ANALISIS KECEPATAN KERJA SACO SAAT MANUVER BEBAN DI BANDARA NGURAH RAI MENGGUNAKAN ARTIFICIAL NEURAL NETWORK

Main Article Content

Dewa Ngakan Made Barel I Gede Dyana Arjana Widyadi Setiawan

Abstract

Bandara Ngurah Rai memiliki beban daya sebesar 10.380 kVA, disuplai oleh dua
penyulang yakni penyulang Gayatri dan peyulang Bandara. Penyulang Gayatri sebagai
penyulang utama dan penyulang Bandara sebagai penyulang cadangan. Penggunaan dua
penyulang ini bertujuan untuk mengatasi gangguan pada jaringan, dikarenakan sensitifitas
peralatan listrik di bandara yang tinggi. Namun apabila terjadi gangguan pada penyulang
Gayatri maka suplai beban secara otomatis akan dipindahkan ke penyulang Bandara
menggunakan sakelar otomatis bernama Switching Automatic Change Over (SACO). Tingkat
sensitifitas peralatan listrik Bandara Ngurah Rai yang tinggi mengijinkan batas jatuh tegangan
maksimum adalah 0,5 kV dari nilai tegangan nominal penyulang, dari permasalahan tersebut
maka dilakukan analisis perhitungan jatuh tegangan dan hubung singkat pada penyulang
Gayatri. Analisis ini menggunakan program Artificial Neural Network (ANN). Parameter yang
digunakan antara lain jumlah iterasi yaitu 60000 epoch, kecepatan pembelajaran 0,3 dan
hidden layer sebanyak 40 hidden layer, dimana nilai target pengujiannya adalah 0,00001.
Proses pelatihan dan pengujian yang telah dilakukan menghasilkan nilai jatuh tegangan pada
titik 100% (ujung penyulang) adalah 274,7 volt dengan nilai Mean Squarred Error (MSE) yaitu
45,5. Nilai waktu tunda rele tercepat yaitu 0,3 detik pada titik gangguan 5%, dan nilai MSE
dengan hasil terbaik adalah 0,00032 untuk gangguan 1 fasa ke tanah.

Downloads

Download data is not yet available.

Article Details

How to Cite
MADE BAREL, Dewa Ngakan; DYANA ARJANA, I Gede; SETIAWAN, Widyadi. ANALISIS KECEPATAN KERJA SACO SAAT MANUVER BEBAN DI BANDARA NGURAH RAI MENGGUNAKAN ARTIFICIAL NEURAL NETWORK. Jurnal SPEKTRUM, [S.l.], v. 4, n. 1, p. 8-14, july 2017. ISSN 2684-9186. Available at: <https://ojs.unud.ac.id/index.php/spektrum/article/view/31494>. Date accessed: 04 nov. 2024. doi: https://doi.org/10.24843/SPEKTRUM.2017.v04.i01.p02.
Section
Articles

Most read articles by the same author(s)

<< < 1 2 3 4 5 6 7 8 > >>