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

1
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.
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 konta-
kontak, berbanding terbalik dengan
besarnya arus gangguan.
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)
2
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:
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 :
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=µAi, i=1,2
Ol,1=µBi, 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).
Layer 2 : Dinotasikan π. Setiap node pada
layer ini berfungsi untuk menghitung
kekuatan aktivasi (firing strength) pada
setiap rule sebagai product dari semua input
yang masuk.
w1= µA1(x) AND µB1 (y)
w2= µA2(x) AND µB2 (y)
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
: ini dibandingkan dengan keluaran yang
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) :
∑ wi. i
O5, i = 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
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
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.
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.
 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
Gambar 3. Minimum system
source yang dipakai adalah clock sistem
ATMEGA 128
(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.

PERENCANAAN DAN PEMBUATAN

PERANGKAT KERAS DAN LUNAK
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.
Gambar 4. Gambar Hardware Minimum
System ATMEGA 128 yang telah 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 Y
industri, otomotif, komersial, dan sistem Pilih Karakteristik Pemilihan tipe
Inverse ? karakteristik
komunikasi. Arus yang melalui ic
mempunyai nilai nominal arus 20A (pada N
pin 1dan2 , 3dan 4) yang disensor oleh
Y
integrated Hall IC akan menghasilkan medan CB trip?
Pb reset
N
ditekan ?
magnetic dan dirubah menjadi keluaran
tegangan yang linier, dengan sensivitas N Y
output 100 mV/A.
Ic ini merupakan sensor yang dapat
Y
digunakan untuk aplikasi yang Pb start
ditekan?
Status
sistem=0n
membutuhkan electrical isolation tanpa
N
menggunakan opto - isolator atau cara lain
untuk teknik isolasi yang membutuhkan Y
Pb stop Status
biaya tambahan. Berikut ini pada gambar 9 ditekan? sistem=0ff
ditunjukkan rangkaian sensor arus
N
ACS712ELCTR-20A-T.
Pada gambar 7 menunjukan gambar
rangkaian sensor arus ACS712ELCTR-20A-
T, dengan pengkondisi sinyalnya. N
Status sistem=on ?

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
Gambar 10. Flowchart ANFIS untuk
kurva karakteristik inverse. Data training ini
pemodelan kurva karakteristik inverse
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 Gambar 11. ANFIS dengan 1 input, 5
inisialisasi pada parameter bagian premis membership function dan 1 output yang
yang menggunakan algoritma Fuzzy mempunyai 5 layer.

6
 Proses inisialisasi premis
(Fuzzy Clustering Mean)
program perhitungan waktu pemutusan CB,
ditunjukkan pada gambar 3.15.
Tentukan :
Jumlah Cluster (C)
Pembobot (w)
Maksimum Iterasi (MaxItr)
Program Check Overload
Toleransi Error (Eps)

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)

N
DE < Eps atau
Iterasi > maxItr ?

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)
Gambar 14. Flowchart Pengecheckan
pada bagian membership function
overload dan penyesuaian timer yang sedang
berjalan terhadap waktu pemutusan CB.
END

Gambar 12. flowchart Fuzzy Clustering Program perhitungan waktu pemutusan

Mean untuk inisialisasi nilai membership CB saat terjadi gangguan
Function.

Program pembacaan arus

var 1 * tds
t _ pemutusan _ CB 
( I _ Load / I _ set ) var 2  1

read _ adc(0) *5.14

Vout
1024

(vout - vout1) * (imeter2 - imeter1)

I_Load   imeter1
(vout2 - vout1)

Gambar 13. Flowchart pembacaan arus

beban.
Gambar 15. Flowchart perhitungan waktu
Pada gambar 13 menunjukkan pemutusan CB sesuai karakteristik inverse.
flowchart dari pembacaan arus beban,
kalibrasi sensor arus. Pada gambar 14.
menunjukkan pengecheckan terjadinya
gangguan overcurrent. Dan untuk flowchart
7
PENGUJIAN DAN ANALISA OCR dengan karakteristik normal
inverse, tds=1, dan arus setting 1A. saat PB
Pengujian Sensor Arus start/stop ditekan, maka sistem ON dan
Pada saat pengujian sensor arus, arus sensor arus membaca nilai arus beban. Pada
yang melalui rangkaian adalah antara 0A tabel 2 menunjukkan data yang tersimpan
sampai dengan 8A. Sensor arus yang dalam database, terjadi arus beban lebih
digunakan adalah ACS712ELCTR-20A-T yang berubah –ubah, yaitu dimulai dari
yang maksimal nilai arus yang bisa disensing 3.82A sampai dengan 2.57A hal ini juga
adalah 20A dan sensivitasnya adalah akan mempengaruhi nilai waktu pemutusan
100mV/A. pada gambar 16 menunjukkan CB, dan timer yang sedang berjalan.
rangkaian pengujian sensor arus. Pada table
4.1 menunjukkan hasil pengujian sensor arus Tabel 2. Data Arus beban lebih berubah –
ACS dengan beban Resistor 2.5 ohm 250 ubah mulai 3.82A sampai 2.57A pada OCR
W. sedangkan grafiknya ditunjukkan pada dengan karakteristik normal inverse pada
gambar 16. Pada table 1 menunjukkan hasil data base.
pengujian sensor arus ACS dengan beban Is
(A)
IL
(A)
IL
/Is t_run t_cb
t_cb
now inv tds alarm
Resistor 2.5 ohm 250 W. 3.8
1 3.82 2 0 5.15 5.15 1 1 0
3.6
1 3.61 1 1.79 5.38 3.59 1 1 0
1.7
1 1.75 5 2.4 12.37 9.96 1 1 0
1.5
1 1.54 4 3 15.96 12.96 1 1 0
2.2
1 2.27 7 3.6 8.42 4.82 1 1 0
2.5
1 2.57 7 4.2 7.34 3.14 1 1 0
2.5
1 2.52 2 5.39 7.47 2.08 1 1 0
Gambar 16. Rangkaian Pengujian Sensor 2.5
1 2.57 7 7.18 7.34 0.15 1 1 0
Arus ACS ACS712ELCTR-20A-T.
1 0 0 7.34 7.34 0 1 1 1

Tabel 1. Hasil Pengujian Sensor Arus 1 0 0 0 0 0 1 1 0

ACS ACS712ELCTR-20A-T.
No. IL (A) Vout Sensor Arus (ACS) (V) Running OCR dengan karakteristik very
1 0 2.22 inverse dengan arus lebih yang berubah –
2 0.5 2.42 ubah
3 1 2.56
4 2 2.65 Tabel 3. Data Arus beban lebih berubah – ubah
mulai 3.32A sampai 2.27A pada OCR dengan
5 3 2.7 karakteristik very inverse pada data base.
6 4 2.75
Is IL IL t_cb
7 5 2.8 (A) (A) /Is t_run t_cb now inv tds alarm
8 5.4 2.85 1 3.32 3.32 0 5.81 5.81 2 1 0
9 5.8 2.9
1 3.11 3.11 2.98 6.39 3.4 2 1 0
10 6 2.93
1 2.77 2.77 3.58 7.58 4 2 1 0
11 6.4 3.02
1 2.27 2.27 4.17 10.54 6.37 2 1 0
12 7 3.06
13 7.4 3.11 1 0 0 10.54 10.54 0 2 1 1
14 7.8 3.16 1 0 0 0 0 0 2 1 0
15 8 3.21 Pada tabel 3 menunjukkan data yang
tersimpan dalam database, terjadi arus beban
Running OCR dengan karakteristik lebih yang berubah –ubah, yaitu dimulai dari
normal inverse dengan arus lebih yang 3.32A sampai dengan 2.27A hal ini juga
berubah – ubah akan mempengaruhi nilai waktu pemutusan

8
 CB, dan timer yang sedang berjalan, pada Pada tabel 5 menunjukkan data yang
OCR dengan karakteristik very inverse. tersimpan dalam database, terjadi arus beban
lebih yang berubah –ubah, yaitu dimulai dari
Running OCR dengan karakteristik extremelly 3.94A sampai dengan 2.27A hal ini juga akan
inverse dengan arus lebih yang berubah - ubah
mempengaruhi nilai waktu pemutusan CB,
Tabel 4. Data Arus beban lebih berubah – ubah mulai dan timer yang sedang berjalan, pada OCR
3.94A sampai 2.94A pada OCR dengan karakteristik dengan karakteristik long time inverse.
extremelly inverse pada data base.
Is IL IL t_cb Pemodelan kurva karakteristik inverse OCR
(A) (A) /Is t_run t_cb now inv tds alarm menggunakan ANFIS
1 3.94 3.94 0 5.49 5.49 3 1 0 User menggambarkan melalui picture
1 3.82 3.82 1.81 5.88 4.07 3 1 0 box data, menggunakan mouse, sesuai
1 3.9 3.9 2.41 5.61 3.2 3 1 0 dengan kebutuhan. Nilai maksimal
1 3.27 3.27 3.01 8.2 5.18 3 1 0
perbandingan arus beban dengan arus
setting, dibatasi sampai 2. Dan nilai
1 3.23 3.23 3.6 8.43 4.82 3 1 0
maksimal waktu pemutusan CB di batasi
1 3.11 3.11 4.21 9.2 4.98 3 1 0
sampai 100s. pada gambar 17. menunjukkan
1 2.98 2.98 8.45 10.09 1.64 3 1 0
salah satu contoh kurva yang telah dibuat
1 2.94 2.94 9.05 10.41 1.36 3 1 0 oleh user. Setelah menggambar, user perlu
1 0 0 10.41 10.41 0 3 1 1 melakukan sample data untuk training
1 0 0 0 0 0 3 1 0 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
Tabel 5. Data Arus beban lebih berubah – ubah mulai dibuat oleh user melalui picture box menggunakan mouse.
3.94A sampai 2.27A pada OCR dengan karakteristik
long time inverse pada data base.

Is IL IL t_cb
(A) (A) /Is t_run t_cb now inv tds alarm

1 3.94 3.94 0 40.74 40.74 4 1 0

1 3.98 3.98 3 40.17 37.17 4 1 0

1 3.94 3.94 4.2 40.74 36.54 4 1 0

1 3.69 3.69 4.79 44.52 39.72 4 1 0

1 3.57 3.57 5.39 46.68 41.29 4 1 0

1 3.61 3.61 7.18 45.94 38.75 4 1 0 Gambar 18. Pengambilan sample data untuk data
training pada ANFIS.
1 3.57 3.57 7.78 46.68 38.9 4 1 0

1 3.32 3.32 8.37 51.71 43.33 4 1 0

Pada tabel 6. menunjukkan
1 2.77 2.77 8.97 67.43 58.46 4 1 0
perbandingan error dari jumlah membership
1 2.27 2.27 10.17 93.76 83.58 4 1 0
function yang digunakan Sehingga ANFIS
1 0 0 93.76 93.76 0 4 1 1 dengan menggunakan 5 buah membership
1 0 0 0 0 0 4 1 0

9
function, masih memberikan error 1.60E-21 standar IEC) memberikan kurva yang sama
pada epoh terakir, yaitu iterasi ke 10. dengan kurva yang dikehendaki. Dan pemodelan
kurva karakteristik inverse pada OCR
Tabel 6. Perbandingan error dari jumlah membership menggunakan ANFIS (yang didisain oleh user)
function. memberikan error yang sangat kecil, yaitu
MF 2 buah 3 buah 4 buah 5 buah E=1.60E-21, dengan parameter ANFIS (masukan
Lonceng,
BETA =1buah, keluaran=1buah, membership
Error 112.322246848 19.818368109 11.731161240 1.60E-21 function=5buah, rule=5buah pada epoch ke 10).
epoh 10 10 10 10  Batasan arus (IL/IS) yang menjadi masukan pada
ANFIS adalah 2, dan data yang disample adalah
Untuk hasil akhir, keluaran ANFIS 10buah, karena bila masukan arus diatas 2
dibandingkan dengan target training, pada (sebagai contoh IL/IS=5) dan data sample lebih
gambar 4.18, keluaran ANFIS berupa banyak, maka jumlah membership functionnya
juga harus ditambah, agar error yang diberikan
lingkaran merah, dan target training berupa cukup kecil.
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,
Gambar 18. Perbandingan Keluaran ANFIS dengan kemudian membukanya kembali.
target training (menggunakan 5 rule).  Untuk pengembangan lebih lanjut, batasan arus
yang menjadi masukan ANFIS dapat diperluas,
Running OCR dengan karakteristik inverse hasil dan data sample dari data training dapat
pemodelan ANFIS diperbanyak, sehingga keluaran ANFIS lebih
OCR dengan karakteristik inverse mode optimal.
ANFIS, dan arus setting 1A. saat PB start/stop
ditekan, maka sistem ON dan sensor arus DAFTAR PUSTAKA
membaca nilai arus beban. Pada tabel 7 [1] ”Datasheet OVERCURRENT PROTECTION
menunjukkan data yang tersimpan pada RELAYS”, CKR Series.
database, saat arus beban lebih 1.33A dan tcb [2] Heru Dibyo Laksono, M. Nasir Sonni
36.72 s untuk OCR dengan karakteristik inverse “PERANCANGAN DAN IMPLEMENTASI
mode ANFIS. RELAY ARUS LEBIH SESAAT BERBASIS
MICROCONTROLLER”. Jurusan Teknik
Tabel 7. Data pada database saat arus lebih 1.33A Elektro, Univeristas Andalas Padang Sumatera
dan tcb 36.72s. Barat. September 2007.
Is IL IL t_cb [3] Hossein Kazemi Karegar, Hossein Askarian
(A) (A) /Is t_run t_cb now inv tds alarm
Abyaneh,Majid Al-Dabbagh “A flexible
1 1.33 1.33 0 36.72 36.72 5 1 0 approach for overcurrent relay characteristics
1 0 0 36.72 36.72 0 5 1 1 simulation”. The Department of Electrical and
Computer Systems Engineering, Monash
1 0 0 0 0 0 5 1 0
University, Australia. May 2003.
[4] M. Geethanjali, S. Mary Raja Slochanal “A
KESIMPULAN
combined adaptive network and fuzzy inference
 Dengan menggunakan relay digital, kita bisa
system (ANFIS) approach for overcurrent relay
mendapatkan fleksibilitas dan kehandalan yang
system”. Department of Electrical and
lebih baik
Electronics Engineering, Thiagarajar College of
 Karakteristik inverse pada reley digital bisa Engineering, Madurai-625 015, Tamilnadu,
dipilih sesuai kebutuhan, dan dapat dikontrol atau India. April 2007.
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. Mazón, V. Valverde, E. Torres, A.
Dyśko “Power Quality and Digital Protection
Relays”. Department of Electrical Engineering -
University of the Basque Country, Spain.

11