Input dari pendekatan ANN ini dapat didapatkan dari perhitungan PR dan VR, PR dan VR
dapat dihitung dengan menggunakan persamaan sebagai berikut :
Untuk melakukan data set yang sudah di-input, maka akan dapat dilakukan normalisasi
dengan menggunakan perhitungan sebagai berikut
Pendekatan ANN untuk menentukan “PV fault detection” menggunakan beberapa model,
dimana model ini yang menentukan tingkat keakuratan dari hasil deteksi. Pada paper ini
dibuat 4 model dan 4 model tersebut nantinya akan dibandingkan. Pada paper ini model
yang dibuat adalah model A, B, C, dan D. berikut adalah keterangan dari model-model
tersebut:
1. Model A Menggunakan 2 input (VR dan PR), 5 output, dan 1 hidden layer.
2. Model B Menggunakan 2 input (VR dan PR), 5 output, dan 2 hidden layer.
3. Model C Menggunakan 2 input (VR dan PR), 9 output, dan 1 hidden layer.
4. Model D Menggunakan 2 input (VR dan PR), 9 output, dan 2 hidden layer.
Dan Model C dan Model D pada PV (Photovoltaic) dapat mendeteksi hal-hal sebagai
berikut:
Hasilnya :
1. Ternyata ketika membandingkan model A dan model B, hasil menunjukkan bahwa
model B lebih baik dibandingkan dengan model A dengan tingkat keakuratan
mencapai 77,7%.
2. Dan ketika membandingkan model C dan model D, hasil menunjukkan bahwa model
D lebih baik dibandingkan dengan model C dengan tingkat keakuratan mencapai
92,1%.
3. Dan jika dibandingkan keseluruhan model (berdasarkan jumlah output dan hidden
layer), maka model terbaik untuk pendekatan ANN adalah model B dengan tingkat
keakuratan 92.1%.
Hasil-hasil percobaan dari penjelasan di atas dapat dilihat pada data grafik-grafik
berikut:
Perbandingan hasil berdasarkan teori dan berdasarkan hasil percobaan
Secara umum logika fuzzy dengan Mamdani untuk “PV fault detection” adalah sebagai
berikut:
1. Merupakan intuitif
2. Memiliki input yang luas
3. Interface system untuk pengguna sangat cocok
Kedua metode logika fuzzy tersebut menggunakan 10 membership function, berikut adalah
membership function untuk kedua metode logika fuzzy tersebut:
MF1: PS Low mempengaruhi sistem PV
MF2: PS high mempengaruhi sistem PV
MF3: Satu modul PV rusak dan PS low mempengaruhi sistem PV
MF4: Satu modul PV rusak dan PS high yang mempengaruhi sistem PV
MF5: Dua modul PV rusak dan PS low mempengaruhi sistem PV
MF6: Dua modul PV rusak dan PS high yang mempengaruhi sistem PV
MF7: Tiga modul PV rusak dan PS low mempengaruhi sistem PV
MF8: Tiga modul PV rusak dan PS high yang mempengaruhi sistem PV
MF9: Empat modul PV rusak dan PS low mempengaruhi sistem PV
MF10: Empat modul PV rusak dan PS high yang mempengaruhi sistem PV
Grafik yang menggambarkan membership function dan variabel fuzzy untuk ketua metode
logika fuzzy yang digunakan pada paper ini adalah sebagai berikut :
Berdasarkan pada teori tersebut, maka dilakukan percobaan untuk mendapatkan hasil “PV
fault detection” menggunakan logika fuzzy sugeno dan Mamdani. Berikut hasil percobaan
“PV fault detection” menggunakan metode logika fuzzy sugeno dan Mamdani :
c. Result –ANN –FUZZY
Hasil perbandingan antara fuzzy dengan ANN.
Untuk melakukan percobaan dengan menggunakan metode ANN, digunakan scenario
berikut:
Hasilnya menunjukkan :
Analisa hasil model A,B,C dan D untuk model ANN dapat dilihat pada table berikut
Terjadi kesalahan deteksi pada beberapa case (7 dan 8), sama seperti mamdani
Kesimpulan :
ANN lebih baik digunakan pada kasus “PV fault detection” dibandingkan dengan fuzzy.
Dengan catatan model ANN yang digunaka tepat dan sensor yang digunakan baik.
Sedangkan jika menggunakan fuzzy terdapat sedikit error di beberapa kasus sehingga
menurunkan tingkat keakuratan.