Aldianto Wahyu Ramadhan., et al.

, Kinerja Dielektrik Minyak Goreng Kelapa Sawit Dengan Aditif Fenol Sebagai Isolasi Cair
Transformator Daya
Kinerja Dielektrik Minyak Goreng Kelapa Sawit Dengan Aditif Fenol Sebagai Alternatif Isolasi
Cair Transformator Daya
(Dielectric Performance Of Palm Oil With Phenol Additives As Alternative Liquid Insulation Power
Transformer)
Aldianto Wahyu Ramadhan1, H. R. B. Moch. Gozali, S.T., M.T. 2, Suprihadi Prasetyo, S.T, M.T. 3
1
Jurusan Teknik Elektro, Fakultas Teknik, Universitas Jember
2.3
Staf Pengajar Jurusan Teknik Elektro, Fakultas Teknik, Universitas Jember
Jl. Kalimantan 37, Jember 68121
email:aldiramadhann26@gmail.com

ABSTRAK
Menentukan lokasi gangguan merupakan hal yang penting dalam sistem transmisi energi listrik, sehingga gangguan
dapat segera dihilangkan. Untuk itu lokasi gangguan sangat penting untuk dapat diketahui atau diperkirakan dengan akurasi yang
cukup tinggi, sehingga dapat memungkinkan menghemat uang dan waktu untuk melakukan pemeriksaan dan perbaikan, serta
untuk memberikan layanan yang lebih baik karena pemulihan listrik dapat dilakukan lebih cepat Salah satunya adalah merancang
sistem proteksi rele jarak antar gardu induk berdasarkan gangguan hubung singkatnya berbasis neural network dan merancang
sistem proteksi rele jarak antar gardu induk berdasarkan lokasi gangguan berbasis neural network. Alat dan bahan yang
digunakan pada penilitian ini adalah sebuah laptop dan aplikasi Matlab R2009a dan R2015a. Data yang akan digunakan pada
pelatihan penelitian kali ini ialah data pada tahun 2014 sampai dengan tahun 2017, dimana dari data-data tersebut akan dibagi
menjadi data input dan data target pelatihan neural network. Data tersebut disusun menjadi 6 jenis data input dengan 10 sampel
dan 10 data target pada kedua percobaan. Dari hasil data yang dilatih maka dapat diuji dengan tampilan GUI yang sudah dibuat
dan juga membuat simulasi menggunakan simulink Matlab.

Kata kunci: Proteksi, Rele Jarak, Neural Network, MATLAB, Simulink, Gardu Induk, Transmisi

ABSTRACT
Determining the fault location is important in the electrical transmission system, so the faults can be immediately solved.
The fault location is very important to be known or predicted with high accuracy, thus enable to save money and time for inspect
and repair, then the electrical company can provide better services for the restoration of electricity which done more quickly.
One of the solutions is to design distance relay protection systems between substations by short circuit fault based on neural
network and distance relay protection systems design between substations based on neural network-based fault location. Equip-
ment and materials used in this research is a laptop and application Matlab R2009a and R2015a. The data that will be used in
the training of this study is the data in 2014 until 2017, which of these data will be divided into input data and target data of
neural network training. The data is organized into 6 types of input data with 10 samples and 10 target data in both experiments.
From the results of the data that are trained, it can be tested with GUI that has been created and also create a simulation using
Matlab Simulink.

Keywords: Protection, Distance Relay, Neural Network, MATLAB, Simulink, Substation, Transmission

I. PENDAHULUAN diperkirakan dengan akurasi yang cukup tinggi, sehingga

Gangguan yang terjadi pada sistem tenaga listrik
sangat beragam besaran dan jenisnya. Secara umum
klasifikasi gangguan pada sistem tenaga listrik disebabkan
oleh 2 faktor, yaitu gangguan yang berasal dari sistem dan
gangguan yang berasal dari luar sistem. [5]. Gangguan
hubung singkat menyebabkan terjadinya interupsi
kontinuitas pelayanan daya kepada para konsumen apabila
gangguan itu sampai menyebabkan terputusnya suatu
rangkaian (circuit) atau menyebabkan keluarnya satu unit
pembangkit, penurunan tegangan yang cukup besar
menyebabkan rendahnya kualitas tenaga listrik dan
merintangi kerja normal pada peralatan konsumen,
pengurangan stabilitas sistem dan menyebabkan jatuhnya
generator, dan merusak peralatan pada daerah terjadinya
gangguan tersebut [20].
Menentukan lokasi gangguan merupakan hal yang
penting dalam sistem transmisi energi listrik, sehingga
gangguan dapat segera dihilangkan. Untuk itu lokasi
gangguan sangat penting untuk dapat diketahui atau
BERKALA SAINSTEK
dapat memungkinkan menghemat uang dan waktu untuk
melakukan pemeriksaan dan perbaikan, serta untuk
memberikan layanan yang lebih baik karena pemulihan
listrik dapat dilakukan lebih cepat [16]. Metode NN
merupakan suatu model komputasi yang menggunakan
proses pembelajaran atau pelatihan yang dapat digunakan
untuk membantu memecahkan permasalahan di sistem
tenaga listrik [4].
Pada penelitian ini, nilai yang digunakan adalah nilai
tegangan dan arus tiap fasa sebagai pertimbangan dalam
pembentukan deteksi gangguan. Untuk penelitian ini akan
digunakan metode kecerdasan buatan Neural Network atau
juga disebut dengan jaringan syaraf tiruan yang
mengadaptasi dari jaringan syaraf biologi manusia.
Sehingga diharapkan gangguan yang akan dialami dapat
dideteksi lokasi keberadaannya dan jenisnya sehingga
keandalan dalam penyedia layanan listrik akan menjadi
lebih baik.
Aldianto Wahyu Ramadhan., et al., Kinerja Dielektrik Minyak Goreng Kelapa Sawit Dengan Aditif Fenol Sebagai Isolasi Cair
Transformator Daya
II. DASAR TEORI CG VC /( IC + 3 k0 I0)
A. Gangguan Listrik
VA, VB, dan VC = Tegangan fasa
Gangguan listrik salah satunya dapat berupa
gangguan hubung singkat. Gangguan hubung singkat dapat IA, IB, dan IC = Arus fasa
terjadi antara dua fasa, tiga fasa, satu fasa ke tanah, dua fasa
k0 = Faktor kompensasi residual.
ke tanah, atau 3 fasa ke tanah. Gangguan hubung singkat ini
sendiri dapat digolongkan menjadi dua kelompok yaitu Z0 = Impedansi urutan nol
gangguan hubung singkat simetri dan gangguan hubung
singkat tak simetri (asimetri). Gangguan yang termasuk Z1 = Impedansi urutan positif
dalam hubung singkat simetri yaitu gangguan hubung C. Deteksi dengan Neural Network
singkat tiga fasa, sedangkan gangguan yang lainnya Artificial Neural Network (ANN) merupakan suatu
merupakan gangguan hubung singkat tak simetri (asimetri). struktur komputasi yang dikembangkan berdasarkan proses
Gangguan ini akan mengakibatkan arus lebih pada fasa sistem jaringan syaraf biologi dalam otak. ANN merupakan
yang terganggu dan juga akan dapat mengakibatkan penjabaran fungsi otak manusia (biological neuron) dalam
kenaikan tegangan pada fasa yang tidak terganggu [5]. bentuk fungsi matematika yang menjalankan proses
B. Distance Relay perhitungan secara paralel [3]. Sementara itu ANN bersifat
Distance Relay merupakan salah satu jenis rele fleksibel terhadap masukan data dan menghasilkan respon
proteksi yang digunakan sebagai pengaman pada saluran yang konsisten. Jaringan yang terdiri dari beberapa lapisan
transmisi karena kemampuannya dalam menghilangkan (multilayer) dapat menunjukkan kapabilitasnya yang
gangguan (fault clearing) dengan cepat dan penyetelannya sempurna untuk memecahkan berbagai permasalahan.
yang relatif mudah. Pada prinsipnya, rele jarak adalah Pembelajaran ANN dapat menyelesaikan perhitungan
mengukur nilai arus dan nilai tegangan pada suatu titik paralel untuk tugas-tugas yang rumit, seperti prediksidan
tertentu sehingga diperoleh nilai impedansinya, kemudian pemodelan; klasifikasi dan pola pengenalan; pengklasteran;
membandingkannya dengan nilai setting impedansi tertentu dan optimisasi [10]. Sebuah fungsi transfer tertentu dapat
dari distance Rele tersebut untuk menentukan apakah rele dipilih untuk memecahkan beberapa masalah yang spesifik,
harus bekerja atau tidak [21]. sehingga dapat disimpulkan bahwa suatu neuron sedang
memecahkan suatu masalah tersebut.
𝑉𝑓
𝑍𝑓 = (1) D. Simulink Relay
𝐼𝑓
Untuk memahami fungsi rele model rele perangkat
Zf = Impedansi Gangguan (Ohm) lunak harus direalisasikan. Pemodelan rele proteksi
menawarkan alternatif yang ekonomis dan layak untuk
Vf = Tegangan Gangguan (kiloVolt) mempelajari kinerja dari rele proteksi. Pemodelan rele telah
If = Arus gangguan (Ampere) lama digunakan dalam berbagai tugas, seperti mendesain
Distance Rele akan bekerja dengan cara algoritma rele baru dan mengoptimalkan pengaturan rele.
Utilitas daya listrik menggunakan model rele berbasis
membandingkan impedansi gangguan yang terukur dengan
komputer untuk mengonfirmasi kinerja rele selama
setting impedansi pada distance Rele, dengan ketentuan [2]:
gangguan sistem dan kondisi pengoperasian normal serta
a. Jika harga impedansi gangguan lebih kecil daripada untuk melakukan penyesuaian korektif yang diperlukan
setting impedansi distance Rele, maka distance Rele pada pengaturan rele [12].
akan bekerja.
b. Jika harga impedansi gangguan lebih besar atau sama III. METODE
dengan setting impedansi distance rele, maka distance A. Pemodelan Neural Network
rele tidak akan bekerja. Struktur dari penelitian menggunakan NN ini dapat
dilihat pada gambar 7.2 Input pada penelitian ini
Tabel 1. Rumus Impedansi Gangguan [2] menggunakan data historis gangguan berupa arus dan
tegangan pada tiap fasa. Pada penelitian ini akan
Jenis Gangguan Rumus menghasilkan output berupa data gangguan dan
penanganannya sesuai prosedur. Output yang dihasilkan
(VA / IA) atau (VB / IB) pada kedua struktur berupa angka. Pada struktur NN yang
ABC atau ABCG atau menghasilkan output zona, output 1 berarti zona 1, output 2
berarti zona 2, dan output 3 berarti zona 3. Pada struktur NN
(VC / IC)
yang menghasilkan output jenis gangguan, output 1 berarti
AB atau ABG (VA – VB)/( IA – IB) tidak ada gangguan, output 2 berarti fasa A ke tanah, output
3 berarti fasa B ke tanah, output 4 berarti fasa C ke tanah,
AC atau ACG (VA – VC)/( IA – IC) output 5 berarti 2 fasa (A-B), output 6 berarti 2 fasa (B-C),
output 7 berarti 2 fasa (A-C), output 8 berarti 2 fasa ke tanah
BC atau BCG (VB – VC)/( IB – IC) (A-B), output 9 berarti 2 fasa ke tanah (B-C), dan output 10
berarti 2 fasa ke tanah (A-C). Kemudian dibentuk
AG VA /( IA + 3 k0 I0)
pemodelan GUI setelah dilakukan training pada neural
BG VB /( IB + 3 k0 I0) network yang digunakan.

BERKALA SAINSTEK
Aldianto Wahyu Ramadhan., et al., Kinerja Dielektrik Minyak Goreng Kelapa Sawit Dengan Aditif Fenol Sebagai Isolasi Cair
Transformator Daya

(b)
(a) (a) Rangkaian Komponen Simulink ; (b) Rangkaian
Komponen Blok NN
Gambar 3. Pemodelan Simulink pada Sistem Proteksi
Rele Jarak dengan NN

IV. HASIL DAN PEMBAHASAN

A. Hasil Uji Neural Network dengan GUI
Pada penelitian ini melakukan pengambilan data
(b) pada transmisi antar Gardu Induk Banyuwangi-Situbondo-
(a) Output Zona; (b) Output Jenis Gangguan Paiton seperti yang ditunjukkan pada tabel 4.1. Pada
penelitian pertama dengan merancang sistem proteksi rele
Gambar 1. Struktur Dasar Neural Network pada jarak antar gardu induk berdasarkan gangguan hubung
Penelitian singkatnya dengan neural network dimana nilai data dan
hasil uji merupakan penomoran dari masing-masing jenis
gangguan.
Pada tampilan GUI memiliki beberapa kolom yang
dapat diisi sebagai input saat proses program sedang
berlangsung. Kolom yang harus diisi yaitu arus untuk fasa
A, B, dan C dengan satuan Ampere serta tegangan untuk
fasa A, B, dan C dengan satuan kiloVolt (kV). Kemudian
penekanan push button zona gangguan atau jenis gangguan
dapat langsung memulai proses pelatihan dan pengujian
oleh neural network. Dari proses yang telah dilakukan maka
dapat dilihat hasil uji deteksi gangguan pada tabel 4.3.
Tabel 2. Data Perbandingan Hasil Uji Jenis Gangguan
Dan Data Asli Dengan Program GUI
Jenis
Tanggal Transmisi
Gambar 2. Pemodelan GUI pada Sistem Proteksi Rele Data Uji E%
Jarak dengan NN Banyuwangi
11/03/2014 2 1,99368 0,316
Selain dibentuk pemodelan dalam GUI. Dibentuk - Situbondo
juga pemodelan dalam Simulink. Pada pemodelan ini
Banyuwangi
digunakan beberapa komponen sebagai pembentuk 26/12/2014 3 3,08111 2,70367
- Situbondo
sistemnya.
Paiton -
01/05/2016 2 2 0
Situbondo
Banyuwangi
02/08/2016 6 6 0
- Situbondo

Situbondo -
02/08/2016 6 6 0
Banyuwangi

Banyuwangi
09/08/2016 5 5 0
(a) - Situbondo

BERKALA SAINSTEK
Aldianto Wahyu Ramadhan., et al., Kinerja Dielektrik Minyak Goreng Kelapa Sawit Dengan Aditif Fenol Sebagai Isolasi Cair
Transformator Daya
Situbondo -
25/03/2017 2 2 0
Banyuwangi

Banyuwangi
25/03/2017 2 1,99995 0,0025
- Situbondo

Situbondo -
07/04/2017 2 2,00615 0,3075
Paiton

Paiton -
07/04/2017 2 1,98727 0,6365
Situbondo

Gambar 4. Grafik Perbandingan Hasil Uji dan Data

Tabel 3. Data Perbandingan Hasil Uji Zona Gangguan Jenis Gangguan (GUI)
Dan Data Asli Dengan Program GUI
Pada deteksi zona gangguan hasil grafik akan
Zona muncul dan nilai hasil pengujian akan muncul pada kolom
Tanggal Transmisi zona gangguan yang ditampilkan pada GUI. Dari hasil
Data Uji E% keseluruhan proses simulasi kasus gangguan pada GUI nilai
Banyuwangi yang muncul sangat mendekati data asli. Hal ini dapat
11/03/2014 1 1 0 terlihat pula perbandingannya pada grafik 4.2 untuk zona
- Situbondo
gangguan. Dari keseluruhan percobaan, didapatkan nilai
Banyuwangi hasil persentasi error yang kecil dengan nilai MAPE (Mean
26/12/2014 1 1,01446 1,446 Average Percentage Error) untuk deteksi zona gangguan
- Situbondo
sebesar 2,29835%.
Paiton -
01/05/2016 1 1 0
Situbondo

Banyuwangi
02/08/2016 1 0,99762 0,2378
- Situbondo

Situbondo -
02/08/2016 1 1,00964 0,964
Banyuwangi

Banyuwangi
09/08/2016 1 0,99991 0,0088
- Situbondo

Situbondo -
25/03/2017 1 0,9878 1,2205
Banyuwangi
Gambar 5. Grafik Perbandingan Hasil Uji dan Data
Banyuwangi Zona Gangguan (GUI)
25/03/2017 1 0,92773 7,2273
- Situbondo
B. Hasil Uji Neural Network dengan Simulink
Situbondo - Pada penelitian pertama dengan merancang sistem
07/04/2017 1 0,88189 11,8112
Paiton proteksi rele jarak antar gardu induk berdasarkan gangguan
Paiton - hubung singkatnya dengan neural network dimana nilai
07/04/2017 2 2,00137 0,0685 data dan hasil uji merupakan penomoran dari masing-
Situbondo
masing jenis gangguan.
Berikut adalah grafik scope yang ditunjukkan pada
Pada deteksi jenis gangguan hasil grafik akan grafik 4.3 dan 4.4 dimana sinyal berwarna biru mewakili
muncul dan nilai hasil pengujian akan muncul pada kolom arus atau tegangan listrik dari fasa A, sinyal berwarna hijau
jenis gangguan serta muncul window baru yang akan mewakili arus atau tegangan listrik dari fasa B, dan sinyal
menyebutkan jenis gangguan berupa kalimat yang berwarna biru merah mewakili arus atau tegangan listrik
ditampilkan pada GUI. Dari hasil keseluruhan proses dari fasa C. Hal ini dapat terlihat ketika nput gangguan
simulasi kasus gangguan pada GUI nilai yang muncul berupa fasa A ke tanah maka hasil dari scope yang muncul
sangat mendekati data asli. Hal ini dapat terlihat pula adalah kenaikan arus pada fasa gangguan serta penurunan
perbandingannya pada grafik 4.1 untuk jenis gangguan. tegangan pada fasa yang terganggu.
Dari keseluruhan percobaan, didapatkan nilai hasil
persentasi error yang kecil dengan nilai MAPE (Mean
Average Percentage Error) untuk deteksi jenis gangguan
sebesar 0,396617%.

BERKALA SAINSTEK
Aldianto Wahyu Ramadhan., et al., Kinerja Dielektrik Minyak Goreng Kelapa Sawit Dengan Aditif Fenol Sebagai Isolasi Cair
Transformator Daya
Situbondo -
07/04/2017 1 0.4188 58.12
Paiton

Paiton -
07/04/2017 2 0.4714 76.43
Situbondo

Tabel 5. Data Perbandingan Hasil Uji Dan Data Asli

Dengan Simulink
Jenis
Tanggal Transmisi
Data Uji E%
Gambar 6. Grafik Scope Arus Gangguan
Banyuwangi
Hal ini juga berlaku untuk semua jenis gangguan. 11/03/2014 2 5.9544 197.72
Fasa yang terganggu mempengaruhi arus fasa itu sendiri - Situbondo
yang akan semakin tinggi ketika dikenai gangguan yang Banyuwangi
sebelumnya diatur dalam blok three phase fault sedangkan 26/12/2014 3 6.0805 102.68
- Situbondo
tegangan fasa itu sendiri akan semakin kecil.
Paiton -
01/05/2016 2 3.6766 83.83
Situbondo
Banyuwangi
02/08/2016 6 8.0495 34.15
- Situbondo

Situbondo -
02/08/2016 6 6.7312 12.18
Banyuwangi

Banyuwangi
09/08/2016 5 8.0495 60.99
- Situbondo

Situbondo -
25/03/2017 2 3.9965 99.82
Gambar 7. Grafik Scope Tegangan Gangguan Banyuwangi

Banyuwangi
25/03/2017 2 6.0807 204.03
- Situbondo
Tabel 4. Data Perbandingan Hasil Uji Dan Data Asli
Dengan Simulink Situbondo -
07/04/2017 2 4.0603 103.01
Paiton
Zona
Tanggal Transmisi Paiton -
Data Uji E% 07/04/2017 2 3.6766 83.83
Situbondo
Banyuwangi
11/03/2014 1 -0.3447 134.47
- Situbondo Pada deteksi jenis gangguan akan muncul pada
workspace dan nilai hasil pengujian akan muncul dan
Banyuwangi
26/12/2014 1 -0.3447 134.47 diambil pada detik ke 1,2 hal ini karena gangguan akan
- Situbondo
diberikan pada simulasi saat detik ke 1,2 dari total
Paiton - keseluruhan simulasi sebesar 1,4 detik. Pada percobaan ini
01/05/2016 1 0.4714 52.86 didapatkan nilai hasil persentasi error yang cukup besar
Situbondo
dengan nilai MAPE untuk deteksi jenis gangguan sebesar
Banyuwangi 98,23%
02/08/2016 1 -0.7454 174.54
- Situbondo

Situbondo -
02/08/2016 1 -1.3063 230.63
Banyuwangi

Banyuwangi
09/08/2016 1 -0.7454 174.54
- Situbondo

Situbondo -
25/03/2017 1 0.4188 58.12
Banyuwangi

Banyuwangi
25/03/2017 1 -0.3477 134.77
- Situbondo

Gambar 8. Grafik Perbandingan Hasil Uji dan Data

Jenis Gangguan (Simulink)
BERKALA SAINSTEK
Aldianto Wahyu Ramadhan., et al., Kinerja Dielektrik Minyak Goreng Kelapa Sawit Dengan Aditif Fenol Sebagai Isolasi Cair
Transformator Daya
Pada deteksi zona gangguan hasil deteksi [3] Banerjee, Y. 2015. Comparative Study of Resonant
gangguan akan muncul pada workspace dan nilai hasil Frequency of Rectangular Microstrip Antenna. Krishi
Sanskriti Publications. Gauhati University.
pengujian akan muncul dan diambil pada detik ke 1,2 hal [4] Bracewell, R. N. 1961. Tolerance Theory of Large
ini karena gangguan akan diberikan pada simulasi saat detik Antennas. IRE Tr. Ant. Prop., AP-9. 49.
ke 1,2 dari total keseluruhan simulasi sebesar 1,4 detik. Dari [5] Patel Akul P dan Rathod Mulav. 2016. Design,
hasil keseluruhan proses simulasi kasus gangguan pada Simulation and Construction of Cockroft Walton
simulink nilai yang muncul jauh dari data asli. Hal ini dapat Voltage Multiplier. GRDJE. Department of Electrical
Engineering S.V.I.T (VASAD). Vol 1, Issue 4.
dilihat pada tabel 4.4 dan dapat terlihat pula [6] Kuphaldt Tony R. 2009. Lesson In Electric Circuits,
perbandingannya pada grafik 4.5 untuk jenis gangguan dan Volume III - Semiconductors. Fifth Edition. Open
grafik 4.6 untuk zona gangguan. Pada percobaan ini Book Project. (Page 123 - 130).
didapatkan nilai hasil persentasi error yang cukup besar [7] Bahl Inder J. 2009. Fundamentals of RF and
dengan nilai MAPE untuk deteksi zona gangguan sebesar Microwave Transistor Amplifiers. Canada: John Wiley
& Sons, Inc., Publication. Hoboken, New Jersey. (Page
122,895%. 149 - 153).
[8] Ho Dhin-Khan, dkk. 2016. Dual-Band Rectenna for
Ambient RF Energy Harvesting at GSM 900 MHz and
1800 Mhz. IEEE. Hanoi: Hanoi University of Science
& Technology (HUST), Vietnam.
[9] American Radio Relay League (ARRL). 2007.
Antenna Book, 21th Edition. The ARRL.
Inc, ISBN: 0-87259-987-6.
[10] Kraus J. D., 2001. Antennas, Second Edition,
Tata McGraw-Hill Publishing Company
Limited, New Delhi, ISBN: 0-07-035422-7.
[11] Toudeskhi Arash, dkk. 2014. Devolupment of a New
Cascade Voltage-Doubler for Voltage Multiplication.
Hindawi. Serdang: University Putra Malaysia,
Malaysia. Vol 6
[12] Cao Yanjie, dkk. 2016. A 2.4GHz Circular Polarization
Rectenna with Harmonic Suppression for Microwave
Power Transmission. IEEE. Baijing: Beijing
University of Post and Telecomunication, China.
Gambar 9. Grafik Perbandingan Hasil Uji dan Data [13] Setiabudi D. dan Wicaksono L. B. H. 2018. Rancang
Zona Gangguan (Simulink) Bangun Antena Helix mode axial dan Patch
Meanderline DGS untuk Aplikasi LPWAN Berbasis
V. KESIMPULAN IoT pada Daerah Rural. Jurnal Rekayasa Elektrika
(JRE).Vol 14, No 2.
Sistem proteksi rele jarak dengan menggunakan
metode neural network pada GUI memiliki nilai MAPE
(Mean Absolute Percentage Error) yang kecil untuk jenis
gangguan sebesar 0,396617% dan untuk deteksi zona
gangguan sebesar 2,29835%. Sistem proteksi rele jarak
dengan menggunakan metode neural network pada
Simulink memiliki nilai MAPE (Mean Absolute Percentage
Error) yang kecil untuk jenis gangguan sebesar 98,23% dan
untuk deteksi zona gangguan sebesar 122,895%.
Perolehan nilai dalam proses simulasi dengan
program dan GUI memiliki nilai error yang lebih kecil
dibandingkan proses simulasi dengan program dan
simulink.
Suggestions
Dapat digunakan atau menambah contoh data lain
agar kesesuaian data dengan kondisi riil lebih mendekati
untuk hasil percobaan simulink. Penelitian yang dilakukan
dalam penelitian kali ini masih dalam tahap offline sehingga
perlu pengembangan penelitian secara online. Dapat
digunakan pada metode lain dalam pemodelan sistem
proteksi sebagai referensi pembanding.
REFERENSI
[1] Lenin Anujin. 2014. Design and Simulation of Energy
Harvesting System Using GSM Signal. International
Journal of Latest Trends in Engineering and
Technology (IJLTET). Vol 3, Issue 4.
[2] Balanis, A. Constantiene. 2005. Antenna Theory
Analisis and
Design. Canada: Wiley Interscience.

BERKALA SAINSTEK