OPTIMASI STEAM TURBIN GENERATOR (STG) dan GAS TURBIN GENERATOR (GTG) di PT.

PUPUK SRIWIDJAJA MENGGUNAKAN METODE PARTICLE SWARM OPTIMIZATION (PSO)

Azizul Muttaqin[1] , Taufik Barlian[2], Wiwin A. Oktaviani [3]

1Mahasiswa Jurusan Teknik Elektro, Fakultas Teknik, Universitas Muhammadiyah Palembang
2Dosen Jurusan Teknik Elektro, Fakultas Teknik, Universitas Muhammadiyah Palembang
3Dosen Jurusan Teknik Elektro, Fakultas Teknik, Universitas Muhammadiyah Palembang
1taqin12340@gmail.com, 2winarvin@yahoo.com, 3tfk_ap@yahoo.com

ABSTRAK

Kebutuhan listrik di PT. PUSRI saat ini dibangkitkan oleh empat unit pembangkit utama berupa Gas Turbine
Generator (GTG). Ketiga pembangkit yaitu pada PUSRI-II (2006-J), PUSRI-III (3006-J), PUSRI-IV (4006-J)
masing-masing berkapasitas 21,588kVA. PUSRI-IB (5006-J) berkapasitas 26,65kVA. Masing-masing unit
dioperasikan secara paralel melalui syncronizing bus 13,8 kV. Akan tetapi dengan alasan efesiensi pembangkit di
PT. PUSRI dengan biaya gas yang cukup mahal lambat laun GTG akan digantikan dengan pembangkit Steam
Turbine Generator–Batu Bara (STG-BB). Tugas akhir ini menggunakan metode algoritma Particle Swarm
Optimization (PSO) untuk mencari output optimum (MW) dari setiap unit pembangkit. Hasil perhitungan PSO
memberikan performansi solusi yang lebih baik dibandingkan dengan riil sistem dengan variasi daya yang
dibangkitkan sama yaitu sebesar 34.25(MW) sampai dengan 37.63(MW). Penghematan biaya yang di dapat dari
perbandingan antara metode PSO dengan keluaran riil sistem adalah, sebesar Rp. 5,180,509 pada beban 34,25
(MW) dan Rp. 6,416,864 pada beban 37,63(MW).

Kata kunci : Optimasi Sistem pembangkit Tenaga Listrik, Metode Particle Swarm Optimization (PSO).

I. PENDAHULUAN
Operasi ekonomis (economic dispatch) pada pembangkit tenaga listrik merupakan suatu aspek penting
dalam manajemen sistem tenaga listrik, tujuan utama economic dispatch adalah mengoptimalkan daya dan
meminimumkan biaya pembangkitan. Penghematan biaya bahan bakar dalam persentase yang kecil memberikan
pengaruh yang sangat besar terhadap penghematan biaya operasi. Untuk memproduksi tenaga listrik pada suatu
sistem tenaga dibutuhkan cara bagaimana membuat biaya konsumsi bahan bakar generator atau biaya operasi
dari keseluruhan sistem seminimal mungkin, dengan tetap memperhatikan kendala-kendala sistem seperti
kemampuan pembangkitan dari generator. Semua unit pembangkit tersebut saling terkoneksi untuk melayani
semua kebutuhan tenaga listrik secara keseluruhan, baik digunakan pada proses produksi,
perbaikan/perbengkelan, perumahan, dan juga perkantoran. Sistem pembangkitan dimana konsumsi bahan bakar
menjadi suatu masalah dan perlu mendapatkan perhatian yang serius mengingat komponen biaya operasi
pembangkitan suatu sistem tenaga listrik terbesar adalah biaya bahan bakar. Penghematan biaya bahan bakar
dalam persentase yang kecil memberikan pengaruh yang sangat besar terhadap penghematan biaya operasi.
Untuk memproduksi tenaga listrik pada suatu sistem tenaga dibutuhkan cara bagaimana membuat biaya
konsumsi bahan bakar generator atau biaya operasi dari keseluruhan sistem seminimal mungkin.
Masalah penjadwalan ekonomis pembangkit dikenal dengan ekonomic dispacth. Penjadwalan ekonomis
pembangkit tersebut memperhatikan kondisi optimal ekonomi. Selain itu, harus memenuhi batasan-batasan
teknis dalam pengoperasian pembangkit di dalam sistem tenaga. Untuk memperoleh hasil yang optimal dan
ekonomis dalam penjadwalan ekonomis pembangkit diperlukan suatu cara atau metode agar dapat
meminimalisasi biaya bahan bakar yang diperlukan dalam mengoperasikan sistem tenaga listrik. Metode Particle
Swarm Optimization (PSO) didasarkan pada perilaku sekawanan burung atau ikan.
Algoritma PSO meniru perilaku sosial organisme ini. Perilaku sosial terdiri dari tindakan individu dan
pengaruh dari individu-individu lain dalam suatu kelompok. Kata partikel menunjukkan, misalnya, seekor
burung dalam kawanan burung. Setiap individu atau partikel berperilaku dengan cara menggunakan
kecerdasannya (intelligence) sendiri dan juga dipengaruhi perilaku kelompok kolektifnya. Dengan demikian, jika
satu partikel atau seekor burung menemukan jalan yang tepat atau pendek menuju ke sumber makanan, sisa
kelompok yang lain juga akan dapat segera mengikuti jalan tersebut meskipun lokasi mereka jauh di kelompok
tersebut. (SANTOSA & WILLY, 2011)

II. TINJAUAN PUSTAKA

A. Sistem Tenaga Listrik
Sistem tenaga listrik terdiri dari beberapa komponen, yaitu generator tenaga listrik, sistem transmisi, serta
sistem distribusi. Dalam pengoperasianya sistem tenaga listrik terdiri dari banyak unit generator yang bekerja
secara bergantian sehingga perlu adanya pemilihan unit yang commit (digunakan) agar mampu melayani beban
tiap waktunya. Idealnya pemanfaatan sistem tenaga listrik harus memperhatikan faktor teknis dan faktor
ekonomis karena hal tersebut mempengaruhi biaya operasi dan keuntungan selama pengoperasian sistem. Pada
umumnya, sistem tenaga listrik dibagi menjadi tiga bagian utama, yaitu pembangkit tenaga listrik, penyaluran
tenaga listrik, dan distribusi tenaga listrik. Ketiga bagian ini tidak dapat dipisahkan karena merupakan suatu
sistem yang kompleks yang bekerja untuk menyalurkan daya dari pusat pembangkitan ke pusat pusat beban .
Energi listrik yang dihasilkan pusat pembangkit listrik akan disalurkan melalui saluran transmisi
kemudian dari saluran transmisi akan melalui saluran distribusi dan selanjutnya akan sampai ke konsumen.
1. Pusat Pembangkit Listrik (power plant)
Pusat pembangkit listrik merupakan tempat pertama kali energi listrik dibangkitkan atau
dihasilkan. Di sini terdapat turbin penggerak awal dan juga generator yang mengubah tenaga turbin
menjadi energi listrik. Terdapat beberapa jenis pusat pembangkit listrik yang biasanya dibagi kedalam
dua bagian besar yaitu pembangkit hidro (PLTA) dan pembangkit thermal (PLTU, PLTG, PLTGU,
PLTD, PLTP).
2. Transmisi Tenaga Listrik
Transmisi tenaga listrik merupakan proses penyaluran tenaga listrik dari pusat pembangkitan
listrik hingga saluran distribusi listrik sehingga nantinya sampai pada konsumen/pengguna listrik.
3. Sistem Distribusi
Sistem distribusi ini merupakan sub sistem tenaga listrik yang langsung berhubungan dengan
pelanggan/konsumen dan berfungsi dalam hal pembagian atau penyaluran tenaga listrik ke beberapa
tempat. Sub sistem ini terdiri dari : pusat pengatur / gardu induk, gardu hubung, saluran tegangan
menengah/jaringan primer (6 kV dan 20 kV) yang berupa saluran udara atau kabel bawah tanah, saluran
teganga n rendah / jaringan sekunder (380 V dan 220 V), gardu distribusi tegangan yang terdiri dari
panel-panel pengatur tegangan baik tegangan menengah ataupun tegangan rendah, dan trafo. (Joko et al,
2010)
Pada umumnya, tujuan utama dari operasi sistem tenaga listrik adalah untuk memenuhi kebutuhan
beban listrik secara efisien (beban terpenuhi dengan biaya yang minimum), dengan mempertimbangkan sasaran
operasi tenaga listrik (sistem harus dapat memenuhi standar dalam keamanan lingkungan, memiliki keandalan
yang baik, dan dapat melayani permintaan secara continue dari waktu ke waktu). (nadjamuddin, 2011)

B. Operasi Ekonomis (economic dispatch)

Yang dimaksud dengan operasi ekonomis pembangkit thermal ialah proses pembagian atau penjadwalan
beban total dari suatu sistem kepada masing-masing pusat pembangkitnya, sedemikian rupa sehingga jumlah
biaya pengoperasian adalah seminimal mungkin. Seluruh pusat-pusat pembangkit dalam suatu sistem dikontrol
terus menerus sehingga pembangkitan tenaga dilakukan dengan cara paling ekonomis. (syafi'i & delima, 2016)

1. Karakteristik Input-Output Pembangkit Termal

Karakteristik input-output pembangkit termal merupakan karakteristik yang menggambarkan
hubungan antara input bahan bakar (liter/jam) dan output yang dihasilkan oleh pembangkit (MW). Pada
umumnya karakteristik input-output pembangkit termal didasarkan pada :
Hᵢ (Pᵢ) = αᵢ +βᵢ Pᵢ + γᵢ pᵢ² (1)
Dengan : Hi = Input bahan bakar pembangkit termal ke-i (liter/jam)
Pi = Output pembangkit termal ke-i (MW)
αᵢ βᵢ γᵢ = Konstanta input-output pembangkit termal ke-i
Penentuan parameter αᵢ,βᵢ,γᵢ membutuhkan data yang berhubungan dengan input bahan bakar
Hi, dan output pembangkit Pi.
Input H (Mbtu/jam) atau F (Rp/jam)

Pmax

Atau F

Pmin

p Output, P (MW)

Gambar 1 Karakteristik Input-Output Unit Pembangkit Termal.

 Gambar diatas menunjukkan karakteristik input-output unit thermal dalam bentuk yang ideal,
digambarkan sebagai kurva non-linier yang kontinu. Input dari pembangkit ditunjukkan pada sumbu
tegak yaitu energi panas yang dibutuhkan dalam bentuk Mbtu/h (million of btu per hour) karena
digunakan satuan British Temperatur Unit (apabila menggunakan SI menjadi MJ/h atau Kcal/H) yang
dapat dinyatakan sebagai biaya total per jam (Rp/jam). Output dari pembangkit ditunjukkan pada
sumbu mendatar yaitu daya listrik yang memiliki batas-batas berupa daya maksimum dan daya
minimum pembangkit. (saadat, 1999)

2. Karakteristik Heat-Rate
Karakteristik heat-rate merupakan karakteristik yang menunjukkan efisiensi dari sebuah
sistem. Karakteristik heat-rate sebuah unit pembangkit menunjukkan input kalor yang diberikan untuk
menghasilkan energi sebesar 1 kW jam pada MW output dari suatu unit
H Btu
( )
P MWh

Pmin prating Pmax

Output, P (MW)

Gambar 2 Kurva Karakteristik Heat-Rate (efisiensi) Pembangkit Termal.

Karakteristik laju panas ini menunjukan kerja sistem dari sistem pembangkit thermal seperti
kondisi uap, temperatur panas, tekanan kondensor, dan siklus aliran air secara keseluruhan. Pada kurva
terlihat bahwa efisiensi yang baik terletak pada limit maksimalnya. (adrianti, 2010)

C. Konsep Dasar Particle Swarm Optimization (PSO)

Particle Swarm Optimization (PSO) adalah sebuah teknik stochastic berdasarkan populasi yang terinspirasi
oleh perilaku sosial dari pergerakan burung atau ikan (bird flocking or fish schooling). Teknik PSO dikemukakan
oleh Rusell C. Eberhart dan James Kennedy pada tahun 1995. Bersama dengan ant Colony Optimization (ACO),
PSO digolongkan ke dalam metaheuristik optimasi Swarm Intelligence (SI) di mana prinsip sosio-psikologi yang
mempengaruhi perilaku sosial makhluk hidup diadopsi. (://www.swarmintelligence.org/). Algoritma PSO
memiliki kelebihan dalam pengaturan parameternya yang sederhana sehingga sering digunakan dalam
menyelesaikan permasalahan yang bersifat optimasi dengan ruang solusi yang besar. Pada kondisi nyata jumlah
pembangkit listrik suatu sistem kelistrikan terdiri dari banyak unit dengan spesifikasi dan varian yang berbeda-
beda serta terdapat banyak batasan-batasan dalam pengoperasianya.

D. Parameter Algoritma Particle Swarm Optimization (PSO)

Ada beberapa parameter dalam algoritma PSO yang dapat mempengaruhi kinerjanya. Untuk masalah
optimasi tertentu, bebrapa parameter dan pemilihan parameter memiliki dampak besar pada efisiensi metode
PSO.

1. Ukuran swarm
Ukuran swarm atau ukuran populasi adalah jumlah partikel n di kawanan. Sebuah kawanan yang besar akan
menghasilkan bagian yang lebih besar dari ruang penelusuran. Ukuran swarm atau populasi yang dipilih adalah
tergantung pada persoalan yang dihadapi. (Teguh, Soeprijanto, & H Purnomo, 2009)

2. Pbest (personal best)

Merupakan posisi individual best dari suatu partikel yang dipersiapkan untuk mendapatkan suatu solusi
yang terbaik.
3. Gbest (global best)
Merupakan suatu posisi terbaik diantara seluruh posisi terbaik (Pbest) yang telah diperoleh oleh masing-
masing individu.

4. Jumlah iterasi
Jumlah iterasi untuk mendapatkan hasil yang terbaik juga tergantung pada permasalahan. Jumlah iterasi
yang terlalu rendah dapat menghentikan proses pencarian secara prematur, sementara iterasi yang terlalu besar
memiliki konsekuensi kompleksitas komputasi tambahan yang tidak perlu dan lebih banyak waktu yang
dibutuhkan. (Teguh, Soeprijanto, & H Purnomo, 2009)

5. Komponen kecepatan.
Komponen kecepatan sangat penting untuk memperbaharui kecepatan partikel. Ada tiga istilah kecepatan
partikel, yaitu :

 𝑡
Istilah 𝑣𝑖𝑗 disebut komponen inersia yang menyediakan memori dari arah penerbangan sebelumnya
yang berarti pergerakan dalam waktu dekat. Komponen ini merupakan momentum yang mencegah
perubahan drastis arah partikel dan bias menuju arah arus. Rumus yang digunakan secara umum untuk
menentukan kecepatan arah dari pergerakan pertikel yaitu : 0,5 ∗ 𝑃𝑚𝑎𝑥 − 𝑃𝑚𝑖𝑛 ∗ 1
(2)

 𝑡
Istilah 𝑐1 𝑟1𝑗 𝑡
[𝑃𝑏𝑒𝑠𝑡,𝑖 − 𝑥𝑖𝑗𝑡 ]disebut komponen kognitif yang mengukur kinerja partikel i. Komponen ini
∑𝑝
terlihat seperti memori individu dari posisi yang terbaik untuk partikel. 𝑃𝑜𝑠𝑝𝑎𝑟 (𝑡) − (𝑝 − )
𝑛𝑝
(3)

Efek dari komponen kognitif mewakili kecenderungan individu untuk mengulang kembali posisi yang
balik baik dari yang sebelumnya.

 𝑡
Istilah 𝑐2 𝑟2𝑗 [𝐺𝑏𝑒𝑠𝑡 − 𝑥𝑖𝑗𝑡 ] untuk Gbest PSO atau 𝑐2 𝑟2𝑗
𝑡
[𝐿𝑏𝑒𝑠𝑡,𝑖 − 𝑥𝑖𝑗𝑡 ] untuk Pbest PSO disebut komponen
sosial yang mengukur kinerja partikel i relatif terhadap sekelompok partikel. 𝑉𝑝𝑎𝑟 = 𝑤 ∗ 𝑉𝑝𝑎𝑟 + 𝑐1 ∗
𝑟1 ∗ (𝑃𝑏𝑒𝑠𝑡 − 𝑝𝑜𝑠𝑝𝑎𝑟 ) + 𝑐2 ∗ 𝑟2(𝐺𝑏𝑒𝑠𝑡 − 𝑝𝑜𝑠𝑝𝑎𝑟 ), 𝑝𝑜𝑠𝑝𝑎𝑟(𝑡+1) = 𝑝𝑜𝑠𝑝𝑎𝑟 (𝑡) + 𝑉𝑝𝑎𝑟
(4)

Efek komponen sosialnya adalah bahwa setiap partikel terbang dengan kecepatan terkendali
menuju posisi terbaik yang ditemukan oleh lingkungan partikel,

6. Koefisien Akselerasi
Pada umumnya nilai-nilai untuk koefisien akselerasi 𝑐1 dan 𝑐2 = 2.0. Namun demikian, nilai koefisien
akselerasi tersebut dapat ditentukan sendiri yang digunakan di dalam penelitian yang berbeda, biasanya nilai 𝑐1
dan 𝑐2 adalah sama dan berada pada rentang antara 0 sampai 4. (Teguh, Soeprijanto, & H Purnomo, 2009)

7. Inertia Weight
Perubahan velocity pada algoritma PSO terdiri atas tiga bagian yaitu, sosial part, cognitive part dan
momentum part. ketiga bagian tersebut menentukan keseimbangan antara kemampuan penelusuran global dan
local, oleh karena itu dapat memberikan performansi yang baik pada PSO. Parameter inertia weight
digabungkan dengan sosial part didalam algoritma PSO standar. Persamaan dinamis dari PSO dengan inertia
weight (w) dimodifikasi menjadi :

𝑣𝑖𝑑 = 𝑤𝑉𝑖𝑑 + 𝑐1 𝑟𝑎𝑛𝑑1 (𝑃𝑖𝑑 − 𝑋𝑖𝑑 ) + 𝑐2 𝑟𝑎𝑛𝑑2 (𝑃𝑔𝑑 − 𝑋𝑖𝑑 ) (5)

dan
𝑋𝑖𝑑 = 𝑋𝑖𝑑 + 𝑉𝑖𝑑 (6)

Kedua dari persamaan diatas adalah sama kecuali ada penambahan parameter baru yaitu inertia weight (w).
Inertia weight diperkenalkan untuk keseimbangan antara kemampuan penelusuran global dan local. Secara
umum parameter inertia weight (w) diperoleh dengan menggunakan persamaan berikut :
𝑤 −𝑤
𝑤 = 𝑤𝑚𝑎𝑥 − 𝑚𝑎𝑥 𝑚𝑖𝑛 𝐼𝑡𝑒𝑟 (7)
𝐼𝑡𝑒𝑟𝑚𝑎𝑥
dengan :
𝑤𝑚𝑎𝑥 − 𝑤𝑚𝑖𝑛 : weight awal dan akhir
𝐼𝑡𝑒𝑟𝑚𝑎𝑥 : jumlah iterasi maksimum
𝐼𝑡𝑒𝑟 : jumlah iterasi yang ada
Inetia weight yang besar dapat memudahkan dalam penelusuran global sedangkan inertia weight yang kecil
memudahkan untuk penelusuran local. Penggunaan inertia weight dapat meningkatkan performansi dalam
beberapa apilkasi, beberapa penelitian menunjukkan bahwa ketika menggunakan inertiaweight faktor velocity
maksimum dapat menjadi sederhana yang diset dengan nilai pada rentang dinamis dari setiap variabel biasanya
antara 0.4 sampai 0.9. (Teguh, Soeprijanto, & H Purnomo, 2009)

III. METODE PENELITIAN

A. Waktu dan Tempat Penelitian
Penelitian ini dilakukan mulai dari bulan Mei 2018 yang berlokasi di PT. PUSRI Palembang.
B. Diagram Flowchart

mulai

Studi Literatur :
Mempelajari jurnal jurnal, buku, laporan dan catatan kuliah
yang berkaitan dengan judul tugas akhir , diantaranya
mengenai ekonomic dispatch dan aplikasinya
menggunakan metode PSO

Input data : data pembebanan sistem tiap

pembangkit, kurva hate-rate tiap
pembangkit, batasan daya unit pembangkit
dan data biaya bahan bakar

Melakukan perhitungan :
 Bangkitkan posisi awal sejumlah partikel dan tentukan
kecepatan awal secara random.
 Evaluasi fitness dari setiap partikel berdasarkan posisinya.
 Tentukan partikel dengan fitness terbaik, tetapkan sebagai
Gbest. Untuk setiap partikel, Pbest akan sama dengan posisi
awal.

Melakukan perhitungan :
Mendapatkan pembebanan pembangkitan
optimum

Hasil analisis dan

perhitungan

Membandingkan
perhitungan diatas dengan
real sistem.
kesimpulan

selesai

Gambar 3. Diagram alir perhitungan

IV. HASIL DAN PEMBAHASAN

Dari hasil perhitungan yang dilakukan didapat hasil optimasi untuk kelima pembangkit listrik
menggunakan metode PSO sebagai berikut :

Tabel 1. Total pembangkitan metode PSO (MW)

P-IB P-II P-III P-IV STG-BB Total beban

7,9065 3,1309 3,1309 3,1309 16,9505 34,25
8,3924 3,6175 3,6175 3,6175 17,4350 36,68
8,4484 3,6735 3,6735 3,6735 17,4908 36,96
8,5024 3,7276 3,7276 3,7276 17,5446 37,23
8,5824 3,8077 3,8077 3,8077 17,6244 37,63
 Dengan cara yang sama, namun hanya 4 GTG pusri yang beroperasi . total pembangkitan untuk riil
sistem adalah sebagai berikut :

Tabel 2. Total pembangkitan riil sistem(MW)

GTG-IB P-II P-III P-IV Total beban

11,2252 7,6749 7,6749 7,6749 34,25
12,0216 8,2194 8,2194 8,2194 36,68
12,1135 8,2822 8,2822 8,2822 36,96
12,2018 8,3427 8,3427 8,3427 37,23
12,3329 8,4323 8,4323 8,4323 37,63

Sedangkan untuk total biaya pembangkitan

menggunakan metode PSO dan riil sistem adalah sebagai berikut :

Tabel 3. Total biaya pembangkitan metode PSO Tabel 4. Total biaya pembangkitan riil sistem

Total beban (MW) Optimasi PSO Total beban (MW) Riil sistem
(Rp/jam) (Rp/jam)
34,25 21,318,678 34,25 27,735,542
36,68 23,164,415 36,68 28,344,924
36,96 23,371,718 36,96 28,682,718
37,23 23,570,566 37,23 29,014,169
37,63 23,863,258 37,63 29,565,607

Sedangkan untuk total penghematan biaya antara metode PSO dengan riil sistem adalah sebagai berikut :
Tabel 5. Total penghematan metode PSO dan rill sistem

Total beban (MW) Riil sistem Metode PSO Total penghematan (Rp/jam)
(Rp/jam) (Rp/jam)
34,25 27,735,542 21,318,678 6,416,864
36,68 28,344,924 23,164,415 5,180,509
36,96 28,682,718 23,371,718 5,311,112
37,23 29,014,169 23,570,566 5,443,602
37,63 29,565,607 23,863,258 5,702,348

Berikut ditampilkan grafik perbandingan penghematan biaya antara metode PSO dan riil sistem
 Mbtu/jam

30.000.000

29.000.000

28.000.000

27.000.000

PSO
26.000.000

25.000.000 Riil sistem

24.000.000

23.000.000

22.000.000

21.000.000

20.000.000 Beban(MW)
34,25 36,68 36,96 37,23 37,63

Gambar 4. Grafik perbandingan biaya pembangkitan

Dengan mengimplementasikan metode Particle Swarm Optimization (PSO) untuk menghitung optimasi
pembangkit (economic dispatch),diperoleh hasil pembangkitan seperti pada tabel 1. Untuk total biaya
pembangkitan menggunakan metode PSO PT.PUSRI dapat dilihat pada tabel 3. Hasil perhitungan biaya
pembangkitan metode PSO selanjutnya dibandingkan dengan data riil sistem pembangkitan PT.PUSRI yang
dapat dilihat pada gambar 4. Hasil perhitungan PSO memberikan performansi solusi yang lebih baik
dibandingkan dengan riil sistem dengan variasi daya yang dibangkitkan sama yaitu sebesar 34.25(MW) sampai
dengan 37.63(MW). Penghematan biaya yang di dapat dari perbandingan antara metode PSO dengan riil sistem
dapat dilihat pada tabel 5. Metode PSO dapat menghemat biaya sebesar Rp. 5,180,509 sampai dengan Rp.
6,416,864pada pembebanan 34,25(MW) sampai dengan 37,63(MW).

V. KESIMPULAN DAN SARAN

A. KESIMPULAN
Berdasarkan perhitungan dan analisis yang telah dilakukan, maka dapat disimpulkan beberapa hal sebagai
berikut :
1. Metode Particle Swarm Optimization (PSO) dapat digunakan untuk solusi dari masalah economic
dispatch pembebanan optimal pada unit pembangkit listrik PT.PUSRI Palembang.
2. Dari hasil perhitungan, metode optimasi PSO menunjukan performa yang lebih baik untuk masalah
optimasi economic dispatch di PT.PUSRI Palembang. Ini dapat dilihat dari hasil perbandingan dengan
riil sisitem pembangkitan PT.PUSRI.
3. Penghematan biaya yang di dapat dari perbandingan antara metode PSO dengan riil sistem sebesar
Rp. 5,180,509 sampai dengan Rp. 6,416,864 pada pembebanan 34,25(MW) sampai dengan
37,63(MW).

B. SARAN
Dapat dikembangkan metode optimasi economic dispatch dengan metode optimasi lainnya seperti metode
Simulated Annealing Algorithm (SAA), Algoritma Genetik (GA), Tabu Search Algorithm, Neural Network,
Extended Quadratic Interior Point, Ant Colony dan lain - lain untuk melihat performa dari masing-masing
metode optimasi. Dengan tujuan mendapatkan daya optimal dan biaya pembangkitan yang paling minimal .
 DAFTAR PUSTAKA

Adrianti. (2010). Penjadwalan Ekonomis Pembangkit Thermal Dengan Memperhitungkan Rugi Rugi Saluran
Transmisi Menggunakan Metode Algoritma Genetik. Jurnal Universitas Andalas.

Komsiyah, S. (2012). Perbandingan Metode Gaussian Particle Swarm Optimization (Gpso) Dan Lagrange
Multiplier Pada Masalah Ekonomic Dispatch. Mathematics & Statistics Department, School Of
Computer Science, Binus University, Jakarta Barat.

Krisnandi, I., Dayawati, R. N., & Mubarok, M. S. (2013). Particle Swarm Optimization Untuk Permasalahan
Unit Commitment Pada Pembangkit Listrik. Tugas Akhir.

Nadjamuddin, H. (2011). Bahan Ajar Perancangan Pembangkitan Tenaga Listrik Tenaga Listrik. Universitas
Hasanuddin Makassar.

Saadat, H. (1999). Power Sistem Analysis. Wcb Mcgraw Hill, Singapore.

Santosa, B. (2011). Particle Swarm Optimization. Jurnal, Institut Teknologi Surabaya.

Santosa, B., & Willy, P. (2011). Particle Swarm Optimization (Pso), Metoda Metaheuristik, Konsep Dan
Implementasi. Graha Ilmu, Surabaya.

Setyawan, A. R. (2011). Optimasi Biaya Operasi Pembangkit Sistem Lampung Menggunakan Pso (Particle
Swarm Optimization). Skripsi Universitas Lampung, Bandar Lampung.

Syafi'i, & Delima. (2016). Operasi Ekonomis Dan Unit Commitment Pembangkit Thermal Pada Sistem
Kelistrikan Jambi. Jurnal.

Teguh, M. S., & Purnomo, H. M. (2009). Modified Improved Particle Swarm Optimaztion For Optimal
Generator Scheduling. Jurnal.

Vertiyani, A. (2013). Optimasi Penjadwalan Pembangkit Termis Pada Sistem Kelistrikan Lampung
Menggunakan Metode Pso (Particle Swarm Optimization). Tugas Akhir.

Wantoro, B. S., Hermawan, & Handoko, S. (2012). Particle Swarm Optimization Untuk Optimasi Penjadwalan
Penjadwalan Pembebanan Pada Unit Pembangkit Pltg Di Pltgu Tambak Lorok. Tugas Akhir Universitas
Diponegoro.

Wikarsa, M. T. (2010). Study Analysis Operasi Sistem Pembangkit Listrik. Tugas Akhir, Universitas Indonesia.