Anda di halaman 1dari 30

UNIVERSITAS INDONESIA

PROJECT III
ADVANCED OPERATIONAL RESEARCH

PAPER
A Linear programming approach for the optimal planning of a future
energy system. Potential contribution of energy recovery from municipal
solid wastes
(G. Xydisa,, C. Koroneos)

NAMA : TRISNA YUNIARTI


NPM : 1406507114

PROGRAM PASCA SARJANA TEKNIK INDUSTRI


FAKULTAS TEKNIK UNIVERSITAS INDONESIA
DEPOK

ABSTRAK
Paper ini membahas mengenai perbaikan algoritma program linier model optimasi
untuk menyelesaikan permasalahan perencanaan kebutuhan energi pada suatu
wilayah dengan mengikutsertakan energi dari sampah padat kota. Selain
menggunakan sumber energi terbarukan, pengembangan algoritma dilakukan
dengan

jalan

menambahkan

variabel

keputusan

dari

sumber

energi

tak

terbarukan sehingga diketahui penetrasi potensi sumber energi yang dapat


masuk ke dalam perencanaan sistem energi nasional. Modifikasi selanjutnya
adalah menambahkan variabel keputusan untuk pengguna akhir (end use) pada
sektor transportasi. Hasil tes dengan menjalankan model pada software WinQSB
didapatkan penelitian ini mengkonfirmasikan bahwa pengembangan algoritma
yang dilakukan mampu menemukan solusi yang lebih baik dibandingkan solusi
yang ditemukan dengan algoritma dasar sebelumnya. Dari hasil ujicoba model,
algoritma

yang

dikembangkan

menunjukkan

kinerja

yang

reliable

dalam

menemukan solusi pada input parameter yang beragam.


1. PENDAHULUAN
Kebutuhan energi pada suatu Negara harus disikapi secara bijak, khususnya
energi listrik, makin berkembang menjadi bagian tak terpisahkan dari kebutuhan
hidup

masyarakat

sehari-hari

seiring

dengan

pesatnya

peningkatan

pembangunan di bidang teknologi, industri dan informasi. Beberapa literatur


tertuju mempelajari dan menelusuri lebih lanjut optimalisasi penggunaan energi
di negara dan wilayah berbeda dengan menggunakan model energi yang
berbeda.
Model penelitian yang ingin diperbaiki (improvement) adalah melakukan
perhitungan besarnya potensi sampah padat kota yang dapat masuk ke dalam
perencanaan sistem energi suatu wilayah pada suatu negara. Perencanaan sistem
energi yang dimasukkan untuk analisis ini adalah menggabungkan sumber energi
tak terbarukan dan sumber energi terbarukan sehingga analisis akan didapatkan
dua skenario yaitu pertama jika permintaan energi dipenuhi dengan pola biasa
atau skenario dasar (tanpa ada subtitusi energi terbarukan dari sampah padat

dan non RES), dan yang kedua adalah dengan subtitusi energi terbarukan dari
sampah padat meliputi sistem energi terbaru dan tak terbarukan.
Penelitian ini penting dilakukan karena hasil modelnya dapat diterapkan
oleh Negara lain dimana tujuan utama dari penelitian ini adalah pengembangan
sumber energi alternatif adalah untuk menghasilkan energi jangka panjang dan
meminimalkan limbah serta polusi, dengan demikian mengurangi dampak
produksi energi terhadap lingkungan. Mengingat setiap kota terutama kota-kota
besar di suatu wilayah menghasilkan sampah sangat besar yang memiliki potensi
sebagai sumber energy listrik.
Kelemahan algoritma ini adalah banyaknya variabel yang terlibat untuk
mengetahui penetrasi masing-masing sumber energi sehingga untuk dihitung
secara manual akan sulit dilakukan. Kekuatannya adalah mendapatkan inisial
hasil optimal perencanaan penetrasi energi listrik dari sampah kota dalam bauran
sumber energi terbarukan dan tak terbarukan sehingga kita bisa mengetahui
penetrasi masing-masing sumber energi total secara keseluruhan.
2. PEMBAHASAN
2.1. Kondisi atau Asumsi Model Perbaikan
Model yang digunakan untuk perbaikan pada penelitian ini sama dengan
penelitian sebelumnya yaitu menggunakan model matematis program linier yang
akan dikembangkan untuk memberikan solusi optimal dengan memberikan
penambahan model variabel keputusan baru yaitu pada sumber energi tak
terbarukan (non renewable energy) dari minyak bumi, gas, dan batu bara
sehingga bisa melihat besarnya potensi sampah padat kota, juga besarnya
potensi sumber energi tak terbarukan yang dapat masuk ke dalam perencanaan
sistem energi secara keseluruhan. Selain itu, akan ditambahkan lagi variabel
keputusan untuk pengguna akhir (end use) pada sektor transportasi karena
berdasarkan data dari Eurostat diketahui bahwa sektor ini merupakan pengguna
akhir yang memakai energi terbesar pada sistem energi di Yunani. Dengan
demikian pada model ini akan ada kendala baru sebagai akibat adanya
pertambahan variabel keputusan baru. Dengan model perbaikan ini, akan

didapatkan solusi optimal yang baru untuk setiap kasus sistem perencanaan
energi di suatu daerah atau wilayah.
2.2. Prosedur atau Tahap-tahap
Secara rinci langkah-langkah utama dari metodologi yang diusulkan adalah sebagai berikut:
Pengumpulan data
Pada sistem energi pada kasus ini, informasi yang diperlukan adalah data mengenai persentase
potensi ketersediaan jumlah renewable energy source dan non renewable energy source serta potensi
sampah padat kota, persentase permintaan energi per sektor (pengguna akhir sumber energi), biaya
dan efisiensi per sistem energi, serta faktor keandalan pembangkit untuk masing-masing sumber
energi.

Pembuatan model programa linier


1) Tentukan variabel keputusan atau variabel yang ingin diketahui dan
gambarkan dalam simbol matematik. Variabel keputusan pada model
perbaikan paper ini adalah:
Xi = % penggunaan setiap sistem energi untuk setiap pengguna akhir (X 1
X65)
Aj, Bj, Cj, Dj, Ej, Fj, Gj, Hj, Ij, Jj, Kj = Koefisien efesiensi untuk energi (tenaga surya,
PV, CSP, angin, biomassa, panas bumi, air, sampah padat (MSW), gas,
minyak bumi, batubara)
R1-R8 = % jumlah energi sumber RES yang dapat mencakup masing-masing
wilayah
R9-R11 = % jumlah energi sumber non RES yang dapat mencakup masingmasing wilayah
R12-R18= % jumlah energi yang digunakan oleh pengguna akhir
2) Pada model perbaikan ini fungsi tujuannya adalah memaksimalkan hasil
fungsi tujuan yang didasarkan pada rasio "efisiensi/biaya" dari sumber energi
terbarukan (renewable energy) termasuk energi dari sampah padat dan tak
terbarukan

(non

memamaksimalkan:

renewable

energy).

Fungsi

tujuannya

adalah

Z=

14

20

26

32

38

44

51

58

i=1

i=3

i=9

i=15

i=21

i=27

i=33

i=39

i=45

i=52

Aj X i + Bj X i+ Ej X i + Fj X i + Dj X i +Cj X i +Gj X i + Hj X i + Ij X i + Jj X i + Kj
(4)

Dimana :
Koefisien Rasio (AjKj) = Efisiensi/Biaya per/KWh
(5)

3) Pada model perbaikan ini kendala-kendalanya adalah sebagai berikut:


Kendala 6 sampai dengan 13 adalah % sumber energi terbarukan (RES) yang
tersedia dimana seluruhnya mencakup maksimum 45% dari konsumsi energi
total di wilayah/daerah.
2

X i R1
i=1

(6)
8

X i R2
i=3

(7)
14

X i R3
i=9

(8)
20

X i R4

i=15

(9)
26

X i R5

i=21

(10)
32

X i R6

i=27

(11)
38

X i R7

i=33

(12)

i=

44

X i R8

i=39

(13)

Tabel 2.1 Variabel (%) Sumber Energi untuk Pengguna Akhir (end use)

Kendala 14 sampai dengan 16 adalah persentase sumber energi tak


terbarukan

(Non

RES)

yang

tersedia

dimana

seluruhnya

mencakup

maksimum 55% dari konsumsi energi total di wilayah/daerah.


51

Xi R9

i=45

(14)
58

X i R10

i=52

(15)
65

X i R11

i=59

(16)

Untuk kendala 17 sampai dengan 22 merupakan persentase jumlah energi


yang dibutuhkan untuk masing-masing pengguna akhir (end use) yang
ditetapkan dalam model untuk masing-masing daerah berdasarkan data
konsumsi yang didapatkan dari Power Public Corporation (PPC) di Yunani.
X 1 + X 3 + X 9 + X 15 + X 21 + X 27 + X 33 + X 39 + X 45+ X 51+ X 57 R12
(17)

X 2 + X 6 + X 12+ X 18+ X 24 + X 30 + X 36 + X 42+ X 48 + X 54 + X 60 R 13

(18)

X 4 + X 10 + X 16 + X 22 + X 28 + X 34 + X 40 + X 46 + X 52+ X 58 R 14

(19)

X 5 + X 11 + X 17 + X 23 + X 29 + X 35 + X 41+ X 47 + X 53 + X 59 R15

(20)

X 7 + X 13+ X 19+ X 25+ X 31+ X 37 + X 43 + X 49+ X 55 + X 61 R 16

(21)

X 8 + X 14+ X 20+ X 26 + X 32 + X 38 + X 44+ X 50+ X 56 + X 62 R17

(20)

X 51 + X 58 + X 65 R18

(22)

Untuk kendala 23 sampai dengan 33 merupakan tingkat faktor reliabilitas


setiap RES dan Non RES. Tingkat faktor reliabilitas didapatkan berdasarkan
keandalan power supply masing-masing sumber energi.
2

10 X i R1
i=1

(23)
8

10 X i R2
i=3

(24)
14

5 X i R3
i=9

(25)
20

10 X i R4
i=15

(26)
26

2 X i R5
i=21

(27)
32

10 X i R6
i=27

(28)
38

1.5 X i R7
i=33

(29)
44

5 X i R8
i=39

(30)
51

10
(31)

Xi R9

i=45

58

X i R10

i=52

(32)
65

10

X i R11

i=59

(33)

Kendala 34 merupakan non negatif dari semua variabel dimana setiap


keputusan (kuantitatif) yang diambil tidak boleh mempunyai nilai negatif.
65

X i 0
i=1

(34)

3. CONTOH STUDI KASUS (HAND CALCULATION)


Contoh Kasus 1 :
Dari hasil data yang dikumpulkan mengenai sistem energi Yunani, didapatkan
tabulasi data dari wilayah Central Greece sebagai berikut:
Tabel 3.1 Data energi di wilayah Central Greece

Untuk mendapatkan optimal alokasi untuk sumber energi terbaru dan tak
terbarukan serta disubtitusi dari energi sampah padat maka model matematisnya
adalah sebagai berikut:

Maks. Z =

14

20

26

32

38

44

51

i=1

i=3

i=9

i=15

i=21

i=27

i=33

i=39

i=45

8.5 X i +0.65 X i+ 7.5 X i +7.55 X i+ 8.42 X i +2.24 X i+7.56 X i +7.25 X i +7.94 X i +2.34

Kendala:
2

X i 0
i=1
8

X i 0.0177
i=3

14

X i 0.0682
i=9
20

Xi 0

i=15

26

X i 0.2318

i=21
32

X i 0.0 505

i=27

38

X i 0.0682

i=33
44

X i 0.0 136

i=39

51

X i 0.1155

i=45
58

X i 0.0716

i=52

65

X i 0.3628

i=59

X 1 + X 3 + X 9 + X 15 + X 21 + X 27 + X 33 + X 39 + X 45+ X 51+ X 57 0.2022


X 2 + X 6 + X 12+ X 18+ X 24 + X 30 + X 36 + X 42+ X 48 + X 54 + X 60 0.0544

X 4 + X 10 + X 16 + X 22 + X 28 + X 34 + X 40 + X 46 + X 52+ X 58 0.1254
X 5 + X 11 + X 17 + X 23 + X 29 + X 35+ X 41+ X 47 + X 53 + X 59 0.0117
X 7 + X 13+ X 19+ X 25+ X 31+ X 37+ X 43 + X 49+ X 55 + X 61 0.0223
X 8 + X 14+ X 20+ X 26 + X 32 + X 38 + X 44+ X 50+ X 56 + X 62 0.0097
X 51 + X 58 + X 65 0.5743
2

10 X i 0
i=1

10 X i 0.0177
i=3

14

5 X i 0.0682
i=9

20

10 X i 0
i=15

26

X i 0.2318

i=21

32

10 X i 0.0 505
i=27
38

1.5 X i 0.0682
i=33

44

5 X i 0.0 136
i=39

51

10 X i 0.1155
i=45

58

5 X i 0.0716
i=52

65

10 X i 0.3628
i=59

65

X i 0
i=1

Karena variabel keputusan dan kendala kasus diatas banyak, maka untuk
mendapatkan
didapatkan

nilai

variabel

X3=0.0018,

dilakukan

X9=0.0136,

dengan

bantuan

X21=0.1159,

software

X27=0.0051,

dimana

X33=0.0455,

X39=0.0027, X45=0.0115, X52=0.0143, X59= 0.0363 dan X lainnya bernilai nol (0).
Secara perhitungan manual didapatkan besarnya optimasi maksimum alokasi
sumber energi pada kasus 1 ini adalah maksimal
Maks.Z=(0.65*0.0018)+(7.5*0.0136)+(8.42*0.1159)+(2.24*0.0051)+(7.25*0.002
7)+(7.94*0.0115)+ ( 2.34*0.0143)+( 7.94*0.0115)+(15.38*0.0363) =2.1373
Contoh kasus 2:
Dari hasil data yang dikumpulkan mengenai sistem energi Yunani, didapatkan
tabulasi data dari wilayah Crete sebagai berikut:
Tabel 3.2 Data energi di wilayah Crete

Untuk mendapatkan optimal alokasi untuk sumber energi terbaru dan tak
terbarukan serta disubtitusi dari energi sampah padat maka model matematisnya
adalah sebagai berikut:
Maks Z =

14

20

26

32

38

44

51

i=1

i=3

i=9

i=15

i=21

i=27

i=33

i=39

i=45

7.73 X i +0.63 X i+7.5 X i+7.55 X i +9.74 X i+ 2.16 X i+ 8.56 X i+ 7.5 X i+6.35 X i+ 2.42

Kendala:

X i 0
i=1

X i 0.0468
i=3
14

X i 0.108
i=9

20

Xi 0

i=15
26

X i 0.198

i=21

32

X i 0.0432

i=27
38

Xi 0

i=33

44

X i 0.054

i=39
51

X i 0.115

i=45

58

X i 0.107

i=52
65

X i 0.328

i=59

X 1 + X 3 + X 9 + X 15 + X 21 + X 27 + X 33 + X 39 + X 45+ X 51+ X 57 0.2537


X 2 + X 6 + X 12+ X 18+ X 24 + X 30 + X 36 + X 42+ X 48 + X 54 + X 60 0.0197
X 4 + X 10 + X 16 + X 22 + X 28 + X 34 + X 40 + X 46 + X 52+ X 58 0.1585
X 5 + X 11 + X 17 + X 23 + X 29 + X 35+ X 41+ X 47 + X 53 + X 59 0.027
X 7 + X 13+ X 19+ X 25+ X 31+ X 37+ X 43 + X 49+ X 55 + X 61 0.0456
X 8 + X 14+ X 20+ X 26 + X 32 + X 38 + X 44+ X 50+ X 56 + X 62 0.0131
X 51 + X 58 + X 65 0.5743

10 X i 0
i=1

10 X i 0.0468
i=3

14

5 X i 0.108
i=9

20

10 X i 0
i=15

26

2 X i 0.198
i=21

32

10 X i 0.0432
i=27
38

1.5 X i 0
i=33

44

5 X i 0.054
i=39

51

10 X i 0.115
i=45

58

5 X i 0.107
i=52

65

10 X i 0.328
i=59

65

X i 0
i=1

Karena variabel keputusan dan kendala kasus diatas banyak, maka untuk
perhitungan dilakukan dengan bantuan software dimana nilai variable didapatkan
X3=0.0047,

X9=0.0216,

X21=0.099,

X27=0.0043,X39=0.0108,

X45=0.0115,

X52=0.0214, X59=0.0328 an X lainnya bernilai nol (0). Sehingga didapatkan


besarnya optimasi maksimum alokasi sumber energi:

Maks.Z=(0.63*0.0047)+(7.5*0.0216)+(9.74*0.099)+(2.16*0.0043)+(7.5*0.0108)
+(6.35*0.0115)+
(2.42*0.0214)+( 12.5*0.0328) = 1.7543
Contoh kasus 3:
Dari hasil data yang dikumpulkan mengenai sistem energi Yunani, didapatkan
tabulasi data dari wilayah Central Macedonia sebagai berikut:
Tabel 3.3 Data energi di wilayah Central Macedonia

Untuk mendapatkan optimal alokasi untuk sumber energi terbaru dan tak
terbarukan serta disubtitusi dari energi sampah padat maka model matematisnya
adalah sebagai berikut:
MaksZ

=
2

14

20

26

32

38

44

51

i=1

i=3

i=9

i=15

i=21

i =27

i =33

i=39

i=45

7.73 X i +0.65 X i+5.31 X i +7.55 X i +7.63 X i+ 2.20 X i+ 8.89 X i+ 6.88 X i +6.75 X i+2.8

Kendala:
2

X i 0 .47
i=1
8

X i 0.0117
i=3

14

X i 0.01418
i=9

20

Xi 0

i=15
26

X i 0.3889

i=21

32

X i 0.0117

i=27
38

Xi 0

i=33

44

X i 0.0188

i=39
51

X i 0.143

i=45

58

X i 0.087

i=52
65

X i 0.32

i=59

X 1 + X 3 + X 9 + X 15 + X 21 + X 27 + X 33 + X 39 + X 45+ X 51+ X 57 0.2036


X 2 + X 6 + X 12+ X 18+ X 24 + X 30 + X 36 + X 42+ X 48 + X 54 + X 60 0.0021
X 4 + X 10 + X 16 + X 22 + X 28 + X 34 + X 40 + X 46 + X 52+ X 58 0.1476
X 5 + X 11 + X 17 + X 23 + X 29 + X 35+ X 41+ X 47 + X 53 + X 59 0.0752
X 7 + X 13+ X 19+ X 25+ X 31+ X 37+ X 43 + X 49+ X 55 + X 61 0.0155
X 8 + X 14+ X 20+ X 26 + X 32 + X 38 + X 44+ X 50+ X 56 + X 62 0.0063
X 51 + X 58 + X 65 0.5496
2

10 X i 0 .47
i=1
8

10 X i 0.0117
i=3

14

5 X i 0.01418
i=9

20

10 X i 0
i=15

26

2 X i 0.3889
i=21

32

10 X i 0.0117
i=27
38

1.5 X i 0
i=33

44

5 X i 0.0188
i=39

51

10 X i 0.143
i=45

58

5 X i 0.087
i=52

65

10 X i 0.32
i=59

65

X i 0
i=1

Karena variabel keputusan dan kendala kasus diatas banyak, maka untuk
perhitungan dilakukan dengan bantuan software dimana nilai variabelnya
didapatkan
X27=0.0012,

X1=0.0002,
X39=0.0038,

X2=0.0002,
X45=0.0143,

X3=0.0012,

X9=0.0028,

X52=0.0174,

X59=0.032.

X21=0.1945,
Sehingga

didapatkan besarnya optimasi maksimum alokasi sumber energi:


Maks.Z=(7.73*0.0002)+(7.73*0.0002)+(0.65*0.0012)+(5.31*0.0028)+(7.63*0.19
45)+(2.20* 0.0012)+( 6.88*0.0038)+( 6.75*0.0143)+(2.82*0.0174)+(13*0.032) =
2.0934

Dari ketiga contoh kasus di atas di dapatkan hasil optimal sumber setiap energi
untuk masing-masing wilayah. Dari hasil optimasi tersebut didapatkan bahwa
terbukti sampah padat dapat memenuhi kebutuhan energi negara di setiap
wilayah administratif serta ikut berpartisipasi dalam sistem energi keseluruhan di
Yunani.
4. CONTOH STUDI KASUS (RUNNING COMPUTER)
Berdasarkan data dari contoh hand calculation, studi kasus di atas dijalankan
dengan menggunakan

bantuan software WinQSB guna mendapatkan nilai

variabel yang selanjutnya akan memperlihatkan persentase penetrasi masingmasing sumber energi untuk pengguna akhir pada suatu wilayah. Berikut adalah
coding dan hasil running untuk kasus-kasus di atas :

Gambar 4.1 Grafik iterasi Terhadap fungsi tujuan (model lama)


Berikut adalah tabel perbandingan antara model awal dengan model perbaikan.
Selanjutnya akan dikonversikan ke MWh konsumsi energi masing-masing wilayah.
Tabel 4.1 Perbandingan Model Awal dan Model Perbaikan

Tabel 4.2 Alokasi optimal perencanaan sumber energi model perbaikan

Coding WinQSB untuk kasus 1(klik 2 kali untuk copy paste coding)

Gambar 4.2 Snapshot hasil running kasus 1

Coding WinQSB untuk Kasus 2 (klik 2 kali untuk copy paste coding)

Gambar 4.3 Snapshot hasil running kasus 2

Coding WinQSB untuk Kasus 3 (klik 2 kali untuk copy paste coding)

Gambar 4.4 Snapshot hasil running kasus 3

Berdasarkan hasil perhitungan melalui software WinQSB didapatkan


bahwa nilai variabel untuk kasus pertama (Central Greece) yaitu X3=0.0018,
X9=0.0136, X21=0.1159, X27=0.0051, X33=0.0455,

X39=0.0027, X45=0.0115,

X52=0.0143, X59= 0.0363 dan X lainnya bernilai nol (0) dengan nilai Z sebesar
2.1373. Pada kasus kedua didapatkan komposisi nilai variabel X3=0.0047,
X9=0.0216,

X21=0.099,

X27=0.0043,X39=0.0108,

X45=0.0115,

X52=0.0214,

X59=0.0328 dan X lainnya bernilai nol (0) dengan Z sebesar 1.7543. Pada kasus
ketiga didapatkan komposisi nilai variable X1=0.0002, X2=0.0002, X3=0.0012,
X9=0.0028, X21=0.1945, X27=0.0012, X39=0.0038, X45=0.0143, X52=0.0174,
X59=0.032 dan X lainnya bernilai nol (0) dengan Z sebesar 2.0930.

Gambar 4.5 Proporsi penetrasi sumber energi model lama

Gambar 4.6 Proporsi penetrasi sumber energi model baru

Dari gambar di atas dapat diketahui bahwa dengan model perbaikan yang baru
akan mendapatkan nilai persentase penetrasi masing-masing sumber energi
untuk mendapatkan hasil optimal tujuan yang ingin dicapai.

Gambar 4.7 Grafik iterasi Terhadap fungsi tujuan (model perbaikan)

Gambar 4.8 Grafik iterasi terhadap waktu (model perbaikan)


Berdasarkan tabel 4.1 dan gambar

4.7 dapat diketahui bahwa hasil

fungsi tujuan dan iterasi model perbaikan bertambah besar dibandingkan


dengan metode awal, hal ini terjadi karena jumlah iterasi yang dibutuhkan
algoritma simpleks akan bertambah seiring dengan bertambahnya variabel
yang harus dicari. Waktu yang diperlukan untuk melakukan komputasi dengan
algoritma sangat dipengaruhi oleh performa kinerja komputer karena dari hasil

di atas waktu untuk jumlah iterasi 12 untuk ketiga kasus memiliki rata-rata
waktu yang sama yaitu 0.1994 detik, 0.1846 detik, dan 0.1898 detik.

5. KESIMPULAN
Hasil perhitungan model yang diperbaiki, baik secara manual maupun
dengan

bantuan

software

memperlihatkan

bahwa

model

yang

baru

memberikan hasil perbaikan, hal ini terlihat dari hasil fungsi tujuan semakin
besar

sesuai

dengan

tujuannya

untuk

optimalisasi

maksimasi

rasio

efisiensi/biaya per KWh dan jumlah iterasi yang dihasilkan semakin besar hal
ini disebabkan karena model yang baru memiliki jumlah variabel dan kendala
yang baru, sehingga jumlah iterasi yang dibutuhkan algoritma simpleks akan
bertambah seiring dengan bertambahnya variabel yang harus dicari. Hasil
perhitungan juga memperlihatkan secara jelas penetrasi optimal untuk masingmasing sumber energi pada suatu wilayah, tidak hanya memperlihatkan
penetrasi dari sumber energi terbarukan dan sampah kota, akan tetapi
memperlihatkan juga penetrasi sumber energi tak terbarukan.
Kelemahan algoritma ini adalah banyaknya variabel yang terlibat untuk
mengetahui penetrasi masing-masing sumber energi sehingga sulit dilakukan
dihitung secara manual. Kekuatannya adalah mendapatkan inisial hasil optimal
perencanaan penetrasi energi listrik dari sampah kota dalam bauran sumber
energi terbarukan dan tak terbarukan.
Penelitian

selanjutnya

yang

harus

dilakukan

untuk

pengembangan

difokuskan pada perhitungan


kerja

sama

regional

yang

meliputi

pengembangan

sumber

daya

dan

infrastruktur energi, penerapan teknologi baik di sisi pasokan maupun di sisi


permintaan,

optimalisasi

bauran

energi

yang

lainnya

dan

peningkatan

kepedulian terhadap emisi karbon.


REFERENSI
Anpalagan, A., Azam, M., dkk.(2014).Optimization classification, algorithms and
tools for renewable energy: A review. Renewable and Sustainable Energy
Reviews, 39, 640654.
Koroneos C., Xydis G., (2012), A linear programming approach for the
optimal planning of future energy system. Potential contribution of energy

recovery from municipal solid waste. Elsevier Ltd. Renewable and Sustainable
Energy Reviews, 16, 369-378