Kata kunci: Penjadwalan Ekonomis, Fuzzy Logic, Algoritma Genetika

ABSTRAK Penjadwalan Ekonomis bertujuan untuk mengatur pengoperasian unit pembangkit dengan biaya seekonomis mungkin, namun tetap dapat memenuhi kebutuhan daya untuk beban. Pengoperasian pembangkit secara ekonomis dipengaruhi oleh karakteristik pembangkit, limit daya output pembangkit, biaya bahan bakar untuk mengoperasikan. Fuzzy Logic dan Algoritma genetika digunakan untuk menyelesaikan masalah penjadwalan ekonomis. Fuzzy logic digunakan untuk mencari pembangkit mana sajakah yang dapat menyalurkan beban. Kemudian algoritma genetika digunakan untuk menghitung dan memilih unit pembangkit yang paling ekonomis untuk melayani beban. Kegiatan penelitian dimulai dengan melakukan studi pendahuluan terhadap biaya operasi pembangkit yang dipakai oleh perusahaan listrik kemudian membuat suatu analisis terhadap pengembangan sistem berbasis fuzzy logic dan algoritma genetika. Simulasi terus dilakukan dengan mencoba algoritma yang tepat untuk membuat model yang akurat dengan menggunakan perangkat lunak Matlab ver 7.0. Hasil penelitian menunjukkan bahwa penjadwalan unit pembangkit dengan pendekatan algoritma fuzzy logic dan algoritma genetika memberikan hasil lebih ekonomis dibandingkan dengan data riil sistem. Kata kunci: Penjadwalan Ekonomis, Fuzzy Logic, Algoritma Genetika

ABSTRACT The basic purpose of economic dispatch operation of generating units is to set at minimum cost, yet still be able to meet the power requirements of the load. The operation of the plant is economically affected by the characteristics of plants, output plants power limit, the cost of fuel to operate. Fuzzy Logic and Genetic algorithms are used to solve scheduling problems economically. Fuzzy logic is used to search for unit commitment or generating units Which are able to distribute the load. Then the genetic algorithm is used to calculate and choose the most economical generating units to serve the load. Research activities began by conducting a preliminary study on the cost of plant operations used by the power company then makes an analysis of the development of systems based on fuzzy logic and genetic algorithms. Simulation continues to be done by trying the right algorithm to create an accurate model using Matlab software ver 7.0. The results showed that the scheduling of algorithm approach generating units with fuzzy logic and genetic algorithms provide a more economical results compared with real data systems. Key Words: Economic Dispatch, Fuzzy Logic, Genetic Algorithms

DAFTAR ISI LEMBAR JUDUL... LEMBAR PRASYARAT... LEMBAR PERNYATAAN ORISINALITAS... LEMBAR PENGESAHAN... KATA PENGANTAR... ABSTRAK... ABSTRACT... DAFTAR ISI... DAFTAR GAMBAR... DAFTAR TABEL... DAFTAR LAMPIRAN... i ii iii iv v vii viii ix xii xiv xv BAB I PENDAHULUAN... 1 1.1 Latar Belakang... 1 1.2 Rumusan Masalah... 3 1.3 Tujuan Penelitian... 3 1.4 Manfaat Penelitian... 4 1.5 Batasan Masalah... 4 1.6 Keaslian Penelitian... 4 BAB II TINJAUAN PUSTAKA... 7 2.1 Tinjauan Mutakhir... 7 2.2 Tinjauan Pustaka... 8 2.2.1 Pembangkit Tenaga Listrik... 8 2.2.1.1 Pembangkit Listrik Tenaga Uap (PLTU)... 9 2.2.1.2 Pembangkit Listrik Tenaga Gas (PLTG)... 11 2.2.1.3 Pembangkit Listrik Tenaga Gas Uap (PLTGU)... 12 2.2.1.4 Pembangkit Listrik Tenaga Diesel (PLTD)... 14

2.2.2 Pembebanan Ekonomis (Economic Dispatch)... 15 2.2.2.1 Linear Production Cost... 17 2.2.2.2 Quadratic Production Cost Model... 18 2.2.3 Fuzzy Logic... 20 2.2.3.1 Pengertian Fuzzy Logic... 20 2.2.3.2 Himpunan Fuzzy... 22 2.2.3.3 Fungsi Keanggotaan (Membership Function)... 23 2.2.3.4 Cara Kerja Fuzzy Logic... 24 2.2.4 Algoritma Genetika... 27 2.2.4.1 Dasar Algoritma Genetika... 27 2.2.4.2 Komponen Utama Algoritma Genetika... 29 2.2.5 Penerapan Fuzzy Logic dan Algoritma Genetika pada Penjadwalan Ekonomis... 36 2.2.5.1 Penerapan Fuzzy... 36 2.2.5.2 Penerapan Algoritma Genetika... 40 BAB III METODE PENELITIAN... 44 3.1 Tempat dan Waktu Penelitian... 44 3.2 Data... 44 3.2.1 Sumber Data... 44 3.2.2 Jenis Data... 44 3.3 Analisis Data... 44 3.4 Alur Penelitian... 46 BAB IV HASIL DAN PEMBAHASAN... 48 4.1 Gambaran Umum Sistem Pembangkitan Bali... 48 4.1.1 Data Pembangkitan Bali... 48 4.1.2 Data Kapasitas Pembangkitan... 49 4.1.3 Data Beban... 49 4.1.4 Biaya Pembangkitan... 50

4.1.5 Batas Maksimum dan Minimum Pembangkitan... 51 4.2 Proses Fuzzy pada MATLAB... 52 4.2.1 Membership Function Editor pada MATLAB... 54 4.2.2 Rule Editor... 55 4.2.3 Rule Viewer Proses... 57 4.3 Proses Algoritma Genetika pada MATLAB... 59 4.3.1 Inisialisasi Populasi... 60 4.3.2 Dekode Kromosom... 61 4.3.3 Penentuan Fungsi Fitness... 62 4.3.4 Linear Fitness Rangking... 62 4.3.5 Seleksi... 63 4.3.6 Pindah Silang... 64 4.3.7 Mutasi... 65 4.3.8 Hasil Optimasi Algoritma Genetika... 66 4.3.9 Perbandingan Hasil Optimasi Kombinasi Algoritma Genetika dan Fuzzy Logic dengan Algoritma Genetika... 67 BAB V PENUTUP... 73 5.1 Simpulan... 73 5.2 Saran... 73 DAFTAR PUSTAKA... 74 LAMPIRAN... 76

DAFTAR GAMBAR Gambar 2.1 Ilustrasi pembangkitan hingga ke pelanggan... 9 Gambar 2.2 Prinsip Kerja PLTG... 12 Gambar 2.3 Prinsip Kerja PLTGU Combined-Cycle... 13 Gambar 2.4 Skema dasar Pembangkit Listrik Tenaga Diesel... 14 Gambar 2.5 Konfigurasi pembangkit thermal yang menyuplai beban dalam 1 bus... 16 Gambar 2.6 Grafik pemodelan Linear Production Cost... 17 Gambar 2.7 Contoh Pemetaan input-output pada fuzzy logic... 20 Gambar 2.8 Representasi Linier Naik... 23 Gambar 2.9 Representasi Linier Turun... 24 Gambar 2.10 Kurva Segitiga... 24 Gambar 2.11 Diagram blok fuzzy inferences... 25 Gambar 2.12 Diagram blok proses mesin inferensi... 26 Gambar 2.13 Diagram blok proses rules defuzzyfikasi... 27 Gambar 2.14 Visualisasi gen, allele, kromosom, individu, dan populasi pada algoritma genetika... 29 Gambar 2.15 Siklus algoritma genetika oleh David Goldberg... 30 Gambar 2.16 Roulette Wheel... 32 Gambar 2.17 Seleksi sebelum dirangking... 32 Gambar 2.18 Seleksi sesudah dirangking... 33 Gambar 2.19 Fungsi keanggotaan variable LCG... 37 Gambar 2.20 Fungsi keanggotaan variable IC... 38 Gambar 2.21 Fungsi keanggotaan variable NLC... 38 Gambar 2.22 Rule Viewer... 39 Gambar 2.23 Surface Viewer... 40 Gambar 3.1 Alur Penelitian... 47 Gambar 4.1 Tampilan Awal Software MATLAB... 52 Gambar 4.2 Tampilan FIS Editor pada software MATLAB... 53 Gambar 4.3 Membership Function Editor pada Software MATLAB... 54

Gambar 4.4 Rule Editor pada Software MATLAB... 55 Gambar 4.5 Rule Viewer pada Software MATLAB... 58 Gambar 4.6 Tampilan Command Window dan Workspace pada MATLAB.. 60 Gambar 4.7 Kode Program Inisialisasi Populasi... 60 Gambar 4.8 Kode Program Dekode Kromosom... 61 Gambar 4.9 Kode Program Elitisme... 62 Gambar 4.10 Kode Program Linear Fitness Rangking... 63 Gambar 4.11 Kode Program Roulette Wheel... 64 Gambar 4.12 Kode Program Pindah Silang... 65 Gambar 4.13 Kode Program Mutasi... 66 Gambar 4.14 Grafik perbandingan biaya bahan bakar metode kombinasi fuzzy logic dan algortima genetika dengan metode algoritma genetika... 71 Gambar 4.15 Grafik perbandingan total biaya di lapangan dengan metode kombinasi fuzzy logic dan algortima genetika dengan algoritma genetika... 72

DAFTAR TABEL Tabel 2.1 Aturan fuzzy logic untuk penjadwalan ekonomis... 39 Tabel 4.1 Data Kapasitas Pembangkitan... 49 Tabel 4.2 Data Beban pada Masing-masing Pembangkit... 50 Tabel 4.3 Biaya Masing-masing Pembangkit... 51 Tabel 4.4 Batas Maksimum dan Minimum Pembangkitan... 51 Tabel 4.5 Hasil perhitungan Fuzzy Logic beban pembangkitan baru... 59 Tabel 4.6 Data Lapangan Pembebanan Masing-masing Unit Pembangkit 67 Tabel 4.7 Hasil Optimasi Pembebanan Masing-masing Unit Pembangkit 67 Tabel 4.8 Hasil optimasi menggunakan metode kombinasi Fuzzy Logic dan Algoritma Genetika... 68 Tabel 4.9 Hasil optimasi menggunakan metode Algoritma Genetika saja 69 Tabel 4.10 Biaya pembangkitan data riil di lapangan selama 8 periode... 69 Tabel 4.11 Biaya pembangkitan selama 8 periode menggunakan metode Fuzzy Logic dan Algoritma Genetika... 70 Tabel 4.12 Biaya pembangkitan selama 8 periode menggunakan metode Algoritma Genetika... 70 Tabel 4.13 Perbandingan biaya metode kombinasi Fuzzy Logic dan Algoritma Genetika dengan Algoritma Genetika... 71

DAFTAR LAMPIRAN Lampiran 1 : Data Pembangkit PT. Indonesia Power UPJP Bali... 76 Lampiran 2 : Monitor Beban Sistem Bali... 77 Lampiran 3 : Kode Program Optimasi Pembebanan Ekonomis Sistem Pembangkitan Bali... 79 Lampiran 4 : Kode Program Optimasi Inisialisasi Populasi... 85 Lampiran 5 : Kode Program Dekode Kromosom... 87 Lampiran 6 : Kode Program Fungsi Fitness... 88 Lampiran 7 : Kode Program Linear Fitness Ranking... 89 Lampiran 8 : Kode Program Roulette Wheel... 90 Lampiran 9 : Kode Program Pindah Silang... 91 Lampiran 10 : Kode Program Mutasi... 92 Lampiran 11 : Hasil Keluaran Program Algoritma Genetika Pukul 18.00... 93 Lampiran 12 : Hasil Keluaran Program Algoritma Genetika Pukul 18.30... 99 Lampiran 13 : Hasil Keluaran Program Algoritma Genetika Pukul 19.00... 105 Lampiran 14 : Hasil Keluaran Program Algoritma Genetika Pukul 19.30... 111 Lampiran 15 : Hasil Keluaran Program Algoritma Genetika Pukul 20.00... 117 Lampiran 16 : Hasil Keluaran Program Algoritma Genetika Pukul 20.30... 123 Lampiran 17 : Hasil Keluaran Program Algoritma Genetika Pukul 21.00... 129 Lampiran 18 : Hasil Keluaran Program Algoritma Genetika Pukul 22.00... 135

BAB I PENDAHULUAN 1.1 Latar Belakang Bali saat ini sedang mengalami pertumbuhan hunian dan pertumbuhan industri pariwisata seperti hotel, villa, restaurant hingga tempat wisata penunjang lainnya. Dengan pertumbuhan yang sangat pesat ini, maka akan diikuti dengan pertumbuhan pemakaian energi listrik yang besar pula. Energi listrik tidak dapat disimpan dalam jumlah banyak sehingga harus tersedia pada saat dibutuhkan oleh konsumen, akibatnya timbul persoalan dalam menghadapi kebutuhan daya listrik yang berubah dari waktu ke waktu. Kelistrikan di Bali saat ini dipasok oleh beberapa pembangkit, yaitu pembangkit yang berlokasi di Pesanggaran, Celukan Bawang, Gilimanuk, dan Pemaron. Pada pembangkit yang berlokasi di Pesanggaran terdapat 4 PLTG dengan total 111,6 MW, PLTD dan PLTD BOT dengan total 60 MW, PLTDG dengan total daya sebesar 196,68 MW. Sedangkan pembangkit yang berlokasi di Celukan Bawang Terdapat 3 unit PLTU dengan total daya sebasar 380 MW, PLTG Gilimanuk sebesar 130,44 MW, dan 2 unit PLTG Pemaron dengan total 80 MW. Sampai saat ini Bali masih membutuhkan pasokan dari Jawa melalui sistem interkoneksi Jawa-Bali lewat kabel bawah laut dengan daya total yang diizinkan sebesar 340 MW. Sehingga total daya yang terpasang saat ini setelah ditambah pasokan dari Jawa sebesar 1.298, 72 MW. Beban puncak tertinggi sebesar 822,7 MW, pada tanggal 18 Januari 2016 pukul 19.30 wita (PT. PLN Persero, 2016). Pasokan daya yang ada di Bali saat ini dipandang cukup apabila salah satu pembangkit tidak beroperasi pada saat dilakukan pemeliharaan, namun tidak menutup kemungkinan bisa terjadi kekurangan pasokan daya yang dapat mengakibatkan terjadinya pemadaman bergilir (Hartati, 2005). Maka dari itu perlu diambil langkah untuk memenuhi kebutuhan listrik baik secara kualitas maupun kuantitas dari sisi permintaan (demand side management) dan dari sisi penyedia (supply side management). Program demand side management dimaksudkan untuk mengendalikan pertumbuhan permintaan tenaga listrik, dengan cara 1

2 mengendalikan beban puncak dan melakukan gerakan penghematan pemakaian listrik. Program supply side management dilakukan melalui optimasi penggunaan pembangkit tenaga listrik yang ada. Penghematan biaya operasi terutama penghematan biaya bahan bakar sistem di Bali juga tidak kalah pentingnya untuk dilakukan. Salah satu bagian pengoperasian sistem tenaga listrik yang mengarah ke hal ini adalah pengalokasian pembebanan optimal (economic dispatch) pada pembangkitan. Cara ini dilakukan untuk meminimumkan biaya operasi pada sistem tenaga listrik dengan cara mengoptimalkan pengalokasian pembangkitan daya yang beroperasi pada sistem Bali. Terkait dengan optimasi pembebanan ekonomis, telah dilakukan beberapa penelitian sebelumnya. Beberapa penelitian yang terkait dengan optimasi pembebanan ekonomis untuk mendapatkan bahan bakar yang minimum. Penetilitian dengan judul Implementasi Algoritma Genetik dalam Economic Dispatch dengan Valve Point Loading oleh (Rumana, 2011). Penelitian ini membahas suatu metode yang menggunakan algoritma genetik untuk penyelesaian masalah economic dispatch. Model permasalahannya adalah unitunit pembangkit dengan banyak katup (multivalve generating units) yang memiliki fungsi biaya non-convex. Fungsi biaya non-convex tersebut menyebabkan metode terdahulu yang menggunakan teknik LaGrange tidak dapat menyelesaikannya. Sebaliknya, penggunaan algoritma genetika berhasil menyelesaikan permasalahan economic dispatch dengan fungsi biaya non-convex tersebut. Disisi lain penggunaan metode kecerdasan buatan juga diterapkan untuk mencari operasi ekonomis pembangkit thermal sistem 500kV Jawa Bali dengan pendekatan algoritma Fuzzy Logic (Marifah, 2013). Hasil penelitian tersebut apabila dibandingkan dengan data riil sistem, maka penjadwalan unit pembangkit dengan pendekatan algoritma fuzzy logic memberikan hasil 23,27% lebih ekonomis. Terdapat dua pokok permasalahan yang harus dipecahkan dalam operasi ekonomis pembangkitan pada sistem tenaga listrik yaitu pengaturan unit pembangkit (unit commitment) dan penjadwalan ekonomis (economic dispatch).

3 Unit commitment bertujuan untuk menentukan unit pembangkit yang paling optimum dioperasikan dalam menghadapi beban yang diperkirakan untuk mencapai biaya bahan bakar minimum. Sedangkan economic dispatch digunakan untuk membagi beban di antara unit-unit pembangkit yang beroperasi agar dicapai biaya bahan bakar yang minimum. Dari permasalahan ini dalam operasi ekonomis pembangkitan di Bali digunakan perpaduan antara metode Fuzzy Logic dan Algoritma Genetika. Fuzzy Logic digunakan untuk menentukan unit pembangkit yang paling optimum dalam menghadapi beban, karena fuzzy logic mampu menyelesaikan permasalahan dan pembuatan keputusan yang sangat kompleks. Proses penjadwalan ekonomis (economic dispatch) menggunakan metode algoritma genetika, karena algoritma genetika mampu menyelesaikan economic dispatch dengan pendekatan yang lebih akurat. Jadi optimasi yang dilakukan algoritma genetik lebih mendekati kondisi sesungguhnya. 1.2 Rumusan Masalah Dari uraian latar belakang di atas, maka dapat disusun rumusan masalah sebagai berikut: 1. Berapakah biaya yang dapat ditekan jika dilakukan optimasi pembebanan ekonomis (economic dispatch) dengan menggunakan metode kombinasi Fuzzy Logic dan Algoritma Genetika (GA) berdasarkan kondisi pembangkitan yang ada di Bali? 2. Bagaimanakah hasil perbandingan penggunaan metode kombinasi Fuzzy Logic dan Algoritma Genetika dibandingkan dengan menggunakan Algoritma Genetika saja untuk menyelesaikan optimasi pembebanan ekonomis di Bali? 1.3 Tujuan Penelitian Tujuan dari penelitian ini antara lain, sebagai berikut : 1. Mengevaluasi penjadwalan pembangkitan di Bali agar mendapatkan alokasi pembebanan yang ekonomis.

4 2. Mempermudah perhitungan dengan menggunakan metode kombinasi fuzzy logic dengan algoritma genetika. 3. Mengetahui perhitungan manakah yang lebih efisien dengan menggunakan metode kombinasi fuzzy logic dan algoritma atau dengan menggunakan metode algoritma genetika saja. 1.4 Manfaat Penelitian Manfaat dari penelitian ini adalah : 1. Memberikan pemikiran baru dalam memperluas dan menambah ilmu pengetahuan di bidang elektro khususnya konsentrasi sistem tenaga listrik. 2. Dapat mengetahui pembebanan ekonomis pada sistem pembangkitan di Bali. 3. Dapat mengetahui peluang penghematan energi kelistrikan berdasarkan kondisi beban di Bali. 1.5 Batasan Masalah Mengingat demikian luasnya ruang lingkup permasalahan, maka perlu adanya pembatasan masalah serta asumsi-asumsi sebagai berikut : 1. Fuzzy Logic dilakukan untuk memilih unit pembangkit paling ekonomis yang akan mewakili pada proses optimasi dengan algoritma genetika. 2. Optimasi dilakukan untuk meminimalkan biaya pembangkitan dan bahan bakar dengan algoritma genetika. 3. Rugi-rugi daya tidak diperhitungkan. 4. Biaya bahan bakar adalah linier. 5. Penggunaan metode Fuzzy Logic dan Algoritma Genetika menggunakan aplikasi MATLAB Ver.7.11.0 (R2010b). 1.6 Keaslian Penelitian Penelitian tentang optimasi pembebanan ekonomis (economic dispatch) sejauh ini telah banyak dilakukan, yaitu untuk mendapatkan biaya operasi pembangkitan serta biaya bahan bakar yang minimum. Beberapa metode telah banyak digunakan, namun dalam optimasi pembebanan ekonomis dengan

5 menggunakan metode kombinasi Fuzzy Logic dan Algoritma Genitika ini belum dilakukan. Oleh sebab itu dapat dikatakan tulisan ini bersifat orisinal. Penelitianpenelitian yang pernah dilakukan berkaitan dengan optimasi pembebanan ekonomis antara lain: Penelitian yang berjudul "Implementasi Algoritma Genetik dalam Economic Dispatch dengan Valve Point Loading" (Rumana, 2011); Teknik Elektro; Universitas Diponegoro, Semarang membahas tentang suatu metode yang menggunakan algoritma genetik untuk penyelesaian masalah economic dispatch. Model permasalahannya adalah unit-unit pembangkit dengan banyak katup (multivalve generating units) yang memiliki fungsi biaya non-convex. Fungsi biaya non-convex tersebut menyebabkan metode terdahulu yang menggunakan teknik LaGrange tidak dapat menyelesai permasalahan unit-unit pembangkit dengan banyak katup tersebut. Sebaliknya, penggunaan algoritma genetik berhasil menyelesaikan permasalahan economic dispatch dengan fungsi biaya non-convex tersebut. Ketepatan dan keefektifan metode algoritma genetik ini dapat dibuktikan melalui contoh permasalahan dan penyelesaian. Penelitian yang berjudul "Operasi Ekonomis Pembangkit Thermal Sistem 500 Kv Jawa Bali Dengan Pendekatan Algoritma Fuzzy Logic (Marifah, 2013); Pendidikan Teknik Elektro; Universitas Pendidikan Indonesia, Bandung membahas tentang operasi pembangkit termal dengan menerapkan metode fuzzy logic, dengan mencari optimasi penjadwalan pembangkit agar mendapatkan hasil bahan bakar yang minimum. Biaya total bahan bakar 6 unit pembangkit thermal sistem 500 KV Jawa-Bali dengan pendekan fuzzy logic selama 24 jam apabila dibandingkan dengan data riil sistem, maka penjadwalan unit pembangkit dengan pendekatan algoritma fuzzy logic memberikan hasil 23,27% lebih ekonomis. Penelitian yang berjudul "Optimasi Penjadwalan Pembangkit Termal Sistem 500 Kv Jawa Bali Berbasis Komputasi Cerdas (Gunawan, 2014); Pendidikan Teknik Elektro; Universitas Pendidikan Indonesia, Bandung membahas tentang operasi pembangkit termal dengan menerapkan teknologi soft computing dengan metode ANFIS, dengan mencari optimasi penjadwalan pembangkit agar mendapatkan hasil bahan bakar yang minimum. Dari penelitian ini rugi rugi

6 transmisi diabaikan. Dengan menggunakan hybrid neuro-fuzzy ini biaya bahan bakar pembangkit ditekan dan menghasilkan 20.98% lebih ekonomis daripada data riil sistem. Beberapa penelitian ini memberikan inspirasi kepada penulis untuk melakukan penelitian tentang Implementasi Fuzzy Logic dan Algoritma Genetika dalam Pembebanan Ekonomis pada Sistem Pembangkitan di Bali. Subyektivitas tak terhindarkan dalam pemilihan obyek serta lokasi penelitian. Harapan penulis orisinalitas penelitian ini dapat dipertanggungjawabkan.