edu
Jurnal
Teknik Elektro Industri
Elektro Vol.1, No.1, 2018
PENS Politeknik Elektronika Negeri Surabaya
Abstrak
Pada jurnal ini, algoritma Artificial Neural Network diajukan sebagai metode Maximum Power Point Tracker (MPPT).
Teknik ini digunakan untuk memaksimalkan potensi energi yang dibangkitkan oleh photovoltaic seiring dengan perubahan iradiasi
sinar matahari dan suhu permukaan photovoltaic. Data pelatihan yang digunakan pada jurnal ini terdiri dari tegangan dan arus
keluaran photovoltaic sebagai data input dan duty cycle boost converter sebagai data target. Data pelatihan ini diadpsi ke dalam
metode pelatihan backpropagation. Hasil pengujian menunjukkan bahwa metode MPPT yang diajukan mampu membangkitkan daya
maksimum photovoltaic pada kondisi cuaca cerah.
Kata kunci: photovoltaic, MPPT, ANN algorithm, boost converter
1. Pendahuluan
Sebagai negara berkembang Indonesia masih bergantung pada penggunaan gas, batubara dan minyak sebagai sumber
energi listrik. Sumber energi ini selain tidak ramah lingkungan juga membutuhkan biaya perawatan yang lebih mahal.
Indonesia merupakan negara beriklim tropis yang memiliki potensi besar sebagai penghasil energi alternatif berupa
energi surya dengan potensi energi mecapai 4,8 kWh/m2/hari. Sumber energi sebesar ini perlu dimanfaatkan sebesar-
besarnya. Photovoltaic sebagai modul pengkonversi energi surya ke energi listrik diharapkan menjadi alternatif lain
dengan melimpahnya sumber energi yang tersedia, mudahnya pemasangan dan hampir bebas biaya perawatan.
Namun energi yang dikonversikan oleh modul photovoltaic ini mempunyai efisiensi yang kecil. Untuk
memaksimalkan potensi energi yang dikonversikan maka digunakan metode Maximum Power Point Tracker (MPPT)
untuk mendapatkan efisiensi yang lebih besar. Telah banyak metode MPPT yang diajukan dan dikembangkan secara
terus-menerus antara lain: perturb and observe (P&O), Incremental Conductance (IC), Hill Climbing (HC), fractional
open-circuit voltage, fractional short-circuit current, neural network, fuzzy logic, dan genetic algorithms. Metode-
metode ini berbeda dalam berbagai aspek seperti sensor yang dibutuhkan, kompleksitas, biaya, efektifitas, osilasi di
sekitar MPP, kecepatan konvergensi dan implementasinya ke perangkat keras.
Algoritma Artificial Neural Network (ANN) mulai digunakan sebagai metode MPPT photovoltaic saat ini. Teknik
ini mampu diaplikasikan pada hubungan input dan output sistem yang tidak linear.
Pada jurnal ini, metode ANN MPPT digunakan untuk menentukan duty cycle untuk daya maksimum dengan
perubahan iradiasi sinar matahari dan suhu permukaan photovoltaic. Data yang dibutuhkan untuk mendapatkan model
ANN ini dihasilkan dari pengujian tracking manual duty cycle dari kondisi daya minimum hingga daya maksimumnya.
Data pembelajaran untuk metode ANN MPPT ini diuji dan divalidasi menggunakan MATLAB/Simulink.
Jurnal Elektro PENS, Teknik Elektro Industri, Vol.1, No.1, 2018
2. Metode
Perancangan dan pembuat peralatan tugas akhir ini mengacu pada blok diagram berikut ini:
Karakteristik photovoltaic antar tegangan dan arus terdapat 3 jenis titik yang berada pada 3 posisi. Di sebelah kiri puncak
dP/dV>0, dipuncak kurva dP/dV=0 dan disebelah kanan puncak dP/dV<0. Perancangan MPPT ini membutuhkan 2 parameter
untuk menentukan slope yaitu tegangan input konverter Vin dan arus input konverter (Iin), sesuai dengan persamaan 2.1.
Pin(n) = Vin(n) × Iin(n) (2.1)
Dari dua parameter tersebut didapat daya Pin(n) dan tegangan Vin(n) , maka dibandingkan dengan parameter
pembacaan data yang sebelumnya yaitu 𝑃𝑖𝑛(𝑛−1) dan Vin(n-1) . Hasil perbandingan itu didapatkan ∆𝑃 dan ∆𝐼, sesuai
dengan persamaan 2.2 dan 2.3.
∆V = Vin(in) - Vin(n-1) (2.2)
Dan hasil dari pembagian ∆𝑃 dan ∆𝑉 dinamakan slope, yang dapat dirumuskan dalam persamaan 2.4.
Pin(n)-Pin(n-1) ∆P
Slope = = (2.4)
Vin(n)-Vin(n-1) ∆V
MPPT menunjukkan daerah dengan sinyal nol, yang menunjukkan nilai maksimum yang baru, dan sebaliknya jika
nilai sinyal (slope) negatif, maka tegangan panel surya akan turun. Arah slope ditentukan dengan perbandingan ∆𝑃 dan
∆𝑉. Dengan karakteristik dari konverter yang digunakan akan didapatkan ketetapan arah dari duty cycle. Jika hasil
perbandingan (slope) tersebut menghasilkan nilai positif maka nilai duty cycle ditambah, dan jika menghasilkan nilai
negatif maka nilai nilai duty cycle dikurangi. Dengan menentukan slope maka didapatkan referensi duty cycle yang baru.
2.2. Boost Converter
Boost Converter berfungsi untuk mengubah level tegangan DC ke level yang lebih tinggi. Pada Gambar 2
merupakan rangkaian dasar Boost Converter yang terdiri dari power MOSFET sebagai switching komponen, induktor
(L), dioda, kapasitor filter (C) dan resistor sebagai beban (RL).
f = 40k Hz Vf =1V
∆iL = 20% Io = 4,68 A
∆Vo = 0,1%
Dari data nilai dan parameter maka dapat dihitung untuk masing-masing komponen converter seperti pada
perhitungan berikut ini:
1. Duty Cycle (D)
𝑉𝑠 36
𝐷 = 1− =1− = 0,375
𝑉𝑜 57,6
2. Arus rata-rata induktor (iL(avg))
𝑉𝑜 57,6
𝑅= = = 12,3 Ω
𝐼𝑜 4,68
𝑉𝑠 36
𝑖𝐿(𝑎𝑣𝑔) = (1−𝐷)2 = (1−0,375)2 = 7,49 𝐴
𝑅 ×12,3
3. Nilai induktor (L)
∆𝑖𝐿 = 20% × 𝐼𝐿(𝑎𝑣𝑔) = 0,2 × 7,49 = 1,498 𝐴
Vƒ = 1 Volt
1 𝑉𝑠 𝑚𝑖𝑛 1
𝐿 = ( ) × (𝑉𝑜 + 𝑉𝑓 − 𝑉𝑠 𝑚𝑖𝑛 ) × ( )×
𝑓 𝑉𝑜 +𝑉𝑓 ∆𝑖𝐿
1 36 1
𝐿=( ) × (57,6 + 1 − 36) × ( )×
40𝑘 57,6+1 1,49
= 232,95 𝜇𝐻
4. Arus maksimum induktor (Imax)
∆𝑖𝐿 1,49
𝐼𝑚𝑎𝑥 = 𝑖𝐿(𝑎𝑣𝑔) + = 7,49 + = 8,235 𝐴
2 2
∆𝑖𝐿 1,49
𝐼𝑚𝑖𝑛 = 𝑖𝐿(𝑎𝑣𝑔) − = 7,49 − = 6,745 𝐴
2 2
5. Besarnya Ripple tegangan (ΔVo)
∆𝑉𝑜 = 0,1% × 𝑉𝑜 = 0,001 × 57,6 = 0,0576 𝑉
6. Nilai Capasitor (C)
𝑉𝑜 ×𝐷 57,6×0,375
𝐶= = = 762,2 𝜇𝐹
𝑅×𝑓×∆𝑉𝑜 12,3×40𝑘×0,0576
Berdasarkan perhitungan desain diperoleh nilai induktor yang akan dibuat dengan PQ5050 mempunyai nilai 232,95
μH dan kapasitor yang dipilih sebesar 762,2 𝜇F. Karena nilai kapasitor tersebut tidak tersedia di pasaran maka digunakan
nilai kapasitansi yang mendekati nilai tersebut yaitu 1000 𝜇F.
Untuk mendesain inductor terdapat beberapa parameter yang harus diperhatikan antara lain yaitu nilai induktansi,
kapasitas arus dan ukuran inti ferrite yang digunakan. Berikut ini adalah perhitungan desain induktor yang digunakan.
1. Menentukan Jumlah Lilitan (dengan PQ 5050)
Bmax = 0,25 Tesla
Dbob = 2,6 cm
Ac = 3,28 cm2
𝐿×𝑖𝑚𝑎𝑥 232,95𝜇×8,235
𝑁= × 104 = × 104 = 23,39 ≈ 23 𝑙𝑖𝑙𝑖𝑡𝑎𝑛
𝐵𝑚𝑎𝑥 ×𝐴𝑐 0,25×3,28
2. Arus RMS Induktor
∆𝑖𝐿 2
2
𝑖𝐿(𝑅𝑀𝑆) = √(𝐼𝐿(𝑎𝑣𝑔) ) + ( 2
)
√3
1,498 2
𝑖𝐿(𝑅𝑀𝑆) = √(7,49)2 + ( 2
) = 7,5 𝐴
√3
Split:
Jika digunakan kawat dengan diameter 0,4 mm dengan KHA 0,57 A dengan jumlah split 13.
7,5
𝑖𝐿(𝑅𝑀𝑆)𝑠𝑝𝑙𝑖𝑡 = = 0,577𝐴
13
3. Menentukan Panjang Air Gap
𝜇0 𝐿𝐼 2 𝑚𝑎𝑥×104 4𝜋10−7 ×232,95𝜇×8,2352 ×104
𝐿𝑔 = =
𝐵2 max×𝐴𝑐 0,252 ×3,28
Jurnal Elektro PENS, Teknik Elektro Industri, Vol.1, No.1, (2018)
= 3,08 × 10−4 𝑚
4. Menentukan Cross Sectional Area of Wire (qw)
𝑠 = 4,5𝐴/𝑚𝑚2
𝐼𝑠(𝑟𝑚𝑠) 0,577
𝑞𝑤 = = = 0,128 𝑚𝑚2
𝑠 4,5
4 4
𝑑𝑤 = √ × 𝑞𝑤 = √ × 0,128 = 0,4 𝑚𝑚
𝜋 𝜋
proses komputasi. Terakhir adalah bagian output yang terdiri dari unit-unit keluaran. ilustrasi gambar arsitekturnya
seperti tampak pada gambar 3.
Antar layer, unit dan neuron disambungkan dengan koneksi yang memiliki bobot-bobot tertentu. Pada gambar 2.2
bobot antara layer tersembunyi ke layer keluaran dinotasikan sebagai wij. Selain unit masukan/neuron, bias juga
memiliki bobot yakni v0j dan w0k
Sedangkan untuk komponen keluaran, yang biasanya disebut sebagai fungsi aktifasi adalah fungsi dari Z-inj.
Backpropagation melakukan koreksi terhadap bobot yang ada, dalam hal ini adalah v dan w. Adapun algoritma
pembelajarannya adalah sebagai berikut:
Langkah 0: Inisialisasi bobot (Vij;Wjk) dan bias (V0j;W0k)
Langkah 1: Selama kondisi henti gagal, lakukan langkah 2-9
Langkah 2: Untuk setiap pasangan pelatihan, lakukan langkah 3-8
(Proses Feedforward):
Langkah 3: Setiap unit input (Xi, i=1,2,…,n):
• menerima sinyal input Xi
• mengirimkannya ke semua unit layer diatasnya (Hidden Layer)
• Langkah 4: Setiap unit hidden (Zj, j=1,2,…,p):
• menghitung semua sinyal input dengan bobotnya:
• menghitung nilai aktifasi setiap unti hidden sebagai output unit hidden:
Zj = f(Zinj ) (2.6)
Jurnal Elektro PENS, Teknik Elektro Industri, Vol.1, No.1, (2018)
Yk = f(Yink ) (2.8)
(Backpropagation of error):
Langkah 6: Setiap unit output (Yk, k=1,2,…,m):
• menerima pola target (Tk) yang bersesuaian dengan pola input
• menghitung informasi error:
Dengan momentum:
3. Hasil
Hasil pengujian dari komponen penyusun jurnal ini dibahas pada poin berikut:
3.1. Pengujian Karakteristik Photovoltaic
Pengujian photovoltaic dimulai pukul 09.22 hingga pukul 14.23 dengan jeda pengambilan data setiap 30 menit
sekali. Pengujian ini dilakukan dengan mengubah beban photovoltaic dari beban tertinggi (open) hingga beban terendah
(closed) yang diatur berdasarkan step perbedaan arus sebesar 0,5 A. Pertama data diambil pada saat photovoltaic dalam
keadaan open circuit. Pada kondisi ini tegangan photovoltaic berada pada tegangan maksimum untuk kondisi tersebut.
Kemudian pengambian data dilakukan dengan menggeser rheostat yang mengacu pada perubahan arus sebesar 0,5 A
hingga beban minimum. Kurva karakteristik photovoltaic) dapat ditunjukkan pada gambar 5 berikut ini.
200
Grafik P-V 6
Grafik I-V
180
160 5
140
4
Daya (W)
120
Arus (A)
100 3
80
60 2
40
1
20
0 0
0 10 20 30 40 50 60 0 10 20 30 40 50 60
Tegangan (V)) Tegangan (V)
782 W/m2 & 41 C 795 W/m2 & 43 C 782 W/m2 & 41 C 795 W/m2 & 43 C
843 W/m2 & 40 C 871 W/m2 & 43 C 843 W/m2 & 40 C 871 W/m2 & 43 C
800 W/m2 & 41 C 808 W/m2 & 46 C 800 W/m2 & 41 C 808 W/m2 & 46 C
742 W/m2 & 49 C 742 W/m2 & 49 C
(a) (b)
Gambar 5. (a) Kurva Karakteristrik Photovoltaic Daya Terhadap Tegangan
(b) Kurva Karakteristrik Photovoltaic Arus Terhadap Tegangan
3.2. Pengujian Boost Converter
Pengujian boost converter digunakan untuk mengetahui kemampuan hardware yang sudah. Pada pengujian ini
tegangan output converter dibuat tetap sebesar 57,6 V dengan variasi tegangan input yang diberikan sebesar 30 V, 36
V, 40 V, 45 V dan 50 V. Sehingga duty cycle akan diubah-ubah sehingga didapatkan tegangan output yang diinginkan.
Data pengujian dengan tegangan output tetap ini dapat ditunjukkan pada tabel 1.
Jurnal Elektro PENS, Teknik Elektro Industri, Vol.1, No.1, (2018)
Pengujian boost converter dengan tegangan output tetap pada tabel 1 didapatkan bahwa untuk tegangan input 36 V
diperlukan duty cycle sebesar 40,2% agar didapatkan 57,6 V. Nilai ini ternyata berbeda apabila dibandingkan dengan
perhitungan secara teori yang memrlukan duty cycle sebesar 37,5%. Kondisi ini mengindikasikan apabila terdapat
perbedaan pada komponen penyusun boost converter baik antara perhitungan, simulasi maupun pengujian sehingga
masih terdapat perbedaan.
3.3. Simulasi MPPT ANN
Dalam pengaplikasian ANN sebagai MPPT diperlukan data pembelajaran yang sesuai agar didapatkan daya
maksimum yang diinginkan. Pada simulasi ini data pembelajaran diambil dari simulasi open loop pada kondisi iradiasi
yang berbeda. Dengan perbedaan iradiasi tersebut kemudian dicari daya maksimum yang bisa dicapai, sehingga bias
didapatkan data tegangan keluaran photovoltaic dan arus keluaran photovoltaic sebagai data input dan duty cycle sebagai
data target. Gambar simulasi open loop untuk data pembelajaran dapat ditunjukkan pada gambar 6.
Simulasi open loop seperti pada gambar 6 didapatkan daya photovoltaic yang mampu dibangkitkan yaitu sebesar
300 W yang dicapai dalam 0,08 detik. Daya ini dibangkitkan dengan memberikan iradiasi 1000 W/m2 dan suhu 25°C
pada photovoltaic dan duty cycle sebesar 11% pada pwm boost converter. Data semacam ini kemudian diulang untuk
berbagai macam iradiasi untuk dicari daya maksimumnya. Data pembelajaran simulasi open loop dapat ditunjukkan
pada tabel 2.
Jurnal Elektro PENS, Teknik Elektro Industri, Vol.1, No.1, 2018
Data
Iradiasi Suhu Data Input
Target
(W/m2) (°C)
Tegangan (V) Arus (A) Daya (W) Duty Cycle
1000 25 54.03 5.552 299.97 0.11
975 25 53.96 5.423 292.63 0.1
950 25 53.87 5.295 285.24 0.09
925 25 53.75 5.108 274.56 0.08
900 25 54.19 4.991 270.46 0.06
875 25 54.02 4.87 263.08 0.05
850 25 53.81 4.749 255.54 0.04
825 25 54.13 4.584 248.13 0.02
800 25 53.86 4.468 240.65 0.01
Dari data pembelajaran pada tabel 2 kemudian dipelajari dengan menggunakan software MATLAB nntraintool
dengan arsitektur neural network 2 buah layer yang terdiri dari satu buah layer tersembunyi dan satu buah layer output.
Pada layer tersembunyi ini terdapat 10 buah neuron dan pada layer output terdapat 1 buah neuron. Hasil pembelajaran
untuk data pada tabel 2 dapat disajikan pada seperti pada gambar 7.
Setelah didapatkan konversi pembelajaran dalam bentuk Simulink kemudian dilakukan simulasi MPPT secara close
loop. Simulasi ini dilakukan pada kondisi iradiasi sebesar 1000 W/m2 dan dengan suhu sebesar 25°C. Rangkaian dari
simulasi ini dapat ditunjukkan pada gambar 9.
t (s)
Berdasarkan hasil simulasi pada gambar 10 dapat ditunjukkan bahwa dengan algoritma ANN pada MPPT mampu
menghasilkan daya sebesar 300 W yang didapatkan selama 0,08 detik. Data ini kemudian dapat dijadikan acuan bahwa
pengambilan data tegangan, arus dan duty cycle saat daya maksimum menghasilkan daya yang sesuai dengan data
pembelajarannya.
Hasil pembelajaran pada tabel 4 didapatkan nilai error mse (mean square error) terkecil pada arsitektur neural
network dengan 3 layer yang terdiri dari 2 layer tersembunyi dan 1 layer output. Untuk layer tersembunyi pertama
menggunakan 20 buah neuron dan layer tersembunyi kedua menggunakan 15 buah neuron. Pada proses pembelajaran
ini sebenarnya penggunaan 4 buah layer dapat memperkecil error namun dengan menimbang akan memperberat
komputasi mikrokontroler maka diputuskan hanya menggunakan 3 buah layer saja. Dari pembelajaran ini didapatkan
hasilnya melalui software MATLAB dengan menu nntraintool seperti pada gambar 10.
Jurnal Elektro PENS, Teknik Elektro Industri, Vol.1, No.1, (2018)
(a) (b)
Gambar 10 a) Hasil Training nntraintool
b) Grafik Regresi dari Hasil Training
Hasil pembelajaran dengan menggunakan arsitektur 20 15 1 sudah menunjukkan hasil yang cukup baik dengan mse
2,46e-5 dengan banyak iterasi 10000 kali. Grafik regresi dari training ini menunjukkan bahwa hasil uji sudah mempu
mengikuti data training-nya walaupun masih ada beberapa data yang tidak sesuai. Pembelajaran menggunakan
nntraintool ini menghasilkan bobot dan bias hasil dari pembelajaran. Bobot dan bias hasil pembelajaran dapat
ditunjukkan pada tabel 5 sampai dengan tabel 10.
Bias Layer
Neuron Tersembunyi 1
1 9.262927
2 -26.8092
3 39.34496
4 13.86815
5 15.34134
Layer 6 3.128632
Tersembunyi 7 -26.3438
2 8 -8.30747
9 0.14554
10 24.72158
11 4.310037
12 -39.4984
13 1.755006
14 -6.33698
15 20.02395
Bias Layer
Tersembunyi
Layer
Output 40.89690782
Jurnal Elektro PENS, Teknik Elektro Industri, Vol.1, No.1, (2018)
Hasil uji dari penerapan algortima ANN pada MPPT ditunjukkan pada tabel 11 dan gambar 11.
Tabel 11. Prosentase Kenaikan Daya
250
200
Daya (W)
150
100
50
0
11:02 11:31 12:00 12:28 12:57 13:26 13:55
Waktu
Daya Tanpa MPPT Daya dengan MPPT
Berdasarkan prosentase kenaikan daya pada tabel 11 dapat diketahui apabila kenaikan daya input converter
menggunakan kontrol MPPT dengan algoritma ANN berkisar dari 54,02% sampai dengan 61,70% sehingga mempunyai
rata-rata kenaikan daya sebesar 56,22 % dibandingkan daya input converter tanpa menggunakan kontrol MPPT pada
beban baterai. Gambar 11 menunjukkan apabila daya dengan maupun tanpa MPPT mengalami penurunan seiring dengan
waktu. Hasil ini mengindikasikan bahwa algoritma ANN telah mampu diterapkan pada metode pemaksimalan daya
photovoltaic.
4. Kesimpulan
Berdasarkan proses yang sudah dilakukan dari perencanaan hingga pengujian integrasi peralatan dapat disimpulkan
bahwa prosentase kenaikan daya input converter menggunakan kontrol MPPT dengan algoritma ANN rata-rata sebesar
56,22 % dibandingkan daya input converter tanpa menggunakan kontrol MPPT pada beban baterai dengan kondisi
pengujian cuaca cerah.
Referensi
[1] Mohammadmehdi Seyedmahmoudian, Rasoul Rahmani, Saad Mekhilef, Amanullah Maung Than Oo, Alex Stojcevski, Tey Kok Soon, Alireza
Safdari Ghandhari, “Simulation and Hardware Implementation of New Maximum Power Point Tracking Technique for Partially Shaded PV
System Using Hybrid DEPSO Method,” IEEE Transactions On Sustainable Energy, 2015
[2] Jubaer Ahmed, Zainal Salam, “A Modified P&O Maximum Power Point Tracking Method with Reduced Steady State
Oscillation and Improved Tracking Efficiency,” IEEE Transactions On Sustainable Energy, 2016
Jurnal Elektro PENS, Teknik Elektro Industri, Vol.1, No.1, 2018
[3] Suman Kumar Roy, Shoeb Hussain, Mohammad Abid Bazaz, “Implementation of MPPT Technique For Solar PV System Using ANN,” 2017
Recent Developments in Control, Automation & Power Engineering (RDCAPE), 2017
[4] Nezha El Hichami, Ahmed Abbou, Saloua Marhraoui, Salaheddine Rhaili, “Comparison Between Both Commands Photovoltaic MPPT of the
System: Algorithm P&O and IncCond, using converter BOOST,” 2017 International Conference on Engineering and Technology, 2017
[5] Sabir Messalti, Abd Ghani Harrag, Abd Elhamid Loukriz, “A New Neural Networks MPPT controller for PV Systems,” 6th International
Renewable Energy Congress (IREC), 2015
[6] Sathish Kumar Kollimalla Mahesh Kumar Mishra, “Variable Perturbation Size Adaptive P&O MPPT Algorithm for Sudden Changes in
Irradiance,” IEEE Transactions On Sustainable Energy, 2014
[7] Taohid Latif1, Syed R. Hussain, “Design of a charge controller based on SEPIC and Buck topology using modified Incremental Conductance
MPPT,” 8th International Conference on Electrical and Computer Engineering, 2014
[8] Mohammadmehdi Seyedmahmoudian, Rasoul Rahmani, Saad Mekhilef, Amanullah Maung Than Oo, Alex Stojcevski, Tey Kok Soon, Alireza
Safdari Ghandhari “Simulation and Hardware Implementation of New Maximum Power Point Tracking Technique for Partially Shaded PV
System Using Hybrid DEPSO Method,” IEEE Transactions On Sustainable Energy, 2015
[9] Rajeshree Patil, Harsha Anantwar, “Comparative Analysis of Fuzzy Based MPPT for Buck and Boost Converter Topologies for PV
Application,” 2017 International Conference On Smart Technologies For Smart Nation (SmartTechCon), 2017
[10] Md. Samiul Haque Sunny, Abu Naim Rakib Ahmed, Md. Kamrul Hasan “Design and Simulation of Maximum Power Point Tracking of
Photovoltaic System Using ANN,” 3rd International Conference on Electrical Engineering and Information Communication Technology
(ICEEICT), 2016
[11] Moirangthem Dennis Singh, Shine V J, Varaprasad Janamala, “Application of Artificial Neural Networks in Optimizing MPPT Control for
Standalone Solar PV System,” 2014 International Conference on Contemporary Computing and Informatics (IC3I), 2014
[12] Hardini, Kartika Novi, 2014, “Teknik Maximum Power Point Tracker (MPPT) Menggunakan Fuzzy Logic Control Pada Beban Pompa Air
Kolam”, Tugas Akhir, Teknik Elektro Industri Politeknik Elektronika Negeri Surabaya.
[13] Maharani, Anintya, 2010, “Rancang Bangun Rangkaian Full Bridge Converter dan Three Phase Inverter sbagai Penggerak Mobil Listrik
Berbasis Mikroontroler (Full Bridge Converter)”, Tugas Akhir, Teknik Elektro Industri Politeknik Elektronika Negeri Surabaya.
[14] Tito, Beng, 2012, “Metode MPPT Baru untuk Sel Surya Berdasarkan Pengendali PI”, Skripsi, Universitas Indonesia
[15] Muhammad H. Rashid, Ph.D., “Power Electronics Handbook Devices, Circuits, and Applications -Third Edition”, 2011
[16] Priananda, Ciptian Weried , 2013, “Maksimum Power Point Tracker Photovoltaic Menggunakan Algoritma Biseksi”, Tugas
Akhir, Teknik Elektro Industri Politeknik Elektronika Negeri Surabaya.
[17] Baharuddin, Lukman Hakim, 2015, “Penerapan Metode Adaptive Neuro Fuzzy Inference System (Anfis) Sebagai Mppt
Photovoltaic Untuk Pengaturan Kerja Buckboost Konverter Sebagai Penyulai Sumber Dc Dalam Micro Grid”, Tugas Akhir,
Teknik Elektro Industri Politeknik Elektronika Negeri Surabaya.
[18] Mashita,, Suci Nur, 2016, “Maximum Power Point Tracker Pada Solar Panel Statis Dengan Dc-Dc Converter Paralel Full Bridge
Untuk Beban Pompa Air”, Tugas Akhir, Teknik Elektro Industri Politeknik Elektronika Negeri Surabaya.
[19] H. I. Abdelkader, A. Y. Hatata dan M. S. Hasan, “Developing Intelligent MPPT for PV Systems Based on ANN and P&O
Algorithms”, International Journal of Scientific & Engineering Research, Volume 6, Issue 2, February-2015, 2015
[20] Putra, Dwi Sudarno, 2011, “Pengembangan Jaringan Syaraf Tiruan Dengan Metode Som Fuzzy Dan Lvq Fuzzy”, Tesis,
Universitas Indonesia
[21] Simon Haykin, “Neural Networks and Learning Machine – Third Edition”, 2009
[22] Daniel W. Hart, “Power Electronics”, 2011
[23] Widodo, Rusminto Tjatur dkk, “Maximum Power Point Tracker Sel Surya Menggunakan Algoritma Pertrub and Observe”,
PENS-ITS.
[24] Singgih Kurniawan, “Maximum Power Point Tracking (MPPT) dengan Konverter DC-DC Tipe Cuk Menggunakan Metode
Logika Fuzzy pada Fotovoltaik”
[25] Aries Pratama Kurniawan, 2010, “Optimalisasi Sel Surya menggunakan Maximum Power Point Tracker (MPPT) Sebagai Catu
Daya Base Transceiver Station”, Proyek Akhir FTI – ITS.
[26] M.T. Makhloufi., Y. Abdessemed, M.s Khireddine, 2016, "An Efficient ANN-Based MPPT Optimal Controller of a DC/Dc
Boost Converter for Photovoltaic Systems”, Batna University
[27] Kosyachenko, Leonid A. 2011, Solar Cell – Silicon Wafer – Based Technologies, Intech: Rijeka Croatia.