UNIVERSITAS TRISAKTI

PERANCANGAN DETEKSI GANGGUAN NON TEKNIS

PENYALURAN TENAGA LISTRIK PADA KWH METER
MENGGUNAKAN ARTIFICIAL NEURAL NETWORK

PROPOSAL TUGAS AKHIR

HAFIIZH MA’ARIF SETIADI

062002204009

FAKULTAS TEKNIK INDUSTRI

PROGRAM STUDI TEKNIK ELEKTRO
JAKARTA
DESEMBER 2023
 HALAMAN PENGESAHAN

Skripsi ini diajukan oleh :

Nama : HAFIIZH MA’ARIF SETIADI
NIM : 062002204009
Program Studi : TEKNIK ELEKTRO
Judul Skripsi : PERANCANGAN DETEKSI GANGGUAN NON
TEKNIS PENYALURAN TENAGA LISTRIK PADA KWH METER
MENGGUNAKAN ARTIFICIAL NEURAL NETWORK.

Telah berhasil dipertahankan di hadapan Dewan Penguji dan diterima sebagai

bagian persyaratan yang diperlukan untuk melakukan Penelitian Tugas Akhirpada
Program Studi Teknik Elektro, Fakultas Teknologi Industri, UniversitasTrisakti.

DEWAN PENGUJI

Pembimbing : Susan Sulaiman, ST. MT. ( .................................... )

Endang Djuanda, ST. MT. ( ........................................)

Penguji : ( .................................... )

Penguji : ( .................................... )

Ditetapkan di : ……………….
Tanggal : …………
 ABSTRAK

Untuk menjaga akurasi pengukuran energi, tindak lanjut anomali

pengukuran sangat diperlukan untuk kesesuaian energi listrik yang dipakai
oleh pelanggan. Kerusakan alat ukur energi listrik berupa kWh meter tidak
dapat diajadikan perhitungan yang benar dalam tagihan rekening
pelanggan. KWh meter yang telah terintegrasi dengan sistem AMR
(Automatic Meter Reading), dapat memberikan info data pemakaian
pelanggan dengan cepat dan data bisa digunakan sebagai deteksi awal
terhadap kejanggalan pemakaian energi listrik. Hasil analisa dari
pembacaan kWh meter dengan sistem AMR (Automatic Meter Reading)
dapat ditampilkan dengan jenis laporan dan grafik dengan menggunakan
Aplikasi AMICON/WILIS yang dapat dijadikan sebagai rekening
pelanggan. Hal yang menghambat konektivitas AMR (Automatic Meter
Reading) dibagi menjadi dua bagian, yaitu gangguan teknis dan gangguan
non-teknis. Gangguan teknis berupa gangguan konektivitas terkait port
komunikasi dan jaringan komunikasi, sementara gangguan non-teknis
berupa gangguan konektivitas akibat adanya perangkat AMR (Automatic
Meter Reading) yang rusak seperti kWh meter tersambar petir dan kabel
data putus digigit tikus. Penggunaan Artificial Neural Network ini
berfungsi untuk klasifikasi gangguan pada baca meter Modem AMR KWh
meter 3 phase.

Kata Kunci : AMR, Amicom, Artificial Neural Network, Kwh 3 Phase.

1. Latar Belakang Masalah
Pengukuran energi listrik mempunyai peranan yang sangat
penting dalam menentukan pendapatan perusahaan listrik. Meter
kWh merupakan alat ukur transaksi energi antara perusahaan dengan
pelanggan yang harus disepakati oleh kedua belah pihak dan
mendapat legalitas dari pemerintah (Direktorat Metrologi).
Kesalahan data pengukuran energi merupakan keluhan pelanggan
terhadap perusahaan listrik. Pada dasarnya, besarnya energi yang
telah dipakai oleh pelanggan ditunjukkan dengan angka-angka
register yang tertera pada alat ukur kWh meter. Jumlah pemakaian
yang sebenarnya dihitung berdasarkan angka-angka yang tertera pada
register sebelumnya / awal yang dikurangi terhadap angka-angka
yang tertera pada register akhir. Untuk mengindari keluhan
pelanggan, keakuratan data yang dihasilkan meter sangat diperlukan
untuk menentukan besar energi yang dipakai dengan kWh meter
mekanik saat terjadi kerusakan peralatan pendukung, seperti current
transformer (CT) atau potential transformer (PT) untuk jedah waktu
tertentu, hasil pengukuran tidak lagi tepat untuk dijadikan dasar
perhitungan tagihan rekening listrik pelanggan. Selain kerusakan
pada peralatan peralatan pendukung tersebut ataupun tindakan
kriminal yang dilakukan oleh oknum juga mengakibatkan
pengukuran meter mekanik tidak akurat. Ketidak akuratan disini
adalah berkurangnya hasil pengukuran energi yang terukur,
dibanding pemakaian energi bulan-bulan sebelumnya. Maka dari itu
PLN memberlakukan tagihan susulan atau koreksi rekening kepada
pelanggan yang mengalami kasus seperti itu. Untuk lebih mudah
mengklasifikasinya maka perlu adanya AI yang berfungsi untuk
mengklasifikasikan gangguan non teknis seperti penurunan
pengukuran energi, tegangan tidak seimbang, beban tidak seimbang,
energi tidak terbaca, dll .
2. Rumusan Masalah
Berdasarkan latar belakang yang telah dipaparkan, diperoleh
 rumusan masalah sebagai berikut:
• Bagaimana rancangan deteksi gangguan non teknis penyaluran
tenaga listrik pada kwh meter yang menggunakan AMR
menggunakan ANN?
• Bagaimana mekanisme kerja sistem pendeteksi gangguan non
teknis penyaluran tenaga listrik pada kwh meter menggunakan
ANN?
• Bagaimana pengujian serta tingkat keberhasilan system dalam
mengklasifikasikan gangguan non teknis penyaluran tenaga
listrik pada kwh meter ?

3. Batasan Masalah
Batasan masalah pada penelitian ini yaitu:

• Penelitian ini hanya fokus terhadap perancangan deteksi

gangguan non teknis penyaluran tenaga listrik.
• Menggunakan Artificial Neural Network
• Menggunakan Aplikasi AMICOM
• Menggunakan Kwh Meter 3 Phase yang menggunakan modem
AMR
• Berlokasi di Sabang

4. Tujuan Penelitian
Berdasarkan latar belakang yang telah dipaparkan, diperoleh
rumusan tujuan sebagai berikut :
• Mengetahui rancangan deteksi non teknis penyaluran tenaga
listrik pada kwh meter yang menggunakan AMR.
• Meningkatkan mekanisme kerja deteksi gangguan non teknis
pada kwh meter yang menggunakan AMR.
• Mengetahui perbandingan hasil deteksi gangguan sebelum
menggunakan ANN dengan sesudah ANN.
5. Manfaat Penelitian
• Menurunkan Susut non teknis pada penyaluran tenaga listrik.
• Mendeteksi secara real time gangguan non teknis pada
penyaluran tenaga listrik.
• Memudahkan untuk mengklasifikasikan gangguan non teknis
pada penyaluran tenaga listrik.
6. Kajian Pustaka
6.1 Landasan Teori

1. Kwh Meter
KWh meter adalah alat ukur yang digunakan untuk mengukur
besar kWh yang disuplai kepada konsumen listrik. Kecepatan putaran
piringan pada kWh meter manual atau kecepatan perhitungan digital
pada kWh meter elektronik adalah sesuai dengan besar kecilnya daya
listrik yang sedang mengalir pada saat itu. Apabila daya yang
mengalir besar maka kecepatan piringan atau perhitungan pada kWh
meter akan bergerak cepat, sebaliknya apabila daya yang mengalir
kecil maka kecepatannya berkurang.Besar penunjukkan angka
register pada kWh meter merupakan besarnya pemakaian energi
listrik yang telah disuplai ke konsumen selama periode waktu
pengukuran. Jika besar daya yang mengalir ini diketahui dan konstan
selama periode tertentu, maka jumlah energi listriknya dapat dihitung
dengan mengalikan, namun integrasi harus dilakukan untuk
mengetahui jumlah energi yang mengalir tidak saja pada pembebanan
yang konstan tetapi juga pada pembebanan yang berubah-ubah.
2. Energi Listrik
Pengukuran Energi Listrik Konsumen Secara umum alat ukur
energi listrik yang biasa dikenal oleh masyarakat luas adalah kWh
meter. KWh meter terbagi menjadi kWh meter mekanik dan kWh
meter digital atau sering disebut dengan kWh meter elektronik.
Perbedaan konfigurasi antara fasa tunggal dan tiga fasa adalah
terletak adanya tambahan kumparan tegangan dan kumparan arus,
 akan tetapi selain kWh meter ada pula alat ukur energi listrik seperti
kVARh meter dan kVAh meter, tergantung jenis pelanggan dan
penggolongan tarif maka perusahaan listrik akan menetapkan alat
ukur apa saja yang dipakai untuk mengukur energi listrik pada
konsumen konsemen tersebut. Automatic Meter Reading (AMR)
adalah sistem pembacaan atau pengambilan data hasil pengukuran
meter elektronik atau ME secara terpusat dan otomatis dari jarak jauh
melalui media komunikasi tertentu menggunakan software tertentu
yang dilengkapi dengan kemampuan untuk pengolahan data.
Parameter yang dibaca pada umumnya terdiri dari pencatatan,
pengukuran teringgi, pengukuran sesaat dan Load Profile. Parameter-
parameter tersebut sebelumnya didefinisikan terlebih dahulu di meter
elektronik, agar meter dapat menyimpan data-data sesuai dengan
yang diinginkan. Sistem AMR dapat dimanfaatkan untuk berbagai
keperluan seperti pemantauan pasokan energi kepada pelanggan,
penggunaan energi pelanggan, pemantauan susut dijaringan,
keperluan perencanaan, penagihan, dan lain sebagainya. Data hasil
pembacaan.
3. Automatic Meter Reading
Automatic Meter Reading (AMR) adalah sistem pembacaan
atau pengambilan data hasil pengukuran meter elektronik atau ME
secara terpusat dan otomatis dari jarak jauh melalui media
komunikasi tertentu menggunakan software tertentu yang dilengkapi
dengan kemampuan untuk pengolahan data. Parameter yang dibaca
pada umumnya terdiri dari pencatatan, pengukuran teringgi,
pengukuran sesaat dan Load Profile. Parameter-parameter tersebut
sebelumnya didefinisikan terlebih dahulu di meter elektronik, agar
meter dapat menyimpan datadata sesuai dengan yang diinginkan.
Sistem AMR dapat dimanfaatkan untuk berbagai keperluan seperti
pemantauan pasokan energi kepada pelanggan, penggunaan energi
pelanggan, pemantauan susut dijaringan, keperluan perencanaan,
penagihan, dan lain sebagainya. Data hasil pembacaan tersebut
disimpan kedalam database dan dapat digunakan untuk melakukan
analisa, transaksi serta perbaikan. Teknologi ini tentu dapat
membantu perusahaan jasa penyedia tenaga listrik untuk menekan
biaya operasional, serta menjadi nilai tambah kepada pelanggannya
dalam hal penyediaan, ketepatan, dan keakurasian data yang dibaca,
dan tentu saja dapat menguntungkan pengguna jasa tersebut. Pada
awalnya, pembacaan meter dilakukan dengan menggunakan kabel.
Komputer terhubung ke meter dengan menggunakan kabel
komunikasi RS 232, RS 485 atau RJ 45 jika pembacaan dilakukan di
lapangan.

Gambar Konfigurasi Sistem AMR

Manfaat pembacaan meter elektronik menggunakan AMR
antara lain :
1. 1. Pencatatan konsumsi energi listrik lebih akurat dan
efisien.
2. Pemakaian waktu lebih efisien.
3. Pemantauan terhadap energi yang digunakan dapat
dilakukan setiap saat dari ruang kontrol.
4. Data historical energi dapat disimpan dalam database,
dan dapat diintegrasikan dengan data manajemen.
5. Load profile, stand meter dan data lain dapat
ditampilkan berdasarkan selang waktu sesuai dengan
yang dikehendaki.
6. Memudahkan melakukan identifikasi waktu terjadi
 masalah dan besar energi yang hilang, jika terjadi
gangguan pada meter, baik disengaja maupun tidak
sengaja.
Aplikasi AMICON berbasis web dan terintegrasi dengan
aplikasi existing seperti Aplikasi Pelayanan Pelanggan Terpusat
(AP2T) dan Aplikasi Catat Meter Terpusat (ACMT) sebagai aplikasi
yang berfungsi mengolah, menghitung dan mengirimkan data stan
Pelanggan AMR ke Aplikasi Pelayanan Pelanggan Terpusat.
Sehingga proses mulai dari pembacaan sampai monitoring terhadap
pelanggan dapat dilakukan dengan baik dan dapat meningkatkan
fleksibilitas, fungsionalitas, skalabilitas serta kemudahan operasional
pencatatan meter sehingga dapat mendukung kinerja dan
meningkatkan SLA Pelayanan Pelanggan PT PLN (Persero).
4. Artificial Neural Network
Artificial Neural Network menghasilkan model yang sulit
dibaca dan dimengerti oleh manusia karena memiliki banyak layer
dan sifat non-linear. Pada bidang riset ini, ANN disebut agnostik–kita
percaya, tetapi sulit membuktikan kenapa konfigurasi parameter
yang dihasilkan training bisa benar. Konsep matematis ANN itu
sendiri cukup solid, tetapi interpretabil- ity model rendah
menyebabkan kita tidak dapat menganalisa proses inferensi yang
terjadi pada model ANN. Secara matematis, ANN ibarat sebuah graf.
ANN memiliki neuron/node (vertex), dan sinapsis (edge). Topologi
ANN akan dibahas lebih detil subbab berikutnya. Karena memiliki
struktur seperti graf, operasi pada ANN mudah dijelaskan dalam
notasi aljabar linear. Sebagai gam- baran, ANN berbentuk seperti
Gambar di bawah ini. Depth (kedalaman) ANN mengacu pada
banyaknya layer. Sementara width (lebar) ANN mengacu pada
banyaknya unit pada layer
 Gambar Deep Neural Network
Secara filosofis, ANN bekerja mirip dengan model linear, yaitu
mencari de- cision boudary. Apabila beberapa model non-linear ini
digabungkan, maka kemampuannya akan menjadi lebih hebat
(subbab berikutnya). Yang men- jadikan ANN “spesial” adalah
penggunaan fungsi non-linear.
Untuk melakukan pembelajaran single perceptron, training
dilakukan meng- gunakan perceptron training rule. Prosesnya
sebagai berikut :
1. Inisiasi nilai synapse weights, bisa random ataupun dengan
aturan ter- tentu. Untuk heuristik aturan inisiasi, ada baiknya
membaca buku refer- ensi
2. Lewatkan input pada neuron, kemudian kita akan mendapatkan
nilai out- put. Kegiatan ini disebut feedforward.
3. Nilai output (actual output) tersebut dibandingkan dengan
desired output.
4. Apabila nilai output sesuai dengan desired output, tidak perlu
mengubah apa-apa.
5. Apabila nilai output tidak sesuai dengan desired output, hitung
nilai error (loss) kemudian lakukan perubahan terhadap learning
parameter (synapse weight).
6. Ulangi langkah-langkah ini sampai tidak ada perubahan nilai
error, nilai error kurang dari sama dengan suatu threshold
(biasanya mendekati 0), atau sudah mengulangi proses latihan
sebanyak T kali (threshold).