di mana:
n = jumlah neuron pada output layer.
w
nj
= bobot koneksi dari neuron j ke
neuron n.
n = keluaran dari neuron ouput.
g. Update matrik bobot w
ij
dengan rumus:
( ) ( ) n w o n w
ji j j ji
= . . . 1 di
mana:
= laju pembelajaran (learning rate).
= parameter momentum.
oj = output neuron I yang masuk ke
neuron j
j = keluaran dari neuron hidden.
h. Naikan harga N, kembali kelangkah c.
hingga langkah e. terpenuhi.
Program dilakukan sampai error melampaui
ambang toleransi atau jumlah program telah
mencapai harga yang telah ditentukan.
Setelah program selesai dilakukan dengan
ambang toleransi terpenuhi, matriks bobot
W
ji
dipakai untuk mendeteksi gangguan
yang terjadi di saluran transmisi.
3. Pengujian Hasil Program Terpadu
Dilakukan dengan menggunakan data yang
dipakai pada saat program terpadu, jika
menghasilkan keluaran yang benar, maka proses
berhasil.
4. Memproses Data Input
Program neural network akan berlangsung lebih
efisien dan efektif bila data-data input berada
pada suatu range tertentu. Untuk itu data input
aktual yang berupa sinyal yang berada dalam
time domain diubah ke frekuensi domain dan
dijadikan fungsi diskrit. Hasilnya dinormalisasi
agar berada dalam satu range yang dipilih.
Range yang dipilih adalah range 0 sampai 1,
karena yang paling banyak dipakai, yang
diperoleh dengan melakukan langkah berikut :
a. Data awal dinormalisasi dengan rumus:
X X
Y
i
i
=
di mana:
Xi = data ke-i.
X = rata-rata data.
= standar deviasi data.
b. Hasil dari normalisasi dimampatkan dengan
fungsi sigmaid dengan rumus :
Dan W. Patterson, 1995. Artificial Neural
Networks, Theory and Applications, Prentice
Hall
( )
1
1
1
1
Y
e
Y f
+
=
R.T. Lythall C, 1992. The J & P Swictgear Book,
Butterworths, London
4. Memperoses Data Output
Hasil dari output layer masih berupa data dalam
range 0 sampai 1. Output dari Backpropagation
Neural Network adalah deteksi gangguan, maka
nilai berada dalam interval 0 0,499 berarti
gangguan berada dalam zona proteksinya. Jika nilai
berada dalam interval 0,5 1,0 berarti gangguan
terjadi diluar zona proteksinya.
Wiliam D. Stevenson , 1996. Analisis Sistem
Tenaga Listrik, Erlangga, Jakarta
5. Diagram Sistem Tenaga Listrik
Untuk merealisasikan Backpropagation Neural
Network pada relay jarak untuk mendeteksi
gangguan yang terjadi digunakan simulasi
gangguan saluran transmisi seperti yang terlihat
pada gambar di bawah.
Gambar 2 : Saluran transmisi yang digunakan
untuk studi bakpropagation neural network
Dari saluran transmisi tersebut disimulasikan
terjadinya gangguan di sepanjang saluran. Jenis
gangguan yang disimulasikan adalah:
1. Gangguan satu phasa ke tanah
2. Gangguan antar phasa
3. Gangguan dua phasa ke tanah
4. Gangguan tiga phasa.
Dari hasil simulasi gangguan dibuat data untuk
memprogram backpropagation neural network.
Sedangkan data targetnya adalah 0 (bila gangguan
berada dalam daerah proteksi) dan 1 (bila gangguan
berada diluar daerah proteksinya).
6. Kesimpulan
Penggunaan backpropagation neural network
pada relay jarak untuk mendeteksi gangguan,
ternyata dapat mengenali daerah proteksinya. Relay
jarak dengan bacpropagation neural network dalam
operasinya lebih presisi karena prosesnya
elektronik (digital).
Kondisi lain adalah apabila kondisi saluran
transmisi yang diamankan mengalami perubahan,
maka backpropagation neural network pada relay
jarak perlu diprogram lagi.
Daftar Pustaka
A.G. Phadke and J.S. Yhop, 1988. Computer
Relaying for Power System, John Wiley and
Sons
Penggunaan Backpropagation Neural Network(Ibnu Hajar)
360