OPTIMASI PEMBANGKITAN EKONOMIS PADA UNIT-UNIT PEMBANGKIT LISTRIK TENAGA DIESEL TELAGA MENGGUNAKAN MODIFIKASI PARTICLE SWARM OPTIMIZATION (MPSO).
|
|
- Veronika Budiono
- 7 tahun lalu
- Tontonan:
Transkripsi
1 OPTIMASI PEMBANGKITAN EKONOMIS PADA UNIT-UNIT PEMBANGKIT LISTRIK TENAGA DIESEL TELAGA MENGGUNAKAN MODIFIKASI PARTICLE SWARM OPTIMIZATION (MPSO). Fityan Thalib, Tri Pratiwi Handayani 1, dan Sabhan Kanata Jurusan Teknik Elektro, Universitas Ichsan Gorontalo 1) Abstrak Pembangkit termal khususnya pembangkit listrik tenaga diesel (PLTD) merupakan salah satu jenis pembangkit yang dalam pengoperasiannya menggunakan energi fosil (minyak solar), disamping itu kebutuhan energi listrik yang meningkat akan mengakibatkan konsumsi bahan bakar yang besar, sehingga biaya operasi pun akan ikut bertambah besar. Oleh sebab itu perlu adanya langkah untuk menentukan total biaya pembangkitan yang paling murah dengan daya yang maksimal dan kombinasi daya keluaran masing-masing unit pembangkit yang paling optimal, sehingga diperlukan adanya langkah optimasi untuk menyelesaikan permasalahan tersebut. Dalam penelitian ini menggunakan algoritma Particle Swarm Optimization yang dimodifikasi, dinilai lebih efisien dan tidak modah terjebak dalam optimasi lokal, disamping itu dalam penerapannya tidak banyak parameter yang dibutuhkan. Melalui algoritma Modifikasi Particle Swarm Optimization (MPSO) ini diharapkan dapat menyelesaikan masalah optimasi di PLTD Telaga. Dalam analisis penelitian tugas akhir ini yang bertempat di PLTD Telaga menggunakan data pada bulan oktober 2013, dengan biaya operasi sebesar Rp /jam pada pembebanan daya 3898 kw dengan mengoprasikan 2 unit mesin yaitu pembangkit unit 2 dan pembangkit unit 9. Hasil perhitungan simulasi menggunakan Modifikasi Particle Swarm Optimization (MPSO) pada waktu yang sama dan beban yang sama menunjukan bahwa operasi ekonomis pembagian pembebanan menggunakan MPSO memberikan hasil yang lebih besar dengan nilai Rp /jam dengan mengoprasikan 8 unit mesin yaitu pembangkit unit 1, unit 2, unit 3, unit 4, unit 6, unit 8, unit 9, dan unit 10. Sehingga lebih besar biayanya Rp /jam menggunakan metode MPSO. Kata kunci: Optimasi Pembagian Beban, Modifikasi Particle Swarm Optimization. 1. PENDAHULUAN Kemajuan teknologi yang pesat dan berkembangnya suatu kota, akan mendorong konsumsi energi listrik juga semakin besar. Dalam pengoperasian pembangkit listrik tenaga diesel adalah pembangkit listrik yang berhubungan langsung dengan bahan bakar. Pada unit pembangkit listrik yang menggunakan bahan bakar fosil khususnya pembangkit listrik tenaga diesel (PLTD), pertambahan beban akan mendorong pertambahan kuantitas (jumlah) bahan bakar per satuan waktu yang akan meningkatkan pertambahan biaya per satuan waktu. Hal ini perlu menjadi perhatian khusus, Sehingga perlu adanya langkah dalam menyelesaikan 3 permasalahan tersebut. Salah satu solusi bagi produsen listrik untuk menekan biaya operasi pembangkitan adalah dengan melakukan optimalisasi pada proses produksi energi listrik yang disebut dengan economic dispatch (ED). ED adalah pembagian pembebanan pada pembangkit khususnya pada tiap tiap unit pembangkit tenaga diesel yang ada dalam sistem secara optimal dengan biaya seefisien mungkin, pada nilai atau besar beban tertentu. Tujuan utama penyelesaian permasalahan ED adalah untuk menentukan kombinasi daya output masing masing unit pembangkit listrik dengan total biaya bahan bakar yang paling kecil dibandingkan kombinasi output yang lain.
2 Sehingga dikembangkan teknik-teknik untuk menyelesaikan masalah ED dengan menggunakan algoritma swarm intelligence (SI) dalam meningkatkan penyelesaian yang lebih optimal. Swarm Intelligence merupakan algoritma yang diinspirasi dari kecerdasan suatu kawanan hewan dalam mencari makan. Salah satu metoda yang sering digunakan adalah Particle Swarm Optimization (PSO). J.Kennedy dan R.C.Eberhart (1995) memperkenalkan algoritma Particle Swarm Optimization (PSO), yang proses algoritmanya diinspirasi oleh perilaku sosial dari hewan, seperti sekumpulan serangga, ikan, burung dalam suatu swarm (kelompok). Perilaku sosial terdiri dari tindakan individu (particle) dan pengaruh tindakan individu tersebut terhadap kelompoknya. Setiap individu berprilaku secara terdistribusi berdasarkan kecerdasannya masing masing dan dipengaruhi oleh perilaku kelompoknya. Dalam penelitian ini metoda yang digunakan adalah Particle Swarm Optimization yang dimodifikasi (MPSO). Dalam kasus ini tujuan dari digunakannya MPSO yaitu untuk memperbaiki formula PSO standard yang dinilai dalam implementasinya, ditemukan bahwa kecepatan partikel dalam PSO standard diupdate terlalu cepat sehingga nilai minimum fungsi tujuan yang dicari sering terlewati (cekmas cekdin, 2006). 2. Tinjauan Pustaka Sampeallo (2012), melakukan penelitian dengan menentukan penjadwalan optimal untuk menyelesaikan permasalahan optimasi pada unit-unit pembangkit. Dengan tujuan untuk mengkaji optimalisasi pemakaian bahan bakar pada PLTD Kefamenanu. Karakteristik pembangkit merupakan modal dasar dalam melakukan pengaturan output pembangkit untuk menekan pembiayaan bahan baku energi. Melalui kerakteristik pembangkit ini dibuat model matematisnya sehingga dapat dilakukan proses optimasi dalam memperoleh nilai optimum ekonomi biaya pembangkitan, hal ini dinyatakan oleh Harun (2011). Operasi ekonomis merupakan proses pembagian atau penjatahan beban total kepada masing- masing unit pembangkit, seluruh unit pembangkit dikontrol terusmenerus dalam interval waktu tertentu sehingga dicapai pengoperasian yang optimal, dengan demikian pembangkitan tenaga listrik dapat dilakukan dengan cara yang paling ekonomis, hal tersebut dinyatakan oleh Sofyan dkk (2010). Dinyatakan oleh Syah dkk (2012), bahwa berbicara tentang biaya dalam pembangkitan tenaga listrik, berarti kita berbicara tentang harga yang jelas-jelas berbeda dengan tarif. Bila harga itu nilainya ditentukan oleh besarnya investment yang dilakukan, maka tarif itu sendiri tergantung kepada kebijakan pemerintah. Sehingga di dalam perhitungan biaya pembangkitan ada beberapa komponen yang harus diketahui yaitu : Biaya tetap, biaya bahan bakar, biaya start up, biaya produksi, biaya daya cadangan. Tuegeh dkk (2009), menggunakan metode Particle swarm optimization (PSO) dalam memecahkan permasalahan optimal generator scheduling. Dengan menerapkan metode PSO dalam optimasi penjadwalan generator ini, maka hasil simulasi menunjukkan bahwa metode yang digunakan memberikan performa dan hasil yang sangat baik. Zerda (2009), menggunakan metode Particle swarm optimization (PSO) untuk masalah perhitungan optimasi penjadwalan sumber daya proyek. Dari tes yang telah dilakukan menunjukkan bahwa pendekatan dengan menggunakan metode Particle swarm optimization (PSO) ini dapat memberikan solusi yang bagus dengan fluktuasi yang minimal. 3. Dasar Teori 2.1. Karakteristik input-output Pembangkit Karakteristik Input-output pembangkit tenaga termal khusunya pembangkit listrik tenaga diesel, disebut sebagai karakteristik pemakaian bahan bakar yang menyatakan jumlah energi bahan bakar (Liter/Jam) yang dibutuhkan untuk membangkitkan sejumlah daya listrik (MW) tertentu selama satu jam. Karakteristik pembangkit juga merupakan modal dasar dalam melakukan pengaturan output pembangkit untuk menekan pembiayaan bahan baku energi. Melalui kerakteristik pembangkit ini dibuat model matematisnya sehingga dapat di lakukan proses optimasi dalam memperoleh optimum ekonomi biaya pembangkitan (Harun, 2011). Gambar 1. Karakteristik input-output pembangkit termal Dari gambar diatas dapat kita lihat bahwa input dari pembangkit berupa F (L/Jam) dan outputnya P (MW). Input dari pembangkit : F = L/jam ( biaya total bahan bakar) Output dari pembangkit : P = Daya ( dalam satuan MW) Data karakteristik input-output dapat peroleh dari perhitungan desain atau dari pengukuran. Jika digunakan data pengukuran akan diperoleh kurva yang tidak kontinyu, sehingga kurva tersebut akan membentuk garis kuadratis seperti yang terlihat pada gambar 1, disisi lain besar beban yang dipikul berbengaruh terhadap hasil pengukuran. Pembangkit termal juga mempunyai batas operasi minimum dan maksimum, batasan beban minimum biasanya disebabkan oleh kestabilan pembakaran dan masalah desain generator, (pada umumnya unit pembangkit termal tidak dapat beroperasi dibawah 30 % dari kapasitas desain) (Saadat,1999). 4
3 Persamaan karakteristik input-output pembangkit menyatakan hubungan antara jumlah bahan bakar yang dibutuhkan untuk menghasilkan daya tertentu pada pembangkit tenaga listrik yang didekati dengan fungsi binomial, yaitu : F(P) = a P 2 + bp + c (1) Dimana : F = input pemakaian bahan bakar (Liter/Jam) P = output daya yang dibangkitkan (MW) a,b,c = konstan persamaan 2.2 Algoritma Particle Swarm Optimization (PSO) PSO, didasarkan pada perilaku sebuah kawanan burung atau ikan. Algoritma PSO meniru perilaku sosial organisme ini. Perilaku sosial terdiri dari tindakan individu dan pengaruh dari individu-individu lain dalam suatu kelompok. Kata partikel menunjukan, misalnya seekor burung dalam kawanan burung. Setiap individu atau partikel berperilaku dengan cara menggunakan kecerdasannya (intelligence) sendiri dan juga dipengaruhi perilaku kelompok kolektifnya. Sebagai contoh, misalnya perilaku burung-burung dalam dalam kawanan burung. Meskipun setiap burung mempunyai keterbatasan dalam hal kecerdasan, biasanya ia akan mengikuti kebiasaan (rute) seperti berikut : 1. Seekor burung tidak berada terlalu dekat dengan burung yang lain. 2. Burung tersebut akan mengarahkan terbangnya ke arah rata-rata keseluruhan burung. 3. Akan memposisikan diri dengan rata-rata posisi burung yang lain dengan menjaga sehingga jarak antara burung dalam kawanan itu tidak terlalu jauh. Dengan demikian perilaku kawanan burung akan didasarkan pada kombinasi dari 3 faktor simpel berikut: 1. Kohesi - terbang bersama 2. Separasi - jangan terlalu dekat 3. Penyesuaian (alignment) - mengikuti arah bersama Jadi PSO dikembangkan dengan berdasarkan pada model berikut: 1. Ketika seekor burung mendekati target atau makanan (atau bisa minimum atau maximum suatu fungsi tujuan) secara cepat mengirim informasi kepada burung-burung yang lain dalam kawanan tertentu. 2. Burung yang lain akan mengikuti arah menuju ke makanan tetapi tidak secara langsung. 3. Ada komponen yang tergantung pada pikiran setiap burung, yaitu memorinya tentang apa yang sudah dilewati pada waktu sebelumnya. X i (t) = x i1 (t), x i2 (t),..,x in (t) (2) V i (t) = v i1 (t),v i2 (t),.,v in (t) (3) Dimana : X = Posisi partikel V = Kecepatan partikel i = Indeks partikel t = iterasi ke-t N = ukuran dimensi ruang Berikut ini merupakan model matematika yang menggambarkan mekanisme updating status partikel (Kennedy and Eberhart, 1995) : V i (t) = V i (t-1) + c 1 r 1 ( - X i (t-1) + c 2 r 2 (X G -X i (t-1) (4) X i (t) = V i (t) + X i (t-1) (5) Merepresentasikan local best dari partikel ke-i. sedangkan merepresentasikan global best dari seluruh kawanan. Sedangkan C 1 dan C 2 adalah suatu konstanta yang bernilai positif yang biasanya disebut sebagai lerning factor. Kemudian r 1 dan r 2 adalah suatu bilangan random yang bernilai antara 0 sampai 1. Persamaan (4) digunakan untuk menghitung kecepatan partikel yang baru berdasarkan kecepatan sebelumnya. Jarak antara posisi saat ini dengan posisi terbaik kawanan (global best). Kemudian partikel menuju posisi yang baru berdasarkan persamaan (5). Setelah algoritma PSO ini dijalankan dengan sejumlah iterasi tertentu sehingga mencapai kriteria pemberhentian, maka akan di dapatkan solusi yang terletak pada global best. 2.3 Modifikasi Particle Swarm Optimization (MPSO). Dalam implementasinya, ditemukan bahwa kecepatan partikel dalam PSO standard diupdate terlalu cepat dan nilai minimum fungsi tujuan yang dicari sering terlewati. Karena itu kemudian dilakukan modifikasi atau perbaikan terhadap algoritma PSO standard. Perbaikan itu berupa penambahan suatu term inersia w untuk mengurangi kecepatan pada formula update kecepatan. Biasanya nilai w dibuat sedemikian hingga semakin besar iterasi yang dilalui, semakin mengecil kecepatan partikel. Nilai ini berbervariasi secara linier dalam rentang 0.9 hingga 0.4. Secara matematis perbaikan ini bisa di tuliskan : Vi(t)= WVi(t-1) + C 1 r 1 [ P best, i x i (t 1)] + C 2 r 2 [G best -x i (t -1)], i=1,2,...n (6) Bobot inersia ini diusulkan oleh Shi and Eberhart (1998) untuk meredam kecepatan selama iterasi, yang memungkinkan kawanan burung menuju (converge) titik target secara lebih akurat dan efisien dibandingkan dengan algoritma aslinya. Nilai bobot inersia yang tinggi menambah porsi pencarian global (global exploration), sedangkan nilai yang rendah lebih menekankan pencarian lokal (local search). Untuk tidak terlalu menitikberatkan pada salah satu bagian dan tetap mencari area pencarian yang baru dalam ruang berdimensi tertentu, maka perlu dicari nilai bobot inersia (w) yang secara imbang menjaga pencarian global dan lokal. Untuk mempercepat itu dan mempercepat konvergensi, suatu bobot inersia yang mengecil nilainya dengan bertambahnya iterasi digunakan dengan formula. W(t) = W max ( )t (7) 5
4 Dimana w max dan w min masing-masing adalah nilai awal dan nilai akhir bobot inersia, t max adalah jumlah iterasi maksimum yang digunakan dan t adalah iterasi yang sekarang. Biasanya digunakan nilai w max = 0.9 dan w min = 0.4. perubahan atau modifikasi formula untuk mengupdate kecepatan ini seperti step size α dalam algoritma Steepest Descent, dimana nilai α yang terlalu besar akan memungkinkan suatu optimum local akan terlewati sehingga algoritma justru menemukan optimum local yang lain yang tidak lebih baik nilainya. Gambar pergerakan nilai fungsi tujuan f (x) = (100 x ) 2, untuk 50 iterasi ditunjukan dalam gambar (3). Gambar 3. Pergerakan nilai fungsi tujuan untuk PSO tanpa improvement Sedangkan gambar pergerakan nilai fungsi tujuan (f (x) = (100 x) 2 ) setelah dilakukan modifikasi terhadap PSO (dengan inersia) untuk 50 iterasi di tunjukan dalam gambar (4) Gambar 4. Pergerakan nilai fungsi tujuan untuk PSO dengan improvement Kelihatan bahwa dengan modifikasi ini pergerakan ke titik target lebih stabil dan konvergen lebih cepat. Berikut ini diberikan hasil implementasi PSO baik yang menggunakan PSO asli dan PSO yang di modifikasi. Sehingga bisa membandingkan bagaimana pergerakan vektor solusi menuju solusi optimal atau melihat pergerakan nilai fungsi tujuannya dari kedua algoritma ini. Untuk implementasi ini digunakan fungsi himmelblau f (x) = + x 2 11) 2 + (x ) Metode Penelitian Penelitian ini dilaksanakan di PLTD Telaga wilayah PT.PLN Gorontalo menggunakan metode algoritma Modifikasi Particle Swarm Optimization (MPSO) dan penelitian ini bertujuan untuk mengetahui : 1. Untuk menentukan kombinasi daya keluaran masingmasing unit pembangkit telaga yang paling optimal dengan menggunakan MPSO. 2. Untuk menentukan total biaya pembangkitan yang paling murah dengan menggunakan MPSO. Data yang digunakan dalam penelitian ini yaitu data pengoprasian pada bulan oktober Metode yang digunakan Metode yang digunakan dalam penelitian ini adalah observasi lapangan untuk mendapatkan data sakunder, seperti : data beban data pengukuran bahan bakar dan data teknis dari mesin diesel/generator yang dipakai berdasarkan data bulan oktober Teknik analisis data Setelah mengetahui data pengoprasian berupa data daya yang dibangkitkan dan biaya bahan bakar yang digunakan selama sebulan penuh (Data pengoperasian setiap kali beroperasi dapat berfariasi tergantung berapa lama mesin beroperasi dan besar baban yang dipikul), selanjutnya menentukan kurva karakteristik input output setiap unit diesel generator berdasarkan biaya konsumsi bahan bakar versus daya yang dihasilkan, untuk menentukan coefisien a, b dan c yaitu nilai α, β, dan γ. Selain itu data spesifik mesin juga harus diketahui yang dapat kita lihat pada tabel 1 dibawah : Tabel 1. Data daya minimal dan maksimal untuk tiap unit mesin. Mesin P MIN P Max Unit Unit Unit Unit Unit Unit Unit Mirrles Dalam penelitian ini losses diabaikan, hal ini untuk mendapatkan daya nyata yang optimal. Alur penelitian yang akan dilakukan pada PLTD Telaga menggunakan metode optimasi MPSO. Langkah yang pertama dilakukan yaitu menentukan input bahan bakar dari masing-masing unit, setelah menentukan input bahan bakar, masukan pada aplikasi MPSO menggunakan Matlab 7, sehingga hasil yang didapat berupa kombinasi daya keluaran masing-masing unit pada PLTD Telaga. 4. Flowchart Algoritma Yang diusulkan 6
5 Mulai Masukan data kapasitas Pmin dan Pmax dan konstanta biaya pembangkit Masukan total permintaan daya beban * Menentukan jumlah populasi * Menentukan jumlah iterasi maksimum * menentukan nilai parameter-parameter MPSO * Inisialisasi epoch awal = 0 * Membangkitkan secara acak populasi dari partikel dan posisi awalnya Epoch = 0 Evaluasi fungsi tujuan pada partikel i yaitu C t (P i ) = Menghitung volocity baru partikel i. Vi (t) a i P i 2 + b i P i + c i Menghitung posisi baru setiap partikel berdasarkan persamaan : Xi (t) = Vi (t) + Xi (t-1) Menghitung fitness (evaluasi) dari setiap partikel, berdasarkan fungsi tujuan * Dari setiap partikel, jika nilai fitness sekarang (P) lebih baik dari Pbest, Pbest = P * Update Pbest sebagai Gbest Epoch = Epoch + 1 Gbest (t+1) Gbest (t) 10-5 Ya Mencetak hasil total biaya minimum Selesai Tidak Gambar 5. Flowchart Pembangkit Menggunakan MPSO 2. Memasukan data kemampuan pembangkit (Pmin Pmax) dan nilai konstanta biaya pembangkit masing-masing unit 3. Masukan total permintaan daya beban 4. Langkah berikutnya menentukan jumlah populasi (jumlah partikel dan besar swarm), menentukan jumlah iterasi (epoch) maksimum, dan menentukan nilai parameter MPSO (inisialisasi parameter yaitu population size, C1 - C2 dan W awal - W akhir, inisialisasi iterasi awal = 0, dan membangkitkan secara acak populasi dari partikel dan posisi awal. Inisialisasi acak partikel dalam suatu populasi sesuai dengan batas masing-masing unit, dalam dimensi partikel, dan velocity (kecepatan partikel dalam bergerak mencari solusi). Ini langkah awal partikel untuk mencari calon solusi yang layak yang memenuhi operasi. 5. Pada saat iterasi (epoch) awal= 0, setiap partikel dari populasi membangkitkan keluaran tergantung pada permintaan beban (P D ). 6. Mulai mengevaluasi fungsi tujuan dari masingmasing partikel (Pi) dalam populasi dengan menggunakan fungsi : C t (P i ) = a i P 2 + b i P i + c i 7. Lalu hitung velocity baru partikel i Vi(t) 8. Menghitung posisi baru setiap partikel berdasarkan persamaan : X i (t) = V i (t) + X i (t-1) 9. Menghitung fitness (evaluasi) untuk membandingkan nilai evaluasi fungsi masingmasing individu dengan Pbest-nya. 10. Evaluasi nilai terbaik antara Pbest di update sebagai Gbest 11. Pada saat epoch = epoch + 1, update velocity partikel i dan posisi partikel i dengan menggunakan algoritma : Kombinasi antara inertia weight dan faktor penyempitan (constriction factor) Vi(t)= WVi(t-1) + C 1 r 1 [ P best, i x i (t 1)] + C 2 r 2 [G best -x i (t -1)] X i (t)= V i (t) + X i (t-1) 12. Jika nilai evaluasi setiap partikel i lebih baik dari Pbest sebelumnya, maka nilai saat evaluasi saat ini diatur menjadi Pbest. Jika Pbest terbaik adalah lebih baik dari pada Gbest, nilai diatur menjadi Gbest. 13. Jika nilai Gbest iterasi saat ini dengan sebelumnya memenuhi kriteria yang ditentukan dimana lebih besar atau sama atau epoch sudah mencapai maksimum maka solusi ini dianggap paling optimal yaitu nilai Gbest terbaru dengan total biaya pembangkitan yang minimum selanjutnya dilanjutkan ke langkah 14. Tapi jika belum memenuhi maka kembali ke langkah Selesai 1. Mulai 7
6 5. Hasil Dan Analisa Mulai Mengetahui data daya dan Cost pada tabel Mencari fungsi biaya dari data daya versus biaya pembangkitan pada tabel 4.1 menggunakan kurva polynomial orde 2. Fungsi biaya masing-masing unit, data Pmin dan Pmax diinput di matlab Rugi rugi daya diabaikan diinput di Matlab = 0 Menentukan daya yang ingin dioptimasi lalu input di matlab Menentukan parameter MPSO Diinput di matlab Menjalankan simulasi Di Matlab diabaikan sehingga nilainya diberi 0, selanjutnya menentukan daya yang ingin dioptimasi lalu input di matlab, dilanjutkan dengan menentukan paremeter MPSO untuk pencarian solusi, setelah semua parameter ditentukan jalankan simulasi, apabila solusi sudah didapat dengan nilai yang paling optimal selama iterasi berlangsung, simulasi selesai. Tabel 2. Fungsi Biaya Pembangkitan Mesin Fungsi Biaya (Rp/Jam) Unit x 2 + 3, x - 102, Unit x 2 + 3, x + 162, Unit x 2 + 3, x + 346, Unit x x Unit x x Unit x x Unit x x Mirrles x x Nilai koefisien masing-masing unit diatas didapat dengan mengumpulkan data daya dan biaya yang dibutuhkan untuk menghasilkan daya tersebut selama sebulan penuh, selanjutnya membuat kurva daya yang dihasilkan (x) versus biaya konsumsi bahan bakar (y), selanjutnya membuat kurva polynomial orde dua dari data daya yang dihasilkan versus konsumsi bahan bakar, sehingga diperoleh nilai konstanta y = α, β, dan γ yang dapat kita lihat pada tabel diatas. Setelah didapat nilai konstanta masing masing unit, Langkah selanjutnya memasukan data Pmax dan Pmin beserta data koefisien a, b, dan c masing-masing unit di Matlab, selanjutnya masukan besar permintaan daya, langkah terakhir tinggal memasukan parameter dari MPSO dan input di Matlab, jalankan simulasi. Solusi didapat selesai Gambar 6. Alur Jalannya Penelitian Penelitian tugas akhir ini bertempat di PLTD Telaga, data pengoprasian yang digunakan dalam penelitian ini yaitu data pembangkitan pada bulan oktober tahun 2013 dengan menggunakan algoritma MPSO yang disimulasikan pada software Matlab. Berdasarkan gambar 6 diatas langkah awal dalam penelitian ini yaitu, pertama mengetahui data daya yang dibangkitkan dan jumlah bahan bakar yang digunakan oleh setiap unit mesin setiap kali beroperasi dalam satuan waktu, sehingga biaya yang dikeluarkan oleh PLTD Telaga dalam setiap beroperasinya mesin dapat diketahui, Selanjutnya mencari nilai fungsi biaya masing-masing unit menggunakan kurva polynomial orde 2 antara daya versus biaya pengbangkitan, setelah diketahui input fungsi biaya masing masing unit di matlab besarta Pmin dan Pmax, untuk perhitungan rugi-rugi daya Gambar 7. Kurva Pencarian Solusi Pada Beban kw Menggunakan MPSO Dalam pencarian solusi parameter MPSO yang digunakan yaitu : jumlah partikel 100, swarm 100, Inertia Weight (w) w1 = 0.9 w2 = 0.4, Coofisien Accelaration C1 dan C2 = 2.05, dalam batasan iterasi Parameter tersebut digunakan karena dianggap lebih mendekati nilai yang lebih optimal yang dicari. Dari gambar 7 diatas untuk simulasi pencarian nilai optimal permintaan Pembebanan (PD) = kw, kurva akan terbentuk selama iterasi pencarian solusi berlangsung berdasarkan nilai optimal yang didapat selama iterasi, dan akan berhenti terbentuk apabila nilai optimal sudah didapat dan ditentukan sebagai Gbes. 8
7 Selama simulasi pencarian nilai optimal berlangsung yang dilakukan oleh partikel dalam ruang dimensi bergerak secara acak yang juga dapat kita lihat terletak dikanan atas pada gambar kurva. Dalam batasan iterasi didapatkan solusi pencarian konvergen dengan total iterasi menunjukan hasil pencarian nilai optimal dengan solusi biaya = Rp / jam. dengan keluaran daya masing masing unit yang dapat kita lihat pada tabel 3. Tabel 3 Perbandingan Biaya Pembangkitan PLTD dan MPSO pada pembebanan 3898 kw PLTD MPSO MESIN Daya Biaya (Rp) Daya Biaya (Rp) Unit Unit Unit Unit Unit Unit Unit Mirrles Total Tabel 3. memperlihatkan perbandingan pembangkitan antara pembangkitan PLTD dan MPSO pada beban kw, dimana terdapat selisih biaya sebesar Rp /Jam atau naik sebesar 20% menggunakan metode MPSO. Untuk lebih memastikan menggunakan MPSO dapat memberikan solusi yang lebih ekonomis, maka dilanjutkan pada kasus permintaan daya sebesar kw. iterasi Parameter tersebut digunakan karena dianggap lebih mendekati nilai optimal yang dicari pada daya kw. Tabel 4. Perbandingan Biaya Pembangkitan PLTD dan MPSO pada pembebanan kw PLTD MPSO MESIN Daya Biaya (Rp) Daya Biaya (Rp) Unit Unit Unit Unit Unit Unit Unit Mirrles Total Tabel 4. Pada kasus dua hasil simulasi pencarian nilai optimal yang dapat kita lihat pada tabel diatas, mununjukan bahwa dalam pembangkitan menggunakan metode MPSO ternyata masih lebih mahal dengan selisih biaya sebesar Rp atau 7,8 %. dari biaya pembangkitan PLTD tampa menggunakan metode optimasi. Maka penyelesaian masalah economic dispatch pada PLTD Telaga, menggunakan MPSO tidak direkomendasikan karena menghasilkan solusi yang lebih mahal. Tabel 5 Perbandingan hasil simulasi yang menggunakan parameter yang berbeda. Kasus Daya Jlh.pertikel Swarm Iterasi Cost (Rp/Jam) Gambar 8. Kurva Pencarian Solusi Pada Beban kw Menggunakan MPSO Dari gambar 8, pada kasus pencarian nilai optimal PD (Pembebanan) = kw, kurva menunjukan nilai optimal pada saat epoch ke dengan solusi biaya = Rp /jam, didapatkan solusi pencarian konvergen dengan total iterasi menghasilkan keluaran daya masing- masing unit dapat dilihat pada tabel 4. Dalam pencarian solusi MPSO economic dispatch Pada permintaan daya 7418 kw, parameter MPSO yang digunakan yaitu : jumlah partikel 100, swarm 100, Inertia Weight (w) = W1 = 0.9, W2 = 0.4, Coofisien Accelaration (C) = C1 = 2.05, C2 = 2.05, dalam batasan Dari tabel 5, diatas dapat disimpulkan bahwa hasil simulasi untuk kedua kasus menggunakan algoritma MPSO dengan parameter yang berbeda masih belum mendapatkan hasil yang diinginkan atau nilai yang lebih optimal. 6. Kesimpulan dan saran 6.1 Kesimpulan Dari hasil perhitungan dan analisis dalam penelitian ini dapat ditarik kesimpulan sebagai berikut: 1. Optimasi pembagian beban untuk mendapatkan biaya pembangkitan ekonomis (economic dispatch) menggunakan metode MPSO, saat semua unit pembangkit beroperasi mengasilkan biaya pembangkitan yang lebih besar, dibandingkan dengan metode PLTD yang hanya mengoprasikan unit unit pembangkit tertentu. 9
8 2. Untuk kondisi sistem pembangkitan di PLTD Telaga tidak cocok menggunakan economic dispatch MPSO dalam mencari total biaya pembangkitan ekonomis. 6.2 Saran Untuk penelitian berikutnya disarankan melanjutkan penelitian kearah unit commitment (Penentuan unit unit pembangkit mana yang efektif dioprasikan/tidak). DAFTAR PUSTAKA Cekmas Cekdin (2006) Buku Sistem tenaga listrik contoh soal dan penyelesaiannya menggunakan Matlab Penerbit Andi Ofset, Yogyakarta. Harun, (2011) Buku Perancangan Pembangkit Tenaga Listrik Universitas hasanudin, Makasar. Imran, (2009) Jurnal Media Elektrik Study Operasi Ekonomis Antara Unit-unit Pembangkit Tenaga Listrik di PT. PLN Wilayah Sultan Batara Sector Tello Fakultas Teknik Elektro Universitas Negeri Makassar. Kennedy and Ebehart, (1995) Particle Swarm optimization In proceedings of the IEEE International Conference on Neural Networks. IEEE Service Center Piscataway. Mariang, Patras, Tuegeh, Tumalian, (2012) Jurnal Media Elektro Optimalisasi Penjadwalan Pembangkit Listrik di Sistem Sorong Universitas Sambratulangi, Manado. Sampeallo, (2012) Jurnal Media Elektrik Penjadwalan Optimal Operasi Unit unit Pembangkit Untuk Memenuhi Kebutuhan Beban Ditinjau Dari Pemakaian Bahan Bakar Staf Dosen Sains dan Teknik Undana, Kupang. Santoso dan Willy, (2011) Buku Metode Metaheuristik Prima printing, Surabaya. Sofyan, Harun, Tola (2010) Jurnal Study Operasi Ekonomis Pada Generator Pembangkit System Sulawesi Selatan Institut Teknik Elektro PPs Universitas Hasanuddin, Makasar. Saadat, (1999) Buku Power Sistem Analysis McGraw-Hill International Edition, Singapore. Shi and Eberhart, (1998) Parameter Selection in Particle Swarm Optimization Springer verleg. Tuegeh, Soeprijanto, Hery, (2009) Jurnal Informatika Optimal Generator Sceduling Based On Particle Swarm Optimization Teknik Elektro ITS, Surabaya. Zerda, (2009) Skripsi Analysis and Implementation of Particle Swarm Optimization (PSO) Algorithm on the Optimization of Project Resource Scheduling Institut Teknologi Telkom, Bandung. 10
PENENTUAN JALUR TERPENDEK PADA APLIKASI OJEK ONLINE GO-JEK DENGAN PROBABILISTIC NEURAL NETWORK (PNN) DAN PARTICLE SWARM OPTIMIZATION (PSO)
PENENTUAN JALUR TERPENDEK PADA APLIKASI OJEK ONLINE GO-JEK DENGAN PROBABILISTIC NEURAL NETWORK (PNN) DAN PARTICLE SWARM OPTIMIZATION (PSO) Levina Fitri Rahmawati, Isnandar Slamet, dan Diari Indriati Program
Lebih terperinciDynamic Optimal Power Flow dengan kurva biaya pembangkitan tidak mulus menggunakan Particle Swarm Optimization
JURNAL TEKNIK POMITS Vol. 3, No. 1, (2014) ISSN: 2337-3539 (2301-9271 Print) B-24 Dynamic Optimal Power Flow dengan kurva biaya pembangkitan tidak mulus menggunakan Particle Swarm Optimization Afif Nur
Lebih terperinciOptimisasi Injeksi Daya Aktif dan Reaktif Dalam Penempatan Distributed Generator (DG) Menggunakan Fuzzy - Particle Swarm Optimization (FPSO)
TESIS Optimisasi Injeksi Daya Aktif dan Reaktif Dalam Penempatan Distributed Generator (DG) Menggunakan Fuzzy - Particle Swarm Optimization (FPSO) Dosen Pembimbing : Prof. Ir. Mochamad Ashari, M.Eng. Ph.D
Lebih terperinciOptimalisasi Penjadwalan Pembangkit Listrik di Sistem Sorong
Optimalisasi Penjadwalan Pembangkit Listrik di Sistem Sorong 1 Yulianto Mariang, L. S. Patras, ST.,MT, M. Tuegeh, ST.,MT, Ir. H. Tumaliang, MT Jurusan Teknik Elektro-FT, UNSRAT, Manado-95115, Email: jliant_0mariang@yahoo.com
Lebih terperinciTutorial Particle Swarm Optimization
Tutorial Particle Swarm Optimization Budi Santosa Teknik Industri, ITS Kampus ITS, Sukolilo Surabaya E-mails: budi s@ie.its.ac.id 1 Pahuluan Particle swarm optimization, disingkat sebagai PSO, didasarkan
Lebih terperinciPERANCANGAN ALGORITMA BELAJAR JARINGAN SYARAF TIRUAN MENGGUNAKAN PARTICLE SWARM OPTIMIZATION (PSO)
Jurnal POROS TEKNIK, Volume 5, No. 1, Juni 2013 : 18-23 PERANCANGAN ALGORITMA BELAJAR JARINGAN SYARAF TIRUAN MENGGUNAKAN PARTICLE SWARM OPTIMIZATION (PSO) Nurmahaludin (1) (1) Staf Pengajar Jurusan Teknik
Lebih terperinciTINJAUAN PUSTAKA. terbentuklah suatu sistem tenaga listrik. Setiap GI sesungguhnya merupakan pusat
II. TINJAUAN PUSTAKA A. Operasi Sistem Tenaga Listrik Pusat-pusat listrik dan gardu induk satu sama lain dihubungkan oleh saluran transmisi agar tenaga listrik dapat mengalir sesuai dengan kebutuhan dan
Lebih terperinciJURNAL TEKNIK ITS Vol. 5, No. 2, (2016) ISSN: ( Print)
A141 Penerapan Batas Ramp-Rate Menggunakan Kombinasi Metode FDP (Forward Dynamic Programming) dan QP (Quadratic Programming) Pada Commitment- Economic Dispatch Riza Fahmi Andriyanto, Ontoseno Penangsang,
Lebih terperinciRekonfigurasi jaring distribusi untuk meningkatkan indeks keandalan dengan mengurangi rugi daya nyata pada sistem distribusi Surabaya.
Rekonfigurasi jaring distribusi untuk meningkatkan indeks keandalan dengan mengurangi rugi daya nyata pada sistem distribusi Surabaya. RIZKIANANTO WARDANA M Misbach Fachri 2207100038 Sistem Tenaga Listrik
Lebih terperinciParticle Swarm Optimization
Particle Swarm Optimization Budi Santosa Dosen Teknik Industri ITS Surabaya Email: budi_s@ie.its.ac.id Tutorial ini disadur dari buku: Budi Santosa dan Paul Willy, Metoda Metaheuristik, Konsep dan Implementasi,
Lebih terperinciJurnal Media Elektro, Vol. 1, No. 1, April 2012 ISSN
PENJADWALAN OPTIMAL OPERASI UNIT UNIT PEMBANGKIT UNTUK MEMENUHI KEBUTUHAN BEBAN DITINJAU DARI PEMAKAIAN BAHAN BAKAR (Studi Kasus Pembangkit Listrik Tenaga Diesel Kefamenanu, Timor Tengah Utara ) Agusthinus
Lebih terperinciDynamic Optimal Power Flow Mempertimbangkan Carbon Capture And Storage Plants Menggunakan Metode Multi-Objective Particle Swarm Optimization
B251 Dynamic Optimal Power Flow Mempertimbangkan Carbon Capture And Storage Plants Menggunakan Metode Multi-Objective Particle Swarm Optimization Yauri Mahaputra, Rony Seto Wibowo, Ni Ketut Aryani Jurusan
Lebih terperinciOptimasi Parameter Kontroler PID Berbasis Particle Swarm Optimization untuk Pengendalian Kecepatan Motor Induksi Tiga Fase
Optimasi Parameter Kontroler PID Berbasis Particle Swarm Optimization untuk Pengendalian Kecepatan Motor Induksi Tiga Fase Suhartono Jurusan Teknik Elektro, Fakultas Teknologi Industri Institut Teknologi
Lebih terperinciVol.13 No.2. Agustus 2012 Jurnal Momentum ISSN : X
Analisis Penjadwalan Unit-Unit Pembangkit Listrik Dengan Menggunakan Metode Unit Decommitment (PT.PLN Wilayah Riau) Oleh: Zulfatri Aini Jurusan Teknik Elektro, Fakultas Sains dan Teknologi Universitas
Lebih terperinciBAB 2 TINJAUAN PUSTAKA DAN DASAR TEORI
BAB TINJAUAN PUSTAKA DAN DASAR TEORI.1. Penelitian Terdahulu Archetti et al. (009) menggunakan sebuah metode eksak yaitu branch-and-price scheme dan dua metode metaheuristics yaitu algoritma Variable Neighborhood
Lebih terperinciMENEMUKAN AKAR PERSAMAAN POLINOMIAL MENGGUNAKAN PARTICLE SWARM OPTIMIZATION
MENEMUKAN AKAR PERSAMAAN POLINOMIAL MENGGUNAKAN PARTICLE SWARM OPTIMIZATION Oei,EdwinWicaksonoDarmawan, Suyanto Edward Antonius, Ir., M.Sc, Program Studi Teknik Informatika Universitas Katolik Soegijapranata
Lebih terperinciJURNAL TEKNIK ITS Vol. 5, No. 2, (2016) ISSN: ( Print)
JURNAL TEKNIK ITS Vol. 5, No. 2, (216) ISSN: 2337-3539 (231-9271 Print) B27 Optimasi Aliran Daya Satu Phasa Pada Sistem Distribusi Radial 33 Bus IEEE dan Sistem Kelistrikan PT. Semen Indonesia Aceh Untuk
Lebih terperinciOptimasi Operasi Pembangkit Termis Dengan Metode Pemrograman Dinamik di Sub-Regional Bali
Optimasi Operasi Pembangkit Termis Dengan Metode Pemrograman Dinamik di Sub-Regional Bali T Ar Rizqi Aulia 1, I Made Ardita Y 2 Departemen Teknik Elektro, Universitas Indonesia, Depok 16424 Tel: (021)
Lebih terperinciPERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK
Jurnal POROS TEKNIK, Volume 6, No. 2, Desember 2014 : 55-10 PERBANDINGAN ALGORITMA PARTICLE SWARM OPTIMIZATION DAN REGRESI PADA PERAMALAN WAKTU BEBAN PUNCAK Nurmahaludin (1) (1) Staff Pengajar Jurusan
Lebih terperinciRekonfigurasi jaring distribusi untuk meningkatkan indeks keandalan dengan mengurangi rugi daya nyata pada sistem distribusi Surabaya.
1 Rekonfigurasi jaring distribusi untuk meningkatkan indeks keandalan dengan mengurangi rugi daya nyata pada sistem distribusi Surabaya. M Fachri, Sjamsjul Anam Jurusan Teknik Elektro-FTI, Institut Teknologi
Lebih terperinciECONOMIC DISPATCH MENGGUNAKAN IMPERIALIST COMPETITIVE ALGORITHM (ICA) PADA SISTEM KELISTRIKAN LOMBOK
Dielektrika ISSN 286-9487 63 Vol. 1, No. 1 : 63 68 Pebruari 214 ECONOMIC DISPATCH MENGGUNAKAN IMPERIALIST COMPETITIVE ALGORITHM (ICA) PADA SISTEM KELISTRIKAN LOMBOK Khaerul Hazi1 1, Rosmaliati2 2, Misbahuddin3
Lebih terperinciUnit Commitment Pada Sistem Pembangkitan Tenaga Angin Untuk Mengurangi Emisi Dengan Menggunakan Particle Swarm Optimization
B223 Unit Commitment Pada Sistem Pembangkitan Tenaga Angin Untuk Mengurangi Emisi Dengan Menggunakan Particle Swarm Optimization Muhammad Arindra, Rony Seto Wibowo, dan Dedet Candra Riawan Jurusan Teknik
Lebih terperinciOptimisasi Unit Commitment Mempertimbangkan Fungsi Biaya Tidak Mulus Dengan Firefly Algorithm
JURNAL TEKNIK POMITS Vol. 1, No. 1, (2014) 1-6 1 Optimisasi Commitment Mempertimbangkan Fungsi Tidak Mulus Dengan Firefly Algorithm Benny Prastikha Hadhi, Rony Seto Wibowo, Imam Robandi Jurusan Teknik
Lebih terperinciOPERASI EKONOMIS DAN UNIT COMMITMENT PEMBANGKIT THERMAL PADA SISTEM KELISTRIKAN JAMBI
Vol: 5, No. 3, November 016 ISSN: 30-949 OPERASI EKONOMIS DAN UNIT COMMITMENT PEMBANGKIT THERMAL PADA SISTEM KELISTRIKAN JAMBI Delima *, Syafii Jurusan Teknik Elektro, Fakultas Teknik, Universitas Andalas
Lebih terperinciOperasi Ekonomis dan Unit Commitment Pembangkit Thermal pada Sistem Kelistrikan Jambi
Operasi Ekonomis dan Unit Commitment Pembangkit Thermal pada Sistem Kelistrikan Jambi Oleh : Delima 1), Syafii ) 1) Program Magister Teknik Elektro Universitas Andalas ) Teknik Elektro Universitas Andalas
Lebih terperinciI. PENDAHULUAN. dalam melakukan kehidupan sehari-hari. Besar kecilnya beban serta perubahannya
I. PENDAHULUAN A. Latar Belakang Pada zaman sekarang, kelistrikan sudah menjadi salah satu hal terpenting dalam melakukan kehidupan sehari-hari. Besar kecilnya beban serta perubahannya tergantung pada
Lebih terperinciOptimisasi Unit Commitment Mempertimbangkan Fungsi Biaya Tidak Mulus Dengan Firefly Algorithm
JURNAL TEKNIK POMITS Vol. 3, No. 1, (2014) ISSN: 2337-3539 (2301-9271 Print) B-30 Optimisasi Commitment Mempertimbangkan Fungsi Tidak Mulus Dengan Firefly Algorithm Benny Prastikha Hadhi, Rony Seto Wibowo,
Lebih terperinciDynamic Economic Dispatch Menggunakan Pendekatan Penelusuran Ke Depan
1 Dynamic Economic Dispatch Menggunakan Pendekatan Penelusuran Ke Depan Sheila Fitria Farisqi, Rony Seto Wibowo dan Sidaryanto Jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh
Lebih terperinciPARTICLE SWARM OPTIMIZATION UNTUK OPTIMASI PENJADWALAN PEMBEBANAN PADA UNIT PEMBANGKIT PLTG DI PLTGU TAMBAK LOROK
Makalah Seminar Tugas Akhir PARTICLE SWARM OPTIMIZATION UNTUK OPTIMASI PENJADWALAN PEMBEBANAN PADA UNIT PEMBANGKIT PLTG DI PLTGU TAMBAK LOROK Basuki Sri Wantoro [1], Hermawan [2], Susatyo Handoko [2] Jurusan
Lebih terperinciOPTIMASI ECONOMIC DISPATCH PEMBANGKIT SISTEM 150 KV JAWA TIMUR MENGGUNAKAN METODE MERIT ORDER
1/6 OPTIMASI ECONOMIC DISPATCH PEMBANGKIT SISTEM 150 KV JAWA TIMUR MENGGUNAKAN METODE MERIT ORDER SURIYAN ARIF WIBOWO 07100044 Jurusan Teknik Elektro-FTI, Institut Teknologi Sepuluh Nopember Kampus ITS,
Lebih terperinciOptimisasi Operasi Sistem Tenaga Listrik dengan Konstrain Kapabilitas Operasi Generator dan Kestabilan Steady State Global
Optimisasi Operasi Sistem Tenaga Listrik dengan Konstrain Kapabilitas Operasi Generator dan Kestabilan Steady State Global Johny Custer (2209201007) Dosen Pembimbing : Prof. Ir. Ontoseno Penangsang, M.
Lebih terperinciBAB III METODE PENELITIAN
24 BAB III METODE PENELITIAN 3.1. Pengumpulan Data Pembangkit Suralaya Cibinong Cilegon 7 1 6 Gandul 2 4 Balaraja 3 Kembangan Muaratawar 5 Depok 9 Bekasi 8 11 Tasikmalaya Cirata 10 Cawang 12 Pedan 16 Saguling
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Penelitian penjadwalan pembangkit termal pada sistem interkoneksi 500kV Jawa- Bali ini adalah untuk membandingkan metode Simulated Annealing dengan metode yang digunakan PLN.
Lebih terperinciBAB II TINJAUAN PUSTAKA. Job shop scheduling problem (JSSP) adalah permasalahan optimasi
BAB II TINJAUAN PUSTAKA 2.1 Job Shop Scheduling Problem (JSSP) Job shop scheduling problem (JSSP) adalah permasalahan optimasi kombinatorial. Misalkan terdapat n buah job atau pekerjaan, yaitu J 1, J 2,,
Lebih terperinciIMPLEMENTASI METODA TAGUCHI UNTUK ECONOMIC DISPATCH PADA SISTEM IEEE 26 BUS
IMPLEMETASI METODA TAGUCHI UTUK ECOOMIC DISPATCH PADA SISTEM IEEE 26 BUS Rusilawati,2, Ontoseno Penangsang 2 dan Adi Soeprijanto 2 Teknik elektro, Akademi Teknik Pembangunan asional, Banjarbaru, Indonesia
Lebih terperinciKata Kunci Operasi ekonomis, iterasi lambda, komputasi serial, komputasi paralel, core prosesor.
OPERASI EKONOMIS PEMBANGKIT TENAGA LISTRIK DENGAN METODE ITERASI LAMBDA MENGGUNAKAN KOMPUTASI PARALEL Dheo Kristianto¹, Hadi Suyono, ST, MT, Ph.D.², Ir. Wijono, MT. Ph.D³ ¹Mahasiswa Teknik Elektro, ² ³Dosen
Lebih terperinciRekonfigurasi Jaring Distribusi untuk Meminimalkan Kerugian Daya menggunakan Particle Swarm Optimization
Rekonfigurasi Jaring Distribusi untuk Meminimalkan Kerugian Daya menggunakan Particle Swarm Optimization Stephan, Adi Soeprijanto Fakultas Teknologi Industri Jurusan Teknik Elektro Program Studi Teknik
Lebih terperinciIMPLEMENTASI ALGORITMA GENETIKA DENGAN TOURNAMENT SELECTION SEBAGAI SOLUSI ECONOMIC DISPATCH
IMPLEMENTASI ALGORITMA GENETIKA DENGAN TOURNAMENT SELECTION SEBAGAI SOLUSI ECONOMIC DISPATCH Yassir, Fauzan dan Mahalla Jurusan Teknik Elektro Politeknik Negeri Lhokseumawe Jln. Banda Aceh Medan km. 80,
Lebih terperinciSWARM GENETIC ALGORITHM, SUATU HIBRIDA DARI ALGORITMA GENETIKA DAN PARTICLE SWARM OPTIMIZATION. Taufan Mahardhika 1
SWARM GENETIC ALGORITHM, SUATU HIBRIDA DARI ALGORITMA GENETIKA DAN PARTICLE SWARM OPTIMIZATION Taufan Mahardhika 1 1 Prodi S1 Kimia, Sekolah Tinggi Analis Bakti Asih 1 taufansensei@yahoo.com Abstrak Swarm
Lebih terperinciBAB III 1 METODE PENELITIAN
23 BAB III 1 METODE PENELITIAN 1.1 Sumber Data Data yang digunakan dalam penelitian ini sebagai berikut: 1. Karakteristik pembangkit meliputi daya maksimum dam minimum, karakteristik heat-rate (perbandingan
Lebih terperinciPendekatan Dengan Cuckoo Optimization Algorithm Untuk Solusi Permasalahan Economic Emission Dispatch
JURNAL TEKNIK ITS Vol. 6, No. 1, (2017) ISSN: 2337-339 (2301-9271 Print) B-176 Pendekatan Dengan Cuckoo Optimization Algorithm Untuk Solusi Permasalahan Economic Emission Dispatch Agil Dwijatmoko Rahmatullah,
Lebih terperinciPENGOPTIMALAN UMPAN BALIK LINEAR QUADRATIC REGULATOR PADA LOAD FREQUENCY CONTROL MENGGUNAKAN PARTICLE SWARM OPTIMIZATION
PENGOPTIMALAN UMPAN BALIK LINEAR QUADRATIC REGULATOR PADA LOAD FREQUENCY CONTROL MENGGUNAKAN PARTICLE SWARM OPTIMIZATION Oleh : Febriana Kristanti NRP. 1208201011 Dosen Pembimbing : 1. Dr. Erna Apriliani,
Lebih terperinciPresentasi Tugas Akhir
Presentasi Tugas Akhir OPTIMASI KONTROLER PID BERBASIS ALGORITMA PARTICLE SWARM OPTIMIZATION UNTUK PENGENDALIAN KECEPATAN MOTOR INDUKSI TIGA FASE Oleh: Suhartono (2209 105 008) Pembimbing: Ir. Ali Fatoni,
Lebih terperinciMETODE KOLONI SEMUT PADA DOMAIN KONTINU UNTUK OPTIMISASI PENJADWALAN EKONOMIS UNIT PEMBANGKIT PLTG DI PLTGU PT INDONESIA POWER TAMBAK LOROK
METODE KOLONI SEMUT PADA DOMAIN KONTINU UNTUK OPTIMISASI PENJADWALAN EKONOMIS UNIT PEMBANGKIT PLTG DI PLTGU PT INDONESIA POWER TAMBAK LOROK Ivan Darren Alber *), Hermawan, and Susatyo Handoko Departemen
Lebih terperinciOptimisasi Dynamic Economic Dispatch Menggunakan Algoritma Artificial Bee Colony
Optimisasi Dynamic Economic Dispatch Menggunakan Algoritma Artificial Bee Colony Nurlita Gamayanti 1, Abdullah Alkaff 2, Amien Karim 3 Jurusan Teknik Elektro Institut Teknologi Sepuluh Nopember (ITS) Surabaya,
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
2 BAB 2 TINJAUAN PUSTAKA 2.1. Logika Fuzzy Logika fuzzy adalah suatu cara untuk memetakan suatu ruang masukan ke dalam suatu ruang keluaran. Logika fuzzy ditemukan oleh Prof.Lotfi A. Zadeh dari Universitas
Lebih terperinciBAB I PENDAHULUAN. jumlah ketersediaan yang semakin menipis dan semakin mahal, membuat biaya
BAB I PENDAHULUAN 1.1 Latar Belakang Pembangkit Listrik di Indonesia pada umumnya merupakan pembangkit listrik thermal. Kebutuhan pembangkit thermal terhadap bahan bakar fosil dengan jumlah ketersediaan
Lebih terperinciANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA
ANALISIS PERBANDINGAN METODE JARINGAN SYARAF TIRUAN DAN REGRESI LINEAR BERGANDA PADA PRAKIRAAN CUACA Nurmahaludin (1) (1) Staf Pengajar Jurusan Teknik Elektro Politeknik Negeri Banjarmasin Ringkasan Kebutuhan
Lebih terperinciIMPLEMENTASI ALGORITMA PARTICLE SWARM OPTIMIZATION UNTUK OPTIMASI PENGANTARAN BARANG (Studi Kasus : PT.Pos Indonesia, Kota Tanjungpinang)
IMPLEMENTASI ALGORITMA PARTICLE SWARM OPTIMIZATION UNTUK OPTIMASI PENGANTARAN BARANG (Studi Kasus : PT.Pos Indonesia, Kota Tanjungpinang) Ririn Anggraini Mahasiswa Teknik Informatika, FT UMRAH (ririnumrah@gmail.com)
Lebih terperinciAplikasi GIS Berbasis J2ME Pencarian Jalur Terpendek Menggunakan Algoritma Particle Swarm Optimization (PSO) Di Kabupaten Bangkalan
The 13 th Industrial Electronics Seminar 2011 (IES 2011) Electronic Engineering Polytechnic Institute of Surabaya (EEPIS), Indonesia, October 26, 2011 Aplikasi GIS Berbasis J2ME Pencarian Jalur Terpendek
Lebih terperinciPeramalan Kebutuhan Beban Sistem Tenaga Listrik Menggunakan Algoritma Genetika
Peramalan Kebutuhan Beban Sistem Tenaga Listrik Menggunakan Algoritma Genetika M. Syafrizal, Luh Kesuma Wardhani, M. Irsyad Jurusan Teknik Informatika - Universitas Islam Negeri Sultan Syarif Kasim Riau
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pada saat ini kebutuhan energi listrik meningkat dengan cepat, akan tetapi perkembangan pembangkit dan saluran transmisi dibatasi ketersediaan sumber daya dan masalah
Lebih terperinciOPTIMISASI ECONOMIC DISPATCH DENGAN TRANSMISSION LOSS MENGGUNAKAN METODE EXTENDED LAGRANGE MULTIPLIER DAN GAUSSIAN PARTICLE SWARM OPTIMIZATION (GPSO)
OPTIMISASI ECOOMIC DISPATCH DEGA TRASMISSIO LOSS MEGGUAKA METODE EXTEDED LAGRAGE MULTIPLIER DA GAUSSIA PARTICLE SWARM OPTIMIZATIO (GPSO) Siti Komsiyah Mathematics & Statistics Department, School of Computer
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Pertumbuhan ekonomi dan perkembangan teknologi suatu daerah mengakibatkan kebutuhan tenaga listrik akan semakin meningkat, baik yang berhubungan dengan bidang industri,
Lebih terperinciMINIMALISASI BIAYA SISTEM DENGAN PEMILIHAN PENGHANTAR JARINGAN DISTRIBUSI MENGGUNAKAN PSO
MINIMALISASI BIAYA SISTEM DENGAN PEMILIHAN PENGHANTAR JARINGAN DISTRIBUSI MENGGUNAKAN PSO 1 Risnandar, M.A. 1 Program Studi Teknik Elektro, Fakultas Teknik, Universitas Muhammadiyah Tasikmalaya, Indonesia
Lebih terperinciBAB II TINJAUAN PUSTAKA. 2.1 Optimasi Berbasis Particle Swarm
BAB II TINJAUAN PUSTAKA Bab ini akan menjelaskan landasan teori yang digunakan dalam pengerjaan tugas akhir. Pada dasarnya ada 2 buah varian PSO yang akan digunakan, yaitu optimasi berbasis particle swarm
Lebih terperinciPERBANDINGAN KINERJA METODE K-HARMONIC MEANS DAN PARTICLE SWARM OPTIMIZATION UNTUK KLASTERISASI DATA
PERBANDINGAN KINERJA METODE K-HARMONIC MEANS DAN PARTICLE SWARM OPTIMIZATION UNTUK KLASTERISASI DATA Ahmad Saikhu, Yoke Okta 2 Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi
Lebih terperinci2.1 PEMBATASAN MASALAH
Penjadualan Pembangkit Hidro-Thermal Menggunakan Metode Dynamic Programming Alief Rakhman Mukhtar (LF 307 005) 1 Ir. Tedjo Sukmadi, M.T. Karnoto, S.T., M.T. Jurusan Teknik Elektro, Fakultas Teknik, Universitas
Lebih terperinciJURNAL TEKNIK ITS Vol. 6, No. 1, (2017) ISSN: ( Print) B-34
JURNAL TEKNIK ITS Vol. 6, No. 1, (2017) ISSN: 2337-3539 (2301-9271 Print) B-34 Economic dan Emission dispatch pada Sistem Kelistrikan 500 kv Jawa-Bali Menggunakan Composite Generation Cost Function dengan
Lebih terperinciALGORITMA PARTICLE SWARM OPTIMIZATION DAN TERAPANNYA DALAM MENYELESAIKAN MASALAH PEMOTONGAN ROL KERTAS MAKALAH
ALGORITMA PARTICLE SWARM OPTIMIZATION DAN TERAPANNYA DALAM MENYELESAIKAN MASALAH PEMOTONGAN ROL KERTAS MAKALAH Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Sains Program Studi Matematika
Lebih terperinciPREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN METODE NEURAL NETWORK DAN PARTICLE SWARM OPTIMIZATION
PREDIKSI KELULUSAN MAHASISWA MENGGUNAKAN METODE NEURAL NETWORK DAN PARTICLE SWARM OPTIMIZATION Dewi Kusumawati 1), Wing Wahyu Winarno 2), M. Rudyanto Arief 3) 1), 2), 3) Magister Teknik Informatika STMIK
Lebih terperinciBAB IV PERANCANGAN DAN IMPLEMENTASI PERANGKAT LUNAK
BAB IV PERANCANGAN DAN IMPLEMENTASI PERANGKAT LUNAK Bab ini menjelaskan perancangan dan implementasi yang dilakukan. Tahap pertama dimulai dengan merancang beberapa classifier yaitu jaringan saraf tiruan
Lebih terperinciPENYELESAIAN PERMASALAHAN MULTI-OBJECTIVE HYBRID FLOW SHOP SCHEDULING DENGAN ALGORITMA MODIFIED PARTICLE SWARM OPTIMIZATION
PENYELESAIAN PERMASALAHAN MULTI-OBJECTIVE HYBRID FLOW SHOP SCHEDULING DENGAN ALGORITMA MODIFIED PARTICLE SWARM OPTIMIZATION Fiqihesa Putamawa 1), Budi Santosa 2) dan Nurhadi Siswanto 3) 1) Program Pascasarjana
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN Metode fuzzy logic yang diajukan penulis ini adalah untuk membandingkan metode fuzzy logic yang diajukan penulis dengan metode yang digunakan PLN. Dengan menggunakan data pembangkit
Lebih terperinciPenentuan Komposisi Pakan Ternak untuk Memenuhi Kebutuhan Nutrisi Ayam Petelur dengan Biaya Minimum Menggunakan Particle Swarm Optimization (PSO)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: 2548-964X Vol. 1, No. 12, Desember 2017, hlm. 1642-1651 http://j-ptiik.ub.ac.id Penentuan Komposisi Pakan Ternak untuk Memenuhi Kebutuhan
Lebih terperinci2014 ESTIMASI BEBAN PUNCAK HARIAN BERDASARKAN KLUSTER TIPE HARI BERBASIS ALGORITMA HYBRID SWARM PARTICLE-ARTIFICIAL NEURAL NETWORK
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Di negara yang memiliki jumlah populasi penduduknya besar dan perkembangan industrinya mengalami peningkatan, tentunya memiliki tingkat kebutuhan akan sumber
Lebih terperinciDynamic Economic Dispatch Mempertimbangkan Prohibited Operating Zones Menggunakan Algoritma Improved Artificial Bee Colony
JURNAL TEKNIK ITS Vol. 6, No. 2, (2017) ISSN: 2337-3539 (2301-9271 Print) B -199 Dynamic Economic Dispatch Mempertimbangkan Prohibited Operating Zones Menggunakan Algoritma Improved Artificial Bee Colony
Lebih terperinci1 BAB I PENDAHULUAN. 1.1 Latar Belakang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Listrik pada abad ini sudah merupakan kebutuhan primer yang tidak bisa tergantikan. Karena pentingnya listrik ini, sistem yang menyuplai dan mengalirkan listrik ini
Lebih terperinciOptimisasi Kontroler PID dan Dual Input Power System Stabilizer (DIPSS) pada Single Machine Infinite Bus (SMIB) menggunakan Firefly Algorithm (FA)
Optimisasi Kontroler PID dan Dual Input Power System Stabilizer (DIPSS) pada Single Machine Infinite Bus (SMIB) menggunakan Firefly Algorithm (FA) TEKNIK SISTEM TENAGA PROGRAM STUDI TEKNIK ELEKTRO FAKULTAS
Lebih terperinciKOORDINASI HIDRO THERMAL UNIT PEMBANGKITAN JAWA BALI MENGGUNAKAN METODE DYNAMIC PROGRAMMING
ISSN 1412 3762 http://jurnal.upi.edu/electrans ELECTRANS, VOL.13, NO.2, SEPTEMBER 2014, 167-180 KOORDINASI HIDRO THERMAL UNIT PEMBANGKITAN JAWA BALI Saepul Rahmat, Ade Gafar Abdullah, Hasbullah Program
Lebih terperinciJURNAL TEKNIK ITS Vol. 5, No. 2, (2016) ISSN: ( Print)
B283 Dynamic Economic Dispatch dengan Mempertimbangkan Kerugian Transmisi Menggunakan Metode Sequential Quadratic Programming Dika Lazuardi Akbar, Ontoseno Penangsang, Ni Ketut Aryani. Jurusan Teknik Elektro,
Lebih terperinci1BAB I PENDAHULUAN 1.1 Latar Belakang Masalah
1BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Clustering merupakan sebuah teknik pemrosesan data yang digunakan untuk menemukan pola-pola tersembunyi pada kumpulan data (Žalik, 2008). Clustering telah
Lebih terperinci1.PENDAHULUAN 1.1 Latar Belakang
1.PENDAHULUAN 1.1 Latar Belakang Pemakaian tenaga listrik dapat naik turun sebanding dengan besar kecilnya kegiatan dilakukan oleh manusia dalam periode tertentu. Untuk memenuhi kebutuhan listrik yang
Lebih terperinciAPLIKASI MODIFIED IMPROVED PARTICLE SWARM OPTIMIZATION (MPSO) UNTUK SKENARIO DINAMIK PADA GAME MATEMATIKA
APLIKASI MODIFIED IMPROVED PARTICLE SWARM OPTIMIZATION (MPSO) UNTUK SKENARIO DINAMIK PADA GAME MATEMATIKA Minarto 1, Supeno Mardi S.N. 2, Moch. Hariadi 3 1 Pasca Sarjana Jurusan Teknik Elektro, Fakultas
Lebih terperinciIMPLEMENTASI ALGORITMA CAT SWARM OPTIMIZATION DALAM MENYELESAIKAN JOB SHOP SCHEDULING PROBLEM (JSSP)
E-Jurnal Matematika Vol. 5 (3), Agustus 2016, pp. 90-97 ISSN: 2303-1751 IMPLEMENTASI ALGORITMA CAT SWARM OPTIMIZATION DALAM MENYELESAIKAN JOB SHOP SCHEDULING PROBLEM (JSSP) I Wayan Radika Apriana 1, Ni
Lebih terperinciDOSEN PEMBIMBING Chastine Fatichah, S.Kom, M.Kom MAHASISWA Yudis Anggara P. ( )
Sidang Tugas Akhir September 2009 Implementasi Metode Ant Colony Optimization untuk Pemilihan Fitur pada Kategorisasi Dokumen Teks DOSEN PEMBIMBING Chastine Fatichah, S.Kom, M.Kom MAHASISWA Yudis Anggara
Lebih terperinciPenyelesaian Masalah Symmetric Traveling Salesman Problem Dengan Jaringan Saraf Continuous Hopfield Net
Penyelesaian Masalah Symmetric Traveling Salesman Problem Dengan Jaringan Saraf Continuous Hopfield Net Apul Prima S, Sri Suwarno, R. Gunawan Santosa Fakultas Teknologi Informasi, Program Studi Teknik
Lebih terperinciSTUDI OPTIMASI OPERASI PEMBANGKIT TENAGA LISTRIK DENGAN METODE PEMROGRAMAN DINAMIK. Ahmad Rosyid Idris 1
STUDI OPTIMASI OPERASI PEMBANGKIT TENAGA LISTRIK DENGAN METODE PEMROGRAMAN DINAMIK Ahmad Rosyid Idris 1 1) Lecturer of Bosowa polytechnic Abstrak Suatu sistem tenaga listrik mencakup tiga bagian utama,
Lebih terperinciSTUDI PERHITUNGAN PEMBEBANAN EKONOMIS PADA PEMBANGKIT LISTRIK TENAGA GAS DAN UAP DI PT. PJB UNIT PEMBANGKITAN GRESIK
STUDI PERHITUNGAN PEMBEBANAN EKONOMIS PADA PEMBANGKIT LISTRIK TENAGA GAS DAN UAP DI PT. PJB UNIT PEMBANGKITAN GRESIK 1) Muhammad Ulul Azmi, 2) Hadi Suroso, 3) Denny Irawan 1,2,3) Jurusan Teknik Elektro
Lebih terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) OPTIMASI FUNGSI KEANGGOTAAN FUZZY BERBASIS ALGORITMA MODIFIED PARTICLE SWARM OPTIMIZATION
58 OPTIMASI FUNGSI KEANGGOTAAN FUZZY BERBASIS ALGORITMA MODIFIED PARTICLE SWARM OPTIMIZATION Rimbun Siringoringo, Zakarias Situmorang ringorbnsrg@gmail.com, zakarias65@yahoo.com Mahasiswa Magister Teknik
Lebih terperinciPENGEMBANGAN ALGORITMA PARTICLE SWARM OPTIMIZATION UNTUK OPTIMALISASI DISPERSI BATCH PADA PROSES PRODUKSI
PENGEMBANGAN ALGORITMA PARTICLE SWARM OPTIMIZATION UNTUK OPTIMALISASI DISPERSI BATCH PADA PROSES PRODUKSI Misra Hartati 1, Iwan Vanany 2, Budi Santosa 3 Jurusan Teknik Industri, Fakultas Teknologi Industri,
Lebih terperinciBAB I PENDAHULUAN 1.1 LATAR BELAKANG PENELITIAN
BAB I PENDAHULUAN 1.1 LATAR BELAKANG PENELITIAN Di era sekarang ini dalam operasi sistem tenaga listrik salah satu pekerjaan yang paling menantang adalah untuk menentukan unit pembangkit listrik yang harus
Lebih terperinciPEMBUATAN APLIKASI UNTUK ANALISIS ECONOMIC DISPATCH STASIUN PEMBANGKIT TENAGA LISTRIK
ELECTRICHSAN, VOL., NO., MEI 04 PEMBUATAN APLIKASI UNTUK ANALISIS ECONOMIC DISPATCH STASIUN PEMBANGKIT TENAGA LISTRIK Asmar, Yassir dan Teuku Hasanuddin Jurusan Teknik Elektro Universitas Bangka Belitung,
Lebih terperinciPenempatan Dan Penentuan Kapasitas Optimal Distributed Generator (DG) Menggunakan Artificial Bee Colony (ABC)
JURNAL TEKNIK ITS Vol. 1, No. 1, (Sept. 2012) ISSN: 2301-9271 B-16 Penempatan Dan Penentuan Kapasitas Optimal Distributed Generator (DG) Menggunakan Artificial Bee Colony (ABC) Ahmad Zakaria H, Sjamsjul
Lebih terperinciPEMBUATAN APLIKASI UNTUK ANALISIS ECONOMIC DISPATCH STASIUN PEMBANGKIT TENAGA LISTRIK
PEMBUATAN APLIKASI UNTUK ANALISIS ECONOMIC DISPATCH STASIUN PEMBANGKIT TENAGA LISTRIK ELECTRICHSAN, VOL. 1, NO.1, MEI 2014 PEMBUATAN APLIKASI UNTUK ANALISIS ECONOMIC DISPATCH STASIUN PEMBANGKIT TENAGA
Lebih terperinciANALISIS ALOKASI KANAL DINAMIS PADA KOMUNIKASI SELULER DENGAN ALGORITMA PARTICLE SWARM OPTIMIZATION
ANALISIS ALOKASI KANAL DINAMIS PADA KOMUNIKASI SELULER DENGAN ALGORITMA PARTICLE SWARM OPTIMIZATION Bevan Thomas Sittar, Rahmad Fauzi Konsentrasi Teknik Telekomunikasi, Departemen Teknik Elektro Fakultas
Lebih terperinciBAB 1 PENDAHULUAN 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Listrik merupakan salah satu sumber kebutuhan hidup yang tidak dapat dilepaskan dari keperluan sehari-hari manusia. Listrik sangat bermanfaat dalam kehidupan di era
Lebih terperinciBAB III METODE PENELITIAN. Data-data historis beban harian yang akan diambil sebagai evaluasi yaitu
BAB III METODE PENELITIAN 3.1 Pengumpulan Data Beban Listrik dari PLN Data-data historis beban harian yang akan diambil sebagai evaluasi yaitu selama lima tahun pada periode 2006-2010, selanjutnya data
Lebih terperinci1 BAB III 2. 3 METODE PENELITIAN
14 1 BAB III 2. 3 METODE PENELITIAN 3.1 Sumber data Data yang digunakan dalam penelitian ini ialah data pengeluaran beban listrik harian sepanjang tahun 2008 sampai dengan tahun 2015 yang didapat dari
Lebih terperinciFUNGSI ACKLEY DAN PENCARIAN NILAI OPTIMUMNYA MENGGUNAKAN ALGORITMA STROBERI. Muhamad Fadilah Universitas Jenderal Soedirman
Prosiding Seminar Nasional Matematika dan Terapannya 06 p-issn : 550-0384; e-issn : 550-039 FUNGSI ACKLEY DAN PENCARIAN NILAI OPTIMUMNYA MENGGUNAKAN ALGORITMA STROBERI Muhamad Fadilah Universitas Jenderal
Lebih terperinciOPTIMASI ECONOMIC DISPATCH PADA UNIT PEMBANGKIT PLTG DI PLTGU TAMBAK LOROK MENGGUNAKAN ALGORITMA ARTIFICIAL BEE COLONY
OPTIMASI ECONOMIC DISPATCH PADA UNIT PEMBANGKIT PLTG DI PLTGU TAMBAK LOROK MENGGUNAKAN ALGORITMA ARTIFICIAL BEE COLONY Enrich Van Bosar Sitorus *), Hermawan, and Agung Nugroho Jurusan Teknik Elektro, Universitas
Lebih terperinciPENGOPERASIAN OPTIMUM SISTEM TENAGA LISTRIK
PENGOPERASIAN OPTIMUM SISTEM TENAGA LISTRIK Ontoseno Penangsang Text Book : Power Generation Operation and Control Allen J. Wood & Bruce F. Wollenberg Power System Analysis Hadi Saadat INTRODUCTION Acquaint
Lebih terperinciPEMODELAN DAN SISTEM INFORMASI PREDIKSI KAPASITAS PEMBANGKIT LISTRIK MENGGUNAKAN NEURAL NETWORK (SEKTOR RUMAH TANGGA)
PEMODELAN DAN SISTEM INFORMASI PREDIKSI KAPASITAS PEMBANGKIT LISTRIK MENGGUNAKAN NEURAL NETWORK (SEKTOR RUMAH TANGGA) Salmawaty Tansa 1, Bambang Panji Asmara 2 Fakultas Teknik, Jurusan Teknik Elektro,
Lebih terperinciIMPLEMENTASI METODE ANT COLONY OPTIMIZATION UNTUK PEMILIHAN FITUR PADA KATEGORISASI DOKUMEN TEKS
IMPLEMENTASI METODE ANT COLONY OPTIMIZATION UNTUK PEMILIHAN FITUR PADA KATEGORISASI DOKUMEN TEKS Yudis Anggara Putra Chastine Fatichah Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut
Lebih terperinciALOKASI PEMBEBANAN UNIT PEMBANGKIT TERMAL DENGAN MEMPERHITUNGKAN RUGI-RUGI SALURAN TRANSMISI DENGAN ALGORITMA GENETIKA PADA SISTEM KELISTRIKAN BALI
ALOKASI PEMBEBANAN UNIT PEMBANGKIT TERMAL DENGAN MEMPERHITUNGKAN RUGI-RUGI SALURAN TRANSMISI DENGAN ALGORITMA GENETIKA PADA SISTEM KELISTRIKAN BALI TUGAS AKHIR Diajukan guna memenuhi sebagian persyaratan
Lebih terperinciOPTIMISASI PARTICLE SWARM PADA PEMASANGAN JARINGAN PIPA AIR PDAM"
OPTIMISASI PARTICLE SWARM PADA PEMASANGAN JARINGAN PIPA AIR PDAM" Izak Habel Wayangkau Email : izakwayangkau@gmail.com Jurusan Teknik Informatika, Fakultas Teknik Universitas Musamus Merauke Abstrak Penelitian
Lebih terperinciBAB I PENDAHULUAN. teliti. Sehingga tidak terjadi bentrok baik antar mata pelajaran, guru, kelas
1 BAB I PENDAHULUAN 1.1 Latar Belakang Penjadwalan merupakan salah satu hal terpenting dalam suatu lembaga pendidikan, begitu juga untuk lingkup Sekolah Menengah Kejuruan (SMK). Penjadwalan pelajaran pada
Lebih terperinciImplementasi automatic clustering menggunakan particle swarm optimization dan genetic algorithm pada data kemahasiswaan
Konferensi Nasional Sistem & Informatika 2015 STMIK STIKOM Bali, 9 10 Oktober 2015 Implementasi automatic clustering menggunakan particle swarm optimization dan genetic algorithm pada data kemahasiswaan
Lebih terperinciBAB I PENDAHULUAN. betapa penting fungsi dan kegunaannya hingga saat ini. Listrik bahkan sudah
BAB I PENDAHULUAN 1.1 Latar Belakang Listrik merupakan suatu energi yang tidak dapat diragukan lagi tentang betapa penting fungsi dan kegunaannya hingga saat ini. Listrik bahkan sudah menjadi kebutuhan
Lebih terperinciANALISA ALIRAN DAYA OPTIMAL PADA SISTEM KELISTRIKAN BALI
ANALISA ALIRAN DAYA OPTIMAL PADA SISTEM KELISTRIKAN BALI E D Meilandari 1, R S Hartati 2, I W Sukerayasa 2 1 Alumni Teknik Elektro, Fakultas Teknik, Universitas Udayana 2 Staff Pengajar Teknik Elektro,
Lebih terperinci