Studi Dampak Pemeliharaan Sistem Pembangkit Terhadap Keandalan Sistem Tenaga Listrik di PT. Petrokimia Gresik Paramita Dynaputri, Ontoseno Penangsang, I.G.N. Satriyadi Hernanda Jurusan Teknik Elektro FTI-ITS Abstrak - Dampak pemeliharaan sistem pembangkit berpengaruh terhadap keandalan sistem tenaga listrik. Tugas akhir ini dibuat dengan tujuan mengevaluasi keandalan dari peralatan sistem tenaga listrik khususnya Transformator dan GTG (Gas Turbine Generator) di PT. Petrokimia Gresik sehingga dapat digunakan sebagai rekomendasi untuk meningkatkan keandalan pada sistem tersebut. Keandalan sistem yang dianalisis adalah keandalan peralatan pabrik I. Metode yang digunakan adalah perhitungan indeks keandalan menggunakan metode Monte Carlo dengan Matlab dan simulasi dengan software ETAP 7.0 (Electrical Transient Analysis Program). Berdasarkan hasil analisa, nilai SAIFI, SAIDI, CAIDI, ASAI, dan ASUI pada kondisi normal (sekali/tahun) kedua metode mendekati sama. Perubahan jadwal pemeliharaan mempengaruhi indeks keandalan menjadi semakin baik. Berdasarkan perhitungan dengan simulasi Monte Carlo dengan iterasi (N) 5000 kali didapatkan nilai SAIFI pada kondisi normal 0,31 kali/tahun sedangkan dengan setelah dilakukan perubahan 2 kali pemeliharaan dalam setahun berubah menjadi 0,23 kali/tahun. Nilai SAIDI pada kondisi normal 13,58 jam/tahun sedangkan setelah dilakukan perubahan jadwal menjadi 13,56 jam/tahun. Kata Kunci : Keandalan, Pemeliharaan, Monte Carlo, ETAP. 1. PENDAHULUAN PT. Petrokimia merupakan salah satu produsen penghasil pupuk dengan skala besar yang berlokasi di Jawa Timur. Hasil pupuk dari tahun ke tahun semakin meningkat sesuai dengan permintaan pasar. Dalam hal ini masyarakat juga akan menuntut keandalan pelayanan ketersediaan pupuk tersebut. Keandalan seluruh komponen pabrik yang menunjang proses produksi yakni segala peralatan yang digunakan untuk proses produksi sangat berpengaruh terhadap kualitas dan kuantitas produk yang dihasilkan. Gangguan atau kerusakan dalam sistem distribusi akan mempengaruhi nilai keandalan sistem distribusi tersebut. Selain itu, gangguan atau kerusakan dalam sistem distribusi akan mengakibatkan kemungkinan terjadinya pemadaman dalam sistem sehingga proses produksi terganggu. 1 Indeks-indeks yang digunakan untuk mengetahui tingkat keandalan suatu sistem distribusi adalah SAIFI (System Average Interruption Frequency Index), SAIDI (Sistem Average Interruption Duration Index), CAIDI (Customer Average Interruption Duration Index), ASAI (Average Service Availability Index) dan ASUI (Average Service Unavailability Index). 2. KEANDALAN SISTEM KELISTRIKAN INDUSTRI 2.1. Keandalan dan Permodelan Sistem Keandalan merupakan peluang bekerjanya suatu peralatan atau sistem sesuai dengan fungsinya pada waktu tertentu dan kondisi tertentu. Jika kita berbicara keandalan kuantitatif, maka kita berbicara dalam konteks peluang (probability). Peluang yang merepresentasikan indeks keandalan memiliki rentang nilai 0 (nol) sampai dengan 1 (satu). Keandalan sistem/komponen bernilai 0 berarti memiliki peluang sukses 0% dan keandalan sistem/komponen bernilai 1 memiliki peluang sukses 100%. Nilai keandalan ini adalah fungsi waktu, artinya keandalan sebuah sistem/komponen akan bervariasi sesuai dengan waktu dimana evaluasi keandalan tersebut dilakukan. Sistem/komponen yang sama dan diukur saat waktu operasi yang sama akan mungkin memiliki keandalan yang berbeda jika kondisi operasi kedua sistem/komponen sejenis tersebut berbeda. 2.2. Faktor-faktor Nilai Keandalan 2.2.1 Mean Time To Failure () Mean Time To Failure () adalah waktu ratarata kegagalan yang terjadi selama beroperasinya suatu sistem, dapat dirumuskan: = T1+T2+T3+ +Tn n dengan: T=waktu operasi (up time) n=jumlah kegagalan 2.2.2 Mean Time To Repair () Mean Time To Repair adalah waktu rata-rata yang diperlukan untuk melakukan perbaikan terhadap terjadinya kegagalan suatu sistem yang dapat dirumuskan: (1)
= L1+L2+L3+ +Ln n dengan: L=waktu perbaikan (down time) n=jumlah perbaikan (2) 2.2.3 Laju Kegagalan Laju kegagalan atau hazard rate adalah frekuensi suatu sistem/komponen gagal bekerja, biasanya dilambangkan dengan λ (lambda), laju kegagalan dari suatu sistem biasanya tergantung dari waktu tertentu selama sistem tersebut bekerja. Rumus laju kegagalan: 1 λ = 2.2.4 Laju Perbaikan Laju perbaikan atau downtime rate adalah frekuensi lamanya suatu sistem/komponen dalam masa perbaikan (kondisi OFF). Rumus laju perbaikan: μ = 1 2.2.5 Ketersediaan Ketersediaan (Availability) didefinisikan sebagai proporsi waktu dimana sistem dalam keadaan siap beroperasi. Nilai dari ketersediaan sistem bergantung pada frekuensi komponen-komponen sistem yang gagal bekerja (laju kegagalan) dan lama perbaikan dari komponen yang rusak hingga sistem berfungsi kembali (laju perbaikan). A = λ 2.2.6. Kurva Bak Mandi[10] Kurva bathtub atau disebut juga dengan kurva bak mandi merupakan kurva yang sering digunakan dalam teknik reliabilitas. Kurva bak mandi merupakan sebuah grafik yang mempunyai bentuk seperti bak mandi yang memetakan tingkat kegagalan dari mesin atau sesuatu terhadap waktu. Pemetaan dilakukan dengan melihat tingkat kegagalan dari suatu produk dalam suatu waktu tertentu yang dipetakan dalam suatu grafik. Kurva bak mandi digunakan untuk mengetahui tingkat kegagalan dari suatu produk yang dilihat berdasarkan waktu. Selain itu, kurva bak mandi dapat juga melihat laju kegagalan dari suatu produk untuk mengetahui banyaknya kegagalan yang terjadi selama waktu tertentu dibandingkan dengan total operasi produk tersebut. (3) (4) (5) Gambar 1 Kurva Bak Mandi Kurva bak mandi mendeskripsikan keterangan dari fungsi hazard yang terdiri dari tiga bagian atau fase, yaitu: 1. Bagian pertama adalah tingkat kegagalan yang turun, yang dikenal sebagai kegagalan awal (masa awal / burn in period). 2. Bagian kedua adalah tingkat kegagalan yang konstan, yang dikenal sebagai kegagalan acak (masa berguna / useful life period). 3. Bagian ketiga adalah tingkat kegagalan yang naik, yang dikenal sebagai kegagalan aus (masa aus / wear-out period). Dalam istilah teknis, masa awal suatu produk mengikuti kurva bak mandi. Diawali dengan tingkat kegagalan yang tinggi namun dengan cepat segera menurun, dikarenakan produk yang cacat segera dikenali dan dibuang serta potensi kegagalan seperti kesalahan penanganan dan instalasi segera diatasi. Kemudian, bagian tengah dari masa hidup suatu produk ketika mencapai pelanggan dengan tingkat kegagalan rendah dan konstan. Selanjutnya dalam akhir masa pakai suatu produk, tingkat kegagalan meningkat sejalan dengan umur dan masa pakai dari produk tersebut. 2.2.7. Distribusi Eksponensial Distribusi eksponensial atau negatif eksponensial merupakan salah satu distribusi yang paling sering muncul dalam konteks evaluasi keandalan. Rumus distribusi eksponensial adalah: R(t) = e λt (6) 2.3. Indeks Keandalan dari Sisi Pelanggan Indeks keandalan merupakan suatu metode/cara pengevaluasian parameter keandalan suatu peralatan distribusi tenaga listrik terhadap keandalan mutu pelayanan kepada pelanggan. 2.3.1. System Average Interruption Frequency Index SAIFI (System Average Interruption Frequency Index) adalah jumlah rata-rata kegagalan yang terjadi per pelanggan yang dilayani per satuan waktu (umumnya 2
tahun). Indeks ini ditentukan dengan membagi jumlah semua kegagalan dalam satu tahun dengan jumlah pelanggan yang dilayani oleh sistem tersebut. Persamaan untuk SAIFI dapat dilihat pada persamaan berikut ini: SAIFI = λ km k M dengan: λ k = laju kegagalan saluran M k = jumlah pelanggan pada saluran k M = total pelanggan pada sistem 2.3.2. System Average Interruption Duration Index SAIDI (System Average Interruption Duration Index) adalah nilai rata-rata dari lamanya kegagalan untuk setiap pelanggan selama satu tahun. Indeks ini ditentukan dengan pembagian jumlah dan lamanya kegagalan secara terus menerus untuk semua pelanggan selama periode waktu yang telah ditentukan dengan jumlah pelanggan yang dilayani selama tahun itu. Persamaan SAIDI dapat dilihat pada persamaan berikut: (7) ASAI = 1 SAIDI 8760 (11) 2.3.5. Average Service Unavailability Index Average Service Unavailability Index (ASUI) adalah perbandingan total jumlah pelanggan yang tidak dapat dilayani perjamnya, yakni jumlah layanan yang tidak sampai ke pelanggan selama periode waktu tertentu. ASUI = SAIDI 8760 (12) 3. SISTEM KELISTRIKAN PT. PETROKIMIA GRESIK 3.1 Single Line Diagram Pabrik I PT. Petrokimia Gresik SAIDI = km k M dengan: µ k = laju perbaikan saluran M k = jumlah pelanggan pada saluran k M = total pelanggan pada sistem (8) 2.3.3. Customer Average Interruption Duration Index CAIDI (Customer Average Interruption Duration Index) adalah index durasi gangguan konsumen rata-rata tiap tahun, menginformasikan tentang waktu rata-rata untuk penormalan kembali gangguan tiap-tiap pelanggan dalam satu tahun. CAIDI = SAIDI (9) SAIFI 2.3.4. Average Service Availability Index Average service Availability Index (ASAI) adalah perbandingan total jumlah pelanggan yang dapat dilayani perjamnya, yakni jumlah layanan yang tersedia selama periode waktu tertentu yang dapat diberikan ke pelanggan. Ini merupakan salah satu indeks pelayanan keandalan. ASAI biasanya dapat dihitung secara bulanan (730 jam) atau secara tahunan (8.760) jam. ASAI = Σ Ni x 8760 Σ Ui Ni Σ Ni x 8760 (10) dengan : N i = jumlah pelanggan U i = waktu pemadaman tahunan (dalam jam) Atau ASAI dapat juga dicari dengan cara: Gambar 2 SLD Distribusi Listrik Pabrik I 3.2. Distribusi Listrik Pabrik I PT Petrokimia Gresik Distribusi listrik Pabrik 1 PT Petrokimia Gresik terbagi menjadi 3 tingkat, yaitu sebagai berikut : 3.2.1. Distribusi Tingkat I (11,5 KV) Pada tingkat ini didistribusikan listrik berasal langsung dari pembangkit generator dengan tegangan 11,5 3
KV. Yang termasuk dalam tingkat ini adalah power station atau PS 2280. PS 2280 yang merupakan stasiun utama yang nantinya akan didistribusikan ke semua beban. Kapasitas daya PS 2280 sama dengan kapasitas GTG. Hanya saja pemakaian daya dibatasi tidak sampai pada kapasitas maksimum generator, hal ini untuk menghindari kerusakan generator itu sendiri, Biasanya daya yang digunakan sekitar 0,8 kapasitas maksimum generator. Untuk saluran yang ke PS 2281 A dan B tegangan diturunkan dari 11,5 KV menjadi 6 KV, sedangkan untuk saluran ke MMC GTG tegangan diturunkan dari 11,5 KV menjadi 380 / 220 V melalui transformator TR- 2280. 3.2.2. Distribusi Tingkat II (6 KV) Pada tingkat ini supply listrik berasal dari distribusi tingkat I (PS 2280) dengan supply tegangan 11,5KV. PS 2281 (A/B) termasuk pada distribusi tingkat ini, sebelum tegangan didistribusikan ke PS 2281 atau SS2, diturunkan dahulu dari 11,5 KV menjadi 6 KV melalui transformator TR 2281 (A/ B). Antara bus bar PS 2281 A/B, terdapat CB Bus Tie yang bekerja secara interlock (normally open). Ketika terjadi salah satu transformator yang mensuplai bus bar (TR 2281 A/B) yang sekarang dalam kondisi trouble, maka CB bus tie yang akan bekerja (close). Dengan demikian beban beban yang ditanggung oleh bus bar yang sedang mengalami gangguan dapat diambil alih oleh bus bar yang lain. 3.3.3. Distribusi Tingkat III (380/220 V) Distribusi tingkat III mempunyai tegangan 380/220V. Pada tingkat ini tenaga listrik langsung digunakan untuk mengoperasikan peralatan listrik, motor,penerangan, heater dll. 4. SIMULASI DAN ANALISA 4.1. Mean Time To Failure dan Mean Time To Repair dan digunakan untuk mengetahui seberapa cepat terjadinya kerusakan dan perbaikan masingmasing peralatan. Berikut nilai dan peralatan pabrik I selama 1 tahun. Tabel 1 Nilai λ, μ,, dan Peralatan di Pabrik I PT. Petrokimia Gresik tahun 2006 No Peralatan λ μ ( hari) 1 107 JCM 0,0055 0,041 181,5 24 2 MP-2251 A 0,0055 0,041 181,5 24 3 MP-2211 A 0,0055 0,041 181,5 24 4 MP-2211 B 0,0055 0,041 181,5 24 5 MP-2211 F 0,0055 0,041 181,5 24 6 MP-2211 C 0,0055 0,041 181,5 24 7 MP-2211 D 0,0055 0,041 181,5 24 8 MP-2211 E 0,0055 0,041 181,5 24 No Peralatan λ μ ( hari) 9 MP-2222 A 0,0055 0,041 181,5 24 10 MP-2221 0,0055 0,041 181,5 24 11 MC-2221 0,0055 0,041 181,5 24 12 MP-2214A 0,0055 0,041 181,5 24 13 GB-302 0,0055 0,041 181,5 24 14 NMC-101 0,0055 0,041 181,5 24 15 PG 2280 / GTG 100 0,016 0,0036 61,6 273,6 16 PS 2280 0,0055 0,041 181,5 24 17 PS 2281 A 0,0055 0,041 181,5 24 18 PS 2281 B 0,0055 0,041 181,5 24 19 PS 2281 C 0,0055 0,041 181,5 24 20 TR 2281 A 0,0055 0,041 181,5 24 21 TR 2281 B 0,0055 0,041 181,5 24 22 TR 2282 E 0,00552 0,027 181 36 23 PM 2280 0,0055 0,041 181,5 24 24 PM 2282 E 0,00552 0,027 181 36 4.2. dan Tiap Peralatan di Pabrik I Selama 5 Tahun Dalam analisa keandalan dibutuhkan perhitungan untuk jangka waktu yang cukup panjang (> 1 tahun), hal ini bertujuan untuk mendapatkan keakuratan hasil analisis. Pada tugas akhir ini didapatkan data hingga 5 tahun (2006-2010), yang bila dihitung dan dengan metode perhitungan yang sama dengan metode perhitungan selama 1 tahun akan didapat hasil sebagai berikut: Tabel 2 Nilai λ, μ,, dan Peralatan di Pabrik 1 PT. Petrokimia Gresik tahun 2006-2010 No Peralatan λ µ ( hari) 1 107 JCM 0,0011 0,008 907,5 120 2 MP-2251 A 0,0011 0,008 907,5 120 3 MP-2211 A 0,0011 0,008 907,5 120 4 MP-2211 B 0,0011 0,008 907,5 120 5 MP-2211 F 0,0011 0,008 907,5 120 6 MP-2211 C 0,0011 0,008 907,5 120 7 MP-2211 D 0,0011 0,008 907,5 120 8 MP-2211 E 0,0011 0,008 907,5 120 9 MP-2222 A 0,0011 0,008 907,5 120 10 MP-2221 0,0011 0,008 907,5 120 11 MC-2221 0,0011 0,008 907,5 120 12 MP-2214A 0,0011 0,008 907,5 120 13 GB-302 0,0011 0,008 907,5 120 14 NMC-101 0,0011 0,008 907,5 120 4
No Peralatan λ µ ( hari) 15 PG 2280 / GTG 100 0,008 0,109 116,31 9,15 16 PS 2280 0,0011 0,008 907,5 120 17 PS 2281 A 0,0011 0,008 907,5 120 18 PS 2281 B 0,0011 0,008 907,5 120 19 PS 2281 C 0,0011 0,008 907,5 120 20 TR 2281 A 0,0011 0,008 907,5 120 21 TR 2281 B 0,0011 0,008 907,5 120 22 TR 2282 E 0,0011 0,005 905 180 23 PM 2280 0,0011 0,008 907,5 120 24 PM 2282 E 0,0011 0,005 905 180 4.3. Indeks Keandalan Peralatan Pabrik I PT. Petrokimia Gresik Pada simulasi Monte Carlo diambil contoh jumlah iterasi (N) sebagai berikut : 1.000, 5.000, 10.000, 50.000, dan 100.000 kali. Tujuan dari banyaknya iterasi (N) yang dilakukan adalah untuk melakukan percobaan acak sebanyak mungkin sehingga hasil perhitungan menjadi lebih akurat hingga suatu nilai iterasi tertentu hasil yang didapat cenderung mencapai konvergensi. Tabel 3 Indeks keandalan peralatan di pabrik I rata-rata per tahun selama 5 tahun Iterasi (N) Elapsed Time SAIFI (kali/tahun) SAIDI (jam/tahun) CAID I ASAI (pu) ASUI (pu) (seconds) 1000 5,64 0,3125 13,52 43,27 0,9985 0,0015 5000 26,91 0,3148 13,56 43,09 0,9985 0,0015 10000 53,35 0,3132 13,56 43,32 0,9985 0,0015 50000 288,6 0,3146 13,58 43,17 0,9985 0,0015 100000 731,37 0,3147 13,58 43,17 0,9985 0,0015 Gambar 4 Grafik SAIFI peralatan di pabrik I dengan iterasi 5000 kali Gambar 5 Grafik SAIDI peralatan di pabrik I dengan iterasi 5000 kali Gambar 3 Flowchart Simulasi dengan Monte Carlo 5
4.4. Perbandingan Perhitungan dengan Simulasi ETAP 7.0, dan Simulasi Monte Carlo Tabel 4 Perbandingan Perhitungan Simulasi ETAP dengan Simulasi Monte Carlo Gambar 6 Grafik CAIDI peralatan di pabrik I dengan iterasi 5000 kali Gambar 7 Grafik ASAI peralatan di pabrik I dengan iterasi 5000 kali Gambar 8 Grafik ASUI peralatan di pabrik I dengan iterasi 5000 kali Dari tabel 3 dan gambar 3-7 terlihat bahwa semakin besar nilai iterasi (N) maka kekonvergenan hasil semakin jelas terlihat, namun tentu saja waktu yang dibutuhkan untuk melakukan iterasi dengan nilai yang besar juga semakin lambat. Dari data diatas juga dapat terlihat bahwa untuk nilai SAIFI, SAIDI, dan CAIDI cenderung ada peningkatan sedangkan untuk ASAI dan ASUI nilai yang dihasilkan dari hasil simulasi untuk iterasi yang berbeda bernilai sama. ETAP Monte Carlo SAIFI (kali/tahun) 0,421 0,314 SAIDI (jam/tahun) 14,87 13,56 CAIDI 35,3 43,09 ASAI (pu) 0,998 0,998 ASUI (pu) 0,0017 0,0015 Dari tabel diatas, terlihat bahwa perbandingan antara perhitungan keandalan ETAP 7.0 dengan simulasi Monte Carlo didapatkan hasil yang mendekati sama. Perbedaan untuk hasil dari simulasi Monte Carlo dikarenakan pada simulasi Monte Carlo digunakan bilangan variable bilangan acak sehingga hasil untuk setiap iterasi (N) tidak selalu sama. Dapat terlihat bahwa perhitungan dengan software lebih cepat dan tingkat akurasi perhitungan tinggi. 4.5. Perhitungan Dampak Pemeliharaan Terhadap Keandalan Sistem Pembangkit Pemeliharaan rutin yang dilakukan pada pembangkit GTG 100 diadakan secara berkala tiap tahunnya, PT. Petrokimia Gresik menjadwalkan waktu satu bulan setiap tahunnya untuk diadakan pengecekan dan perbaikan peralatan yang ada di pabrik I terutama GTG 100. Perubahan jadwal pemeliharaan tentu akan mempengaruhi keandalan sistem. Dengan menggunakan program Monte Carlo dapat dilakukan berbagai simulasi untuk perubahan jadwal pemeliharaan sebagai contoh bila jadwal pemeliharaan yang semula pada kondisi normal dilakukan satu kali dalam setahun menjadi dua kali dalam setahun, maka dapat dilihat hasil perubahan indeks keandalan pada tabel 6. Dalam simulasi dengan Metode Monte Carlo dilakukan perubahan pemeliharaan sebanyak dua kali dalam setahun yakni dengan merubah laju kegagalan (λ) GTG 100 yang semula 0,008 menjadi 0,01 dan laju perbaikan (μ) yang semula 0,109 menjadi 0,21. Tabel 5 Data GTG 100 Pabrik I Tahun 2006-2010 Tanggal Kondisi Lama (hari) 01/01/2006 ON 6 07/01/2006 OFF 3 10/01/2006 ON 28 07/02/2006 OFF 6 13/02/2006 ON 136 29/06/2006 OFF 2 01/07/2006 ON 84 23/09/2006 OFF 2 6
Tanggal Kondisi Lama (hari) 25/09/2006 ON 54 18/11/2006 OFF 47 04/01/2007 ON 345 15/12/2007 OFF 14 29/12/2007 ON 2 31/12/2007 OFF 1 01/01/2008 ON 314 10/11/2008 OFF 23 03/12/2008 ON 149 01/05/2009 OFF 3 04/05/2009 ON 181 01/11/2009 OFF 6 07/11/2009 ON 46 23/12/2009 OFF 1 24/12/2009 ON 19 12/01/2010 OFF 1 13/01/2010 ON 152 14/06/2010 OFF 10 24/06/2010 ON 191 Dari tabel 5, didapatkan nilai (Mean Time To Failure) dari rumus =, maka didapatkan hasil = =116,6 hari, sedangkan untuk nilai (Mean Time To Repair) dari rumus =, maka didapatkan hasil = = 9,15 hari. Sedangkan dari rumus laju kegagalan (λ) =, maka didapatkan nilai λ =, = 0,008, sedangkan untuk nilai μ =, sehingga didapatkan nilai µ = = 0,109., Pada saat dilakukan perubahan jadwal menjadi dua kali dalam setahun maka nilai = (1516/13)/2 = 58,3 hari, sedangkan untuk nilai = (119/13)/2 = 4,575 hari, untuk nilai λ = 1/58,3 = 0,01, sedangkan untuk nilai µ = 1/ 4,575 = 0,21. Tabel 6 Perbandingan simulasi Monte Carlo kondisi normal dengan kondisi perubahan pemeliharaan 2 kali setahun dengan iterasi (N) 5000 kali Kondisi Normal (sekali/tahun) Elapsed Time (seconds) SAIFI (kali/tahun) Perubahan Pemeliharaan 2 kali (2kali/tahun) Selisih (%) 24,76 20,21 0,22 0,31 0,23 0,34 SAIDI (jam/tahun) Kondisi Normal (sekali/tahun) Perubahan Pemeliharaan 2 kali (2kali/tahun) Selisih (%) 13,58 13,56 0,0014 CAIDI 43,09 57,31 0,24 ASAI (pu) 0,998 0,998 0 ASUI (pu) 0,0016 0,0015 0,06 Dari data diatas dapat terlihat bahwa nilai untuk SAIFI mengalami penurunan sebesar 0,34%, untuk nilai SAIDI mengalami penurunan sebesar 0,0014%, sedangkan untuk nilai CAIDI mengalami peningkatan sebesar 0,24% dan pada hasil ASAI pada kondisi normal dan setelah dilakukan perubahan jadwal tidak mengalami perubahan sedangkan untuk nilai ASUI mengalami penurunan sebesar 0,06%. Dari tabel diatas terlihat bahwa sebelum dan setelah dilakukan perubahan pemeliharaan terjadi penurunan untuk nilai indeks keandalan, sehingga dengan melakukan pemeliharaan semakin sering maka nilai keandalan semakin baik. 5. PENUTUP 5.1. Kesimpulan Berdasarkan hasil perhitungan dan analisis yang telah dilakukan dapat diambil beberapa kesimpulan antara lain: 1. Dari perbandingan hasil simulasi dengan ETAP 7.0 dengan Monte Carlo didapat hasil keandalan peralatan di PT. Petrokimia Gresik cukup baik bila dibandingkan dengan standar SAIFI, SAIDI, CAIDI, ASAI, dan ASUI IEEE, dengan nilai standar: SAIFI = 1,26 f / customer. year SAIDI = 1,9 hr/ customer. year CAIDI = 1,47 hr/ customer interruption ASAI = 0,999375 pu 2. Antara perhitungan keandalan (reliability) dengan menggunakan simulasi pada ETAP 7.0 dengan simulasi Monte Carlo didapatkan hasil yang mendekati sama. Perbedaan untuk hasil tiap iterasi (N) dari simulasi Monte Carlo dikarenakan pada simulasi Monte Carlo digunakan bilangan variable bilangan acak sehingga hasil untuk setiap iterasi (N) tidak selalu sama. Dapat terlihat bahwa perhitungan dengan software lebih cepat dan tingkat akurasi perhitungan tinggi. Jumlah iterasi (N) yang cukup untuk menghasilkan nilai yang konvergen adalah 5000 kali. 3. Perubahan jadwal pemeliharaan mempengaruhi indeks keandalan. nilai untuk SAIFI mengalami penurunan sebesar 0,34%, untuk nilai SAIDI mengalami penurunan sebesar 0,0014%, sedangkan untuk nilai CAIDI mengalami peningkatan sebesar 0,24% dan pada hasil ASAI pada kondisi normal dan setelah dilakukan perubahan jadwal tidak mengalami perubahan sedangkan untuk nilai ASUI mengalami penurunan 7
sebesar 0,06%. Dari hasil simulasi terlihat bahwa sebelum dan setelah dilakukan perubahan pemeliharaan terjadi perubahan untuk nilai indeks keandalan, sehingga dengan melakukan pemeliharaan semakin sering maka nilai keandalan semakin baik. 5.2. Saran 1. Untuk penelitian lebih lanjut tentang keandalan sistem, perlu lebih detail lagi berbagai analisa lainnya, seperti cost analysis, management analysis maupun maintenance analysis. 2. Untuk melengkapi wacana penelitian tentang keandalan sistem, dapat dilakukan pengembangan untuk pabrik lain di PT. Petrokimia Gresik yang memiliki 3 pabrik yang rencananya tahun 2012 akan diinterkoneksi antara pabrik I dengan pabrik lainnya. DAFTAR PUSTAKA [1] Allan, R.N & Billinton, R, Reliability Evaluation of Power System, New York, 1996. [2] Artana, Ketut Buda, Diktat Kuliah: Kuliah Keandalan1- Pendahuluan - FTK ITS, Surabaya. [3] Artana, Ketut Buda, Diktat Kuliah: Statistika Rekayasa- Distribusi Peluang FTK ITS, Surabaya. [4] Endrenyi, J., Reliability Modeling in Electric Power Systems, John Wiley & Sons Ltd., Toronto, Ch. 2, 1980. [5] Ferdiansyah, Evaluasi Keandalan Sistem Distribusi PT.PLN (Persero) APJ Surabaya Selatan Menggunakan Metode Non-Eksponensial Down Times, Teknik Elektro-ITS, Surabaya, 2007. [6] Marsudi, Djiteng, Operasi Sistem Tenaga LIstrik, Graha Ilmu, Yogyakarta, 2006. [7] Priyanta, Dwi, Diktat Kuliah: Keandalan dan Perawatan FTK ITS, Surabaya, 2000. [8] R.Bilington & Wenyuan Li, Reliability Assesment of Electric Power System using Monte Carlo methods, Plenum Press, 1994. [9] Sukerayasa, I Wayan, Penentuan Angka Keluar Peralatan Untuk Evaluasi Keandalan Sistem Distribusi Tenaga Listrik Universitas Udayana, Jimbaran, Desember, 2007. [10] Wilkins, Dennis J., The Bathtub Curve and Product Failure Behavior, Weibull, November, 2002. RIWAYAT HIDUP PENULIS Paramita Dynaputri dilahirkan di Surabaya, 27 Mei 1989. Penulis adalah putri kedua dari tiga bersaudara dari pasangan Ir. Edy Purwanto, M.M dan Ir. M. Ratna Pertiwi. Penulis menempuh jenjang pendidikan di SDN Petrokimia Gresik selama enam tahun. Penulis meneruskan pendidikan ke jenjang selanjutnya di SLTP Negeri 2 Gresik selama tiga tahun serta SMA Negeri 1 Manyar Gresik selama tiga tahun hingga lulus tahun 2007. Pada tahun yang sama, penulis masuk ke Jurusan Teknik Elektro FTI ITS dan mengambil bidang studi Teknik Sistem Tenaga. Selama menjadi mahasiswa, penulis pernah aktif dalam organisasi Himpunan Mahasiswa Teknik Elektro ITS sebagai staf Departemen Riset dan teknologi pada kepengurusan tahun 2008-2009 dan juga menjabat sebagai staf Riset dan Teknologi pada kepengurusan selanjutnya 2009-2010. Penulis kemudian aktif sebagai asisten praktikum dan koordinator asisten di Laboratorium Tegangan Tinggi - Jurusan Teknik Elektro - Institut Teknologi Sepuluh Nopember Surabaya. Penulis dapat dihubungi melalui telp: 085648841717 atau email: paramita_dynaputri@yahoo.com 8