You are on page 1of 13

OPTIMISASI PENEMPATAN DAN UKURAN KAPASITOR BANK UNTUK MENGURANGI

RUGI-RUGI DAYA MENGGUNAKAN METODE ALGORITMA GENETIKA


(STUDI KASUS INTERKONEKSI SUBSISTEM SUMBAGSEL 150 kV)

Oleh : Joni Irawan


NPM : G1D006007
Pembimbing : Anizar Indriani, S.T., M.T
Irnanda Priyadi, S.T., M.T

ABSTRAK

Permintaan suplai daya reaktif terus meningkat akibat penambahan beban bersifat induktif. Suatu
jaringan apabila tidak memiliki sumber daya reaktif di daerah sekitar beban maka semua suplai daya reaktif
dipikul oleh generator sehingga mengalir arus reaktif yang berakibat: faktor daya menurun dan rugi-rugi daya
besar. Untuk mengatasi masalah tersebut diperlukan kompensasi daya reaktif dengan pemasangan kapasitor
bank pada jaringan. Pemasangan kapasitor tidak bisa dilakukan secara sembarangan karena berpengaruh pada
beberapa aspek seperti kontrol sistem, biaya dan batas tegangan sehingga diperlukan perhitungan yang tepat.
Optimisasi penempatan dan ukuran kapasitor bank menggunakan metode algoritma genetika. Studi yang
diterapkan pada data pembanding Jawa Bali 500 kV hasil penelitian sebelumnya menggunakan metode
algoritma Artificial Bee Colony (ABC) menghasilkan penurunan rugi-rugi daya aktif dan reaktif sebesar 14,04
% dan 17,41 %, hasil ini tidak jauh berbeda dengan hasil optimisasi menggunakan metode algoritma genetika
sebesar 13,68 % dan 16,96 %. Pada interkoneksi subsistem Sumbagsel 150 kV rugi-rugi daya berkurang dari
25,315+j9,303 MVA menjadi 23,549+j0,773 MVA dan semua profil tegangan berada pada batas ± 5% dari
tegangan referensi.

Kata kunci: Optimisasi, kapasitor bank, algoritma genetika, rugi-rugi daya


menjadi lebih pendek. Hal ini akan menimbulkan
1. PENDAHULUAN kerugian bagi perusahaan pengelola kelistrikan
Beberapa tahun ini, operasi sistem tenaga terutama pihak PT. PLN Persero maupun konsumen.
listrik modern sedang menghadapi banyak tantangan Untuk mengurangi rugi-rugi daya dan
berkaitan dengan permintaan suplai daya reaktif yang memperbaiki profil tegangan agar selalu berada pada
terus meningkat akibat meningkatnya beban yang batas-batas yang diizinkan diperlukan kompensasi
bersifat induktif pada jaringan. Suatu jaringan apabila daya reaktif. Kompensasi yang digunakan adalah
tidak memiliki sumber daya reaktif di daerah sekitar dengan penempatan kapasitor bank. Pemasangan
beban maka semua kebutuhan beban reaktif dipikul kapasitor tidak bisa dilakukan secara sembarangan
oleh generator, sehingga akan mengalir arus reaktif karena berpengaruh pada beberapa aspek seperti
pada jaringan yang akan berakibat: faktor daya kontrol sistem, biaya dan batas tegangan sehingga
menurun, rugi-rugi daya besar, dan jatuh tegangan diperlukan perhitungan yang tepat. Untuk menentukan
pada ujung saluran meningkat serta terjadi pemanasan letak dan ukuran kapasitor bank yang optimal
pada kawat penghantar sehingga umur peralatan menggunakan metode algoritma genetika. Metode
algoritma genetika merupakan salah satu algoritma Jawa Bali bertegangan 500 kV sedangkan sistem
komputasi untuk masalah optimisasi yang terinspirasi Sumatera menggunakan tegangan 150 kV serta masih
oleh teori evolusi yang kemudian diadopsi menjadi adanya profil tegangan beberapa bus yang belum
algoritma komputasi untuk mencari solusi suatu sesuai dengan batasan yang diizinkan.
permasalahan. Metode ini termasuk kedalam metode
kecerdasan buatan (artificial intellegent). Keunggulan 2. KOMPENSASI DAYA REAKTIF
metode ini dapat mencari solusi yang terbaik dari Untuk operasi yang efisien dan diandalkan
suatu permasalahan kompleks tanpa harus pada sistem tenaga, kontrol tegangan dan daya reaktif
menggunakan metode konvensional. Metode ini harus mencapai beberapa sasaran berikut [7] :
mengoptimisasi fungsi-fungsi obyektif secara akurat. a. Tegangan terminal semua peralatan dalam
Kelemahan metode ini memerlukan waktu simulasi sistem berada pada batas yang dapat diterima.
sedikit lama dan beberapa kali pengujian untuk Kegunaan peralatan konsumen didesain untuk
mencapai konvergen. Terdapat beberapa metode beroperasi pada tingkat tegangan tertentu.
optimisasi kecerdasan buatan lain seperti algoritma Operasi yang lebih lama dari peralatan pada
Artificial Bee Colony (ABC), Particle Swarm tegangan di luar tegangan yang diizinkan
Optimization (PS0) dan algoritma Ant Colony System dapat memberikan efek yang kurang baik pada
(ACS). Metode ABC telah diterapkan dalam sistem performansi alat dan dapat menyebabkan
jaringan listrik Jawa Bali 500 kV oleh Danang kerusakan pada peralatan.
Sulistyo mahasiswa Institut Teknologi Surabaya (ITS) b. Kestabilan sistem ditingkatkan untuk
dalam skripsinya yang berjudul “Penentuan Letak dan memaksimalkan penggunaan sistem transmisi.
Kapasitas Bank Kapasitor Secara Optimal Tegangan dan kontrol daya reaktif memiliki
Menggunakan Bee Colony Algorithm”. dampak yang penting pada kestabilan sistem.
Hasil optimisasi metode algoritma genetika c. Aliran daya reaktif diminimasi sedemikian
akan dibandingkan dengan hasil optimisasi metode rupa untuk mengurangi rugi-rugi I2R dan I2X
ABC di sistem transmisi Jawa Bali 500 kV dan akan sampai minimum. Hal itu untuk memastikan
diuji cobakan pada interkoneksi subsistem Sumatera sistem transmisi beroperasi secara efisien,
150 kV. Sistem interkoneksi Sumatera terdiri dari tiga terutama untuk transfer daya aktif.
subsistem yaitu Sumbagut (SBU), Sumbagteng Untuk menjaga tegangan pada batasan yang
(SBT), dan Sumbagsel (SBS). Masing-masing ditentukan sangat rumit dengan fakta bahwa suplai
subsistem terdiri dari beberapa Unit Pelaksana Teknis daya sistem tenaga pada beban yang sangat banyak
(UPT). Implementasi metode ini diterapkan pada dan daya itu diperoleh dari banyak unit pembangkit.
interkoneksi subsistem Sumbagsel 150 kV yang Dengan beban bervariasi, daya reaktif memerlukan
terdiri dari UPT Bengkulu, UPT Sumatera Selatan dan sistem transmisi yang bervariasi. Oleh karena daya
UPT Tanjung Karang. Penelitian ini dilakukan karena reaktif tidak dapat ditransmisikan pada jarak panjang,
penelitian sebelumnya menggunakan sistem transmisi kontrol tegangan dilakukan menggunakan alat khusus
yang dipasang pada sistem. Pemilihan yang tepat dan b. Tap Trafo
koordinasi peralatan untuk mengontrol daya reaktif Trafo dengan fasilitas tap-changing
dan tegangan merupakan tantangan besar pada teknik merupakan alat yang penting untuk mengontrol
sistem tenaga. tegangan dan daya reaktif pada level sistem transmisi.
Berikut batasan yang harus diperhatikan : Tap trafo ini menyediakan alat yang baik untuk
• Tegangan harus berada pada batasan toleransi mengontrol profil tegangan, dan meminimalis rugi-
yang diizinkan, yaitu : rugi daya aktif dan reaktif. Dengan mengubah tap
Min Maks
V  Vi  V untuk i=1,…..n standar trafo kita dapat menaikkan rasio tap pengubah
IEEE-519 (2) tegangan sehingga output akan sesuai dengan
Keterangan : tegangan sistem yang diinginkan.
I = nomor bus
VMin = 0,95 pu c. Kompensator VAr
VMaxs = 1,05 pu Kompensator VAr yang ada sangat bervariasi,
• Generator harus mensuplai daya reaktif seperti :
sebesar : 1. Kapasitor paralel, reaktor paralel, syncronous
QMin  Qi  QMaks untuk i=1,…..n (3) condensor, dan Static Var Compensator
Keterangan : (SVCs).
QMin = daya reaktif minimum (MVAr) 2. Kompensator reaktansi kawat, seperti
QMaks = daya reaktif maksimum (MVAr) kapasitor seri.
Kompensasi daya reaktif dapat dilakukan Penambahan kapasitor memungkinkan kita
dengan 3 cara yaitu : memperbaiki faktor daya, dan perbaikan faktor daya
a. Tegangan Bus Generator tersebut dapat mengurangi penurunan tegangan pada
Generator sinkron dapat membangkitkan atau sisi terima seperti yang terlihat pada Gambar 2.4. V R
menyerap daya reaktif tergantung pada eksitasinya. menunjukkan tegangan pada sisi terima dan Vs adalah
Generator mensuplai daya reaktif ketika overexcited tegangan pada sisi pengirim. Dengan penambahan
dan generator menyerap daya reaktif ketika kapasitor shunt, kita juga dapat meningkatkan
underexcited [7]. kapasitas penyaluran daya kepada konsumen, seperti
Kemampuan untuk terus menerus mensuplai yang terlihat pada Gambar. 1.
atau menyerap daya reaktif dibatasi oleh field current,
armature current, dan end region heating limit.
Generator sinkron dilengkapi oleh Automatic Voltage
Regulator (AVR) yang terus menyesuaikan eksitasi
dan juga mengontrol tegangan terminal agar tetap
konstan pada nilai yang ditentukan.
“Bagaimana mendapatkan keturunan yang lebih
baik”.

θ1
Parameter yang digunakan dalam algoritma
genetika yaitu:
1. Jumlah gen
2. Jumlah kromosom
3. Pc (Kemungkinan kawin silang)
4. Pm (Kemungkinan mutasi)
θ1
5. Maksimum generasi
Operator yang digunakan dalam algoritma
genetika yaitu :
Gambar 1. Tegangan terima sebelum dan sesudah dipasang 1. Pengkodean
kapasitor paralel
Sumber : Imam Robandi (2006) 2. Nilai fitness
3. Seleksi
     cos  sin    
(1) 4. Kawin silang
     cos  sin        5. Mutasi
(2)
∆     6. Elitisme

=   (3) 7. Regenerasi

3. ALGORITMA GENETIKA Berikut ini adalah langkah-langkah dalam


Algoritma genetika adalah algoritma pencarian menyelesaikan simulasi optimasi penempatan dan
yang didasarkan pada mekanisme seleksi alamiah dan ukuran kapasitor bank untuk mengurangi rugi-rugi
genetika alamiah [10]. Pertama kali algoritma daya.
genetika dirintis oleh Jhon Holland pada tahun 1960- Langkah 1 : memasukkan data sistem jaringan
an dan dikembangkan oleh muridnya David Goldberg. (pembangkitan, pembebanan,
Algoritma genetika telah dipelajari, diteliti, dan karakteristik saluran).
diaplikasikan. Dalam proses evolusi, individu secara Langkah 2 : memasukkan parameter algoritma
terus-menerus mengalami perubahan gen untuk genetika (JumKrom, JumGen, Pc, Pm,
menyesuaikan dengan lingkungan hidupnya. “Hanya Pbreeder, dan MaxGenerasi).
individu-individu yang kuat yang mampu bertahan”. Langkah 3 : inisialisasi awal populasi sebanyak
Proses seleksi alamiah ini melibatkan perubahan gen jumlah kromosom.
yang terjadi pada individu melalui proses Langkah 4 : memasukkan penghitung awal generasi.
perkembangbiakan. Dalam algoritma genetika ini, (proses fitness)
proses perkembang-biakan ini menjadi proses dasar Langkah 5a : menjalankan aliran daya Newthon
yang menjadi perhatian utama, dengan dasar berpikir: Raphson setiap injeksi kromosom.
Langkah 5b : Jika rugi-rugi daya minimum sesuai kromosom langsung tanpa batasan
dengan yang kita tentukan dan titik.
tegangan memenuhi batasan ± 5%, Langkah 8c : menghasilkan keluaran anak.
print solusi aliran daya, rugi-rugi daya (Proses mutasi)
dan injeksi MVAr. Jika tidak Langkah 9a : membangkitkan bilangan acak (Rand2)
melanjutkan ke langkah 5c. sebanyak jumlah kromosom
Langkah 5c : Sebelumnya menetapkan batasan Langkah 9b : jika (Rand2)<=Pm, maka melakukan
maksimum nilai obyektif. Kemudian mutasi gen pada posisi acak. Jika tidak
menghitung fungsi fitness (2.52) setiap memindahkan kromosom tanpa mutasi.
kromosom. Set Nkr = Nkr+1. Langkah 9c : menghasilkan keluaran anak.
Langkah 5d : jika Nkr =Nkrom menuju langkah 6, jika (Elitisme)
tidak kembali ke langkah 5a. Langkah 10a : membangkitkan bilangan acak (Rand3)
(Pembuatan roulette) sebanyak jumlah kromosom
Langkah 6a : menentukkan total fitness sebagai Langkah 10b : jika (Rand3)<=Pbreeder, maka
jumlah dari semua nilai fitness setiap melakukan pengkopian kromosom
kromosom. Menentukkan fitness relatif terbaik hasil seleksi sebelumnya pada
kemudian menentukkan fitness kromosom hasil kawin silang dan
komulatif dengan mengeset k=k+1. mutasi.
(Seleksi) Langkah 10c : menghasilkan keluaran anak.
Langkah 7a : membangkitkan bilangan secara acak (Regenerasi)
dan melakukan pemilihan sampai Langkah 11 : menggantikan populasi lama dengan
jumlah kromosom yang ditentukan. populasi baru dimana populasi baru
Dengan mengeset Nkr induk =Nkr induk+1. merupakan anak hasil kawin silang dan
Langkah 7b : jika Ninduk=Nkrom akan menghasilkan mutasi.
anak=induk dan menuju langkah 8, jika Langkah 12 : proses berlangsung sampai rentang
tidak kembali ke langkah 7a. maksimum generasi. Jika mencapai
(Proses kawin silang) generasi maksimum program akan
Langkah 8a : membangkitkan bilangan acak (Rand1) berhenti namun belum mencapai solusi
sebanyak setengah jumlah kromosom yang diinginkan. Kembali
untuk menjodohkan masing-masing 2 membangkitkan populasi awal.
kromosom induk.
Langkah 8b : jika (Rand1)<=Pc, maka menjodohkan
2 kromosom induk pada posisi kawin
silang (dengan batasan titik acak). Jika
tidak maka akan memindahkan posisi 2
Gambar 2. Fowchart Optimisasi Penempatan dan Ukuran
Kapasitor Bank
Menggunakan Algoritma Genetika
Gambar 3. Single line diagram interkoneksi
subsistem Sumbagsel 150 kV
Sumber: PT. PLN P3B Sumatera bidang operasi sistem Gambar 4. Single line diagram sistem Jawa Bali 500 kV
(telah diolah kembali) Sumber: Jurnal Fajar Galih Indarko

Tabel 1. Representasi algoritma genetika untuk optimisasi


kapasitor
Algoritma Optimisasi kapasitor pada
genetika sistem transmisi
Kromosom Kandidat bus sebagai posisi
kapasitor dan kandidat kapasitas
kapasitor yang akan dipasang
Gen Jumlah kapasitor yang akan
dipasang pada bus sistem
transmisi
Fungsi obyektif F = min SLT (Rugi-rugi daya
total)
Fitness 10000
 !" #$%&'("
Tabel 2. Data pembangkitan dan beban subsistem Sumbagsel 150 kV
No Beban Pembangkitan
Nama Bus
Bus MW MVAr MW MVAr Qmin Qmax
1 Bukit Asam (Slack) 34,48 16,7 260 61,8532 -130 220
2 Gunung Megang 25,32 12,26 80 -0,8714 -39,2 52,678
3 Indralaya 33,92 16,43 124 20,9901 -70 96
4 IPP Borang 0 0 150 4,5942 -40 60
5 Borang 94,08 45,56 36 -2,5351 -24,49 32,924
6 Talang Duku 0 0 28 0,7801 -15 18
7 Musi 0 0 210 55,3339 -102,879 138
8 New Tarahan 23,01 11,14 200 53,6101 -80 180
9 Tarahan 32,98 15,98 18 -2,6015 -8,367 10,5
10 Besai 0 0 90 19,7638 -80,6 76,2
11 Batu Tegi 0 0 28.6 3,8823 -16 18
12 Pekalongan 73,06 35,39 0 0 0 0
13 Pagar Alam 14,31 6,93 0 0 0 0
14 Lubuk Linggau 42,89 0,78 0 0 0 0
15 Lahat 22,35 10,83 0 0 0 0
16 Prabumulih 21,14 10,24 0 0 0 0
17 Keramasan 94,72 45,87 0 0 0 0
18 Talang Kelapa 30,21 14,63 0 0 0 0
19 Betung 0 0 0 0 0 0
20 Mariana 15,18 7,35 0 0 0 0
21 Baturaja 53,09 25,72 0 0 0 0
22 Blambangan Umpu 4,8 2,33 0 0 0 0
23 Bukitkemuning 24,32 11,78 0 0 0 0
24 Kotabumi 33,36 16,16 0 0 0 0
25 Tegineneng 35,57 17,23 0 0 0 0
26 Menggala 28,78 13,94 0 0 0 0
27 Gumawang 25,31 12,26 0 0 0 0
28 Pagelaran 37,29 18,06 0 0 0 0
29 Metro 30,05 14,56 0 0 0 0
30 Sribawono 28,28 13,69 0 0 0 0
31 Natar 34,48 41,70 0 0 0 0
32 Teluk Betung 60,7 29,39 0 0 0 0
33 Sutami 24,16 11,7 0 0 0 0
34 Kalianda 18,61 34,01 0 0 0 0
35 Sukarami 0 0 0 0 0 0
36 Adijaya 21,51 10,42 0 0 0 0
Sumber: PT. PLN P3B Sumatera bidang operasi sistem (telah diolah kembali)
4. HASIL DAN PEMBAHASAN

Hasil Simulasi Aliran Daya Data


Pembanding Setelah Kompensasi Daya Reaktif
Menggunakan Metode Algoritma Genetika
Data parameter algoritma genetika :
1. Jumlah kromosom = 20
2. Peluang crossover = 0,9
3. Peluang mutasi = 0,1
4. Peluang pelestarian = 0,2 Gambar 5. Grafik nilai obyektif terbaik setiap generasi pada
percobaan Pc = 0,9, Pm=0,1, Pbreeder=0,2, dan
5. Maksimum generasi = 100
MaxGenerasi=100

Hasil Perbandingan optimisasi penempatan


dan ukuran kapasitor bank menggunakan metode
algoritma ABC dengan metode algoritma genetika

Tabel 3. Hasil Perbandingan optimisasi penempatan dan ukuran kapasitor bank menggunakan metode
algoritma ABC dengan metode algoritma genetika
Sebelum Kompensasi Kompensasi
kompensasi dengan metode dengan metode
algoritma ABC algoritma genetika
Total kompensasi - 2975,272 3150
(MVAr)
Posisi kapasitor - 3, 4, 7, 9, 12, 13, 3, 4, 7, 8, 12, 14,
14, 19, 20, 21 15, 18, 20, 21, 22
Total rugi daya aktif 136,539 117,374 117,854
(MW)
Prosentase Penurunan - 14,04 % 13,68%
rugi daya aktif
Total rugi daya reaktif 1223,030 1009,983 1015,600
(MVAr)
Prosentase Penurunan - 17,41 % 16,96 %
rugi daya reaktif
Total pembangkitan 9204,539 9185,374 9185,854
daya aktif (MW)
Total pembangkitan 4781,030 1640,163 1423,600
daya reaktif(MVAr)
Perbandingan Tegangan (pu)
1.040
1.020
1.000

Tegangan (pu)
0.980
0.960
0.940
0.920
0.900
0.880
1 2 3 4 5 6 7 8 9 1011121314151617181920212223242526272829
No. bus

sblm ABC GA

Gambar 6 Grafik perbandingan tegangan dalam pu sebelum dan sesudah kompensasi.

Perbandingan Rugi-Rugi Daya Aktif (MW)


25.000
Rugi-rugi daya aktif (MW)

20.000

15.000

10.000

5.000

0.000
1─2
1─4
2─5
3─4
4─5
4─18
5─7
5─8
5─11
6─7
6─8
8─9
9─10
10─11
11─12
12─13
13─14
14─15
14─16
14─20
15─16
16─17
16─23
18─19
19─20
20─21
21─22
22─23

Saluran transmisi
sblm ABC GA

Gambar 7. Grafik perbandingan rugi-rugi daya aktif sebelum dan sesudah kompensasi

Perbandingan Rugi-Rugi Daya Reaktif (MVAr)


200.000
Rugi daya reaktif (MVAr)

150.000

100.000

50.000

0.000
1─2
1─4
2─5
3─4
4─5
4─18
5─7
5─8
5─11
6─7
6─8
8─9
9─10
10─11
11─12
12─13
13─14
14─15
14─16
14─20
15─16
16─17
16─23
18─19
19─20
20─21
21─22
22─23

-50.000

Saluran transmisi

sblm ABC GA

Gambar 8. Grafik perbandingan rugi-rugi daya reaktif sebelum dan sesudah kompensasi
Hasil Simulasi Aliran Daya Subsistem
Sumbagsel 150 kV Setelah Kompensasi Daya
Reaktif Menggunakan Metode Algoritma
Genetika
Data parameter algoritma genetika :
1. Jumlah kromosom = 30
2. Peluang crossover = 0,9
3. Peluang mutasi = 0,1
4. Peluang pelestarian = 0,2
5. Maksimum generasi = 50
Gambar 9. Grafik nilai obyektif terbaik setiap generasi pada
percobaan Pc = 0,9, Pm=0,1, Pbreeder=0,2, dan
MaxGenerasi=50

Berikut ini hasil perbandingan sebelum dan setelah kompensasi daya reaktif menggunakan kondisi real
dan metode algoritma genetika terdapat pada Tabel 4:

Tabel 4. Perbandingan kompensasi daya reaktif menggunakan kondisi real dengan metode algoritma genetika
Sebelum Kompensasi Kompensasi
kompensasi dengan kondisi dengan metode
real algoritma genetika
Total kompensasi - 30 110
(MVAr)
Posisi - 31, 34 kapasitor 3, 4, 8, 9, 10, 14,
bank dan 14 17 ,22, 23, 25, 26,
reaktor 27, 29, 31, 32, 33,
35, 36
kapasitor bank
Total rugi daya aktif 25,315 24,897 23,549
(MW)
Prosentase Penurunan - 1,65 % 6,9 %
rugi daya aktif
Total rugi daya reaktif 9,303 7,515 0,773
(MVAr)
Prosentase Penurunan - 19,2 % 91,69 %
rugi daya reaktif
Total pembangkitan 1043,275 1042,857 1041,509
daya aktif (MW)
Total pembangkitan 532,342 500,554 413,812
daya reaktif (MVAr)
Perbandingan Tegangan (pu)
1.100

1.050

Tegangan (pu)
1.000

0.950

0.900

0.850

0.800
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36

No. Bus

sblm kondisi optimisasi

Gambar 10. Grafik perbandingan tegangan dalam pu sebelum dan sesudah kompensasi.

5. KESIMPULAN 3, 4, 8, 9, 10, 14, 17 ,22, 23, 25, 26, 27, 29,


31, 32, 33, 35, 36 dengan masing-masing
ukuran kapasitor bank sebesar (3, 7, 8, 3, 8,
Dari hasil analisa diperoleh hasil 3, 1, 10, 2, 2, 11, 12, 5, 9, 8, 2, 11, 5) MVAr
kesimpulan sebagai berikut:
1. Metode algoritma genetika dapat diterapkan
dalam optimisasi penempatan dan ukuran 6. DAFTAR PUSTAKA
kapasitor bank pada jaringan transmisi
dibuktikan dengan hasil perbandingan antara
metode Algorithm Bee Colony (ABC) [1] Hadi Saadat, “Power System Analysis”,
dengan metode algoritma genetika pada McGraw-Hill, Singapore, 2004.
sistem Jawa Bali 500 kV. [2] Turan Gonen, “Electric Power Transmission
2. Hasil perbandingan dua metode optimisasi System Engineering”, Simultaneously,
pada sistem Jawa Bali 500 kV, metode Canada, 1988.
algoritma genetika mengalami penurunan [3] Zuhal, “Dasar Teknik Listrik dan
rugi-rugi daya sebesar 117,854+j1015,6 Elektronika Daya”, Pustaka Utama, Jakarta,
MVA sedangkan metode ABC mengalami 1988.
penurunan rugi-rugi daya sebesar [4] T.S. Hutahuruk, “Transmisi Daya Listrik”,
117,374+j1009,983 MVA. Erlangga, Jakarta, 1996.
3. Sebelum dilakukan kompensasi daya reaktif [5] William Stevenson, “Analisis Sistem Tenaga
subsistem Sumbagsel memiliki total Listrik”, Erlangga, Bandung, 1983.
pembangkitan sebesar 1043,275+j532,342 [6] Cekmas Cekdin, “Sistem Tenaga Listrik
MVA, pembebanan sebesar 1017,960 Contoh Soal dan Penyelesaian
+j523,040 MVA dan rugi-rugi daya sebesar Menggunakan Matlab”, ANDI, Yogyakarta,
25,315+j9,303 MVA dan Setelah 2007.
kompensasi memiliki total pembangkitan [7] Imam Robandi, “Desain Sistem Tenaga
sebesar 1041,509+j413,812 MVA, Modern”, ANDI, Yogyakarta, 2006.
pembebanan sebesar 1017,960+j523,040 [8] Ramasamy Natarajan, “Power System
MVA, injeksi daya reaktif sebesar 110 Capacitor”, CRC Press, Francis, 2005.
MVAr dan rugi-rugi daya sebesar [9] Danang Sulistiyo, “Penentuan Letak dan
23,549+j0,773 MVA Kapasitas Bank Kapasitor Secara Optimal
4. Optimisasi letak dan ukuran kapasitor bank Menggunakan Bee Colony Algorithm”,
pada subsistem Sumbagsel pada posisi bus Skripsi, Bidang Studi Teknik Sistem Tenaga
Institut Teknologi Surabaya, Surabaya,
2010.
[10] Suyanto, “Algoritma Genetika dalam BIODATA
Matlab”, ANDI, Yogyakarta, 2005.
[11] Achmad Basuki, “Algoritma Genetika Suatu
Alternatif Penyelesaian Permasalahan Penulis merupakan
Searching, Optimasi, dan Machine putra kedua dari
Learning”, PENS-ITS Surabaya, 2003. pasangan Bapak H.
[12] Achmad Basuki, “Strategi Menggunakan
Algoritma Genetika”, PENS-ITS Surabaya, Mustakim Usman dan
2003. Hj. Minarti. Penulis
[13] Sri Kusumadewi, “Artificial Intelligence lahir di Bengkulu, pada
Teknik dan Aplikasinya)”, Graha Ilmu, tanggal 6 Juni 1988.
Yogyakarta, 2003.
Penulis merupakan lulusan SD Negeri 59
[14] I Putu Nicho Nopriadi a.k.a. Nick Troval,
“Algoritma Genetika Dasar Komputasi Bengkulu (2000), SLTP Negeri 2 Bengkulu
Cerdas”, Teknik Elektro Universitas (2003), dan SMA Negeri 2 Bengkulu
Udayana, Bali. (2006). Setelah itu penulis melanjutkan
[15] Wahyudi Tjondro, “Perbandingan pendidikan pada Program Studi Teknik
Algoritma Exhaustive, Algoritma Genetika
Elektro Fakultas Teknik Universitas
dan Algoritma Jaringan Syaraf Tiruan
Hopfield Untuk Pencarian Rute Terpendek”, Bengkulu. . Pembaca dapat mengirim kritik
Skripsi, Jurusan Teknik Informatika dan saran di joni_unib@yahoo.co.id atau di
Universitas Petra, Surabaya, 2006. blog www.jonielektro@blogspot.com
[16] Andry Pujiriyanto, “Cepat Mahir Matlab”,
www.ilmukomputer.org, Bandung, 2004.
[17] Fajar G Indarko, “Penentuan MVAr Optimal
SVC pada Sistem Transmisi Jawa Bali 500 kV
Menggunakan Artificial Bee Colony Algorithm”,
Skripsi, Bidang Studi Teknik Sistem Tenaga
Institut Teknologi Surabaya, Surabaya, 2010.

You might also like