74

OPTIMASI PROFIL KONDUKTOR PADA SISTEM DISTRIBUSI RADIAL

BERBASIS PARTICLE SWARM OPTIMIZATION
Conductor Profile Optimization for Radial Distribution System
Based On Particle Swarm Optimization

Misbahuddin1, Rosmaliati2

ABSTRAK

Penelitian ini menerapkan algoritma Particle Swarm Optimization (PSO) untuk penentuan
luas penampang (profil) konduktor yang optimal pada jaringan distribusi radial. Jaringan distribusi
radial yang dipilih untuk diujikan adalah Penyulang Airlangga Kota Mataram
PSO merupakan teknik pencarian berbasis populasi yang memiliki kecerdasan berkumpul
yang dimotivasi oleh simulasi prilaku social untuk memanipulasi individual ke arah area
penyelesaian yang lebih baik. Fungsi objektif yang digunakan untuk memperbarui particle pada
PSO untuk mendapatkan solusi yang optimum dikembangkan berdasarkan keseimbangan antara
biaya ivestasi dan biaya operasi yang ditimbulkan oleh rugi-rugi energi.
Hasil pengujian menunjukkan bahwa PSO mampu menentukan luas penampang
konduktor yang optimal dengan biaya yang minimum dengan tetap memenuhi kriteria kapasitas
hantar arus dan jatuh tegangan yang disyaratkan.

Kata kunci : particle swarm optimization, profil konduktor, sistem distribusi

ABSTRACT

This research implements a algorithm of Particle Swarm Optimization (PSO) to determine the
optimal conductor profile for the radial distribution system. The network chosen to test is the
feeder of Airlangga in Mataram City.
PSO is a population-based search technique which belongs to swarm intelligence motivated
by simulation of social behavior to manipulate the individuals towards better solution area. The
Objective function used to update the particles in the PSO to get optimal solution is develops
depend on trade-off between investment cost and operational cost emerged by energy losses.
The result of test shows that the PSO can determine optimal conductor profile with minimum
cost satisfying criteria of current conduction capacity and voltage drop that is allowed.

Keywords: particle swarm optimization, conductor profile, distribution system

PENDAHULUAN
Sistem tenaga listrik merupakan suatu
sistem terpadu yang terbentuk oleh hubungan
peralatan dan komponen-komponen listrik,
generator, transformator, jaringan tenaga
listrik dan beban tenaga listrik.
Secara garis besar sistem tenaga
listrik dapat dikelompokan atas tiga bagi-
an sub-sistem yaitu: pembangkit, trans-
misi dan distribusi. Fungsi sistem dis-
tribusi adalah untuk menyalurkan dan
mendistribusikan tenaga listrik dari gardu
induk ke pusat-pusat beban
Dalam jaringan distribusi radial, catu
daya berasal dari satu titik sumber dan
jaringan tersebut mengalami percabangan
sampai ke beban-beban tenaga listrik. Karena
adanya percabangan ini, maka arus beban
yang mengalir di sepanjang konduktor tidak
sama, sehingga luas penampang konduktor
pada jaringan ini ukurannya tidak sama. Arus
yang paling besar mengalir melalui konduktor
yang paling dekat dengan gardu induk,
sehingga saluran yang dekat dengan gardu
induk memiliki ukuran penampang yang
relatif lebih besar dari konduktor pada
cabang-cabangnya.
Pemilihan jenis penghantar merupa-
kan hal penting dalam suatu perencanaan
sistem distribusi tenaga listrik dengan harap-
an dapat memberikan kualitas layanan yang
lebih baik dengan biaya yang paling ekono-
mis. Keseluruhan biaya investasi pembangun-
an sistem ketenaga listrikan, biaya investasi
yang dihabiskan adalah kurang lebih 40%
dialokasikan pada sistem distribusi.

1
Misbahuddin, ST., MT., Pengajar pada Jurusan Teknik Elektro Fakultas Teknik Universitas Mataram
2
Rosmaliati, ST., MT., Pengajar pada Jurusan Teknik Elektro Fakultas Teknik Universitas Mataram
75
Masalah yang dihadapi jaringan dis-
tribusi bermacam-macam, diantaranya adalah
bagaimana menyalurkan daya dengan
kualitas dan kuantitas yang baik pada saat
sekarang maupun pada masa yang akan
datang. Analisis yang tepat diperlukan untuk
mengetahui besarnya arus, tegangan, daya
dan rugi-rugi pada pengoperasian normal
menggunakan analisis aliran daya.
Masalah yang lainnya adalah bagai-
mana mendapatkan nilai dari variable-variabel
penentu profil konduktor yang optimal. Par-
ticle Swarm Optimization (PSO) merupakan
salah satu dari berbagai cara yang dapat
digunakan untuk memperoleh nilai optimal.
PSO merupakan algoritma pencarian solusi
yang berdasarkan pada pola interaksi hewan
yang memiliki kebiasaan dalam berkerumun,
seperti kawanan burung, ikan, lebah dan
sebagainya.
Penelitian ini merupakan studi pengem-
bangan dari penelitian penulis sebelumnya
(Rosmaliati dan Misbahuddin, 2006). Pe-
ngembangan yang akan dilakukan adalah
menerapkan sebuah pendekatan baru dalam
penetuan profil konduktor yang optimal yaitu
menggunakan PSO.
Berbagai penelitian telah dilakukan
untuk meminimumkan biaya investasi pada
perencaaan sistim distribusi yaitu dengan
penetuan profil konduktor yang optimal.
Demikian pula penelitian yang berkaitan
dengan penggunaan PSO dalam menye-
lesaikan masalah optimasi.
Optimasi profil konduktor pada pe-
rencanaan sistem distribusi dengan model
formulasi yang digunakan adalah biaya
penyulang, biaya rugi energi, dan tega-
ngan regulasi dengan penyelesaian menggu-
nakan dynamic programming (Ponavaikko,
1982). Penerapan sistem pakar untuk pe-
rencanaan sistem distribusi yang meliputi
penentuan letak gardu induk, penentuan
lintasan penyulang dan pemilihan profil
konduktor. Optimasi dicapai melalui penerap-
an algoritma gradasi konduktor (Rosmaliati,
2000). Optimasi perencanaan sistem distri-
busi dengan fokus pada pemilihan profil
konduktor, yaitu pendekatan algoritma
gradasi konduktor menggunakan algoritma
genetika (GA). GA yang digunakan masih
sederhana dan diterapkan untuk mengop-
timasi profil konduktor untuk jaringan
distribusi radial yang sederhana pula. Pe-
nerapan algoritma genetika untuk mencari
ukuran penampang konduktor yang optimal
dalam jaringan distribusi radial. Sistem al-
goritma genetika didesain dengan mengguna-
kan representasi kromosom dalam bentuk
biner (Rosmaliti, Misbahuddin, 2006).
Penerapan Particle Swarm Optimiza-
tion (PSO) untuk penyelesaian optimasi telah
banyak digunakan seperti Penjadualan pem-
bangkit lstrik dimana PSO digunakan untuk
mencari pengali Lagrange (Lagrange multip-
liers) untuk setiap jam (Misbahuddin, 2010).
Selain itu, PSO digunakan untuk pengaturan
daya reaktif dan tegangan dengan memper-
timbangkan stabilitas tegangandan untuk
penentuan strategi pengontrolan terhadap
nilai operasi AVR, posisi tap OLTC, dan
jumlah peralatan kompensasi daya reaktif.
(Yoshida, 1999). PSO untuk mencari fungsi
keanggotaan dari Fuzzy Logic untuk pe-
ngaturan kecepatan motor DC (Allaoua,
2008).
Jaringan sistem distribusi radial me-
rupakan bentuk jaringan sistem distribusi
yang paling sederhana, banyak digunakan
dan juga biayanya murah. Penamaan radial
dikarenakan saluran ini ditarik secara radial
dari suatu titik yang merupakan sumber dari
jaringan dan kemudian bercabang-cabang
pada titik-titik beban yang dilayani seperti
terlihat pada Gambar 1.
Saluran utama
2 3 4
1
G
Saluran cabang
5
6 7
Trafo
Trafo Trafo
beban beban beban
Gambar 1. Sistem distribusi radial
Pada jaringan ini catu daya berasal dari
suatu titik sumber. Karena adanya per-
cabangan maka arus beban yang mengalir
sepanjang saluran menjadi tidak sama
sehingga luas penampang konduktor memiliki
ukuran yang tidak sama. Ukuran penampang
konduktor pada saluran utama lebih besar
dari percabangan dikarenakan arus pada
saluran utama lebih besar dari arus pada
percabangan.
Ukuran konduktor erat kaitannya
dengan rugi daya dalam penyaluran tenaga
listrik, karena semakin besar luas penampang
konduktor maka akan semakin kecil rugi
dayanya.
76

n
Voltage v k1i / ai k 2i (1)
drop i 1
dengan,
Jangkaua k1i 3 I i li cos (2)
n
konduktor
Pertumbuhan
k 2i 3 I i li x sin (3)
Rating Ukuran beban
kondukt kondukto
Rugi-rugi Energi. Rugi-rugi energi pada
or r saluran adalah penjumlahan dari biaya rugi-
Jarak rugi energi pada periode n tahun dengan
Biaya total
tingkat suku bunga r dapat diperoleh dengan
konduktor persamaan berikut (Ponavaikko, 1982) :
n N
1
C po 26,28 I i2 R i ( LLF ) c (1 r ) k
(4)
i 1 k 1
Biaya Biaya Biaya rugi- dengan c adalah biaya energi per kWh
investa O&M rugi
si saluran Biaya Energi. Biaya dari peralatan, kons-
truksi, dan pemeliharaan meningkat seiring
dengan waktu. Dengan demikian, biaya
Tingkat Faktor rugi Harga
suku bunga tahunan energi/kwh energi juga akan meningkat seiring dengan
waktu yang dirumuskan dengan persamaan
(Ponavaikko, 1982) :
Gambar 2. Bagan parameter yang mempengaruhi n
k 3i
penentuan ukuran konduktor C PN (5)
Demikian juga sebaliknya, bila ukuran kon- i 1 ai
duktor semakin kecil maka rugi dayanya juga dengan,
semain besar. Karakteristk listrik konduktor M
(1 g ) 2 k ( LLF ) k Ck
yang dipilih harus baik, artinya memiliki
tahanan rendah meskipun ukurannya besar.
k 3i 26,28 li I i2
k 1 (1 r ) k
Namun hal ini dibatasi oleh karakteristik N
ck
mekanik yaitu berat konduktor dan kuat tarik (1 g ) 2 M ( LLF ) M (6)
k M 1 (1 r )
dari konduktor tersebut. Faktor-faktor yang k

mempengaruhi penetuan ukuran konduktor

Biaya Saluran. Biaya saluran dengan n
terlihat pada Gambar 2.
segmen dapat disajikan dalam bentuk
Penentuan luas penampang konduktor
(Ponavaikko, 1982) :
akan berpengaruh langsung terhadap biaya n
saluran distribusi, yaitu: biaya investasi dan
biaya operasi. Dalam penelitian ini pembiaya-
C p k 4i / ai k 5i (7)
i 1
an tersebut dibatasi antara lain: untuk biaya
investasi hanya diperhitungkan pada pem- dengan,
biayaan konduktor, dan untuk biaya operasi k 4i f li dan k 5i a li (8)
hanya diperhitungkan biaya yang ditimbulkan
oleh rugi-rugi energi saja, sedangkan biaya
f adalah harga konduktor dan li adalah
lainnya diabaikan. panjang konduktor.
Jadi, biaya total saluran yang merupa-
Faktor Penentu Kualitas Penyaluran kan fungsi tujuan minimum dapat dinyatakan
Energi. Faktor-faktor yang mempengaruhi sebagai berikut:
kualitas penyaluran energi listrik adalah jatuh n
tegangan saluran, biaya rugi-rugi energi, dan CT k 3i / ai k 4i a i (9)
biaya saluran. Faktor-faktor tersebut akan i 1
dimodelkan secara matematis yang merep-
resentasikan fungsi tujuan yang diperlukan. dengan kriteria,
n
Jatuh Tegangan Saluran. Jatuh tegangan
saluran dinyatakan dengan persamaan k
i 1
1i / ai b (10)
sebagai berikut (Ponavaikko, 1982) :
dan
77
n gunakan persamaan sebagai berikut (Shi dan
ai 0 dengan b D k 2i (11)
i 1
Particle Swarm Optimasation. Particle
Swarm Optimization (PSO) adalah teknik
komputasi yang diperkenalkan oleh Kennedy
dan Erberhar pada tahun 1995, yang
terinspirasi oleh prilaku sosial dari kawanan
burung atau kawanan ikan yang sejenis
(Reynolds, 1987), Teori ini dikembangkan
berdasarkan proses adaptasi alamiah dengan
tiga prinsip dasar yaitu: evaluasi, mem-
bandingkan, dan meniru. Sebuah organisme,
misal seekor burung dalam PSO meng-
evaluasi dengan tetangganya, membanding-
kan dirinya dengan yang lain di dalam
populasi, dan meniru tetangganya yang
hebat. Mereka berprilaku dengan dua jenis
informasi yaitu pengalaman dan pengetahuan
tentang bagaimana prilaku individu lain yang
ada disekitarnya (Kennedy, 2001).
Pendekatan PSO memiliki beberapa
kesamaan dengan genetic algorithm dan
evolutionary algorithm. PSO mempunyai
sebuah populasi yang terdiri dari individu-
individu yang bergerak melalui ruang pencari-
an berdimensi D dan setiap individu mem-
punyai kecepatan (velocity) yang bertindak
sebagai operator untuk memperoleh himpun-
an individu baru. Individu-individu disebut
sebagai particle. Pengaturan pergerakan
mereka bergantung pada pengalaman
individu dan pengalaman populasi. Setiap
iterasi, sebuah particle bergerak menuju ke
suatu arah yang dihitung berdasarkan posisi
terbaik yang pernah dikunjunginya dan posisi
terbaik yang dikunjungi oleh particle tetangga-
nya. Diantara beberapa varian PSO, varian
global memandang tetangganya sebagai
seluruh populasi yang disebut swarm, yang
memungkinkan berbagi informasi secara
global.
Pada PSO, particle ke p direpresen-
tasikan sebagai kp = { kp1, kp2, . . . , kpD}, dengan
kpj adalah nilai koordinat ke j pada ruang
dimensi D. Particle terbaik pada swarm
dipresentasikan dengan symbol G = {g1, g2,
g3, . . ., gD} dan posisi terbaik yang dikunjungi
dari particle ke p dipresentasikan sebagai Pp
= {p1, p2, p3, . . ., pD}. Laju perubahan posisi,
yang merupakan kecepatan (velocity) untuk
particle p, direperesentasikan sebagai
Vp = {v1, v2, v3, . . ., vD}.
Posisi particle berubah sesuai dengan
kecepatannya, yang diatur pada setiap iterasi.
Particle p direposisi sesuai dengan koordinat
d dari kecepatannya, yang dihitung meng-
Eberhart, 1999):
vpd = wvpd + c1r1(ppd - kpd) + c2r2(gd - kpd) (19)
Faktor w adalah bobot inersia (inertia
weight). Jika bobot inersia adalah besar,
maka pencarian menjadi lebih global, ketika
inersia lebih kecil pencarian menjadi lebih
lokal. Koefisien c1 dan c2 adalah faktor
pembelajar-an, yang membantu particle untuk
memper-cepat menuju area ruang solusi yang
lebih baik.
Kecepatan dari setiap dimensi mem-
punyai batas atas dan bawah, Vmax dan Vmin
yang didefinisikan oleh pengguna. Posisi baru
particle diperbaharui dengan menggunakan
persamaan berikut:
kpd = kpd + vpd (20)
Algoritma PSO dapat memulai dengan
populasi particle dengan posisi yang diacak
atau populasi particle yang dibuat secara
heuristic. Pada PSO, sebuah particle tunggal
merupakan sebuah solusi dalam ruang
pencarian. Semua particle mempunyai nilai
fitness dan kecepatan, dimana nilai fitness
dievaluasi oleh fungsi fitness untuk dioptimasi,
dan kecepatan mengatur arah particle.
Algoritma PSO yang memaksimumkan fitness
dijelaskan oleh pseudo code berikut (Kennedy
and Eberhart, 2001):
Pseudo code PSO
Inisilisasi Populasi
while (jumlah generasi, atau kriteria berhenti
belum terpenuhi)
for p=1 to jumlah particle
if fitness kpd > fitness Pp then
Perbaharui Pp = kp
Tetangga kp
if fitness kp > G then
Perbaharui G = kk
Next k
for setiap dimensi d
vpd=wvpd+c1r1(ppd - kpd)+c2r2 (gd - kpd)
If vpd (Vmin, Vmax) then
vpd = max (min(Vmax, vpd ), Vmin)
kpd = kpd + vpd
next d
next p
next generasi hingga criteria terpenuhi
METODOLOGI PENELITIAN
Penelitian ini mengimplentasikan Al-
goritma PSO untuk menemukan profil kon-
duktor pada jaringan distribusi radial tegangan
menengah dengan fungsi biaya yang paling
78

kecil. Pendekatan PSO digunakan untuk Sumber data:

mencari ukuran konduktor pada saluran 1* : SPLN 1 tahun 1995
langsung yang terhubung dengan titik sumber 2* : RUPTL PT. PLN (Persero) Wilayah NTB
(main feeder) dan saluran cabang. 2005-2015
Ukuran konduktor k pada main feeder 3* : Nilai tingkat suku bunga investasi Bank
dan saluran cabang disusun dalam bentuk Indonesia Desember 2009
matriks 2 dimensi yang merepresentasikan 4* : Laporan penjualan tenaga listrik PT. PLN
sebuah particle p dalam PSO. Nilai ukuran Cab. Mataram Maret 2010
konduktor dan kecepatan disimpan dalam 5* : Data konduktor pada PT. PLN Cabang
matriks K dan V secara berturut-turut. Mataram.
Gambar 1. menunjukkan matriks K dan V 6* : RUPTL PT. PLN Wilayah NTB 2005-2015
untuk sebuah particle (p = 1).
Pada pendekatan PSO, fitness dari
Ukuran Konduktor particle diinterpretasi sebagai fungsi biaya
k11 k12 k13 .... k1N dari lokasinya dalam ruang pencarian. Jadi,
k21 k22 k23 ... k2N matriks K diperbarui dalam setiap iterasi.
k31 k32 k33 ... k3N
Kawanan particle (swarm) bergerak dalam
ruang solusi menuju titik optimal. Posisi
...
terbaik sebelumnya untuk setiap particle dan
kp1 kp2 kp3 .. kpN posisi terbaik untuk swarm disimpan sebagai
Pp dan G secara berturut-turut. Pseudo code
Kecepatan (velocities) adalah sebagai berikut:
v12 v13 .... v1N
V11
Prosedur utama dari PSO
v21 v22 v23 ... v2N Inisialisasi populasi
v31 v32 v33 ... v3N while (jumlah generasi, atau jatuh tegangan
... berada pada kondisi yng diijinkan)
vp1 vp2 vp3 .. vpN for setiap particle p
Hitung fungsi fitness CTp
Gambar 1. Pengkodean Particle Ukuran Konduktor if CTp < Pp then Pp = kp
dan kecepatannya if CTp < G then G = kp
Perbarui vp
Sebuah particle menempati satu baris
Perbarui kp
dalam matriks, merepresentasikan ukuran
next p
konduktor untuk satu penyulang. Fitness dari
Hitung aliran daya saluran
sebuah particle p didefinisikan dari
next generasi hingga criteria terpenuhi
persamaan (9) sebagai berikut:
n Penentuan profil konduktor dengan
CT
i 1

k 3i / ai k 4i ai menggunakan
seperti pseudo
PSO sebagaimana ditulis
code di atas dilakukan melalui
Untuk mendapat nilai fitness tersebut, beberapa tahapan yaitu: Inisialisasi populasi
diperlukan parameter input biaya saluran dengan membentuk matriks yang terdiri dari
sebagaimana disajikan pada Tabel 1. matriks K, dan V. Langkah selanjutnya,
menghitung fungsi fitness dari masing-masing
Tabel 1 Parameter input biaya saluran particle p, jika nilai fitness dari particle p lebih
Perihal Satuan Nilai kecil dari nilai fitness particle sebelumnya Pp,
Periode pertumbuhan beban maka simpan particle p sebagai particle
Tahun 10
(M) terbaik. Demikian juga, jika nilai fitness dari
Umur ekonomis
Tahun 25 particle p lebih kecil dari nilai fitness particle
penyulang(N)
-10 sd global terbaik G maka simpan nilai particle p
Jatuh tegangan (V) Volt +5% sebagai nilai particle global terbaik. Lakukan
Vnom* perbaruan nilai velocity Vp, dan kp. Lakukan
Pertumbuhan beban (G) % 7.1 **
hal yang sama untuk semua particle hingga
Tingkat suku bunga (r) % 6.50 ***
4
nilai semua posisi particle menuju pada satu
Biaya energi (ch) Rp,kWh 670 * titik optimum.
Harga konduktor (F) Rp/mm2.km kondisional
Tahanan jenis () 2
.mm /km 35.35 * 5 Data pengujian yang diberikan
Panjang saluran (L) km kondisional terhadap algoritma PSO adalah penyulang
Beban terkoneksi (P) VA kondisional airlangga Kota Mataram yang terdiri dari 22
Ultimate load factor (ULF) 0.7 6* cabang. Data saluran penyulangg airlangga
7
Present load factor (PLF) 0.54 *
79

dapat dilihat pada Tabel 2. Arus beban pada konduktor yang tersedia
Tabel 2 tersebut, dihitung berdasarkan Penampang konduktor (mm )
2
KHA (A)
persamaan: 70 250
95 320
120 365
beban terpasang (kVA)
I beban 150
240
425
655
3 Vno min al (kV )
Untuk menentukan terminasi dari proses
Pendekatan PSO yang digunakan PSO dilakukan dengan menghitung aliran
adalah dengan memasang jumlah particle se- daya saluran untuk memperoleh jatuh
banyak 20 dengan panjang dimensi adalah 22 tegangan yang dijinkan (-10% sampai +5%)
sesuai jumlah percabangan. Batas atas (vmax) dari ukuran konduktor yang diperoleh PSO.
dan batas bawah (vmin) kecepatan particle HASIL DAN PEMBAHASAN
ditentukan berdasarkan perhitungan arus
saluran maksimum yang terjadi sampai Pada bagian ini akan dijelaskan bagai-
dengan batas umur ekonomis dari penyulang. mana PSO dapat menghasilkan ukuran kon-
Arus saluran dihitung dengan menggunakan duktor penyulang dengan biaya yang mini-
persamaan: mum.
N Untuk mendapatkan solusi terbaik dari
ISaluran-max = Isaluran . (g+1)
dengan, PSO maka perlu mencari nilai kombinasi
ISaluran =
-1
. Ibeban parameter PSO yang tepat w, c1 dan c2.
Pada PSO, jumlah particle yang diberi-
-1
adalah matriks invers yang kan adalah 20. Parameter w, c1 dan c2 diberi-
dihasilkan berdasarkan konfigurasi jaringan kan dengan kombinasi yang berbeda untuk
dari sistem penyulang Airlangga Mataram. melihat kombinasi mana yang memberikan
solusi yang paling optimal seperti disajikan
Tabel 2. Data saluran Penyulang Airlangga pada Tabel 4. Masing-masing kombinasi
dijalankan sebanyak 10 kali untuk melihat
R jX Panjang Beban Arus rata-rata dan berapa kali menemukan hasil
Nama
(/km) (/km) Saluran Terpasang Beban
Saluran yang optimum.
(km) (kVA) (A)
A1 0.246 0.316 0.4 200 5.77
A2 0.246 0.316 0.4 160 4.62 Tabel 4 Hasil dari PSO
A3 0.246 0.316 0.8 160 4.62 Rata-rata hasil Jumlah
A4 0.246 0.316 0.6 0 0
A5 0.246 0.316 0.05 160 4.62
w c1 c2 (dijalankan 10 Optimum
A6 0.246 0.316 0.05 0 0 kali) ditemukan
A7 0.246 0.316 0.055 160 4.62
A8 0.549 0.342 0.04 160 4.62 1 1 0
77904806.35
A9 0.246 0.316 0.775 200 5.77 0.4 1 2 0
77904806.35
A10 0.246 0.316 0.249 0 0 2 1 0
77904806.35
A11 0.549 0.342 0.4 250 7.22 2 2 8
75466374.69
A12 0.246 0.316 0.249 0 0
A13 0.549 0.342 0.325 0 0
A14 0.549 0.342 0.03 160 4.62 1 1 77904806.35 0
A15 0.549 0.342 0.325 200 5.77 0.6 1 2 77904806.35 0
A16 0.549 0.342 0.05 160 4.62 2 1 75466374.69 8
A17 0.246 0.316 0.05 0 0 2 2 73954904.57 10
A18 0.246 0.316 0.104 250 7.22
A19 0.246 0.316 0.165 0 0
A20 0.246 0.316 0.358 160 4.62 1 1 77904806.35 0
A21 0.246 0.316 0.05 200 5.77
0.8 1 2 75466374.69 8
A22 0.246 0.316 0.17 250 7.22
2 1 73954904.57 10
2 2 75466374.69 8
Selanjutnya setelah dihitung arus
saluran maksimum maka dapat ditentukan
batas bawah (vmin) kecepatan particle dengan Dari Tabel 4 kombinasi w, c1 dan c2
cara membandingkan kemampuan hantar yang menghasilkan solusi yang paling optimal
arus konduktor yang tersedia (KHA) adalah kombinasi 0,6, 2, 2 dan 0.8, 2, 1.
Untuk penentuan akhir dalam mem-
sebagaimana ditunjukkan pada Tabel 3.
peroleh ukuran konduktor pada masing-
Sedangkan batas atas (vmax) dipilih ukuran masing saluran pada penyulang maka dipilih
2
konduktor terbesar yaitu 240 (mm ). kombinasi w = 0.8, c1 = 2, dan c2 = 1 yang
Tabel 3. Kemampuan hantar arus oleh diiterasi sebanyak 100 epoh.
80

Hasil akhir pemilihan ukuran konduktor dan c2 =1 dengan jumlah particle sebanyak 20
untuk masing-masing saluran pada penyulang yang diiterasikan sebanyak 100 epoh.
dapat dilihat pada Tabel 5 dengan biaya
optimum sebesar Rp. 73.954.904,57.
Tabel 5 Hasil pemilihan luas penampang konduktor pada setiap saluran
Arus
Nama Beban Terpasang saluran Jatuh Tegangan Luas Penampang
Saluran (MVA) (A) (%) Terpilih (mm2)
A1 0.2 464.54 0.3134 240
A2 0.16 432.37 0.6627 150
A3 0.16 406.53 1.3262 150
A4 0 380.53 1.7972 150
A5 0.16 26.12 1.8015 70
A6 0 354.41 1.8382 120
A7 0.16 354.41 1.8834 120
A8 0.16 26.14 1.8869 70
A9 0.2 302.12 2.5288 95
A10 0 269.24 2.7151 95
A11 0.25 41.21 2.7713 70
A12 0 228.03 2.9091 70
A13 0 85.94 3.0049 70
A14 0.16 26.43 3.0076 70
A15 0.2 59.51 3.0713 70
A16 0.16 26.45 3.0759 70
A17 0 142.09 2.9335 70
A18 0.25 41.28 2.9482 70
A19 0 100.81 2.9905 70
A20 0.16 59.51 3.0636 70
A21 0.2 33.06 3.0693 70
SARAN
A22 0.25 41.3 3.0146 70

KESIMPULAN
Dari hasil pengujian PSO diperoleh
ukuran konduktor yang optimal yang
memenuhi kriteria kapasistas hantar arus dan
jatuh tegangan yang disyaratkan, sehingga
dapat dipastikan ukuran yang diperoleh layak
untuk digunakan
Dengan memanfaatkan yang dimiliki
PSO yaitu teknik pencarian berbasis populasi
yang memiliki kecerdasan berkumpul yang
dimotivasi oleh simulasi prilaku social untuk
memanipulasi individual ke arah area
penyelesaian yang lebih baik, PSO dapat
digunakan sebagai salah satu metode pe-
nyelesaian masalah optimasi konduktor.
Penentuan paramater PSO seperti inertia
weight w, learning rate c1 dan c2 memerlukan
kecermatan dan pengamatan. Pada umum-
nya, jika dipilih nilai w, c1 dan c2 yang kecil
maka sulit mendapatkan solusi yang optimal.
Untuk mendapatkan hasil akhir yang
optimal maka dipilih kombinasi w = 0.8, c1 =2
Pada penelitian ini optimasi konduktor
dilakukan pada jaringan distribusi radial yang
sudah ada yaitu penyulang Airlangga
Mataram. Untuk menguji lebih lanjut keakurat-
an dari metode ini perlu diujikan pada sistem
distribusi radial yang baru akan dikembang-
kan.
DAFTAR RUJUKAN
Allaoua B., Abderrahmani A , Gasbaoui B.,
and Nasri A., 2008, The Efficiency of
Particle Swarm Optimization Applied on
Fuzzy Logic DC Motor Speed Control,
SERBIAN JOURNAL OF ELECTRICAL
ENGINEERING, Vol. 5, No. 2, Nov.
2008., pp. 247-262.
Kennedy J. and Eberhart R.C., 2001,
Swarm Intelligence, San Francisco:
Morgan Kaufmann.
Misbahuddin, dan Supriyatna, 2010, Pen-
jadualan Pembangkit Listrik Mengguna-
kan Metode Hibrid Particle Swarm
Optimization dan Lagrangian Relaxati-
81

on, Jurnal Dielektrika Vol. 1 No. 1 Shi Y. and Eberhart R.C., 1999, Empirical
Agustus, Jurusan Teknik Elektro FT. study of particle swarm optimization,
Unram. Proc. Congress Evolutionary Compu-
Ponnavaikko M. and Praksa Rao K.S., 1982, tation, Piscataway, NJ, pp. 19451950.
An Approch to optimal Distribution Yoshida H., Kawata K., Fukuyama Y., and
System Planning Through Conductor Nakanish Y., 1999, A Particle Swarm
Gradation, IEEE Transaction On Power Optimization For Reactive Power And
Apparatus and System, Vol PAS-101, No Voltage Control Considering Voltage
6 June 1882, pp. 1735-1742. Stability, IEEE International Conference
Reynolds C.W., 1987, Flocks, herds and on Intelligent System Applications to
schools: A distributed behavioral model, Power Systems (ISAP'99), April 4-8.
Comput. Graph., Vol. 21, No. 4, pp. 25
34.
Rosmaliati, Wahyu,T.S. dan Mauridhi, H.P.,
2000, An approach to optimal distri-
bution system planning through condu-
ctor Gadation using genetic algorithm,
Proceedings Industrial Electronic
seminar, ITS, Surabaya

Rosmaliati, dan Misbahuddin., 2006, Pe-

nentuan Profil Konduktor Optimal Pada
Jaringan Distribusi Menggunakan Al-
goritma Genetika dengan Representasi
Biner, Jurnal Teknik Rekayasa Fakultas
Teknik Universitas Mataram, Vol 7, No. 1
Juni 2006, pp 31-40.