari sensor PZEM-004T dihubungkan ke 5V dari Arduino.
Pin RX dari sensor PZEM-004T dihubungkan ke pin digital 2 dari Arduino, sedangkan pin TX dari sensor harus dihubungkan ke pin digital 3 dari Arduino.
Setelah rangkaian alat ukur telah selesai dibuat, beban dipasangkan ke alat ukur untuk pengambilan data arus yang ditampilkan pada arduino IDE.
Rangkaian alat ukur menggunakan sensor arus PZEM-004T dapat dilihat pada Gambar 4.
dan Gambar 5.
Gambar 2.
Blok Diagram Penerapan JST ke Mikrokontroler Pada blok diagram Gambar 1.
sensor arus akan berfungsi sebagai input dan data yang diperoleh dibaca oleh Arduino IDE.
Input ampermeter juga akan diamati dan dicatat, lalu diolah menggunakan Matlab.
Dalam proses ini, data sensor arus yang sudah didapatkan akan dilatih dengan data sensor arus yang baru saja didapatkan.
Setelah dilatih, data yang dibaca oleh arduino akan diolah kembali menggunakan Matlab dan JST.
Setelah pelatihan dilakukan maka hasil pelatihan tersebut diterapkan ke arduino dengan menggunakan parameter pelatihan bobot dan bias yang sudah Melalui proses ini dapat menentukan nilai arus listrik yang akurat dari keluaran JST seperti yang dapat dilihat pada Gambar 2.
Untuk mencapai tujuan dari sistem yang akan dibuat, seluruh komponen harus terintegrasi dengan baik dan saling bekerja sama.
Dalam hal ini.
Gambar 3.
menunjukkan bagaimana seluruh komponen yang telah disebutkan pada blok diagram dapat digabungkan dan dikabelkan dengan baik pada skematik rangkaian.
Skematik rangkaian ini akan Gambar 4.
Rangkaian Alat Ukur Sensor Arus Gambar 5.
Beban dari Rangkaian Alat Ukur TELEKONTRAN: Jurnal Ilmiah Telekomunikasi.
Kendali dan Elektronika Terapan Vol.
No.
Oktober 2024 Untuk beban yang akan diukur yaitu 3 lampu pijar, 2 kipas angin.
TV, kulkas dan setrika yang tersambung ke stop kontak yang sudah dibuat.
Karena kebutuhan data untuk melatih di JST cukup banyak dan beban yang akan diukur terbatas, maka pengambilan data dilakukan perulangan dan ditambahkan dengan beban yang sudah tersedia.
Dalam penelitian ini, perancangan perangkat lunak dipaparkan dalam bentuk flowchart.
Flowchart ini sangat membantu dalam memberikan gambaran bagaimana setiap proses dalam program Ia juga memastikan bahwa program yang dibuat telah sesuai dengan alur yang Flowchart mempermudah proses verifikasi dan validasi program agar sesuai dengan yang diharapkan.
Persis seperti blok diagram, flowchart pun terbagi menjadi dua yaitu untuk pelatihan di Matlab dan Penerapannya di arduino.
Flowchart pelatihan di Matlab dapat dilihat pada Gambar 6.
Sedangkan flowchart penerapan di arduino dapat dilihat pada Gambar 7.
Gambar 7.
Penerapan ke Arduino Setelah data-data untuk pelatihan sudah didapatkan, maka langkah awal untuk melakukan pelatihan yaitu membuat arsitektur backpropagation Data sensor digunakan sebagai input, sedangkan data amperemeter digunakan sebagai Data-data tersebut akan dinormalisasi agar penghitungan bobot dan error menjadi mudah.
Normalisasi data akan dikonversi pada nilai antara 1 dan 1 dengan rumus sebagai berikut .
ycycn = 2.
ycuycn Oeycuycoycnycu ycuycoycaycu ycuycoycnycu Oe 1 A.
Keterangan :
Zi = Hasil normalisasi Xi = Data ke-i Xmin = Data minimum Xmax = Data maksimum Gambar 6.
Flowchart Pelatihan Matlab Untuk meningkatkan akurasi JST dalam backpropagation digunakan.
Backpropagation adalah suatu algoritma yang memodifikasi bobotbobot yang terhubung dengan setiap neuron pada lapisan tersembunyi.
Dalam mengubah bobot ini, error output dari hasil analisis akan digunakan sebagai acuan.
Error output ini diperoleh melalui tahap perambatan maju .
orward propagatio.
, dimana fungsi aktivasi pada setiap neuron pada lapisan tersembunyi akan diaktifkan.
Proses ini dilakukan dengan tujuan untuk mengarahkan bobotbobot tersebut dalam arah mundur .
seiring dengan perubahan error output.
TELEKONTRAN: Jurnal Ilmiah Telekomunikasi.
Kendali dan Elektronika Terapan Vol.
No.
Oktober 2024 Gambar 8.
Model Jaringan Syaraf Tiruan Pada tahap ini jaringan akan dilatih menggunakan metode pelatihan algoritma backpropagation.
Algoritma ini terdiri dari 3 layer/lapisan utama :
layer input, berfungsi untuk masuknya data.
tersembunyi berfungsi sebagai tempat memproses dan layer output yang merupakan hasil akhir dari pengolahan data.
Pada Gambar 8.
sistem suatu model perhitungan pada JST.
Dimana saat input masuk dilakukan normalisasi terlebih dahulu, kemudian dikalikan dan dijumlahkan dengan bobot dan bias input.
Data yang sudah dijumlahkan bobot dan bias kemudian diaktivasi menggunakan fungsi tansig sigmoid tangen lalu dikalikan dan dijumlahkan kembali dengan bobot dan bias output sehingga dapat diaktivasi kembali menggunakan fungsi purelin linear.
backpropagation, yang memperbaharui bobot-bobot pada lapisan tersembunyi dan memanfaatkan error output sebagai dasar perubahan bobot.
Kualitas arsitektur jaringan akan diuji melalui hasil pengujian.
Dalam hal ini, parameter-parameter yang mempengaruhi kinerja jaringan akan diamati dan dinilai.
Apabila hasil pengujian menunjukkan bahwa jaringan belum mampu mencapai akurasi yang diinginkan, maka dapat dilakukan perbaikan pada arsitektur jaringan, seperti menambah jumlah lapisan atau mengubah jumlah neuron pada lapisan Dengan melalui proses pengujian dan analisis ini, diharapkan dapat tercapai solusi untuk memperbaiki akurasi data sensor PZEM-004T sehingga dapat digunakan dengan lebih optimal dan efektif dalam berbagai aplikasi.
Pengujian Arsitektur Jaringan Syaraf Tiruan HASIL DAN PEMBAHASAN Pada bab ini, hasil pengujian dan analisis data sensor PZEM-004T akan dipaparkan secara detail.
Tujuan dari pengujian ini adalah untuk menilai kemampuan sensor dalam mencapai target yaitu data Dengan melakukan pelatihan pada JST, diharapkan dapat tercapai akurasi yang memadai pada sensor tersebut.
Proses pelatihan Pelatihan data merupakan validasi model Pelatihan data diperlukan beberapa kali trial and error untuk mendapatkan jaringan terbaik dengan menentukan jumlah neuron.
Pada Gambar digunakan arsitektur 1-5-1 dimana 1 diawal merupakan input, 5 ditengah jumlah neuron pada TELEKONTRAN: Jurnal Ilmiah Telekomunikasi.
Kendali dan Elektronika Terapan Vol.
No.
Oktober 2024 hidden layer, dan 1 diakhir adalah output.
Arsitektur 1-5-1 memiliki nilai MSE sebesar 0,003902.
dengan menggunakan JST, keluaran menjadi 0.
sehingga selisih error berkurang menjadi 0.
Namun masih ada beberapa data yang tidak memperkecil nilai error.
Dari nilai error yang diperoleh, rata-rata nilai sebelum dilatih 0.
Setelah melakukan pelatihan rata-rata nilai error menjadi 0.
Oleh karena itu, dapat disimpulkan bahwa pelatihan dengan menggunakan JST dapat membantu memperkecil perbedaan antara target dan hasil.
Namun, masih ada beberapa data yang error nya masih cukup tinggi, sehingga masih dibutuhkan pengujian lebih lanjut untuk mencapai error yang lebih rendah.
Gambar 9.
Grafik Keluaran JST.
Target dan MSE neuron 5 Pada Gambar 10.
arsitektur yang digunakan 115-1 memiliki nilai MSE yang lebih tinggi dari arsitektur 1-5-1 dengan nilai MSE 0,02257.
Sedangkan pada Gambar 11.
merupakan arsitektur 1-10-1 yang dimana nilai MSE nya lebih kecil dibandingkan dengan arsitektur yang dibuat sebelumnya dengan nilai MSE sebesar 0,0009529.
Dengan perubahan arsitektur yang dibuat dapat diihat arsitektur dengan jumlah neuron 10 memiliki MSE terkecil.
Pada Tabel I.
dapat dilihat Gambar 10.
Grafik Keluaran JST.
Target dan MSE neuron 15 Pengujian Hasil Pelatihan Jaringan Syaraf Tiruan Dalam bab ini, dilakukan pengujian dan analisis data sensor PZEM-004T melalui pelatihan yang bertujuan untuk memperoleh hasil output yang mendekati target, yaitu data amperemeter.
Data input diambil dari hasil pengambilan data arus dan amperemeter dan diproses menggunakan JST.
Parameter yang digunakan seperti jumlah hidden layer = 1, jumlah output layer = 1, jumlah neuron = 10, serta fungsi aktivasi pada hidden layer menggunakan tansig dan pada output layer menggunakan purelin.
Setelah proses pelatihan selesai, diperoleh nilai keluaran dari JST beserta nilai selisih error yang tercantum dalam Tabel II.
Dalam pengujian, perbandingan dibuat antara keluaran dari JST dan target.
Hasil analisis menunjukkan bahwa tingkat akurasi meningkat pada beberapa data.
Sebagai contoh, pada data ke-2, sensor memiliki nilai 0.
89 A dan target bernilai 0.
dengan selisih error sebesar 0.
Setelah pelatihan Gambar 11.
Grafik Keluaran JST.
Target dan MSE neuron 10 Tabel I.
Perbandingan Arsitektur Jaringan Syaraf Tiruan No.
Input
Neuron
Output
MSE
TELEKONTRAN: Jurnal Ilmiah Telekomunikasi.
Kendali dan Elektronika Terapan Vol.
No.
Oktober 2024 Tabel II.
Keluaran Jaringan Syaraf Tiruan pada Matlab Komponen yang Diukur Kipas Angin Lvl 3 2 Lampu Kipas Angin Lvl 1 3 Lampu 2 Kipas Angin Lvl 1 & 1 2 Kipas Angin Lvl 1 & 2 2 Kipas Angin Lvl 2 & 3 Kulkas (ON) 1 Lampu Kulkas (ON) 2 Lampu Setrika 1 Lampu Setrika 2 Lampu Setrika 3 Lampu Sensor Arus (A) Amperemeter (A) Rata - Rata Error Pengambilan Parameter Bobot Bias JST Dalam proses pelatihan JST, parameter bobot dan bias sangat penting untuk diperhatikan dan diambil.
Parameter ini akan mempengaruhi hasil dari pelatihan dan tingkat akurasi yang didapatkan.
Bobot dan bias ini akan diubah dan ditentukan oleh algoritma pelatihan JST seperti backpropagation .
Dalam proses ini, akan diterapkan teknik optimasi untuk menentukan nilai bobot dan bias yang optimal.
Ini dilakukan dengan membandingkan antara hasil yang diperoleh dari jaringan dengan target yang Setelah beberapa iterasi pelatihan, bobot dan bias akan diperbaiki dan dioptimalkan agar menghasilkan nilai error yang lebih kecil dan tingkat akurasi yang lebih tinggi.
Oleh karena itu, pengambilan parameter bobot dan bias sangat penting dalam proses pelatihan JST dan harus dilakukan dengan cermat.
Setelah dilakukan pelatihan pada jaringan syaraf tiruan, parameter bobot dan bias yang diperoleh dapat ditanamkan pada platform mikrokontroler seperti Arduino.
Tujuan dari penanaman parameter ini adalah untuk memudahkan pembacaan data sensor dan memberikan hasil yang lebih akurat seperti data amperemeter.
Proses ini bisa dilakukan dengan cara menuliskan kode program yang berisi parameter yang diperoleh pada pelatihan dan memasukkan kode tersebut ke dalam Arduino.
Dengan demikian, alat yang menggunakan sensor akan lebih akurat dalam membaca data dan memberikan hasil yang lebih baik dan sesuai dengan data target Setelah melakukan pelatihan menggunakan arsitektur 1-10-1.
Representasi visual dari hasil pembelajaran ini dapat ditemukan pada Tabel i.
dan Tabel IV.
JST Matlab(A) Error
Sensor
Arus
Error
JST
Matlab Tabel i.
Parameter Pelatihan JST Bobot Input (Wi.
Bias Input (Bi.
Bobot Output (Wou.
Perbandingan Keluaran JST di Matlab dengan Perhitungan Bobot dan Bias Untuk membuktikan bahwa bobot dan bias dapat diterapkan ke Arduino, perlu dilakukan perhitungan sehingga nilai output pada simulasi MATLAB sesuai dengan perhitungan dari bobot dan bias tersebut.
Adapun persamaan perhitungan yang digunakan adalah sebagai berikut.
ycnycoycy3 = .
cycoycaycuycnOeycycoycnycuyc.
cyceycuycycuycOeycuycoycnycuyc.
cuycoycaycuycnOeycuycoycnycuyc.
ycycoycnycuycn A.
Persamaan .
merupakan persamaan untuk normalisasi data agar rentang -1 s.
Karena ymaxi, ymaxo, ymini dan ymino memiliki rentang -1 s.
= .
cOycnycu.
yaAycnycu.
Persamaan .
merupakan persamaan perkalian antara bobot input dan data normalisasi lalu ditambahkan dengan bias input.
Bobot input adalah matriks 1x10 sehingga nilai n menjadi 1x10.
= .
yceycuycy(Oe2.
) Oe 1 A.
TELEKONTRAN: Jurnal Ilmiah Telekomunikasi.
Kendali dan Elektronika Terapan Vol.
No.
Oktober 2024 Persamaan .
merupakan persamaan untuk melakukan aktivasi dengan fungsi sigmoid tangen.
Nilai maksimal output dari fungsi ini adalah 1 dan nilai masih matriks 10x1.
ycuycycycoycaycyceycyc21 = .
cO2.
) .
aAycuycy.
Persamaan .
merupakan persamaan perkalian antara bobot output dan nilai yang sudah diaktivasi.
Bobot output merupakan matriks 1x10 sehingga saat dikalikan dengan nilai aktivasi matriks 10x1, maka menjadi matriks 1x1 kembali.
Dimana hasil outlayers21 merupakan output normalisasi.
yc3 = .
cuycoycaycuycuOeycuycoycnycuyc.
cuycycycoycaycyceycyc21Oeycycoycnycuyc.
cycoycaycuycuOeycycoycnycuyc.
Output telah didapatkan, namun masih dalam bentuk data normalisasi.
Sehingga diperlukan denormalisasi agar menjadi data asli.
Persamaan yang digunakan untuk denormalisasi yaitu persamaan .
Semua persamaan yang dilakukan menggunakan bahasa Arduini IDE.
Dengan menerapkan persamaan-persamaan yang telah dibuat dari bobot dan bias ke Arduino IDE, maka sistem optimasi sensor PZEM-004T sudah dapat digunakan dalam pengujian secara real-time.
Pada Gambar 12 dan Gambar 13.
merupakan hasil pengujian penerapan JST ke arduino.
Persamaan .
merupakan persamaan untuk denormalisasi untuk output yang telah didapat agar menjadi nilai asli.
Persamaan persamaan diatas kemudian dilakukan perbandingan dengan hasil simulasi yang telah dilakukan.
Berikut merupakan perbandingannya pada Tabel V.
Gambar 12.
Hasil pengukuran arus dengan JST Analisis Hasil Pengujian Keluaran JST di Arduino dengan Penerapan JST Setelah terbukti nilai bobot dan bias sesuai dengan persamaan diatas, nilai bobot dan bias dapat diinisialisasi pada Arduino IDE dengan fungsi AofloatAo.
Setelah diinisialisasi maka data input yang masuk dari sensor PZEM-004T dinormalisasi menggunakan persamaan .
Data input yang sudah dinormalisasi dikalikan dengan bobot input matriks 1x10 lalu dijumlahkan dengan bias input matriks 1x10 seperti pada persamaan .
Lalu nilai n dengan matriks 1x10 diaktivasi dengan fungsi sigmoid tangen seperti pada persamaan .
Setelah diaktivasi outlayers12 dengan matriks 1x10 dikalikan dengan bobot output matriks 10x1, sehingga menjadi matriks 1x1 dan dapat dijumlahkan dengan bias Persamaan yang digunakan yaitu persamaan Gambar 13.
Hasil pengukuran arus dengan JST Dalam bab ini, dilakukan pengujian dan analisis data sensor PZEM-004T melalui penerapan JST yang bertujuan untuk memperoleh hasil output yang mendekati target, yaitu data amperemeter.
Data input diambil dari Tabel II.
dan diproses menggunakan JST.
Hasil dari penerapan JST ke arduino menggunakan parameter bobot dan bias memperoleh keluaran nilai arus beserta error yang ditunjukan pada Tabel VI.
Tabel IV.
Parameter Pelatihan JST Bias Ouput (Bou.
Xmaxi .
ax Xmini .
in Ymaxi .
ax Ymini .
in Xmaxo .
ax Xmino .
in Ymaxo .
ax Ymino .
in data norm TELEKONTRAN: Jurnal Ilmiah Telekomunikasi.
Kendali dan Elektronika Terapan Vol.
No.
Oktober 2024 Tabel V.
Perbandingan Simulasi Matlab & Perhitungan Bobot dan Bias Data Kipas Angin Lvl Lampu Input Target :
Setrika 1 Lampu Input Target :
Simulasi Matlab imp3=.
maxi-ymin.
maxi-xmin.
n=W11*imp3 b1.
OutLayers12=2.
exp(-2*.
)-1.
OutLayers21=W21*OutLayers12 b2.
maxo-xmin.
*(OutLayers21ymin.
maxo-ymin.
y3=0.
maxi-ymin.
maxi-xmin.
n=W11*imp3 b1.
OutLayers12=2.
exp(-2*.
)-1.
OutLayers21=W21*OutLayers12 b2.
maxo-xmin.
*(OutLayers21ymin.
maxo-ymin.
y3=1.
Perhitungan Bobot & Bias .
Oe (Oe.
89 Oe 0.
= Oe0.
42 Oe 0.
(Oe.
= .
cOycnycu.
Oe0.
= Oe17.
= Oe14.
= 11.
= 8.
= 5.
= Oe1.
= Oe1.
= 4.
= Oe6.
= Oe8.
= Oe1 .
yceycuycy(Oe2.
) ycuycycycoycaycyceycyc12.
= Oe1 ycuycycycoycaycyceycyc12.
= Oe1 ycuycycycoycaycyceycyc12.
= 1 ycuycycycoycaycyceycyc12.
= 1 ycuycycycoycaycyceycyc12.
= 1 ycuycycycoycaycyceycyc12.
= Oe0.
= Oe0.
= 0.
= Oe1 ycuycycycoycaycyceycyc12.
= Oe1 ycuycycycoycaycyceycyc21 = .
cOycuycyc.
) (Oe0.
ycuycycycoycaycyceycyc21 = Oe0.
45 Oe 0.
(Oe0.
3063 Oe (Oe.
) yc3 = .
Oe (Oe.
) 0.
yc3 = 0.
Oe (Oe.
92 Oe 0.
ycnycoycy3 = = Oe0.
42 Oe 0.
(Oe.
= .
cOycnycu.
Oe0.
= Oe6.
= Oe2.
= Oe0.
= Oe3.
= Oe6.
= 10.
= Oe12.
= 15.
= Oe18.
= Oe21.
= Oe1 .
yceycuycy(Oe2.
) ycuycycycoycaycyceycyc12.
= Oe1 ycuycycycoycaycyceycyc12.
= Oe0.
= Oe0.
= Oe1 ycuycycycoycaycyceycyc12.
= Oe1 ycuycycycoycaycyceycyc12.
= 1 ycuycycycoycaycyceycyc12.
= Oe1 ycuycycycoycaycyceycyc12.
= 1 ycuycycycoycaycyceycyc12.
= Oe1 ycuycycycoycaycyceycyc12.
= Oe1 ycuycycycoycaycyceycyc21 = .
cOycuycyc.
) (Oe0.
ycuycycycoycaycyceycyc21 = 0.
45 Oe 0.
5847 Oe (Oe.
) yc3 = .
Oe (Oe.
) 0.
yc3 = 1.
ycnycoycy3 = TELEKONTRAN: Jurnal Ilmiah Telekomunikasi.
Kendali dan Elektronika Terapan Vol.
No.
Oktober 2024 Tabel VI.
Keluaran Nilai Arus dengan Penerapan JST ke Arduino Komponen yang Diukur Kipas Angin Lvl 3 2 Lampu Kipas Angin Lvl 1 3 Lampu 2 Kipas Angin Lvl 1 & 1 2 Kipas Angin Lvl 1 & 2 2 Kipas Angin Lvl 2 & 3 Kulkas (ON) 1 Lampu Kulkas (ON) 2 Lampu Setrika 1 Lampu Setrika 2 Lampu Setrika 3 Lampu Sensor Arus (A) Amperemeter (A) Rata - Rata Error Dalam pengujian ini akurasi meningkat secara signifikan, dibuktikan dengan banyaknya data memiliki error 0.
Seperti pada beberapa hasil pengujian pada kipas angin error awal memiliki nilai 02 menjadi 0.
Hal ini disebabkan karena sensor PZEM-004T tidak bisa membaca lebih dari 3 angka dibelakang koma, sehingga nilai keluarannya dibulatkan dan mendekati nilai target yaitu Namun saat dilakukan pengujian dengan nilai arus yang lebih tinggi tingkat akurasi menjadi rendah seperti pada kulkas.
TV, dan setrika.
Pada beberapa data pun ada yang tidak meningkatnya akurasi, seperti pada setrika dimana Dengan rata-rata selisih error sebelum diterapkan JST 0.
0276 menjadi 0.
0075 dapat disimpulkan jika metode JST sangat berpengaruh untuk meningkatkan akurasi dengan optimal.
Optimasi sensor dengan menggunakan JST dapat digunakan pada beberapa sistem agar output yang diinginkan sesuai dengan Penelitian ini memberikan kontribusi kebaruan JST mengoptimasi akurasi sensor arus PZEM-004T.
Hasil penelitian menunjukkan bahwa sistem optimasi sensor menggunakan arsitektur 1-10-1 sangat efektif, baik dalam simulasi Matlab maupun penerapannya pada platform Arduino.
Rata-rata selisih error yang diperoleh sangat rendah, yaitu 0027 untuk simulasi Matlab dan 0.
0075 untuk Arduino.
Dalam sebelumnya yang menggunakan metode kalibrasi sensor, terdapat beberapa perbedaan.
Penelitian sebelumnya menggunakan metode kalibrasi berbasis Rumus Regresi Linear dengan hasil akurasi pengukuran sebesar 92,26%.
Sedangkan penelitian ini mengaplikasikan metode JST yang mampu meningkatkan akurasi pengukuran hingga JST Arduino(A) Error
Sensor
Arus
Error
JST
Arduino
0,008
0,003
0,009
0,008
0,001
0,014
0,038
0,13
0,031
tingkat yang sangat tinggi, yaitu rata-rata selisih error sebesar 0.
Dari segi pentingnya penelitian ini, hasil penelitian menunjukkan bahwa optimasi akurasi sensor arus PZEM-004T melalui penerapan metode JST memiliki kontribusi yang signifikan.
Penggunaan sensor arus yang akurat sangat penting dalam berbagai aplikasi industri, terutama dalam bidang otomasi dan kontrol proses.
Dengan menggunakan metode JST, hasil pengukuran sensor arus dapat menjadi lebih akurat, memastikan keamanan, keandalan, dan efisiensi suatu sistem.
Meskipun terdapat perbedaan nilai error antara hasil simulasi Matlab dan penerapan pada Arduino, nilai error yang terjadi masih cukup kecil dan dapat diminimalisir dengan baik.
Hal ini menunjukkan bahwa metode JST memiliki potensi untuk digunakan dalam berbagai aplikasi atau sistem Dalam keseluruhan diskusi perbandingan hasil penelitian ini, penelitian ini berhasil membawa kontribusi kebaruan dengan menerapkan metode JST dalam optimasi akurasi sensor arus PZEM-004T.
Hasil penelitian ini menunjukkan performa yang sangat baik dalam meningkatkan akurasi pengukuran sensor arus, menghasilkan rata-rata selisih error yang rendah, dan memiliki potensi untuk digunakan dalam berbagai aplikasi industri.
IV.
KESIMPULAN
Berdasarkan hasil penelitian, dapat disimpulkan bahwa sistem optimasi sensor PZEM-004T dengan menggunakan data amperemeter sebagai target pembelajaran dan arsitektur 1-10-1 sangat efektif Output yang dihasilkan dari simulasi Matlab sesuai dengan yang diinginkan dan arsitektur tersebut dapat diterapkan pada Arduino dengan ratarata selisih error sebesar 0.
Penerapan parameter JST seperti bobot dan bias juga berhasil meningkatkan akurasi Arduino dengan rata-rata TELEKONTRAN: Jurnal Ilmiah Telekomunikasi.
Kendali dan Elektronika Terapan Vol.
No.
Oktober 2024 selisih error 0.
0075, meskipun terdapat sedikit selisih dengan simulasi Matlab.
Meskipun demikian, nilai error yang dihasilkan masih cukup kecil sehingga dapat digunakan pada beberapa aplikasi atau sistem dengan melakukan upaya minimalisasi error yang cukup baik.
Dalam pengembangan selanjutnya, disarankan untuk membatasi pengambilan data pada kalibrasi sensor menggunakan JST dengan menggunakan potensiometer khusus agar data yang diambil sesuai dengan yang diinginkan dan mampu mengurangi nilai error pada beberapa data atau bahkan meningkatkan error.
DAFTAR PUSTAKA