www.jurnalpa.eepis-its.

edu
Jurnal
Teknik Elektro Industri
Elektro Vol.1, No.1, 2018
PENS Politeknik Elektronika Negeri Surabaya

Penerapan Metode Artificial Neural Network (ANN) sebagai MPPT

Photovoltaic untuk Penyimpan Sumber DC
Ramadhan Bilal Assidiq, Epyk Sunarno, Syechu Dwitya Nugraha
Program Studi D4 Teknik Elektro Industri
Departemen Teknik Elektro
Politeknik Elektronika Negeri Surabaya
Kampus PENS, Jalan Raya ITS Sukolilo, Surabaya 60111
Tel: (031) 594 7280; Fax: (031) 594 6114
Email:ramabilal@outlook.com,epyk@pens.ac.id, syechu@pens.ac.id

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:

Gambar 2.1 Blok Diagram Sistem

Berikut ini merupakan dasar teori dari komponen penting dalam tugas akhir ini:
2.1. Photovoltaic dan MPPT
Solar cell atau photovoltaic adalah suatu alat yang dapat mengkonversi radiasi tenaga matahari menjadi sumber
energy listrik secara langsung. Dalam sebuah modul PV (photovoltaic) terdiri dari banyak sel surya yang bisa terpasang
secara seri maupun pararel. Surya adalah sebuah elemen semikonduktor yang dapat mengkonversi energi surya menjadi
energy listrik atas dasar efek photovoltaic. Solar Cell mulai banyak digunakan seiring dengan menipisnya energi fosil
serta terjadinya isu global warming. Bentuk karakteristik keluaran dari photovoltaic dapat dilihat dari kurva performansi,
disebut kurva V-I yang menunjukan hubungan antara tegangan dan arus seperti yang ditunjukkan pada gambar 1.

Gambar 1. (a) Karakteristik Photovoltaic antara tegangan dan arus

(b) Karakteristik P-V untuk level iradiasi yang berbeda
Photovoltaic dapat beroperasi secara maksimum jika temperatur sel photovoltaic dalam kondisi normal (iradiasi
1000W/m2 dan suhu photovoltaic 25°C). Semakin naiknya temperatur photovoltaic akan melemahkan tegangan keluaran
/ tegangan Open Circuit (Voc). Pelemahan tegangan keluaran menyebabkan berkurangnya daya keluar dari photovoltaic.
Seperti pada gambar 2.1 pada saat iradiasi 1000 W/m2 dan suhu 25°C daya yang terbangkitkan yaitu 100 W sedangkan
untuk iradiasi 800 W/m2 daya yang terbangkitkan hanya berkisar 70 W. Dengan mengecilnya iradiasi ini membuat
tegangan dan arusnya menjadi lebih kecil. Maximum Power Point Tracker (MPPT) adalah sebuah metode yang digunakan
untuk mendapatkan nilai tegangan dan arus yang optimal sehingga didapat daya keluaran yang maksimal dari suatu panel
surya. Daya keluaran yang maksimal ini akan menghasilkan rasio daya yang tinggi dan mengurangi rugi-rugi suatu panel
surya.
Adapun prinsip kerja dari MPPT adalah menaikkan tegangan dan menurunkan tegangan kerja panel surya. Apabila dalam
suatu sistem panel surya, tegangan kerja panel surya jatuh pada daerah disebelah kiri Vmp (tegangan kerja lebih kecil dari
pada tegangan Vmp), maka tegangan kerja panel surya akan dinaikkan sampai mencapai Vmp, begitu juga sebaliknya apabila
tegangan kerja panel surya lebih besar dari pada Vmp, maka tegangan kerja panel surya akan diturunkan sampai mencapai
Vmp. Setelah mencapai tegangan maximum point (Pmax), secara otomatis daya keluaran pada panel surya juga akan menjadi
maksimal.
 Jurnal Elektro PENS, Teknik Elektro Industri, Vol.1, No.1, (2018)

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)

∆P = Pin(in) - Pin(n-1) (2.3)

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).

Gambar 2 Rangkaian Boost Converter

Saat switch on, induktor mendapat tegangan dari input dan mengakibatkan adanya arus yang melewati induktor
berdasarkan waktu dan dalam waktu yang sama kapasitor dalam kondisi membuang (discharge) dan menjadi sumber
tegangan dan arus pada beban.
Saat switch off, tegangan input menjadi sumber untuk beban melalui induktor, pada saat yang bersamaan pula
kapasitor dalam kondisi menyimpan (charge). Jadi pada saat switch on arus beban disuplai oleh kapasitor, namun pada
saat switch off disuplai oleh induktor.
Besar dan kecilnya nilai tegangan output diatur berdasarkan duty cycle (D) PWM pada switch. Semakin kecil nilai
duty cycle-nya maka semakin besar tegangan output. Tegangan output akan sama dengan tegangan input pada saat D =
0.
Fungsi boost converter pada tugas akhir ini untuk menaikkan tegangan input desain dari 36 V sampai dengan 54 V
menjadi tegangan pengisian baterai sebesar 57,6 V. Boost converter ini didesain mempunyai efisiensi sebesar 90%.
Sehingga untuk kondisi maksimumnya daya output boost converter ini mampu menyalurkan daya hingga 270 W dari
daya maksimum photovoltaic sebesar 300 Wp.
Parameter dan nilai dari masing-masing komponen yang digunakan pada untuk mendesain boost converter ini
dapat dijabarkan seperti berikut ini:
Vs = 36 V Vo = 57,6 V
 Jurnal Elektro PENS, Teknik Elektro Industri, Vol.1, No.1, 2018

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

5. Menghitung Panjang Kawat

𝐿 = 𝑛 × ∑𝑠𝑝𝑙𝑖𝑡 × 𝜋 × 𝐷𝑏𝑜𝑏 + 40%
𝐿 = 23 × 13 × 𝜋 × 2,6 + 0,4(23 × 13 × 𝜋 × 2,6) = 3419 𝑐𝑚
𝐿 ≈ 34,5 𝑚
Rangkaian snubber pada boost konverter ini memiliki nilai arus ON (I ON) dan tegangan OFF (VOFF) yang sama
dengan tegangan keluaran boost konverer (Vout). Besarnya nilai fall time diode yang digunakan sebesar 43 ns sesuai
dengan datasheet IRFP460. Sehingga besarnya Rsnubber dan Csnubber dapat ditentukan berdasarkan perhitungan berikut:
Tfall = 43n s
𝑉𝑜 57,6
𝐼𝑂𝑁 = 𝐼𝑜 × = 4,68 × = 7,488𝐴
𝑉𝑠 36
𝑉𝑜𝑓𝑓 = 𝑉𝑜 = 57,6𝑉
𝑉𝑠 36
𝐷 = 1− =1− = 0,375
𝑉𝑜 57,6
1 1
𝑇= = = 25𝜇𝑠
𝑓 40𝑘
Snubber Capacitor
𝐼𝑂𝑁 × 𝑡𝑓𝑎𝑙𝑙
𝐶𝑠𝑛𝑢𝑏𝑏𝑒𝑟 ≈
2 × 𝑉𝑂𝐹𝐹
7,488 × 43𝑛
𝐶𝑠𝑛𝑢𝑏𝑏𝑒𝑟 = = 2,795𝑛𝐹 ≈ 3,3𝑛𝐹
2 × 57,6
Snubber Resistor
𝐷×𝑇
𝑅𝑠𝑛𝑢𝑏𝑏𝑒𝑟 <
2 × 𝐶𝑠𝑛𝑢𝑏𝑏𝑒𝑟
0,375 × 25𝜇
𝑅𝑠𝑛𝑢𝑏𝑏𝑒𝑟 <
2 × 2,795𝑛
𝑅𝑠𝑛𝑢𝑏𝑏𝑒𝑟 < 1677Ω
𝑅𝑠𝑛𝑢𝑏𝑏𝑒𝑟 ≈ 820Ω
2.3. ANN (Artificial Neural Network)
Artificial Neural Network ANN adalah sebuah representasi buatan dari otak manusia yang dikembangkan dengan
pola kerja otak sesungguhnya. Backpropagation merupakan salah satu metode dari Artificial Neural Network ANN.
Metode ini menggunakan beberapa layer dan termasuk dalam kategori ANN terbimbing. Penambahan sebuah layer
tersembunyi diantara layer masukan dan keluaran membuat ANN Backpropagation mampu mengatasi masalah
pengenalan beberapa pola. Namun karena memiliki beberapa layer juga membutuhkan proses komputasi yang lebih
panjang dan kompleks, konsekuensinya waktu pelatihannya semakin lama.
Backpropagation melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan untuk mengenali
pola yang digunakan selama pelatihan serta kemampuan jaringan untuk memberikan respon yang benar terhadap pola
masukan yang serupa (tapi tidak sama) dengan pola yang dipakai selama pelatihan. Secara umum backpropagation
memiliki 3 layer, yaitu layer masukan yang biasa dinotasikan dengan X (dengan unit Xi) dengan n buah masukan,
kemudian layer tersembunyi Z (dengan unit neuron Zj) sebanyak p neuron dan layer keluaran Y sebanyak m (dengan
unit neuron Yk). Layer masukan selain berupa unit masukan juga ditambah dengan sebuah bias. Demikian pula dengan
layer tersembunyi ada tambahan sebuah bias. Sebenarnya di layer tersembunyi sendiri, selain bebas menentukan jumlah
neuronnya, juga bebas menambahkan jumlah layer, namun tentu saja dengan konsekuensi akan menambah panjang
 Jurnal Elektro PENS, Teknik Elektro Industri, Vol.1, No.1, 2018

proses komputasi. Terakhir adalah bagian output yang terdiri dari unit-unit keluaran. ilustrasi gambar arsitekturnya
seperti tampak pada gambar 3.

Gambar 3 Model non-linear neuron

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

Gambar 4 Ilustrasi neuron

Pada layer masukan, unit masukan hanya berfungsi untuk “jalan masuk” saja. Sedangkan untuk unit/neuron pada
layer tersembunyi dan layer keluaran memiliki komponen masukan dan keluaran berupa fungsi. Pada gambar 2.3
neuron memiliki dua komponen. Komponen masukan, fungsi yang berlaku adalah jumlah dari bobot bias ditambah
dengan jumlah perkalian masing-masing masukan yang menuju neuron tersebut dengan masing-masing bobotnya.
Misal dinotasikan Z-inj adalah komponen masukan pada Zj maka

Zinj = Vj0 + ∑ni=1 Xi Vji (2.5)

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:

Zin = V0j + ∑ Xi Vij

j
(2.5)

• 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)

• mengirim nilai aktifasi sebagai input untuk unit output

Langkah 5: Setiap unit output (Yk, k=1,2,…,m):
• menghitung semua sinyal keluaran dari Z dengan bobotnya:

Yink = w0k + ∑ Zj Wjk (2.7)

• menghitung nilai aktifasi setiap unit output sebagai output jaringan

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:

δk = (Tk -Yk )f' (Yink ) (2.9)

• menghitung besarnya koreksi bobot unit output:

∆Wjk = αδk Zj (2.10)

• menghitung besarnya koreksi bias output:

∆W0k = αδk (2. 11)

• mengirimkan 𝛿𝑘 ke unit-unit yag ada pada layer di bawahnya.

Langkah 7: Setiap unit hidden (Zj, j=1,2,…,p):
• menghitung semua koreksi error:

δinj = ∑ δk Wjk (2. 12)

• menghitung nilai aktifasi koreksi error:

δj = δinj f'(Zinj ) (2. 13)

• menghitung koreksi bobot unit hidden:

∆Vij = αδj Xi (2. 14)

• menghitung koreksi error bias unit hidden:

∆V0j = αδj (2. 15)

Langkah 8: Setiap unit output (Yk, k=1,2,…,m):

• meng-update bobot dan biasnya (j=0,1,…,p):

Wjk (baru) = Wjk (lama) + ∆Wjk (2. 16)

Dengan momentum:

Wjk = Wjk (t) + ∆Wjk + μ(Wjk (t) - Wjk (t - 1) (2. 17)

W0k (baru) = W0k (lama) + ∆W0k (2. 18)
 Jurnal Elektro PENS, Teknik Elektro Industri, Vol.1, No.1, 2018

• Setiap unit hidden (Zj, j=1,2,…,p):

Meng-update bobot dan biasnya (i=0,1,…,n):

Vij (baru) = Vij (lama) + ∆Vij (2. 19)

Dengan momentum:

Vij = Vij (t) + ∆Vij + μ(Vij (t) - Vij (t - 1) (2. 20)

V0j (baru) = V0j (lama) + ∆V0j (2. 21)
Langkah 9: Cek kondisi henti
Selanjutnya untuk algoritma pengujian, saat terdapat sebuah vektor masukan yang hendak diuji maka cukup diuji
dengan melakukan langkah 3, 4 dan 5 saja. Dengan vektor bobot menggunakan vektor bobot terakhir yang diperoleh
pada proses pelatihan.

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)

Tabel 1. Pengujian Boost Converter dengan Tegangan Output Tetap

Duty Vout Vout
Vin Iin Pin Iout Pout Efisiensi
Cycle (Praktik) (Teori)
(V) (A) (W) (A) (W) (%)
(%) (V) (V)
30 9,8 294 50,8 60,98 4,6 280,51 90,12
36 8,1 291,6 40,2 60,2 4,6 276,92 90,86
40 7,3 292 32,7 57,6 59,44 4,6 273,42 90,7
45 6,3 283,5 23,4 58,75 4,6 271,25 93,46
50 5,7 285 15 58,8 4,6 271,48 92,96

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.

Gambar 6 Simulasi Open Loop Sebagai Data Pembelajaran

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

Tabel 2 Data Pembelajaran Simulasi MPPT ANN

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.

Gambar 7 Hasil Pelatihan nntraintool MATLAB

Setelah data telah dipelajari maka hasil pembelajaran tersebut dikonversikan ke dalam bentuk simuilink dengan
menggunakan syntax gensim(). Hasil dari pengkonversian ke dalam bentuk Simulink dapat dilihat pada gambar 8.

Gambar 8 Simulink ANN Hasil Konversi

 Jurnal Elektro PENS, Teknik Elektro Industri, Vol.1, No.1, (2018)

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.

Gambar 9 Rangkaian Simulasi Close Loop dengan Algortima ANN

Hasil simulasi pada gambar 9 dapat ditunjukkan pada gambar 10.

t (s)

Gambar 10 Hasil Simulasi Close Loop dengan Algoritma ANN

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.

3.4. Pengujian MPPT ANN

Untuk menguji MPPT ANN diperlukan data training yang digunakan sebagai data pembelajaran algoritma ANN.
Dalam pengambilan data tersebut diperhatikan pula teknik pengambilan data, dikarenakan input data layer yang berupa
tegangan dan arus photovoltaic tidak dapat secara linear menggambarkan berapa daya yang dapat dibangkitkan maka
perlu diambil data training yang sebanyak-banyaknya dengan berbagai macam kondisi cuaca. Pengambilan data training
dilakukan selama 3 hari (8,11 dan 12 Juli 2018) mulai pukul 10.00 sampai dengan pukul 15.00 dengan kondisi SOC
baterai awal 40% dan SOC baterai akhir 90%. Pengambilan data dilakukan setiap 3 menit sekali agar didapatkan data
training yang mewakili berbagai macam kondisi agar didapatkan akurasi target sebaik-baiknya. Berikut merupakan
cuplikan data pembelajaran yang dapat ditunjukkan pada tabel 3.
 Jurnal Elektro PENS, Teknik Elektro Industri, Vol.1, No.1, 2018

Tabel 3. Data Training

Layer Daya
Layer Input
Target Maks
Iin (A) Vin (V) DC Pin (W)
5.20 42.71 0.185 222.09
5.17 42.10 0.204 217.58
5.00 42.39 0.165 211.96
4.71 43.56 0.116 205.17
4.88 43.68 0.151 213.06
4.79 44.00 0.13 210.61
4.95 43.46 0.15 215.35
5.02 42.49 0.203 213.10
5.05 43.25 0.182 218.27
5.34 42.06 0.208 224.49
5.23 42.60 0.2 222.80
5.28 43.01 0.191 226.91
4.83 43.40 0.183 209.71
5.02 43.11 0.198 216.21
5.20 43.06 0.187 223.87
5.29 42.91 0.197 227.05
5.61 42.14 0.209 236.53
4.76 44.82 0.158 213.14
5.46 42.73 0.215 233.29
Pada proses training ini perlu memilih arsitektur yang tepat untuk mendapatkan mse (mean square error) sekecil
mungkin. Oleh karena itu perlu melihat hasil training dari berbagai macam jenis arsitektur neuron dan fungsi
aktivasinya. Dikarenakan bobot dan bias awal untuk proses learning MATLAB yang acak, maka untuk setiap jenis
arsitektur dilakukakan beberapa kali proses training agar didapatkan mse yang paling kecil sehingga didapatkan data
pembanding yang seimbang. Data hasil pembelajaran untuk tiap-tiap arsitektur dan fungsi aktivasinya dapat ditunjukkan
pada tabel 4.
Tabel 4. Hasil Pembelajaran Tiap Arsitektur
BTP (Best Training
Arsitektur Fungsi Aktivasi Epoch
Performance) dalam mse
16 13 1 tansig logsig purelin 10000 5,95E-05
15 10 1 tansig logsig purelin 10000 9,85E-05
20 15 1 tansig logsig purelin 10000 3,02E-05
16 13 1 tansig tansig purelin 10000 4,30E-05
15 10 1 tansig tansig purelin 10000 1,16E-04
20 15 1 tansig tansig purelin 10000 2,46E-05
20 1 tansig purelin 10000 4.13E-04
20 1 logsig purelin 10000 3.11E-04

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.

Tabel 5 Bobot Layer Input ke Layer Tersembunyi 1

Neuron Bobot Layer Input
Tegangan Arus
1 0.769904 2.488784
2 0.459574 3.866415
3 1.263107 4.558776
4 -1.08302 -10.3322
5 -0.69871 -1.23691
6 1.433993 -3.27804
7 1.294492 -2.72815
8 0.427611 -0.52452
Layer 9 0.189787 -4.83355
Tersembunyi 10 -0.56949 -3.8158
11 0.860599 1.518398
12 0.79588 3.900749
13 0.686869 -2.39114
14 -0.00368 -3.20609
15 -1.21797 7.737274
16 2.183678 -5.97919
17 -0.14433 -3.12492
18 1.036124 0.058194
19 0.990498 0.69437
20 2.483982 -6.31824
 Jurnal Elektro PENS, Teknik Elektro Industri, Vol.1, No.1, 2018

Tabel 6 Bias Layer Input ke Layer Tersembunyi 1

Bias Layer
Neuron
Input
1 -47.0014
2 -40.8827
3 -78.2883
4 102.7621
5 40.04207
6 -61.5755
7 -53.9705
Layer 8 -19.3541
Tersembunyi 9 8.79073
1 10 41.52075
11 -46.3086
12 -53.2658
13 -22.8472
14 13.49127
15 24.44481
16 -68.0914
17 15.75891
18 -44.9997
19 -47.094
20 -75.9154

Tabel 7 Bobot Layer Input ke Layer Tersembunyi 2

Layer Tersembunyi 1
Neuron
1 2 3 4 5 6 7 8
1 0.770 2.489 6.070 -2.832 69.042 86.264 -14.718 6.613
2 0.460 3.866 4.172 -3.941 2.314 1.838 -30.678 19.549
3 1.263 4.559 1.158 4.755 -14.508 7.959 11.259 -7.086
4 -1.083 -10.332 0.543 -2.090 -6.769 5.030 23.832 -23.559
5 -0.699 -1.237 -11.995 21.708 -4.233 10.846 4.534 18.544
Layer 6 1.434 -3.278 -5.676 4.723 0.074 -8.342 25.114 -6.710
Tersembunyi 7 1.294 -2.728 -2.460 0.744 -0.665 -8.677 1.507 -9.549
2
8 0.428 -0.525 7.376 -1.889 6.159 -12.511 4.479 33.450
9 0.190 -4.834 -4.727 1.358 -5.660 17.797 11.512 -43.587
10 -0.569 -3.816 7.083 -0.365 -12.821 4.736 -9.517 -0.142
11 0.861 1.518 -1.627 -0.474 -8.715 -17.277 6.205 35.721
12 0.796 3.901 -2.204 -1.389 9.415 5.592 -5.794 4.100
13 0.687 -2.391 -38.899 0.613 8.944 -5.768 14.322 -3.134
14 -0.004 -3.206 1.488 -2.968 -3.206 8.266 1.261 -21.512
15 -1.218 7.737 -0.998 0.129 -6.295 2.320 1.658 -16.950
 Jurnal Elektro PENS, Teknik Elektro Industri, Vol.1, No.1, (2018)

Lanjutan Tabel 7 Bobot Layer Input ke Layer Tersembunyi 2

Layer Tersembunyi 1
Neuron
9 10 11 12 13 14 15 16
1 -1.622 -36.682 -22.582 2.511 -14.544 46.023 9.219 0.612
2 30.296 -17.178 14.667 -0.698 -31.261 10.387 -13.387 -1.171
3 -7.265 -18.896 -4.846 4.640 7.207 -16.594 12.438 29.642
4 5.817 -24.781 -4.329 -2.934 2.133 -2.678 -15.763 0.034
5 19.189 14.337 3.408 -0.982 -6.166 -24.128 5.405 -2.700
Layer 6 -28.339 21.595 -14.085 5.888 26.878 -10.545 12.051 1.048
Tersembunyi 7 -1.981 12.692 5.716 -6.381 5.076 -25.577 -3.205 -0.682
2
8 -9.084 -22.113 -0.529 -8.302 14.454 -12.231 0.271 -3.988
9 7.934 -6.746 1.988 2.912 5.403 1.991 -1.698 -0.237
10 7.971 8.634 18.239 -18.143 16.001 -24.181 2.074 -1.753
11 -29.389 -7.041 -7.036 12.712 20.778 25.585 14.041 0.650
12 4.070 -5.294 -9.032 3.628 -2.719 3.355 -1.448 0.969
13 -7.985 -10.640 3.626 9.257 17.031 26.831 29.089 1.334
14 -1.562 1.249 0.640 -5.443 2.565 -4.482 0.410 -0.018
15 4.271 -8.185 1.775 -0.009 -3.833 5.191 -3.713 -38.474
Lanjutan Tabel 7 Bobot Layer Input ke Layer Tersembunyi 2
Layer Tersembunyi 1
Neuron
17 18 19 20
1 33.596 -9.874 -2.970 2.875
2 -17.551 2.992 -7.686 -1.417
3 -9.063 -15.477 -7.915 0.261
4 -5.325 3.662 3.254 -14.843
5 -5.034 9.852 2.843 -3.908
Layer 6 -2.238 -4.992 12.979 1.023
Tersembunyi 7 50.007 28.482 -0.386 33.606
2 8 -4.578 -4.893 8.534 3.999
9 3.264 4.878 0.599 -3.717
10 -8.827 0.317 -6.456 -1.149
11 -11.889 1.816 -1.806 0.879
12 -31.903 -2.698 2.116 1.087
13 -8.603 1.731 -14.953 7.956
14 -0.627 -2.377 -1.139 0.319
15 -32.839 -38.428 1.043 17.803
Jurnal Elektro PENS, Teknik Elektro Industri, Vol.1, No.1, 2018

Tabel 8 Bias Layer Tersembunyi 1 ke Layer Tersembunyi 2

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

Tabel 9 Bobot Layer Tersembunyi ke Layer Output

Neuron Layer Output

1 12.51323
2 18.74941
3 -19.8471
4 6.2426
5 -9.15853
6 18.82446
7 15.07828
8 18.22181
9 21.95085
10 -15.2741
11 15.06523
12 -18.205
13 -3.41351
14 32.80929
15 4.82684
Tabel 10 Bias Layer Tersembunyi 2 ke Layer Output

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

Daya Tanpa MPPT (W) Daya dengan MPPT (W) Prosentase

Pukul Kenaikan Daya
Tegangan (V) Arus (A) Tegangan (V) Arus (A) (%)
11.30 50.31 2.23 45.44 5.37 54.02
11.45 51.06 2.21 47.51 5.02 52.69
12.00 51.45 2.17 48.39 5.02 54.10
12.15 51.50 2.08 47.87 4.91 54.41
12.30 51.82 1.70 47.65 4.82 61.70
12.45 52.14 1.80 46.53 4.63 56.39
13.00 52.44 1.78 47.77 4.36 55.12
13.15 52.54 1.53 47.70 4.11 59.13
13.30 52.59 1.53 47.39 3.70 54.22
13.45 52.77 1.38 50.67 3.62 60.42

Grafik Perbandingan Daya

300

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

Gambar 11 Grafik Perbandingan Daya

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.