ISSN: 1693-6
930
1
Penggu
naa
n Data To
rsi
Untuk Pene
ntu
an Param
e
ter……(Wi
sa
so
ngko Dwi M)
PENGGUNAAN DATA TORSI UNTUK PENENTUAN
PARAM
ETER M
O
TOR I
NDUKSI
3 FASA
Wisas
ongko
D
w
i M
a
rtian
t
o
Jurusan Te
kn
ik Elektro Uni
v
ersita
s Ne
ge
ri Yogyakarta
Karan
g
Mala
ng, Yogyaka
r
ta
ong
ki@mailci
t
y.com
A
b
st
r
a
ct
To p
r
edi
ct in
d
u
ction
m
o
tor
perfo
rm
ance,
indu
ction
m
o
tor p
a
ram
e
ters h
a
ve to
be
kno
w
n.
This p
ape
r propo
se
s 3 ph
a
s
e ind
u
ctio
n
m
o
tor
param
eters
determ
i
nation with i
n
put datas,
su
ch
as lo
cked
rot
o
r to
rque, full
load to
rqu
e
, bre
a
kdo
w
n t
o
rqu
e
, rate
d
m
o
tor voltag
e, and full
lo
ad
spe
ed, which
will produ
ce
optim
ization
probl
em
s th
a
t
can b
e
solved with
one
of the bra
n
ch
of
artificial intelli
gen
ce scie
nce, whi
c
h is
geneti
c
algo
ri
thm
s
, that is develop
ed ra
pidly n
o
wada
ys
and well kn
o
w
n ha
s a go
o
d
perfo
rm
ance.
Key
w
ords
: Indu
ction m
o
tor, geneti
c
al
gorithm
, torque data
A
b
st
r
a
k
Untu
k m
e
m
p
redi
ksi
unju
k
kerj
a m
o
tor indu
ksi, p
e
rlu diketahui
data-d
a
ta pa
ram
e
ter
m
o
tor indu
ksi
. Makal
ah ini
aka
n
m
e
m
bahas
pen
entua
n pa
ram
e
ter
m
o
tor indu
ksi
3 fasa d
eng
an
data-d
a
ta m
a
su
kan
sep
e
rti
torsi lo
cke
d
rotor,
torsi beba
n pen
uh
, torsi bre
a
kdown, tegan
gan
rating
m
o
tor, dan
slip
b
eban
pe
nuh,
ya
ng
m
e
mbentu
k
m
a
salah
optim
asi
yan
g
dap
at
disel
e
saika
n
deng
an sal
a
h
satu cab
ang
ilm
u
dari ke
cerda
s
an b
u
atan, yaitu al
goritm
a
gene
tik,
yan
g
bela
k
a
n
gan ini seda
ng be
rkem
bang pe
sat dan
diken
a
l m
e
m
iliki unjuk
kerja
yang
cu
kup
baik.
Kata kunci
: Motor indu
ksi, algoritm
a
genetik, data t
o
rsi
1. PEN
DA
HU
LU
AN
Sudah seja
k lama tenag
a listrik di
gun
a
k
an de
nga
n sistem teg
a
n
gan bola
k
-ba
lik. Dari
semu
a m
o
tor-motor A.C.,
motor i
ndu
ksi
tiga fa
sa
ad
alah
sal
ah
sa
tu yang l
u
a
s
peng
guna
ann
ya
untuk b
e
ra
ne
ka ra
gam
keb
u
tuhan di in
d
u
stri.
Umum
nya m
o
tor in
du
ksi
d
i
anali
s
a
unju
k
ke
rjanya
de
n
gan m
e
ma
kai
ran
g
kaian
e
k
uivalen
trafo de
nga
n
asumsi
tega
ngan
su
mbe
r
adala
h
sinu
soid
al da
n
si
metris,
se
hin
gga p
e
mo
del
an
sep
e
rti ini
h
anya da
pat
digun
akan p
ada
kon
d
is
i
perm
a
salaha
n yang te
rba
t
as sepe
rti p
ada
kea
daa
n tun
a
k. Untuk p
e
rma
s
al
ahan
yang lebih
kompl
e
ks, p
e
rlu di
buat
model mate
matis
tertentu. De
n
gan mem
a
kai
pemod
elan p
ada koo
r
dinat
D-Q
dalam b
entuk p
e
rsam
aan dife
ren
s
i
a
l
nonlinie
r da
p
a
t dilaku
ka
n anali
s
a untu
k
kondi
si tran
si
en maup
un
st
ead
y st
at
e
[2].
Untu
k mem
p
redi
ksi
unju
k
kerj
a moto
r indu
ksi, p
e
rlu diketahui
data-d
a
ta pa
ramete
r
motor indu
ksi
.
Biasanya untuk memp
eroleh pa
ramet
e
r motor ind
u
ksi dapat dil
a
ku
ka
n deng
an
cara pen
guji
an fisik pa
da
motor terse
but. Algoritma genetik
se
bagai caba
n
g
dari kecerd
asa
n
buatan, di
co
ba untu
k
m
e
mperoleh
pa
ramete
r
motor indu
ksi
da
ri
data-data to
rsi
lo
ck
ed
ro
to
r
,
torsi
beb
an
p
enuh, to
rsi
b
r
eakdo
wn
, teg
anga
n
rating
motor, d
an
sl
ip be
ban
pe
n
uh, yang
a
k
a
n
membe
n
tuk
masal
ah opti
m
asi [4]. Algoritma ge
n
e
tik yang m
e
rup
a
kan sal
ah satu teknik
optimisa
s
i ya
ng bersifat st
oka
s
tik, prosesnya me
niru
kon
s
ep biol
o
g
i genetika d
an sele
ksi al
am,
seh
a
ru
snya mulai
dijadi
kan
se
bagai algoritm
a
alternatif yang
terus di
ke
mb
ang
kan sehi
ngga
menjadi al
goritma yang ha
ndal.
Evaluation Warning : The document was created with Spire.PDF for Python.
ISSN: 1
693-693
0
TELKOM
NIKA
Vol. 2, No. 1, April 2004 : 1 - 6
2
2. TIN
J
AUA
N
PU
STAKA
2.1
Motor Indu
k
s
i Model D-Q
Persamaa
n tegan
gan u
n
tu
k motor in
du
ksi model
D-Q dapat dituli
skan se
bag
ai b
e
rikut:
r
dr
qr
s
ds
qs
b
lr
r
b
ss
r
b
r
m
r
b
r
b
ss
r
m
r
b
ls
s
m
s
b
rr
s
b
m
s
b
b
rr
s
r
dr
qr
s
ds
qs
p
X
r
p
D
X
r
D
X
r
p
D
X
r
D
X
r
p
X
r
D
X
r
p
D
X
r
D
X
r
p
D
X
r
v
v
v
v
v
v
0
0
0
0
'
'
'
'
'
0
0
0
0
0
0
'
'
0
'
0
0
'
'
0
0
'
0
0
0
0
0
0
0
0
'
0
0
0
'
'
'
'
(1)
dan pe
rsama
an fluksnya a
dalah :
r
dr
qr
s
ds
qs
lr
rr
m
rr
m
ls
m
ss
m
ss
r
dr
qr
s
ds
qs
i
i
i
i
i
i
X
X
X
X
X
X
X
X
X
X
0
0
0
0
'
'
'
0
0
0
0
0
0
'
0
0
0
0
0
'
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
'
'
'
................
...............
(2
)
m
ls
ss
X
X
X
..
...
...
....
...
.
....
....
...
...
....
...
.
....
....
...
...
....
...
.
....
....
...
...
....
...
(3)
m
lr
rr
X
X
X
'
'
..
.
....
....
...
...
....
...
.
....
....
...
...
....
...
.
....
....
...
...
....
...
.
....
....
...(4)
2
'
m
rr
ss
X
X
X
D
...
...
...
....
...
.
....
....
...
...
....
...
.
....
....
...
...
....
...
.
....
....
...
...
....
...
(5)
Ran
g
kaian e
k
ivalen sum
b
u
D-Q
m
o
tor
indu
ksi dala
m
ke
ran
g
ka acu
an sem
b
aran
g
dapat dig
a
mb
arkan seba
ga
i berikut :
+
-
-
+
v
qs
v'
qr
i
qs
r
s
ds
+
-
+
-
L
ls
L'
lr
M
i'
qr
r'
r
dr
r
'
)
(
+
-
-
+
v
ds
v'
dr
i
ds
r
s
qs
+
-
+
-
L
ls
L'
lr
M
i'
dr
r'
r
qr
r
'
)
(
Gamba
r
1. Rang
kaia
n eku
i
valen motor i
ndu
ksi
mo
del
D-Q d
a
lam keran
g
ka acua
n semb
arang
Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM
NIKA
ISSN:
1693-6
930
Penggu
naa
n Data To
rsi
Untuk Pene
ntu
an Param
e
ter……(Wi
sa
so
ngko Dwi M)
3
Persam
aan torsi el
ekt
r
om
agneti
k
m
o
tor induksi m
odel D-Q
adala
h
seb
agai b
e
rikut :
)
(
1
2
2
3
ds
qs
qs
ds
b
e
i
i
p
T
...
....
...
...
....
...
.
....
....
...
...
....
...
.
....
....
...
...
....
...
.
....
....
.(6)
2.2
Algoritma G
e
netik un
tuk
Penentu
a
n Parameter M
o
tor Induk
si Model D-Q
Menggun
aka
n Data Torsi
Lang
ka
h-la
ng
kah
ke
sel
u
ru
han yan
g
dil
a
ku
ka
n dal
a
m
pen
entua
n pa
ramete
r motor
indu
ksi d
eng
an algo
ritma
geneti
k
ini ad
alah seba
gai
beri
k
ut :
1
Inisiali
sa
si po
pula
s
i awal.
2 Proses
rep
r
o
duksi.
3 Operasi
p
e
rsi
l
anga
n.
4
Evaluasi ha
sil
persil
ang
an
dan mem
a
su
kkan me
re
ka
ke dal
am pop
ulasi.
5 Operasi
m
u
ta
si.
6
Evaluasi ha
sil
mutasi dan
mema
su
kkan
mere
ka ke d
a
lam pop
ula
s
i.
7
Lakukan l
ang
kah
2
sa
mpai
den
gan
lan
g
k
ah
6 sa
mpai
dida
patkan kondi
si
b
e
rh
en
ti.
Kondisi b
e
rh
e
n
ti yang dipa
kai kali ini berupa
2 ko
ndi
si
beru
r
utan, yaitu kondi
si nilai
error
da
n ca
cah gen
era
s
i.
Proses rep
r
o
duksi pa
da p
enelitian ini m
e
makai meto
de rep
r
o
d
u
ksi
piringa
n rolet
(
roul
ette whe
e
l
)
[1]. Opera
s
i persilan
gan
yang digun
a
k
an a
dalah
persilan
gan
deng
an meto
de
heu
risti
c
[3].
Evaluasi kro
m
oso
m
-krom
o
som di
perol
eh deng
an m
enghitu
ng nil
a
i ketang
guh
an (
fitness
) s
e
tiap
kro
m
o
s
om, y
ang
dida
pat
dari
pe
rsama
an to
rsi
mot
o
r. Tig
a
p
e
rsamaan
torsi
terse
but d
a
p
a
t
dituliskan
seb
agai be
rikut :
fl
efl
T
T
F
1
....
....
...
...
....
...
.
....
....
...
...
....
...
.
....
....
...
...
....
...
.
....
....
...
...
....
...
.
.
(7)
lr
elr
T
T
F
2
....
....
...
...
....
...
.
....
....
...
...
....
...
.
....
....
...
...
....
...
.
....
....
...
...
....
...
.
.
(8)
bd
ebd
T
T
F
3
....
....
...
...
....
...
.
....
....
...
...
....
...
.
....
....
...
...
....
...
.
....
....
...
...
....
...
.
.
(9)
deng
an F1 a
dalah
e
rro
r
to
rsi be
ban p
e
nuh, F2 adal
ah
error
torsi
rotor terku
n
ci
, dan F3
adala
h
error
to
r
s
i
br
ea
kd
ow
n
. Fung
si
err
o
r
d
apat ditul
i
skan seba
gai
:
3
3
2
1
2
2
2
F
F
F
....
....
...
...
....
...
.
....
....
...
...
....
...
.
....
....
...
...
....
...
.
....
....(10)
sed
ang
ka
n ni
lai
fitnes
s
di
n
y
atakan ol
eh
:
1
fitness
....
....
...
...
....
...
.
....
....
...
...
....
...
.
....
....
...
...
....
...
.
....
....
...
...
....
...
(11)
3. HASIL DA
N PEMBA
H
A
SA
N
Data-data
da
ri moto
r ind
u
ksi 3 fa
sa
hubu
ng bi
nta
ng yang
a
k
a
n
digu
na
kan
dalam
penelitian ini t
e
rda
pat dala
m
Tabel 1 be
rikut :
Evaluation Warning : The document was created with Spire.PDF for Python.
ISSN: 1
693-693
0
TELKOM
NIKA
Vol. 2, No. 1, April 2004 : 1 - 6
4
Tabel 1
. Data-data parameter motor induks
i
Parameter Nilai
Parameter
Nilai
Daya
50
hp
r'
r
0,228
ohm
Tegan
gan
460 Volt fasa
-fasa
X
ls
0,302
ohm
Fre
k
ue
nsi
60
Hz
X'
l
r
0,302
ohm
J
u
mlah
k
u
tub
4
X
m
13,08
ohm
Momen in
ersi
a
1,662 kg.m
2
Torsi roto
r terkun
ci
538.49
85 N.
m
Kecep
a
tan
1705
rpm
Torsi bre
a
kdo
w
n
780.98
42 N.
m
r
s
0,087
ohm
Torsi beb
an p
enuh
234.64
06 N.
m
Dalam
perco
baan ini, p
a
rameter-pa
ra
meter al
gorit
ma gen
etik y
ang dig
una
kan ad
alah
seb
agai b
e
ri
kut :
Tabel 2
. Para
meter alg
o
rit
m
a geneti
k
p
ada re
ntang
pen
cari
an ke 2
Batas
parameter
r
s
r'
r
X
m
X
l
0 s/d 4
0 s/d 4
4 s/d 30
0 s/d 10
Peluang m
u
tasi (Pm
)
0.3
Peluang p
e
rsi
l
anga
n (Pc)
0.8
Banyak ge
ne
rasi
200
Ukura
n
pop
ul
asi
1000
Den
gan u
k
u
r
an popul
asi
1000 data te
rnyata ha
sil telah dipe
rol
e
h dalam 40
gene
ra
si
saja
dari
200
gene
ra
si ya
ng di
sedia
k
a
n
, deng
an tel
ah tercap
ain
y
a batas MS
E yaitu sebe
sar
1.10
-7
sep
e
rti terlihat dala
m
Gamba
r
2.
0
5
10
15
20
25
30
35
40
0
2000
4000
6000
8000
1
0000
1
2000
1
4000
1
6000
1
8000
G
r
af
i
k
P
e
r
uba
han M
S
E
G
ener
a
s
i
M
S
E
(
M
ean S
quar
e E
r
r
o
r
)
Gambar 2
. G
r
afik pe
ru
bah
an MSE tiap gene
ra
si pe
rcobaa
n renta
n
g
ked
ua de
ng
an ukura
n
popul
asi 10
0
0
Grafik Perub
aha
n MSE
Genera
s
i
MSE (Mean
Squar
e Error
)
Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM
NIKA
ISSN:
1693-6
930
Penggu
naa
n Data To
rsi
Untuk Pene
ntu
an Param
e
ter……(Wi
sa
so
ngko Dwi M)
5
Tabel 3. Perb
andin
gan pa
rameter h
a
sil
algoritm
a
gen
etik den
gan p
a
ram
e
ter mot
o
r indu
ksi
seb
ena
rnya p
ada pe
rcoba
a
n
rentan
g ke
d
ua den
gan u
k
uran p
opul
asi
1000
Variab
el
Sebena
rnya
Hasil AG
%
erro
r
r
s
(ohm
)
0.087
0.087
0.000
r'
r
(oh
m
)
0.228
0.229
0.307
X
ls
(ohm)
0.302
0.303
0.232
X'
l
r
(ohm)
0.302
0.303
0.232
X
m
(ohm)
13.080
14.094
7.755
Torsi beb
an p
enuh (N.m)
234.64
1
234.66
2
0.009
Torsi locke
d
rotor (N.m)
538.49
9
538.57
2
0.014
Torsi bre
a
kdo
w
n (N.m)
780.98
4
781.07
0
0.011
Wa
ktu ko
mpu
t
asi (deti
k
)
55.090
Tabel 3
me
nunju
k
kan b
ahwa den
ga
n renta
ng b
e
ru
ku
ran
cu
kup leba
r d
a
n
ukura
n
popul
asi
cukup b
e
sar pul
a yaitu 1
000
data di
ha
silkan nil
a
i p
a
ra
meter
motor i
ndu
ksi
yang
tidak
menge
ce
wa
kan seli
sih
n
ya
jika diba
ndi
ngkan de
nga
n nilai se
ben
arnya. Kesal
ahan to
rsi ya
ng
didap
at, yan
g
me
rup
a
ka
n fung
si
obj
ektifnya, me
nunju
k
kan
kesal
aha
n ya
ng
ke
cil
se
kali
sehi
ngg
a dap
at dikata
kan
algoritm
a
gen
etik mena
mpi
l
kan u
n
ju
k ke
rja yang ba
gu
s.
Perba
nding
a
n
unju
k
ke
rja
motor in
du
ksi yang
be
ru
pa torsi tra
n
sien selama
a
k
selerasi
beba
s d
a
ri
p
a
ram
e
ter
mot
o
r in
du
ksi
ha
sil alg
o
ritma
geneti
k
da
n
dari
paramet
er m
o
tor i
n
d
u
ksi
seb
ena
rnya seperti terli
hat pada G
a
mba
r
3.
Seca
ra um
u
m
deng
an m
e
mpe
r
be
sa
r
uku
r
an
pop
ul
asi b
e
ra
rti ju
ga mem
perb
e
sa
r ruan
g
solu
si se
hing
ga mempe
r
b
e
sa
r pelu
ang
untuk memil
i
ki lebih ba
nyak calon
-
calo
n solu
si. Cal
o
n
solu
si yang
b
anyak
aka
n
memud
a
h
k
an
dalam me
ne
muka
n solu
si
yang tepat, deng
an sema
kin
besarnya p
o
pula
s
i maka bagi algo
ritm
a geneti
k
akan lebih tersedia piliha
n
-p
ilihan yang l
ebih
bagu
s
untu
k
dapat m
e
mili
h nilai
-
nilai
p
a
ram
e
ter
ya
n
g
be
nar-b
ena
r terbai
k
se
suai d
enga
n n
ilai
seb
ena
rnya.
0
200
40
0
60
0
80
0
1
000
1
200
14
00
160
0
1
800
20
00
-
1
000
-
500
0
500
1
000
1
500
2
000
K
e
c
e
pat
a
n
(
r
p
m
)
K
a
r
a
k
t
e
r
i
s
ti
k
to
r
s
i
tr
a
n
s
i
e
n
T
o
rs
i
(N
.
m
)
P
a
r
a
m
e
te
r
s
e
b
e
n
a
r
n
y
a
P
a
r
a
m
e
t
e
r
h
a
s
i
l
al
gor
i
t
m
a
gen
et
i
k
Gambar 3
. G
r
afik pe
rb
andi
ngan u
n
ju
k kerja moto
r de
ngan p
a
ra
me
ter hasil al
go
ritma genetik
dan pa
ram
e
ter se
ben
arnya pada p
e
rco
baan rentan
g
kedu
a ukura
n
popul
asi 1
0
00
4. KESIMPULAN
Algoritma
g
enetik me
ru
pakan al
go
ritma
pen
ca
rian yang
b
e
ke
rja
berd
a
sa
rkan
meka
nisme
seleksi
alam
d
an g
eneti
k
a
a
l
ami untu
k
m
enentu
k
a
n
in
dividu yan
g
b
e
rkualita
s
tin
ggi
Kecepa
tan
(rpm)
Evaluation Warning : The document was created with Spire.PDF for Python.
ISSN: 1
693-693
0
TELKOM
NIKA
Vol. 2, No. 1, April 2004 : 1 - 6
6
yang terd
apa
t dalam suat
u dae
rah ya
ng di
seb
u
t p
opula
s
i. Pen
c
ari
an
solu
si
yang dila
ku
kan
algoritm
a
ge
netik b
u
kanla
h
seca
ra
det
ermini
stik
, tet
api alg
o
ritma
geneti
k
m
e
n
c
ari
solu
si d
a
ri
banya
k
calo
n solu
si dal
am suatu p
opula
s
i se
ca
ra acak tet
api terkend
a
li dan deng
an
mengg
una
ka
n ope
rato
r g
enetik
da
sar
(re
pro
d
u
ksi
, persilan
gan, dan
muta
si
) algoritm
a
ge
netik
mampu m
e
n
c
ari
sol
u
si
nya. Algoritma
geneti
k
ternyata dapat
diguna
ka
n
untuk
pene
n
t
uan
para
m
eter m
o
tor indu
ksi d
enga
n meng
g
una
kan d
a
ta torsi ting
kat kesal
aha
n yan
g
ke
cil.
DAF
TA
R PU
STAK
A
[1] Goldberg
David
F.,
:Gene
t
ic Algorith
m
s In Search, Optimizati
on, And M
achine
Learning
”
Addison-We
sle
y
Publishing
Comp
any Inc., 1989.
[2] Kraus
e
P.C.,
“Analysis O
f
Electric M
achinery
”
Mc Gra
w
-Hill Co., Singapore, 1987.
[3] Mic
halewicz
Z.,
“Gene
t
ic Algorithms
+ Data S
t
ruc
t
ures : Evolu
t
ion Programs”
Spring
er-Verl
ag Ltd, USA, 1996.
[4]
Pillay Pragasen, Nola
n Ra
y, Haque To
whid
ul, “
Appl
ication
Of G
e
netic Algori
t
ms
To
M
o
tor Parameter
Determination For T
r
ansien Tor
q
u
e Calcula
t
i
o
n
” IEEE Transac
tions
On Indu
stry Application
s
, Vol. 33, No
. 5, hal. 1273
-12
8
2
, September/Octobe
r 199
7.
Evaluation Warning : The document was created with Spire.PDF for Python.