Prosiding Seminar Nasional Teknik Elektro Volume 6 Tahun 2021 7 Metode Klasifikasi Gangguan Daya Listrik Dengan Fuzzy Logic Berbasis Cloud Ahmad Fithroh Magister Terapan Teknik Elektro, Rekayasa Kontrol Industri, Politeknik Negeri Jakarta, Jl. Prof. DR. G.A. Siwabessy, Kampus Universitas Indonesia Depok 16425, Indonesia E-mail: [email protected] Abstrak Power Quality (PQ) yang menurun menyebabkan kerusakan pada peralatan elektronik sehingga PQ perlu dimonitor dan diklasifikasikan agar dapat dipertanggungjawabkan dan menjadi bahan analisis bila terjadi kerusakan. Pada penelitian ini digunakan fuzzy logic untuk melakukan klasifikasi gangguan daya listrik dengan parameter input sag dan swell yang dijadikan ke dalam satu membership function pada parameter tegangan dengan nilai 0.94 pu dan 1.06 pu yang mengacu kepada IEEE-1100. Parameter input berikutnya adalah THD dan Power Factor (PF), sedangkan kondisi Healthy, Fair, dan Unhealthy sebagai output klasifikasi PQ. Hasil klasifikasi kualitas daya listrik pada penelitian ini berupa statement Healthy sebagai kondisi dari kualitas daya listrik yang bagus atau memiliki nilai 80% hingga 100%. Kemudian Unhealthy yaitu kondisi kualitas daya listrik di bawah 70%, sedangkan fair merupakan persinggungan di antara kedua kondisi tersebut. Paramater-parameter input yang didapatkan di lapangan dikirimkan menggunakan metode Internet of Things (IoT) dan pemrosesan klasifikasinya dilakukan pada Cloud Virtual Private Server (VPS) sehingga pemrosesan tersebut dapat terpusat. Selanjutnya hasil real-time pengukuran tegangan, THD dan PF beserta hasil laporan klasifikasi PQ berbasis fuzzy logic ditampilkan pada web application. Dengan demikian, bila ada kerusakan inverter dan komputer di lapangan, pihak services mempunyai pertimbangan sebagai analisis dari penyebab kerusakan tersebut. Kata kunci: Fuzzy Logic, Power Quality, IoT, Cloud Abstract Decreased Power Quality (PQ) causes damage to electronic equipment so that PQ needs to be monitored and classified in order to be accountable and become an analysis material in case of damage. In this study, fuzzy logic was used to classify electrical power interference with sag and swell input parameters that are used into one membership function at voltage parameters with values of 0.94 pu and 1.06 pu referring to IEEE-1100. The next input parameters are THD and Power Factor (PF), while Healthy, Fair, and Unhealthy conditions as PQ classification output. The result of classification of electrical power quality in this study in the form of Healthy statement as a condition of good electrical power quality or has a value of 80% to 100%. Then Unhealthy is the condition of electrical power quality below 70%, while fair is a tangent between the two conditions. Input parameters obtained in the field are transmitted using the Internet of Things (IoT) method and classification processing is done on a Cloud Virtual Private Server (VPS) so that the processing can be centralized. Furthermore, the real-time results of voltage measurement, THD and PF along with the results of fuzzy logic-based PQ classification report are displayed on the web application. Thus, if there is damage to inverters and computers in the field, the services have consideration as an analysis of the cause of the damage. Keywords: Fuzzy Logic, Power Quality, IoT, Cloud
Prosiding Seminar Nasional Teknik Elektro Volume 6 Tahun 2021 8 1. Pendahuluan Kualitas daya listrik yang nenurun memiliki implikasi ekonomi yang serius bagi pelanggan, utilitas, dan produsen peralatan listrik [1]. Masalah kualitas daya listrik dan masalah yang diakibatkannya adalah konsekuensi dari meningkatnya penggunaan perangkat switching solid-state, beban non-linear, daya yang dialihkan secara elektronik, sistem tenaga yang tidak seimbang, kontrol pencahayaan, peralatan komputer, serta penyearah dan inverter pabrik atau industri. Beban jenis elektronik ini menyebabkan distorsi tegangan dinamis harmonik kuasi-statis, lonjakan arus, dan fenomena arus jenis pulsa dengan harmonisa yang berlebih [2]. Distorsi atau gangguan yang dimaksud antara lain adalah sag, swell, interruption, harmonik, sag dengan harmonik, swell dengan harmonik, flicker, dan notches. Lebih spesifik lagi disebutkan bahwa klasifikasi penurunan kualitas daya listrik disebabkan oleh sag, swell, power factor, dan harmonik [3]. Maka untuk meningkatkan kualitas daya listrik, penting untuk mendeteksi dan mengklasifikasikannya [4]. Sistem pengambilan keputusan berbasis fuzzy logic atau logika fuzzy sangat cocok untuk menyelesaikan masalah diatas karena menjembatani pertimbangan kuantitatif dan kualitatif sebagai aplikasi yang luas di bidang perkiraan beban, pelacakan harmonik, pengukuran daya, dll [5]. Beberapa literatur sudah diajukan sebelumnya tentang metode klasifikasi gangguan daya listrik yang menggunakan logika fuzzy. Metode klasifikasi dengan penggabungan logika fuzzy dan Artificial Neural Network atau jaringan saraf tiruan melalui pendekatan transformasi wavelet yang hasilnya disimulasikan dengan MATLAB pernah diajukan [3]. Parameter yang digunakan pada metode tersebut antara lain sag, swell, harmonik, sag dengan harmonik, swell dengan harmonik, dan interruption. Metode klasifikasi serupa juga pernah diajukan [4] akan tetapi melalui pedekatan yang berbeda, yaitu dengan penggabungan transformasi Fourier dan wavelet untuk menganalisis gangguan sag terhadap tegangan. Sedangkan klasifikasi gangguan daya listrik menggunakan logika fuzzy yang lebih spesifik dari tiga tipe sumber utama terjadinya sag yaitu gangguan karena hubung singkat, pemberian energi pada transformator, dan starting motor dengan induksi besar juga pernah diajukan [6]. Teknik komputasi lunak seperti logika fuzzy, jaringan saraf tiruan, atau kombinasi keduanya digunakan untuk merancang sistem yang pintar. Logika fuzzy digunakan untuk penalaran, sementara jaringan saraf tiruan menyediakan algoritma untuk pembelajaran, klasifikasi, dan pengoptimalan meskipun ada area substansial yang tumpang tindih antara jaringan saraf tiruan, logika fuzzy, dan penalaran probabilistic [3]. Pemrosesan logika fuzzy seperti itu dapat dilakukan pada komputasi di cloud melalui perangkat Internet of Thinks (IoT) tanpa batasan geografis. Dengan melakukan komputasi di cloud, maka jutaan server dapat diakses melalui internet. Data dan kode dapat disimpan di cloud untuk beberapa aplikasi di mana orang lain bisa mengelola dan memantau system yang berbeda dan yang sedang digunakan [7], [8], [9]. Pada penelitian ini, logika fuzzy digunakan untuk melakukan klasifikasi gangguan dengan parameter input sag, swell, dan THD yang mengacu kepada standar IEEE-1100. Faktor daya juga dimasukan sebagai input untuk menjadi pertimbangan hasil kualitas daya listrik karena terdapat beban induktif seperti motor listrik yang inputnya dijadikan sebagai objek penelitian. Hasil klasifikasi yang akan disajikan di dalam penilitan ini adalah kondisi Healthy, Fair, dan Unhealthy dari sebuah kulitas listrik. Hal tersebut merupakan statement yang jelas dari sebuah fasilitas pengaturan secara linguistic dari logika fuzzy yang sekaligus dapat memudahkan pihak services ketika membaca hasilnya. 2. Metode Penelitian Komputasi di cloud digunakan untuk mencari cara yang lebih efektif untuk menyimpan dan mengakses data dalam jumlah besar. Secara bergantian, kompleksitas pengelolaan data meningkat sehingga solusi yang lebih baik perlu diterapkan [7]. Metode yang diusulkan ini akan memberikan lebih banyak fleksibilitas untuk mengakses data menggunakan aturan konsep logika fuzzy if-then-rules. Gambar 1 merupakan konsep keseluruhan atau metode dalam penitian ini diajukan. SPM33 merupakan sebuah alat ukur atau power meter yang dapat diaplikasikan untuk beberapa macam tipe pengkabelan dari satu fase hingga tiga fase. Alat ukur tersebut juga sudah memiliki kemampuan untuk membaca harmonik tegangan atau harmonik arus berikut gangguan harmoniknya secara total atau di sebut dengan THD (Total Harmonic Distortion). Semua data dari alat ukur tersebut dikirimkan ke cloud melalui sebuah Industrial PC (IPC). Cloud akan disiapkan untuk dua hal, yaitu melakukan beberapa kalkulasi agar hasilnya bisa dijadikan input fuzzy dan juga untuk algoritma keseluruhan fuzzy-nya sendiri. Blok diagram sistem yang dikembangkan dalam penelitian ini dapat dilihat pada Gambar 2.
Prosiding Seminar Nasional Teknik Elektro Volume 6 Tahun 2021 9 Gambar 1. Diagram alir metode penelitian Gambar 2. Blok diagram sistem Pada gambar 2 terlihat listrik 3-phase 4-wire sistem akan dimonitor tegangan, arus, frekuensi, dan harmoniknya oleh Power Quality Analyzer (PQA). Data tersebut akan dikirimkan ke cloud melalui IPC. Cloud akan mengkalkulasi nilai sag, swell, power factor, dan harmonik. Nilai tersebut juga akan digunakan pada perhitungan fuzzy di cloud untuk menentukan kondisi healthy, fair, dan unhealthy. Hasil perhitungan pada cloud dan nilai real-time dari PQA juga akan dikirimkan ke monitoring utama. Penjelasan lebih detil tentang logika fuzzy pada Gambar 3. Gambar 3. Diagram alir fuzzy logic Bersadarkan gambar 3, maka logika fuzzy diimplementasikan untuk menetapkan aturan logika fuzzy yang menggabungkan 4 input dari tipe gangguan kualitas listrik dengan beberapa variasi Membership Function (MF) dan satu output. Gangguan kualitas daya listrik tersebut dikelompokkan menjadi dua kategori berdasarkan hasil nilai rules dan defuzzification yaitu healthy, fair, dan unhealthy. 3. Hasil dan Pembahasan 3.1 Standar kualitas daya listrik Setiap fasa dari sumber tegangan memiliki informasi terkait kualitas daya. Pada penelitian ini sumber tegangan disediakan oleh panel distribusi untuk tegangan bus kurang dari 69 kV yang digunakan untuk menggerakan motor tiga fasa melalui sebuah controller dan inverter. Hal tersebut memungkinkan dapat
Prosiding Seminar Nasional Teknik Elektro Volume 6 Tahun 2021 10 menganggu kualitas daya dari sisi tegangan, factor daya, dan juga gangguan harmonik. IEEE 519-1992 memberikan tegangan harmonik terpisah dan juga batas arus. Peralatan listrik pada umumnya berkaitan dengan pemenuhan batas harmonik tegangan yang dijelaskan pada tabel 1 dan table 2 [10]. Tabel 1. IEEE 519-1992 Batas Tegangan Harmonik Tegangan Bus Gangguan Tegangan Individu (%) Gangguan Tegangan Total (THD) (%) < 69 kV 69-161 kV > 161 kV 3.0 1.5 1.0 5.0 2.5 1.5 Tabel 2. IEEE 519-1992 Batas Arus Harmonic (<69 kV) ISC/IL <11 11≤h<17 17≤h<23 23≤h<35 35≤h TDD <20 20<50 50<100 100<1000 >1000 4.0 7.0 10.0 12.0 15.0 2.0 3.5 4.5 5.5 7.0 1.5 2.5 4.0 5.0 6.0 0.6 1.0 1.5 2.0 2.5 0.3 0.5 0.7 1.0 1.4 5.0 8.0 12.0 15.0 20.0 Nilai toleransi peralatan listrik yang umum dapat dilihat pada table 3 dibawah. Nilai tersebut untuk membantu dalam metode pengambilan data dan dapat digunakan sebagai pedoman dalam menyiapkan monitoring saluran listrik di sebagian besar konfigurasi satu fase dan tiga fase [11]. Sementara itu ambang batas aktual ditetapkan oleh pengguna yang bergantung pada ambang batas peralatan yang mengalami masalah atau pada parameter sistem kelistrikan. Tabel 3. Nilai Toleransi Peralatan Umum [11] Ambang batas tegangan fasa Sag –10% dari nominal suplai tegangan Swell +5% dari nominal suplai tegangan Transient Kira-kira 100 V di atas nominal tegangan fasa-netral High-frequency noise Sekitar 1 % dari tegangan fase-netral Harmonics 5% THD— tingkat distorsi tegangan dimana dipengaruhi oleh beban Frequency ±0.5 Hz Phase Unbalance Tegangan unbalance lebih besar dari 1% Ambang batas tegangan Netral-Ground Swell 1% sampai 2.5% of dari nominal suplai tegangan Impulsive 50% dari nominal tegangan fasa-netral Noise Kerentanan peralatan pada umumnya dapat bervariasi. Lihat spesifikasi pengoperasian untuk peralatan yang terpengaruh. Beban reaktif yang linier, seperti motor AC, filter daya LC low pass, dan komponen reaktif lainnya dalam beban, biasanya menyebabkan faktor daya total non-unity terjadi sesuai Persamaan (1). Jika beban non-linier dipertimbangkan, hanya bagian kedua dari persamaan yang valid; faktor daya tidak lagi sama dengan cosinus dari sudut antara tegangan dan arus. Frekuensi selain yang fundamental juga hadir dalam bentuk gelombang tegangan dan arus pada saat yang bersamaan [11]. ௧ = = ೞ (1) Dimana: ௧ adalah total power factor dimana kesatuan PF terjadi saat ௧= 1.0, adalah sudut fasa antara arus dan tegangan, P adalah daya aktif dalam (kilo)watts, ௦ adalah daya semu dalam (kilo)volt-amperes. 3.2 Desain logika fuzzy Kedua model logika fuzzy yaitu Mamdani dan Sugeno pernah dibuktikan pada penelitian sebelumnya, bahwa keduanya dapat menghasilkan persentase sag/swell pada tegangan beban berdasarkan IEEE 1159, meskipun hasilnya terdapat sedikit selisih. Namun pada tegangan swell, logika fuzzy model Mamdani mampu menghasilkan rata-rata THD dari tegangan beban yang lebih kecil dari model Sugeno. Penelitian tersebut juga berkaitan dengan kualitas listrik namun dengan pendekatan metode Maximum Power Point Tracking (MPPT) sebagai pengontrol daya keluaran dari Photovoltaic (PV) [12]. Semesta pembicaraan (The universe of discourse) merepresentasikan range operasi input. Variasi tegangan untuk semua fasa antara 0.94 pu hingga 1.06 pu dianggap sebagai tegangan normal. Tegangan di bawah 0.94 pu dan di atas 1.06 pu masing-masing dianggap sebagai tegangan sag dan di swell. Jika tegangan masing-masing fasa berbeda di bawah 0.94 pu dan di atas 1.06 pu, kondisi tersebut diperlakukan sebagai kondisi tegangan tidak seimbang [13]. Pada penelitian ini, penentuan MF dari salah satu input logika fuzzy untuk tegangan (V), di ubah berdasarkan range dari tabel 3 untuk menentukan sag, swell, dan kondisi saat normal. Variasi range tegangan masih berdasarkan pada penelitian sebelumnya namun dengan penambahan jumlah variasi MF, karena semakin rapat pengaturan pada MF, termasuk pengaturan pada lebar dan nilai posisinya, maka sebuah desain sebuah controller akan semakin sensitif terhadap perubahan-perubahan yang kecil [14]. Nilai 0.94 pu dan 1.06 pu dari range pada tabel 3 dan dikaitkan dengan nominal masing-masing tegangan lalu dijadikan batasan sag dan swell dan kondisi normal diantaranya. Artinya dalam kondisi tegangan normal (NOR) memiliki range - 6% sampai 5%, sedankan kondisi sag (SG) jika di bawah -10% dan swell (SW) jika di atas 5%. Penambahan satu MF diantara kondisi normal dan sag, pada penelitian ini di sebut sebagai small sag (SSG). Maka MF untuk nilai sag dan swell terdapat pada gambar 5 (a). THD berlaku untuk arus dan tegangan dan didefinisikan sebagai nilai rms ganjil harmonik di bagi dengan nilai rms fundamental, dan kemudian dikalikan dengan 100%. THD arus bervariasi dari beberapa persen hingga lebih dari 100%. THD tegangan biasanya kurang dari 5%. Tegangan THD di bawah 5% secara luas di anggap dapat di terima, tetapi nilai di atas 10% jelas tidak dapat di terima dan akan menyebabkan masalah pada peralatan dan beban yang sensitive [15]. Pada penelitian ini, nilai THD sebagai input logika fuzzy dikondisikan dengan dua MF sesuai dengan range yang diberikan oleh IEEE 519-1992 pada tabel 1 dan tabel 3. Sehingga range pada MF di buat lebih proporsional dan sederhana
Prosiding Seminar Nasional Teknik Elektro Volume 6 Tahun 2021 11 dengan dua pernyataan GOOD atau BAD pada MF. GOOD adalah jika nilai THD di bawah atau sama dengan 5%, sedangkan BAD jika nilainya melampaui 5%. Maka MF untuk THD terdapat pada gambar 5 (b). Power factor atau faktor daya memiliki nilai lagging (arus terbelakang dari tegangan, V mendahului I dengan sudut ø) sebesar 0.850 pada kisaran tipikal arus beban. Sedangkan untuk kerentanan tipikal sumber daya, pada saat normal memiliki nilai lagging 0.8 dan jika kurang dari 0.6 maka menjadi nilai kritikal [11]. Pada penelitian ini jumlah MF untuk faktor daya di buat menjadi tiga kategori yaitu BAD jika nilainya dibawah 0.6 atau sebagai batas ktirikal. Sedangkan dalam kondisi normal (NOR) memiliki range 0.6 sampai 0.8, dan diatas itu disebut sebagai kondisi yang PERFECT. Maka MF untuk power factor terdapat pada gambar 5 (c). Dasar logika fuzzy adalah variabel linguistik. Nilai-nilai mereka adalah kata-kata atau kalimat dalam bahasa alami atau buatan, menyediakan sarana manipulasi sistematis atas konsep yang samar dan tidak tepat [13]. Maka bentuk output yang diajukan pada penilitian ini adalah istilah himpunan T (PQ) sebagai variable linguistik yang menafsirkan kualitas daya listrik seperti persamaan (2) di bawah. T (PQ) = {Healthy, Fair, Unhealthy} (2) PQ adalah power quality. Kondisi yang menjadi klasifikasi kualitas daya pada penelitian ini berupa statement Healthy sebagai kondisi dari kualitas daya yang bagus atau memiliki nilai 80% hingga 100%. Kemudian Unhealthy yaitu kondisi kualitas daya listrik dibawah 70%, sedangkan fair merupakan persinggungan di antara kedua kondisi tersebut. Maka MF untuk hasil PQ terdapat pada gambar 5 (d). Demikian pula halnya dengan variable input yang diwakilkan dengan variable linguistik. GOOD dan BAD untuk THD, lalu SG, SSG, NOR dan SW untuk V atau tegangan. Sedangkan statement input untuk faktor daya adalah BAD, GOOD, dan PERFECT. Representasi himpunan untuk variable input seperti persamaan (3) di bawah ini. ൞ () = {, } () = {, , , } () = {,, } ൢ (3) Desain logika fuzzy untuk mengklasifikasikan gangguang terhadap kualitas daya listrik yang diajukan pada penelitian ini ditunjukan pada gambar 4. Gambar 4. Desain logika fuzzy untuk klasifikasi power quality disturbance Berdasarkan semua deskripsi di atas, maka fungsi keanggotaan atau membership function yang dioptimalkan untuk input dan output dari penelitian ini ditunjukkan pada gambar 5. (a) (b) (c) (d) Gambar 5. Membership Function untuk (a) Tegangan sag dan swell, (b) THD, (c) Faktor Daya, (d) Output dalam bentuk klasifikasi Setelah MF ditentukan, maka aturan fuzzy if - then dapat diturunkan. Sampel aturan fuzzy disajikan pada Tabel 4
Prosiding Seminar Nasional Teknik Elektro Volume 6 Tahun 2021 12 Tabel 4. Sampel aturan fuzzy untuk penentuan kualitas daya 3.3 Desain perangkat lunak IoT dan pemrosesan data pada cloud Perangkat lunak IoT yang berbasis cloud ini memiliki fitur untuk menerima data pengukuran atau sensor, mengakses data pengukuran, dan memanajemen perangkat melalui protokol HTTP. Perancangan dan implementasi yang terdiri dari perancangan lingkungan sistem, perancangan REpresentational State TransferApplication Programming Interface (REST-API) atau API RESTful Web service, perancangan JavaScript Object Notation (JSON) atau JSON Web Token (JWT), hingga pengujiannya, dijelaskan berdasarkan referensi [9], [16]. Pada penelitian ini, data yang terkumpul di IPC dikirimkan ke cloud virtual Private Server (VPS) menggunakan REST-API dengan bentuk data JSON. Lalu parameter tegangan (V), akan di ubah menjadi persentase sag dan swell dan nilai tersebut bersama data THD, I dan F selain di kalkulasi secara langsung juga dimasukan ke database. Semua data tersebut akan ditampilkan pada website (web) sedangkan reporting hasil kualitas daya listrik berdasarkan output fuzzy didapatkan dari mining database dan juga ditampilkan ke web menggunakan range waktu tertentu. Pengiriman dan pemrosesan data menggunakan logika fuzzy pada cloud VPS diterangkan pada gambar 6. Gambar 6. Diagram alir penggunaan logika fuzzy pada cloud VPS Gambar 7 merupakan desain atau mock-up sekaligus user-interface yang dihasilkan dari klasifikasi logika fuzzy serta kalkulasi di cloud sebagai reporting kualitas daya listrik di web. Gambar 7. Mock-up reporting kualitas daya listrik di web
Prosiding Seminar Nasional Teknik Elektro Volume 6 Tahun 2021 13 4. Kesimpulan Hasil dari penilitan ini dapat dijadikan sebagai salah satu data pertimbangan untuk melakukan analisis kerusakan pada instrument di lapangan akibat dari penurunan kualitas daya listrik. Dan, desain membership function pada setiap input logika fuzzy seperti nilai sag, swell, THD, dan power factor cukup untuk menentukan kondisi dari kualitas daya listrik dengan hasil Healthy. Fair, dan Unhealthy. Dalam kondisi Healthy dengan mengacu pada rules maka membership function input yang terdiri dari nilai atau kondisi tegangan “SSG” (Small Sag), THD “Good”, dan power factor yang “Perfect”. Sedangkan untuk kondisi yang dikatakan “Unhealthy”, membership function terdiri dari tegangan “SG” (Sag), THD “Good” dan power factor yang “Bad”. Dengan adanya cloud VPS maka pemrosesan data menggunakan logika fuzzy dipusatkan pada satu tempat yaitu pada server berbasis public. Sehingga dapat memfasilitasi jika jumlah pengguna yang ingin memanfaatkan pengukuran ini lebih dari satu. Penelitian ini dapat dikembangkan dengan menambah parameter input membership function pada logika fuzzy seperti flicker, notches, interruption, transient, dan unbalance pada tegangan. Daftar Acuan [1] N. Jain and D. Mittal, “Analysis of Power Quality Improvement in Voltage Sag and Load Sensitivity Using Fuzzy Logic,” vol. 3, no. 2, pp. 62–66, 2014. [2] R. Kapoor, “Power Quality Disturbences Detection and Classification : A Review,” J. basic Appl. Eng. Res., vol. 2, no. 5, pp. 405–414, 2015. [3] H. Farag, “Application of the Fuzzy Computational Intelligence in Power Quality Data Management,” Renew. Energy Sustain. Dev., vol. 3, no. 1, pp. 166– 174, 2017. [4] P. Kalyana and R. Neela, “Automatic Recognition of Power Quality Disturbances using Kalman Filter and Fuzzy Expert System,” Int. J. Comput. Appl., vol. 149, no. 2, pp. 16–23, 2016. [5] M. Kezunovic and Y. Liao, “Power Quality Study,” vol. 17, no. 2, pp. 544–549, 2002. [6] C. Li, J. Yang, Y. Xu, Y. Wu, and P. Wei, “Classification of voltage sag disturbance sources using fuzzy comprehensive evaluation method,” vol. 2017, no. June, pp. 544–548, 2017. [7] P. Chen, "Fuzzy Logic In Cloud Computing", vol. 2, no. 3, pp. 1–10, 2013. [8] R. Nara, R. Nimbekar, S. Khairnar, and M. Mhatre, “Azure Services Platform,” Int. Res. J. Eng. Technol., vol. 4, no. 2, pp. 863–867, 2017. [9] O. B. Pratama, A. Bhawiyuga, and K. Amron, “Pengembangan Perangkat Lunak IoT Cloud Platform Berbasis Protokol Komunikasi HTTP,” J. Pengemb. Teknol. Inf. dan Ilmu Komput. e-ISSN, vol. 2548, no. 9, p. 964X, 2017. [10] S. M. Halpin, “Comparison of IEEE and IEC harmonic standards,” 2005 IEEE Power Eng. Soc. Gen. Meet., vol. 3, pp. 2214–2216, 2005. [11] I. R. Practice, IEEE Recommended Practice for Powering and G rounding E l e c t ronic, vol. 2005. 2005. [12] A. Kiswantono, E. Prasetyo, and A. Amirullah, “Comparative performance of mitigation voltage sag/swell and harmonics using DVR-BES-PV system with MPPT-Fuzzy Mamdani/MPPT-Fuzzy Sugeno,” Int. J. Intell. Eng. Syst., vol. 12, no. 2, pp. 222–235, 2019. [13] M. S. Ballal, D. M. Ballal, and H. M. Suryawanshi, “Fuzzy System for the Detection of Power Quality Performance on Induction Motor,” Electr. Power Qual. Util., vol. XIV, no. 1, pp. 61–66, 2008. [14] Z. Salleh, M. Sulaiman, and R. Omar, “Tuning fuzzy membership functions to improve performance of vector control induction motor drives,” J. Telecommun. Electron. Comput. Eng., vol. 8, no. 2, pp. 1–4, 2016. [15] W. M. Grady and S. Santoso, “Understanding power system harmonics,” IEEE Power Eng. Rev., vol. 21, no. 11, pp. 8–11, 2001. [16] T. W. Hamid, E. S. Pramukantoro, and R. A. Siregar, “Pengembangan Web Service Pada IoT Data Storage Dengan Pendekatan Semantik dan Penambahan Mekanisme Autentikasi,” J. Pengemb. Teknol. Inf. dan Ilmu Komput. Univ. Brawijaya, vol. 2, no. 12, pp. 6824–6827, 2018.