PEMODELAN KURVA KARAKTERISTIK INVERSE

OVER CURRENT RELAY OLEH USER MENGGUNAKAN ADAPTIVE NEURO

FUZZY INFERENCE SYSTEM
Moch Harun Arrosyid.1, Ir. Anang Tjahjono , MT2, Ainur Rofiq Nansur, ST, MT2
Mahasiswa Politeknik Elektronika Negeri Surabaya-ITS1
Dosen Politeknik Elektronika Negeri Surabaya-ITS2
Email:harun_semangat@yahoo.com

Abstrak
Over Current Relay (OCR) bekerja dengan membaca masukan berupa besaran arus
kemudian membandingankan dengan nilai setting, apabila nilai arus yang terbaca oleh rele
melebihi nilai setting, maka rele akan mengirim perintah trip (lepas) kepada Pemutus Tenaga
(PMT) atau Circuit Breaker (CB) setelah tunda waktu yang diterapkan pada setting.
OCR dengan karakteristik inverse sangat bermanfaat untuk mengamankan overload /
beban lebih, karena bekerja dengan waktu tunda yang tergantung dari besarnya arus secara
terbalik (inverse time), makin besar arus makin kecil waktu tundanya. Kurva karakteristik
inverse pada OCR sesuai dengan standar IEC ada 4 jenis, yaitu : standard inverse (SI), very
inverse (VI), extreme inverse (EI), long time inverse (LTI), yang dapat dipilih (menggunakan
persamaan standar IEC), namun sering sekali pengguna memerlukan kurva karakteristik yang
tidak standard yang memang dibutuhkan, pada proyek akhir ini telah berhasil dibuat OCR
dengan menerapkan kemampuan belajar Adaptive Neuro Fuzzy Interference System (ANFIS)
untuk membuat kurva karakteristik sesuai keinginan pengguna.
Personal Computer (PC) digunakan sebagai sarana untuk menggambar kurva
karakteristik yang dikehendaki, kemudian dilakukan inisialisasi serta learning hingga sesuai
dengan kurva yang diinginkan, dan parameter hasil learning yang telah dilakukan di PC
dikirim ke Microcontroller sebagai parameter running yang dirancang sebagai OCR.
Perangkat OCR yang berhasil dibuat mempunyai dua pilihan penggunaan kurva
karakteristik yakni dengan menggunakan kurva karakteristik standard (4 jenis kurva) atau
didisain sendiri oleh user (pemodelannya menggunakan ANFIS dengan jumlah Membership
Function=5, dan epoch ke-10 menghasilkan error = 1.60E-21) sesuai dengan beban yang
ingin diamankan dari gangguan beban lebih.
Kata Kunci : Over Current Relay, karakteristik inverse, ANFIS, Circuit Breaker

BAB I
PENDAHULUAN
1.1

Latar Belakang

TEORI PENUNJANG
OVER CURRENT RELAY (OCR)
Over Current Relay (OCR) atau relay
pengaman arus lebih adalah suatu alat yang
mendeteksi besaran arus yang melalui suatu
jaringan dengan bantuan trafo arus, apabila
nilai arus yang terbaca oleh relay melebihi
nilai setting, maka relay akan mengirim
perintah trip (lepas) kepada Pemutus Tenaga
(PMT) atau Circuit Breaker (CB) setelah
tunda waktu yang diterapkan pada setting.
Harga atau besaran yang boleh melewatinya
disebut dengan setting.

ANFIS
Adaptive Neuro Fuzzy Inference System
(ANFIS) merupakan kombinasi Artificial
Neural Network dan Fuzzy Inference
System, yang menggunakan model inferensi
Sugeno.
Untuk
memudahkan
dalam
menjelaskan arsitektur ANFIS, di sini
diasumsikan fuzzy inference system hanya
mempunyai dua input, x dan y. Serta satu
output yang dilambangkan z. Pada model
sugeno orde satu, himpunan
aturan
menggunakan kombinasi linier dari input
input yang ada dapat diekspresikan sebagai:

KARAKTERISTIK OCR
Karakteristik waktu pengaman over
current :
Instant(sesaat/ Instantaneous)
Relay bekerja sangat cepat (langsung
trip), yang bekerja seketika (tanpa waktu
tunda) ketika arus yang mengalir melebihi
nilai settingnya, relay akan bekerja dalam
waktu beberapa mili detik (10 20 ms).
Dapat kita lihat pada gambar dibawah ini.
Difinite Time Lag (waktu tertentu)
Terdapat penundaan waktu tertentu
(tidak tergantung besarnya arus yang
mengerjakan relay) antara saat terjadinya
gangguan dan saat bekerjanya kontak-kontak
relay.Relay akan memberikan perintah pada
PMT pada saat terjadi gangguan yang
melampaui settingnya (Is), waktu tertentu,
Inverse Time Lag (waktu terbalik)
Lama waktu antara terjadinya
gangguan dan saat bekerjanya kontakontak, berbanding terbalik dengan
besarnya arus gangguan.

IF x is A1 AND y is B1 THEN f1 = p1x+q1y+r 1

IF x is A2 AND y is B2 THEN f2 = p2x+q2y+r 1

Mekanime penalaran pada model ini

adalah :
w1f1 + w2f2
=
= w1 + w2
w1 + w2
Selanjutnya arsitektur ANFIS untuk kasus
dua input, x dan y, serta satu output yang
dilambangkan z diilustrasikan oleh gambar
dibawah ini :

Gambar 1. Arsitektur ANFIS

Arsitektur ANFIS terdiri dari lima layer
(lapisan) yang masing masing
layer
memiliki fungsi fungsi
yang dapat
dijelaskan sebagai berikut :

MACAM KARAKTERISTIK INVERSE

Over Current Relay (OCR) dengan
karakteristik inverse sangat bermanfaat
untuk mengamankan overload / beban lebih.
Berdasarkan standar IEC ada 4 karakteristik
inverse terdapat tiga jenis, yaitu :
1. Karakteristik standard inverse (SI)
2. karakteristik very inverse (VI)
3. karakeristik extreme inverse (EI)
4. karakteristik long time inverse (LTI)

Layer 1 : Berfungsi sebagai proses

fuzzyfication. Output dari node i pada layer
1 dinotasikan sebagai Oli. Setiap node pada
layer i bersifat adaptif dengan output :
Ol,1=Ai, i=1,2
Ol,1=Bi, i=3,4
Dimana x dan y adalah nilai nilai input
untuk node tersebut dan Ai atau Bi adalah
himpunan fuzzy. Jadi, masing masing node
pada layer 1 berfungsi membangkitkan
derajat keanggotaan (bagian premis).
2

Layer 2 : Dinotasikan . Setiap node pada

layer ini berfungsi untuk menghitung
kekuatan aktivasi (firing strength) pada
setiap rule sebagai product dari semua input
yang masuk.
w1= A1(x) AND B1 (y)
w2= A2(x) AND B2 (y)

menggunakan hybrid supervised method

yang berbasis pada dua metode, yaitu least
squares dan gradient descent.
Pada arah maju (forward), parameter
premis dibuat tetap. Dengan menggunakan
metode Least Square Estimator (LSE),
parameter konsekuen diperbaiki berdasarkan
pasangan data pada training set. Metode LSE
dapat diterapkan
karena parameter
konsekuen yang diperbaiki bersifat linier.
Setelah parameter konsekuen diperoleh, data
masukan dilewatkan jaringan adaptif
kembali dan hasil keluaran jaringan adaptif
ini dibandingkan dengan keluaran yang
diharapkan (target).
Pada arah mundur (backward),
parameter
konsekuen
dibuat
tetap.
Kesalahan (error) antara keluaran jaringan
adaptif dan target dipropagasikan balik
menggunakan gradient descent untuk
memperbarui parameter premis. Satu tahap
pembelajaran maju mundur ini dinamakan
satu epoch.

Layer 3 : Dilambangkan dengan N. Setiap

node pada lapisan ini bersifat non- adaptif
yang berfungsi hanya untuk menghitung
rasio antara firing strength pada rule ke-i
terhadap total firing strength dari semua rule
:
wi
O3, i = wi =
,
i = 1,2.
1+ 2
Layer 4 : Setiap node pada lapisan ini
bersifat adaptif sebagai fungsi :
O4,i= wi.fi=wi(pi.x+qi.y+ri)
Dimana wi adalah output dari layer 3 dan
(pix+qiy+ri) adalah himpunan parameter
pada fuzzy model sugeno orde satu.
Layer 5 : Satu node tunggal
yang
dilambangkan pada layer ini berfungsi
mengagregasikan seluruh output dari layer 4
(yang didefinisikan sebagai penjumlahan
dari semua sinyal yang masuk) :
O5, i =

wi. i =

Timer Pada Mikrokontroller

Timer merupakan fitur di setiap
mikrokontroler
yang
sangat
banyak
peranannya dalam perancangan sebuah
sistem. Dengan sebuah timer kita bisa
menunda suatu eksekusi dari suatu perintah,
sehingga sistem mikrokontroler yang
berjalan cepat (mungkin dalam orde nano
atau mikro detik), dapat sinkron dengan
operator (manusia). Dengan timer pula kita
dapat menghitung lebar pulsa/frekuensi dari
suatu sinyal, menghitung kecepatan jatuh
suatu benda,atau kecepatan suatu kendaraan,
dan ada lebih banyak lagi fungsi timer dalam
sebuah mikrokontroler.
Karena fungsinya yang relatif lebih
banyak dalam suatu sistem, maka banyak
vendor
memasang
timer
dalam
mikrokontroler tidak hanya satu, dengan
panjang data yang tidak hanya 8 bit, tapi
juga 16 bit. Dalam mikrokontroler AVR ada
yang berkapasitas 8 bit, dan ada yang
berkapasitas 16 bit. Timer 8 bit adalah timer
yg bisa mencacah/menghitung sampai
maksimal nilai 0xFF heksa, sedangkan yang
16 bit nilai maksimalnya 0xFFFF heksa.

wi. i
wi

Dengan demikian, kelima layer tersebut akan

membangun suatu adaptive network yang
secara fungsional ekivalen dengan fuzzy
model sugeno orde satu.
Untuk memberi nilai awal pada
parameter premis (pada bagian membership
function),
biasanya digunakan Fuzzy
Clustering Mean (FCM). Pada arsitektur
ANFIS, node yang bersifat adapatif terdapat
pada layer 1 dan 4. Node pada layer 1
mengandung parameter premis yang
nonlinier sedangkan pada layer 4
mengandung parameter konsekuen yang
linier. Untuk memperbarui parameter
parameter tersebut (dengan kata lain proses
belajar dari jaringan saraf), kita memerlukan
proses learning atau training. ANFIS
3

Untuk mengaktifkan suatu Timer kita

harus mengeset register - register yang
berhubungan dengan Timer. Sebagai contoh
pada ATMega 128, pada Timer1 merupakan
Timer 16 bit, Pengaturan Timer 1 dilakukan
melalui register TCCR1A dan TCCR1B, dan
register yg biasa digunakan untuk menset
nilai Timer1 adalah register TCNT. Rumus
yang digunakan adalah :

Perancangan dan Pembuatan Alat

Mikrokontroller
Mikrokontroller yang digunakan adalah
Atmega 128. Pada gambar 3 menunjukkan
minimum system yang dibuat dengan
konfigurasi port yang digunakan.

TCNT = (1+0xFFFF) - (waktu *( XTAL / prescaler) )

Timer pada mikrokontroler AVR lebih

leluasa dalam pengendalian lebar waktu
yang digunakan untuk menyelesaikan nilai
timer, karena pada mikrokontroler AVR
tersedia prescaller, sehingga kita dapat
menggunakan timer untuk tunda dari orde
milidetik sampai dengan menit. Timer
membutuhkan clock source. Biasanya clock
source yang dipakai adalah clock sistem
(XTAL). Dan kita bisa mengatur besarnya
nilai ini. Maximum sama dengan XTAL,
minimum XTAL/1024. Nilai pembagi
(1024) ini yg disebur nilai prescaler.
Macam- macam nilai prescaler yg
diijinkan:1, 8 , 64 , 256 , 1024. Untuk
mengubah nilai prescaler timer 1, kita harus
merubah nilai register TCCR1B bit 0 dan 2.

Gambar 3. Minimum system

ATMEGA 128

PERENCANAAN DAN PEMBUATAN

PERANGKAT KERAS DAN LUNAK

Gambar 4. Gambar Hardware Minimum

System ATMEGA 128 yang telah dibuat

Konfigurasi Sistem
Sistem yang akan dibuat terdiri dari
mikrokontroller, sensor arus sebagai
masukan analog to digital converter, dan
rangkaian driver magnetik kontaktor untuk
menghubungkan atau memutuskan supplay
ke beban. Pada gambar 2 menunjukkan
konfigurasi sistem yang dibuat.

Rangkaian driver magnetik kontaktor

Untuk
memutuskan
dan
menghubungkan supplay dari beban, kami
menggunakan magnetik kontaktor yang
dikendalikan
dari
mikrokontroller.
Rangkaian driver magnetik kontaktor,
menggunakan triac driver output.
Pada gambar 5 menunjukan rangkaian
triac driver output yang dirancang. Dan pada
gambar 6 menunjukkan driver triac output
yang telah dibuat.

Gambar 5. Rangkaian triac driver output

Gambar 2. konfigurasi system
4

Perancangan Software
System Over Current Relay dengan
Karakteristik Inverse
START

Gambar 6. Rangkaian driver magnetik

kontakor yang telah dibuat

Inisialisasi nilai :
Iset = 1A
Karakteristik Inverse=normal inv
Status sistem =off

Rangkaian sensor arus, rangkaian

penguat sensivitas
ACS712ELCTR-20A-T
merupakan
sensor arus yang presisi untuk keperluan
industri, otomotif, komersial, dan sistem
komunikasi. Arus yang melalui
ic
mempunyai nilai nominal arus 20A (pada
pin 1dan2 , 3dan 4) yang disensor oleh
integrated Hall IC akan menghasilkan medan
magnetic dan dirubah menjadi keluaran
tegangan yang linier, dengan sensivitas
output 100 mV/A.
Ic ini merupakan sensor yang dapat
digunakan
untuk
aplikasi
yang
membutuhkan electrical isolation tanpa
menggunakan opto - isolator atau cara lain
untuk teknik isolasi yang membutuhkan
biaya tambahan. Berikut ini pada gambar 9
ditunjukkan
rangkaian
sensor
arus
ACS712ELCTR-20A-T.
Pada gambar 7 menunjukan gambar
rangkaian sensor arus ACS712ELCTR-20AT, dengan pengkondisi sinyalnya.

Y
Pilih Karakteristik
Inverse ?

Pemilihan tipe
karakteristik

N
Y
Pb reset
ditekan ?

CB trip?

Pb start
ditekan?

Status
sistem=0n

Pb stop
ditekan?

Status
sistem=0ff

Status sistem=on ?

Y
Baca arus

Gambar 7. Rangkaian Sensor Arus

ACS712ELCTR-20A-T dan pengkondisi sinyal

Check Overload

Gambar 8. Flowchart System.

Pada
gambar
8.
menunjukkan
flowchart sistem yang dibuat, dengan proses
inisialisasi, Pemilihan menu (Setting atau
Monitoring), pemilihan karakteristik, dan
pengecekan terjadinya over current.
Program pemilihan kurva karakteristik,
nilai time dial setting dan arus setting.
Pada gambar 9. menunjukkan flowchart
pemilihan karakteristik inverse untuk OCR,
5

Pada karakteristik inverse untuk standar IEC

ada 4 buah. Sedangkan pada pemodelan
kurva karakteristik inverse menggunakan
ANFIS, user perlu mendisain terlebih dahulu
kurva inverse yang akan dimodelkan

Clustering Mean (FCM), proses perbaikan

parameter konsekuen menggunakan Least
Square Estimator (LSE), dan proses
perbaikan parameter premis menggunakan
Gradient
Descent
Backpropagation.
Perbaikan parameter premis dan parameter
konsekuen dilakukan sampai epoch melebihi
nilai maksimal epoch, atau error lebih kecil
dari toleransi error yang diperbolehkan.
Pada gambar 10.
menunjukkan
flowchart ANFIS untuk pemodelan kurva
karakteristik inverse yang didisain oleh user.
Pada gambar 11. menunjukkan ANFIS
dengan 1 input, 5 membership function dan
1 output yang mempunyai 5 layer.
Pada gambar 12. menunjukkan flowchart
Fuzzy Clustering Mean untuk inisialisasi
nilai membership Function.

Gambar 9. Flowchart pemilihan

karakteristik inverse pada OCR.
Program pemodelan kurva karakteristik
inverse pada OCR menggunakan ANFIS
Langkah pertama untuk pemodelan
kurva karakteristik inverse pada OCR
menggunakan
ANFIS,
adalah
user
memberikan masukan data training berupa
kurva karakteristik inverse. Data training ini
dapat dimasukkan melalui tabel masukan
dan keluaran data training, atau user dapat
langsung
menggambarkan
kurva
karakteristik inverse tersebut pada picture
box pada visual basic 6.0. Setelah data
training didapatkan.
Proses berikutnya adalah proses
inisialisasi pada parameter bagian premis
yang menggunakan algoritma Fuzzy

Gambar 10. Flowchart ANFIS untuk

pemodelan kurva karakteristik inverse

Gambar 11. ANFIS dengan 1 input, 5

membership function dan 1 output yang
mempunyai 5 layer.
6

program perhitungan waktu pemutusan CB,

ditunjukkan pada gambar 3.15.

Proses inisialisasi premis

(Fuzzy Clustering Mean)

Tentukan :
Jumlah Cluster (C)
Pembobot (w)
Maksimum Iterasi (MaxItr)
Toleransi Error (Eps)

Program Check Overload

Buat matrik random dengan nilai setiap elemenya (antara 0 sd 1) (matrik U)

yang merupakan matrik transpose dari variabel input pada data training
Normalisasi nilai setiap elemennya agar nilai pemjumlahan semua baris pada
setiap kolom = 1 (matrik U)

Hitung pusat cluster (matrik V)

Hitung jarak setiap data dengan pusat cluster (matrik D)
Update nilai matrik (matrik U)
Hitung nilai delta error
Cari nilai maksimum delta error (DE)

DE < Eps atau

Iterasi > maxItr ?

Y
Dari matrik U, diketahui kecenderungan data training untuk masuk ke cluster
mana
Kemudian dicari nilai rata -rata dari setiap cluster (untuk parameter c ij) pada
bagian membership function
Kemudian dicari nilai standar deviasi dari setiap cluster (untuk parameter a ij)
pada bagian membership function

Gambar 14. Flowchart Pengecheckan

overload dan penyesuaian timer yang sedang
berjalan terhadap waktu pemutusan CB.

END

Gambar 12. flowchart Fuzzy Clustering

Mean untuk inisialisasi nilai membership
Function.

Program perhitungan waktu pemutusan

CB saat terjadi gangguan

Program pembacaan arus

t _ pemutusan _ CB

Vout

I_Load

var 1 * tds
( I _ Load / I _ set ) var 2 1

read _ adc(0) *5.14

1024

(vout - vout1) * (imeter2 - imeter1)

imeter1
(vout2 - vout1)

Gambar 13. Flowchart pembacaan arus

beban.
Gambar 15. Flowchart perhitungan waktu
pemutusan CB sesuai karakteristik inverse.

Pada gambar
13
menunjukkan
flowchart dari pembacaan arus beban,
kalibrasi sensor arus. Pada gambar 14.
menunjukkan pengecheckan
terjadinya
gangguan overcurrent. Dan untuk flowchart
7

OCR dengan karakteristik

normal
inverse, tds=1, dan arus setting 1A. saat PB
start/stop ditekan, maka sistem ON dan
sensor arus membaca nilai arus beban. Pada
tabel 2 menunjukkan data yang tersimpan
dalam database, terjadi arus beban lebih
yang berubah ubah, yaitu dimulai dari
3.82A sampai dengan 2.57A hal ini juga
akan mempengaruhi nilai waktu pemutusan
CB, dan timer yang sedang berjalan.

PENGUJIAN DAN ANALISA

Pengujian Sensor Arus
Pada saat pengujian sensor arus, arus
yang melalui rangkaian adalah antara 0A
sampai dengan 8A. Sensor arus yang
digunakan adalah ACS712ELCTR-20A-T
yang maksimal nilai arus yang bisa disensing
adalah 20A dan sensivitasnya adalah
100mV/A. pada gambar 16 menunjukkan
rangkaian pengujian sensor arus. Pada table
4.1 menunjukkan hasil pengujian sensor arus
ACS dengan beban Resistor 2.5 ohm 250
W. sedangkan grafiknya ditunjukkan pada
gambar 16. Pada table 1 menunjukkan hasil
pengujian sensor arus ACS dengan beban
Resistor 2.5 ohm 250 W.

Tabel 2. Data Arus beban lebih berubah

ubah mulai 3.82A sampai 2.57A pada OCR
dengan karakteristik normal inverse pada
data base.

Gambar 16. Rangkaian Pengujian Sensor

Arus ACS ACS712ELCTR-20A-T.
Tabel 1. Hasil Pengujian Sensor Arus
ACS ACS712ELCTR-20A-T.
No.

IL (A)

Vout Sensor Arus (ACS) (V)

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

0
0.5
1
2
3
4
5
5.4
5.8
6
6.4
7
7.4
7.8
8

2.22
2.42
2.56
2.65
2.7
2.75
2.8
2.85
2.9
2.93
3.02
3.06
3.11
3.16
3.21

Is
(A)

IL
(A)

3.82

3.61

1.75

1.54

2.27

2.57

2.52

2.57

IL
/Is
3.8
2
3.6
1
1.7
5
1.5
4
2.2
7
2.5
7
2.5
2
2.5
7

t_run

t_cb

5.15

1.79

t_cb
now

inv

tds

alarm

5.15

5.38

3.59

2.4

12.37

9.96

15.96

12.96

3.6

8.42

4.82

4.2

7.34

3.14

5.39

7.47

2.08

7.18

7.34

0.15

7.34

7.34

Running OCR dengan karakteristik very

inverse dengan arus lebih yang berubah
ubah
Tabel 3. Data Arus beban lebih berubah ubah
mulai 3.32A sampai 2.27A pada OCR dengan
karakteristik very inverse pada data base.
Is
(A)

IL
(A)

IL
/Is

t_run

t_cb

t_cb
now

inv

tds

alarm

3.32

3.32

5.81

5.81

3.11

3.11

2.98

6.39

3.4

2.77

2.77

3.58

7.58

2.27

2.27

4.17

10.54

6.37

10.54

10.54

Pada tabel 3 menunjukkan data yang

tersimpan dalam database, terjadi arus beban
lebih yang berubah ubah, yaitu dimulai dari
3.32A sampai dengan 2.27A hal ini juga
akan mempengaruhi nilai waktu pemutusan

Running OCR dengan karakteristik

normal inverse dengan arus lebih yang
berubah ubah
8

CB, dan timer yang sedang berjalan, pada

OCR dengan karakteristik very inverse.

Pada tabel 5 menunjukkan data yang

tersimpan dalam database, terjadi arus beban
lebih yang berubah ubah, yaitu dimulai dari
3.94A sampai dengan 2.27A hal ini juga akan
mempengaruhi nilai waktu pemutusan CB,
dan timer yang sedang berjalan, pada OCR
dengan karakteristik long time inverse.

Running OCR dengan karakteristik extremelly

inverse dengan arus lebih yang berubah - ubah
Tabel 4. Data Arus beban lebih berubah ubah mulai
3.94A sampai 2.94A pada OCR dengan karakteristik
extremelly inverse pada data base.
Is
(A)

IL
(A)

IL
/Is

t_run

t_cb

t_cb
now

inv

tds

alarm

3.94

3.94

5.49

5.49

3.82

3.82

1.81

5.88

4.07

3.9

3.9

2.41

5.61

3.2

3.27

3.27

3.01

8.2

5.18

3.23

3.23

3.6

8.43

4.82

3.11

3.11

4.21

9.2

4.98

2.98

2.98

8.45

10.09

1.64

2.94

2.94

9.05

10.41

1.36

10.41

10.41

Pemodelan kurva karakteristik inverse OCR

menggunakan ANFIS

User menggambarkan melalui picture

box data, menggunakan mouse, sesuai
dengan
kebutuhan.
Nilai
maksimal
perbandingan arus beban dengan arus
setting, dibatasi sampai 2. Dan nilai
maksimal waktu pemutusan CB di batasi
sampai 100s. pada gambar 17. menunjukkan
salah satu contoh kurva yang telah dibuat
oleh user. Setelah menggambar, user perlu
melakukan sample data untuk training
dengan menekan tombol Capture. Gambar
18. menunjukan sample data yang diambil.

Pada tabel 4 menunjukkan data yang

tersimpan dalam database, terjadi arus beban
lebih yang berubah ubah, yaitu dimulai dari
3.94A sampai dengan 2.94A hal ini juga
akan mempengaruhi nilai waktu pemutusan
CB, dan timer yang sedang berjalan, pada
OCR dengan karakteristik extremelly
inverse.
Running OCR dengan karakteristik long time
inverse dengan arus lebih yang berubah - ubah

Gambar 17. Contoh kurva karakteristik inverse yang

dibuat oleh user melalui picture box menggunakan mouse.

Tabel 5. Data Arus beban lebih berubah ubah mulai

3.94A sampai 2.27A pada OCR dengan karakteristik
long time inverse pada data base.
Is
(A)

IL
(A)

IL
/Is

t_run

t_cb

t_cb
now

inv

tds

alarm

3.94

3.98

3.94

40.74

40.74

3.98

40.17

37.17

3.94

3.94

4.2

40.74

36.54

3.69

3.69

4.79

44.52

39.72

3.57

3.57

5.39

46.68

41.29

3.61

3.61

7.18

45.94

38.75

3.57

3.57

7.78

46.68

38.9

3.32

3.32

8.37

51.71

43.33

2.77

2.77

8.97

67.43

58.46

2.27

2.27

10.17

93.76

83.58

93.76

93.76

Gambar 18. Pengambilan sample data untuk data

training pada ANFIS.

Pada
tabel
6.
menunjukkan
perbandingan error dari jumlah membership
function yang digunakan Sehingga ANFIS
dengan menggunakan 5 buah membership
9

function, masih memberikan error 1.60E-21

pada epoh terakir, yaitu iterasi ke 10.
Tabel 6. Perbandingan error dari jumlah membership
function.
MF
Lonceng,
BETA
Error

2 buah

3 buah

4 buah

5 buah

112.322246848

19.818368109

11.731161240

1.60E-21

10

10

10

10

epoh

Untuk hasil akhir, keluaran ANFIS

dibandingkan dengan target training, pada
gambar 4.18, keluaran ANFIS berupa
lingkaran merah, dan target training berupa
lingkaran biru.

SARAN
Sebaiknya untuk manajemen program, dalam
melakukan pembacaan arus beban, tampilan di
LCD dan pengiriman data ke komputer,
dilakukan secara periodik sehingga dapat
membantu untuk menghasilkan kinerja yang
lebih stabil.
Karena komputer menerima secara periodik,
maka ada kemungkinan jalur komunikasi di
komputer error, oleh karena itu perlu dibuat
program untuk me-refresh jalur komunikasi,
yaitu dengan menutup jalur komunikasi,
kemudian membukanya kembali.
Untuk pengembangan lebih lanjut, batasan arus
yang menjadi masukan ANFIS dapat diperluas,
dan data sample dari data training dapat
diperbanyak, sehingga keluaran ANFIS lebih
optimal.

Gambar 18. Perbandingan Keluaran ANFIS dengan

target training (menggunakan 5 rule).
Running OCR dengan karakteristik inverse hasil
pemodelan ANFIS

OCR dengan karakteristik inverse mode

ANFIS, dan arus setting 1A. saat PB start/stop
ditekan, maka sistem ON dan sensor arus
membaca nilai arus beban. Pada tabel 7
menunjukkan data yang tersimpan pada
database, saat arus beban lebih 1.33A dan tcb
36.72 s untuk OCR dengan karakteristik inverse
mode ANFIS.

DAFTAR PUSTAKA
[1] Datasheet OVERCURRENT PROTECTION
RELAYS, CKR Series.
[2] Heru Dibyo Laksono, M. Nasir Sonni
PERANCANGAN DAN IMPLEMENTASI
RELAY ARUS LEBIH SESAAT BERBASIS
MICROCONTROLLER.
Jurusan
Teknik
Elektro, Univeristas Andalas Padang Sumatera
Barat. September 2007.
[3] Hossein Kazemi Karegar, Hossein Askarian
Abyaneh,Majid Al-Dabbagh A flexible
approach for overcurrent relay characteristics
simulation. The Department of Electrical and
Computer Systems Engineering, Monash
University, Australia. May 2003.
[4] M. Geethanjali, S. Mary Raja Slochanal A
combined adaptive network and fuzzy inference
system (ANFIS) approach for overcurrent relay
system. Department of Electrical and
Electronics Engineering, Thiagarajar College of
Engineering, Madurai-625 015, Tamilnadu,
India. April 2007.

Tabel 7. Data pada database saat arus lebih 1.33A

dan tcb 36.72s.
Is
(A)

IL
(A)

IL
/Is

t_run

t_cb

t_cb
now

1.33

inv

tds

alarm

1.33

36.72

36.72

36.72

36.72

standar IEC) memberikan kurva yang sama

dengan kurva yang dikehendaki. Dan pemodelan
kurva karakteristik inverse pada OCR
menggunakan ANFIS (yang didisain oleh user)
memberikan error yang sangat kecil, yaitu
E=1.60E-21, dengan parameter ANFIS (masukan
=1buah,
keluaran=1buah,
membership
function=5buah, rule=5buah pada epoch ke 10).
Batasan arus (IL/IS) yang menjadi masukan pada
ANFIS adalah 2, dan data yang disample adalah
10buah, karena bila masukan arus diatas 2
(sebagai contoh IL/IS=5) dan data sample lebih
banyak, maka jumlah membership functionnya
juga harus ditambah, agar error yang diberikan
cukup kecil.

KESIMPULAN
Dengan menggunakan relay digital, kita bisa
mendapatkan fleksibilitas dan kehandalan yang
lebih baik
Karakteristik inverse pada reley digital bisa
dipilih sesuai kebutuhan, dan dapat dikontrol atau
dimonitor dari local maupun remote.
Pemodelan kurva karakteristik inverse pada OCR
menggunakan persamaan matematika (sesuai

10

[5] Sri Kusumadewi, Sri Hartati Neuro Fuzzy

Integrasi Sistem Fuzzy dan Jaringan Syaraf.
GRAHA ILMU, Yogyakarta, 2006.
[6] Suyanto, ST, MSc Soft Computing Membangun
Mesin Ber-IQ Tinggi. Informatika. Bandung.
2008.
[7] Thomas Sri Widodo Sistem Neuro Fuzzy untuk
Pengolahan Informasi, Pemodelan, dan Kendali.
GRAHA ILMU, Yogyakarta, 2005.
[8] Zamora, A.J. Mazn, V. Valverde, E. Torres, A.
Dyko Power Quality and Digital Protection
Relays. Department of Electrical Engineering University of the Basque Country, Spain.

11