Anda di halaman 1dari 10

Akhir Sujono, HM Hartono/ Setrum - (2019) 1-10

SETRUM Article In Press


Sistem Kendali-Tenaga-Elektronika-Telekomunikasi-Komputer
Volume - , No. -, Juli 2019 p-ISSN : - / e-ISSN : -

Optimasi Penempatan Distributed Generation Informasi Artikel


(DG) untuk Mengurangi Rugi-Rugi Daya dan Naskah Diterima :
Perbaikan Profil Tegangan Menggunakan Direvisi :
Algoritma Genetika Disetujui :

Akhir Sujono1, HM Hartono2. *Korespodensi Penulis :


sujonoakhir6@gmail.com

1
Jurusan Teknik Elektro, Fakultas Teknik, Universitas Sultan
Ageng Tirtayasa, Cilegon, Banten.
Graphical abstract Abstract
Developments in the electric power system are needed to optimize the quality and
Mulai quantity of electricity supply. One of the development of electric power systems is
in the presence of a distributed generation (DG) which is a small capacity
generator installed in a distribution system [4] [5]. One of the important things in
the discussion of DG is the determination of the location or placement of DG. The
Baca Data DG optimal placement of DG can reduce the value of power losses and improve the
voltage profile. In optimizing DG placement, one of them can use genetic
algorithms which are algorithms that try to apply natural evolutionary
understanding to problem solving tasks. In this study DG was placed on 28, 40, 50,
71, 73 buses with capacities of 47, 48, 26, 45, 23 kW, and capacitors with a
Bangkitkan Populasi Awal capacity of 54, 98, 85, 93.76 kVAR. The value of the power loss after the DG
placement is 91,799 kW 107,817 kVAR. Whereas the system without DG is 102,627
kW 120,463 kVAR. And the voltage profile on the KREA bus has improved from
18.77 kV to 19.904 kV.
Keywords: Distributed Generation, Genetic Algorithm, Power Losses, Voltage
Fitness Objektif Optimal dari Profile
DG

Abstrak
Reproduksi dan Crossover untuk Diperlukan perkembangan pada sistem tenaga listrik untuk mengoptimalkan
Menghasilkan Individu Baru kualitas dan kuantitas ketersediaannya energi listrik. Salah satu pengembangan
sistem tenaga listrik adalah dengan adanya distributed generation (DG) yang
merupakan pembangkit berkapasitas kecil yang dipasang pada sistem
distribusi[4][5]. Salah satu hal penting dalam pembahasan DG adalah penentuan
letak atau penempatan DG. Penempatan DG yang optimal dapat mengurangi nilai
rugi-rugi daya dan memperbaiki profil tegangan. Dalam mengoptimasi penempatan
Bangkitkan Populasi Baru DG salah satunya dapat menggunakan algoritma genetika yang merupakan
algoritma yang berusaha menerapkan pemahaman evolusi alamiah pada tugas-
tugas pemecahan masalah. Pada penelitian ini DG ditempatkan pada bus 28, 40, 50,
71, 73 dengan kapasitas 47, 48, 26, 45, 23 kW, serta kapasitor dengan kapasitas 54,
98, 85, 93,76 kVAR. Nilai rugi daya setelah adanya DG adalah 91,799 kW 107,817
Kriteria Tidak kVAR. Sedangkan sistem tanpa DG adalah 102,627 kW 120,463 kVAR. Dan profil
Terpenuhi tegangan pada bus KREA mengalami perbaikan dari 18,778 kV menjadi 19,904
kV.
Kata kunci: Distributed Generation, Algoritma Genetika, Rugi-Rugi Daya, Profil
Ya
Tegangan

Selesai

© 2019 Penerbit Jurusan Teknik Elektro UNTIRTA Press. All rights reserved

1. PENDAHULUAN
Energi listrik merupakan suatu bentuk energi yang sangat vital dibutuhkan oleh manusia pada
masa modern ini. Seiring dengan berkembangnya teknologi dan informasi, hampir seluruh aktivitas
manusia ditopang oleh energi listrik sebagai sumber utamanya, sehingga saat ini penyedia energi
Creative Commons Attribution-NonCommercial 4.0
International License.
Akhir Sujono, HM Hartono/ Setrum - (2019) 1-10

listrik dituntut mampu menyediakan suplai energi listrik yang cukup dan berkualitas. Berbagai upaya
untuk meningkatkan kualitas dan kuantitas energi listrik senantiasa dilakukan oleh pihak penyedia
untuk memenuhi permintaan dan kebutuhan listrik yang terus meningkat, baik pada sisi
pembangkitan, transmisi, distribusi, hingga inovasi peralatan konsumen yang lebih menghemat listrik.
Salah satu pengembangan sistem tenaga listrik adalah Distributed Generation (DG), yang merupakan
pembangkit berkapasitas kecil yang terletak pada sistem distribusi [4] [5] [6] [7].
Sistem distribusi merupakan bagian dari sistem tenaga listrik yang berfungsi untuk menyalurkan
dan mendistribusikan daya listrik yang berasal dari pusat pembangkit ke konsumen [4] [5] [8].
Pertumbuhan beban yang terus meningkat, mengharuskan sistem distribusi mampu memberikan
penyaluran daya listrik yang cukup dan sesuai dengan permintaan daya listrik yang dibutuhkan oleh
konsumen.
Berdasakan beberapa penelitian tedahulu, pemasangan DG pada lokasi dan kapasitas yang tepat
dapat mempengaruhi nilai rugi daya dan profil tegangan sistem distibusi tenaga listrik. Untuk
mengoptimalkan letak suatu DG diperlukan suatu metode yang mampu menyelesaikan permasalahan
tersebut. Pada tugas akhir ini akan dibahas tentang optimasi penempatan distributed generation (DG)
pada jaringan distribusi dengan metode algoritma genetika di Sistem Distribusi Penyulang Narimbang
– Banten.

2. TINJAUAN PUSTAKA
2.1 Distributed Generation
DG sering disebut dengan on-site generation, dispersed generation, embedded generation,
decentralized generation, atau distributed energy [6]. Secara mendasar, DG menghasilkan energi
listrik dari beberapa sumber energi yang bekapasitas kecil dan dihubungkan langsung pada jaringan
distribusi. Adapun sumber energi tersebut berasal dari sumber energi terbarukan. Diantaranya adalah
turbin angin, tenaga air berskala kecil atau mikrohidro, biomassa, photovoltaic (PV) atau sel surya
(solar cell), dan fuel cell.
Distributed Generation memiliki rating maksimum yang dapat dikoneksikan pada sebuah sistem
distribusi tergantung pada kapasitas dari sistem distribusi tersebut. Meskipun tidak ada ketentuan yang
pasti untuk menentukan klasifikasi tingkat dari Distributed Generation, namun berdasarkan besar
daya yang dihasilkan, dapat disimpulkan bahwa klasifikasi Distributed Generation dibagi atas [4] [5]
[6]:
1. Micro, 1 Watt sampai dengan < 5 kW
2. Small, 5 kW sampai dengan < 5 MW
3. Medium, 5MW sampai dengan 50 MW
4. Large, 50 MW sampai dengan 300 MW

2.2 Algoritma Genetika


Algoritma genetika adalah algoritma yang berusaha menerapkan pemahaman mengenai evolusi
alamiah pada tugas-tugas pemecahan masalah. Pendekatan yang diambil oleh algoritma genetika ini
adalah dengan menggabungkan secara acak sebagai pilihan solusi terbaik didalam satu kumpulan
untuk mendapatkan generasi solusi terbaik berikutnya yaitu pada suatu kondisi yang memaksimalkan
kecocokannya atau biasa disebut fitness [4] [5] [12] [23]. Pada akhirnya akan didapatkan solusi-solusi
yang paling tepat bagi permasalahan yang dihadapi. Untuk menggunakan algoritma genetika, solusi
permasalahan direpresentasikan sebagai kromosom. Berikut ada beberapa aspek penting untuk
penggunaan algoritma genetika, yaitu [4] [13] [23]:
1. Definisi fungsi fitness
2. Definisi dan implementasi representasi genetik
3. Definisi dan implementasi operasi genetic
Secara umum struktur algoritma genetika adalah sebagai berikut [11] [13] :
a. Membangkitkan populasi awal
Popluasi awal ini dibangkitkan secara random sehingga didapatkan solusi awal. Populasi ini terdiri
dari sejumlah kromosom yang merepresentasikan solusi yang diinginkan
b. Membentuk generasi baru

Creative Commons Attribution-NonCommercial 4.0


International License.
Akhir Sujono, HM Hartono/ Setrum - (2019) 1-10

Proses pembentukan generasi baru menggunakan operator seleksi, crossover dan mutasi. Proses ini
dilakukan berulah-ulang sehingga didapatkan jumlah kromosom yang cukup untuk membentuk
generasi baru dimana generasi baru ini merupakan representasi dari solusi baru.
c. Evaluasi solusi
Pada setiap generasi, kromosom akan melalui proses evaluasi dengan menggunakan alat ukur yang
dinamakan fitness. Nilai fitness suatu kromosom menggambarkan kualitas kromosom dalam populasi
tersebut. Proses ini akan mengevaluasi setiap populasi dan menghitung nilai fitness setiap kromosom
dan mengevaluasinya sampai kriterianya terpenuhi.

3. METODE PENELITIAN
3.1 Metode Penelitian
Secara garis besar, penelitian dilakukan secara bertahap seperti yang akan dijelaskan sebagai
berikut:
1. Tahap persiapan. Dalam tahap ini melakukan estimasi komponen apa saja yang diperlukan untuk
mengoptimasi penempatan distributed generation (DG) serta menentukan alat yang digunakan.
2. Studi literatur terhadap objek dan penelitian. Mengumpulkan dan mempelajari literatur tentang
metode algoritma genetika, distributed generation dan kapasitor pada sistem distribusi radial
untuk memperbaiki rugi-rugi daya dan profil tegangan.
3. Pengumpulan data. Mencari dan mengumpulkan data resistansi dan reaktansi saluran yang
digunakan dalam sistem distribusi radial serta data pembebanan dari PT. PLN APJ
Rangkasbitung.
4. Menentukan jumlah DG dan kapasitor. Menentukan jumlah dari distributed generation (DG) dan
kapasitor yang akan dipasang pada sistem agar mampu memperbaiki rugi-rugi daya dan tegangan
pada sistem distribusi. Pada penelitian ini dilakukan penempatan sebanyak 5 buah DG dan
kapasitor.
5. Menentukan penempatan dan kapasitas DG dan kapasitor. Menentukan penempatan dan
kapasitas DG dan kapasitor menggunakan metode algoritma genetika pada sistem distribusi
radial sehingga mampu memperbaiki rugi-rugi daya dan profil tegangan. Pada penelitian ini
penempatan DG dan kapasitor ditempatkan pada bus yang sama, dengan kapasitas DG maksimal
50 kW dan 100 kVAR untuk kapasitas maksimal kapasitor.
6. Melakukan pengujian. Pengujian dilakukan dengan menjalankan program algoritma genetika
MATLAB, kemudian hasilnya digunakan sebagai referensi untuk membuat single line diagram
pada ETAP. Pengujian dilakukan dengan 3 (tiga) skenario, yaitu sistem dengan tanpa DG, sistem
dengan DG hasil algoritma genetika, dan sistem dengan penempatan DG secara acak.
7. Analisis data. Analisis data dilakukan setelah mendapatkan data hasil program MATLAB dan
ETAP untuk tiga skenario pada sistem, kemudian membandingkan semuanya dari sisi rugi-rugi
daya dan jatuh tegangan.
8. Pengambilan kesimpulan. Penarikan kesimpulan diambil dari hasil analisis yang telah didapatkan
dari data uji program pada tiga skenario sistem jaringan distribusi radial Penyulang Narimbang,
sehingga didapatkan hasil bagaimana pengaruh penempatan DG menggunakan algoritma
genetika terhadap rugi-rugi daya dan profil tegangan jaringan distribusi radial Penyulang
Narimbang.

3.2 Diagram Alir Penelitian


Secara sederhana proses optimasi penempatan DG menggunakan algoritma genetika
digambarkan melalui diagram alir pada Gambar 1. Dimulai dengan memasukkan data saluran dan
data beban serta merepresentasikan model Penyulang Narimbang kedalam sebuah single line
diagram. Kemudian membangkitkan populasi awal, dan menentukan nilai fitness. Selanjutnya
melakukan tukar silang atau crossover yang ditindaklanjuti dengan membentuk populasi baru. Dan
pada akhirnya akan didapatkan posisi penempatan serta kapasitas DG dan kapasitor. Setelah proses ini
dilakukan, maka selanjutnya kembali merepresentasikan hasil optimasi kedalam satu single line
diagram yang sudah ditambahkan DG dan kapasitor berdasarkan hasil optimasi tersebut, dan dapat
dianalisis pengaruhnya terhadap nilai rugi daya dan perubahan profil tegangan yang terjadi sebelum
dan setelah adanya DG dan kapasitor hasil optimasi algoritma genetika.

Creative Commons Attribution-NonCommercial 4.0


International License.
Akhir Sujono, HM Hartono/ Setrum - (2019) 1-10

Mulai

Baca Data DG
Mulai

Bangkitkan Populasi Awal


Perumusan Masalah

Studi Literatur Fitness Objektif Optimal dari


DG

Identifikasi Data yang


Reproduksi dan Crossover untuk
Dibutuhkan Menghasilkan Individu Baru

Penerapan Penempatan dan Penentuan Kapasitas


DG & Kapasitor Menggunakan Algoritma
Genetika Bangkitkan Populasi Baru

Analisis Hasil
Kriteria Tidak
Terpenuhi
Kesimpulan
Ya

Selesai Selesai

a b
Gambar 1. (a) Diagram Alir Penelitian, (b) Optimasi Algoritma Genetika

3.3 Perancangan Penelitian


Langkah awal yang dilakukan pada proses optimasi ini adalah dengan memasukkan data yang
diperlukan. Data yang diperlukan sebagai inputan awal MATLAB adalah data saluran yang terdiri
dari nilai resistansi dan reaktansi saluran, serta data beban sistem 87 bus Penyulang Narimbang yang
meliputi beban daya aktif dan reaktif. Kemudian pemodelan single line diagram penyulang
direpresentasikan pada program ETAP. Nilai spesifikasi data saluran dan data beban pada program
ETAP ini juga mengacu pada data awal yang dimasukkan pada MATLAB. selanjutnya akan
dilakukan proses analisis aliran daya untuk mengetahui nilai rugi-rugi daya dan profil tegangan yang
terjadi pada sistem.

Gambar 2. Load Flow Analysis ETAP


Creative Commons Attribution-NonCommercial 4.0
International License.
Akhir Sujono, HM Hartono/ Setrum - (2019) 1-10

4. HASIL DAN PEMBAHASAN


4.1. Hasil Optimasi Algoritma Genetika
Keluaran dari optimasi yang dilakukan pada MATLAB adalah posisi penempatan pada bus mana
DG dan kapasitor akan diletakkan, serta ukurannya. Kemudian nilai ini yang akan ditambahkan
kedalam single line diagram ETAP dan kembali melakukan analisis aliran daya untuk mengetahui
nilai rugi daya dan profil tegangan pada sistem setelah ditambahkan DG dan kapasitor hasil optimasi.
Pada pengujian ini dilakukan sepuluh kali skenario pengujian, dan diambil satu skenario terbaik yang
akan dibandingkan dengan sistem tanpa DG dan sistem dengan penambahan DG namun ditambahkan
secara acak.

Val (:,:,1) =
Row 1-22
0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
Row 23-44
0 0 0 0 0 1 0 0 0 0 0
0 0 0 0 0 0 1 0 0 0 0
Row 44-65
0 0 0 0 0 0 1 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0
Row 65-87
0 0 0 0 0 0 1 0 1 0 0 0
0 0 0 0 0 0 0 0 0 0 0

Val (:,:,2) =
Row 1-22
0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
Row 23-44
0 0 0 0 0 47 0 0 0 0 0
0 0 0 0 0 0 48 0 0 0 0
Row 44-65
0 0 0 0 0 0 26 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0
Row 65-87
0 0 0 0 0 0 45 0 23 0 0 0
0 0 0 0 0 0 0 0 0 0 0

Val (:,:,3) =
Row 1-22
0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0
Row 23-44
0 0 0 0 0 54 0 0 0 0 0
0 0 0 0 0 0 98 0 0 0 0
Row 44-65
0 0 0 0 0 0 85 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0
Row 65-87
0 0 0 0 0 0 93 0 76 0 0 0
0 0 0 0 0 0 0 0 0 0 0

Dari populasi yang dibangkitkan dan sudah melalui proses algoritma genetika tersebut, val (:,:,1)
merupakan lokasi atau posisi penempatan DG dan kapasitor, val (:,:,2) merupakan kapasitas DG, dan
val (:,:,3) adalah nilai kapasitas kapasitor. Berdasarkan optimasi tersebut penempatan DG terdapat
pada bus 28 dengan kapasitas DG sebesar 47 kW dan 54 kVAR kapasitor. Bus 40 dengan 48 kW dan
98 kVAR, bus 50 sebesar 26 kW dan 85 kVAR, bus 71 dengan 45 kW dan 93 kVAR, dan pada bus 73
dengan kapasitas 23 kW dan 76 kVAR. Populasi tersebut merupakan percobaan ke delapan pada
optimasi algoritma genetika. Hasil optimasi pada scenario ke delapan ini selanjutnya dibandingkan
dengan nilai rugi-rugi daya dan profil tegangan sebelum adanya penempatan DG, dan sistem dengan
adanya penambahan DG dan kapasitor namun tanpa optimasi atau ditempatkan secara acak.

Creative Commons Attribution-NonCommercial 4.0


International License.
Akhir Sujono, HM Hartono/ Setrum - (2019) 1-10

Tabel 1. Lokasi dan Ukuran DG Hasil Optimasi


Kapasitas Kapasitas
Posisi Posisi
Skenario DG Kapasitor ID Skenario DG Kapasitor ID
Bus Bus
(kW) (Kvar) (kW) (Kvar)
38 49 56 MKXA 58 32 5 BJKA
51 42 41 MKRA 61 35 26 ICK
1 52 23 83 CPG 6 62 35 36 MAK
56 50 52 BOK 70 27 22 JAT
58 46 74 BJKA 76 45 37 NGS
29 40 93 NMG 20 21 30 NSRA
38 9 52 MKXA 59 34 86 BJK

2 49 31 91 BBMA 7 63 44 90 BMX
63 33 39 BMX 79 42 49 CGG
80 37 82 PMM 85 24 7 MRGN
23 47 51 KSJ 28 47 54 NDK
33 12 26 CTN 40 48 98 DCU
3 40 38 99 DCU 8 50 26 85 COB
70 18 75 JAT 71 45 93 CEE
76 6 60 NGS 73 23 76 DUH
5 10 51 KPPN 10 14 53 CSKA
35 48 39 PBA 31 47 17 NMXA
4 50 29 61 COB 9 45 39 10 PUS
65 36 40 BMC 50 44 52 COB
81 43 92 CBR 75 49 76 PPD
12 11 80 NRB 9 34 28 CSKB
26 50 28 NMGA 32 31 94 CIY
5 41 36 66 DCLA 10 44 28 69 BSR
52 21 50 CPG 57 49 90 PBK
68 47 95 BNU 60 32 98 TRS

4.2. Perbandingan Rugi Daya dan Profil Tegangan Sebelum dan Setelah Penempatan DG
Perbandingan Sebelum dan Setelah Penambahan DG
12

10
P Losses (kW)

6
Tanpa DG
4
Optimasi DG
2

0
T32

Z4
Z2

Z6
Z8

Z35
Z10
Z12
Z14
Z16
Z18
Z20
Z22
Z24
Z26
Z28
Z30
Z33

ID Bus

Gambar 3. Perbandingan Rugi Daya Aktif Sebelum dan Setelah Penambahan DG

Creative Commons Attribution-NonCommercial 4.0


International License.
Akhir Sujono, HM Hartono/ Setrum - (2019) 1-10

Grafik pada gambar 3 tersebut menunjukkan nilai rugi daya aktif (P Losses) yang terjadi sebelum
dan sesudah dipasang DG. Grafik batang berwarna biru menunjukkan rugi daya sebelum adanya
penambahan DG dan kapasitor, dan grafik batang merah menunjukkan rugi daya setelah adanya
penempatan DG dan kapasitor. Memperhatikan grafik tersebut secara umum nilai grafik batang merah
selalu lebih rendah dibanding grafik batang warna biru. Ini menunjukkan bahwa nilai rugi daya aktif
setelah adanya penempatan DG lebih baik dibandingkan sebelum adanya penambahan DG karena
nilainya lebih rendah.
Perbandingan Sebelum dan Setelah Penambahan DG
14
12
Q Losses (kVAR)

10
8
6 Tanpa DG
4 Optimasi DG
2
0
T32
Z2
Z4
Z6
Z8

Z16
Z10
Z12
Z14

Z18
Z20
Z22
Z24
Z26
Z28
Z30
Z33
Z35
Z37
ID Bus

Gambar 4. Perbandingan Rugi Daya Reaktif Sebelum dan Setelah Penambahan DG

Dalam bentuk nilai angka dapat dibandingkan nilai rugi daya reaktif yang terjadi pada beberapa bus.
Dari bus IDN ke KSJ nilai rugi daya reaktif sebelum adanya penambahan DG dan kapasitor adalah
sebesar 10,017 kVAR, sedangkan setelah adanya penambahan DG berubah menjadi lebih sebesar
8,854 kVAR. Keduanya memiliki nilai yang berbeda dengan selisih hingga 1,163 kVAR. Pada bus
lain seperti dari bus NMGB ke bus IDN nilai rugi daya sebelum adanya penambahan DG adalah
sebesar 9,835 kVAR, dan setelah ditambahkan DG turun menjadi 8,689 kVAR.

Tabel 2 Perbandingan Rugi Daya Sebelum dan Setelah Penambahan DG


Tanpa DG Optimasi DG
ID From Bus To Bus
P Losses Q Losses P Losses Q Losses
Z1 RCE RCEA 2.827 3.257 2.609 3.006
Z2 RCEA BAR 0.008 0.009 0.008 0.009
Z3 BAR CPD 0.004 0.004 0.004 0.004
Z4 RCEA KPPN 5.524 6.365 5.069 5.841
Z14 PAM KPP 0.004 0.005 0.004 0.005
Z15 ADM PAM 4.596 5.295 4.141 4.77
Z16 KPPA ADM 2.868 3.305 2.583 2.976
Z17 LBH KPPA 4.425 5.098 3.979 4.584
Z22 KSJ LBH 10 11.524 8.843 10.191
Z23 IDN KSJ 8.691 10.017 7.682 8.854
Z24 NMGB IDN 8.533 9.835 7.539 8.689
Z34 CTS NMX 6.066 6.991 5.289 6.096
Z35 NMX PBA 0.001 0.001 0.001 0.001
Z47 PUS PNN 0.003 0.003 0.003 0.003
Z48 MKR MKS 0.046 0.053 0.034 0.04
… … … … … … …
Total Losses 102,627 120,463 91,799 107,817
Creative Commons Attribution-NonCommercial 4.0
International License.
Akhir Sujono, HM Hartono/ Setrum - (2019) 1-10

Parameter lain yang ditinjau sebagai pembanding adalah nilai profil tegangan. Perbandingan
keduanya dapat dilihat pada gambar 5. Memperhatikan grafik tersebut, garis merah nilainya diatas
garis biru hampir untuk semua bus. Ini menunjukkan bahwa profil tegangan setelah adanya
penambahan DG dengan optimasi lebih baik. Seperti pada bus KREA yang memiliki nilai profil
tegangan paling rendah, Sebelum adanya penambahan DG nilai tegangannya sebesar 18,778 kV dan
setelah adanya penempatan DG nilainya membaik menjadi 18,904 kV. Dengan penambahan DG
dapat memperbaiki profil tegangan bus tersebut sebesar 0,126 kV.

Perbandingan Profil Tegangan


20.5
20
19.5
19
18.5
18

Tanpa DG Optimasi DG

Gambar 5. Perbandingan Profil Tegangan Sebelum dan Setelah Penambahan DG

4.3. Penambahan DG Secara Acak

Perbandingan Profil Tegangan

20.2
20
19.8
19.6
Profil Tegangan

19.4
19.2
19 Optimasi DG
18.8 Acak DG
18.6
18.4 Tanpa DG
18.2
18
20 KV BUS T2…

BAR

BMX

BOK
BMC
BMM

BRU

KRE
BUT
CBR
BBM

BJK
BBMA

BJKA

BNU

KREA
ADM

Gambar 6. Perbandingan Profil Tegangan Sebelum Penambahan DG, Penambahan DG Hasil


Optimasi, dan Penambahan DG Secara Acak

Memperhatikan grafik tersebut, penambamban DG pada sistem terbukti dapat memperbaiki


profil tegangan baik ditempatkan secara acak maupun ditempatkan menggunakan optimasi. Namun
perbaikan profil tegangan terbaik adalah ketika penambahan DG menggunakan hasil optimasi. Hal
yang sama juga terjadi untuk parameter mengurangi rugi daya, hasil optimasi DG adalah yang terbaik.
Dapat dilihat pada nilai rugi daya yang terjadi pada sistem mengalami pengurangan sebesar 10,828
kW 12,646 kVAR. Serta pada bus KREA mengalami perbaikan profil tegangan sebesar 1,126 kV.
Creative Commons Attribution-NonCommercial 4.0
International License.
Akhir Sujono, HM Hartono/ Setrum - (2019) 1-10

Tabel 3. Perbandingan Rugi Daya Seluruh Pengujian


Sebelum Setelah Optimasi Acak Penempatan
Penempatan DG Penempatan DG DG
Total P Losses 102,627 kW 91,799 kW 96,996 kW
Total Q Losses 120,463 kVAR 107,817 kVAR 113,8 kVAR
Profil Tegangan Bus
18,778 kV 19,904 kV 18,82 kV
KREA

5. KESIMPULAN DAN SARAN


5.1 Kesimpulan
1. Optimasi penempatan DG (Distributed Generation) pada Jaringan Distribusi Penyulang
Narimbang menggunakan algoritma genetika menghasilkan penempatan pada bus 28 (NDK), 40
(DCU), 50 (COB), 71 (CEE), 73 (DUH) dengan ukuran DG sebesar 47 kW, 48 kW, 26 kW, 45
kW, dan 23 kW, serta ukuran kapasitor sebesar 54 Kvar, 98 kVAR, 85 kVAR, 93 kVAR, 76
kVAR.
2. Setelah dilakukan optimasi penempatan DG menggunakan algoritma genetika, didapatkan nilai
rugi-rugi daya sebesar 91,799 kW dan 107,817 kVAR. Sedangkan sebelum adanya penempatan
DG nilai rugi-rugi dayanya adalah sebesar 102,627 kW dan 120.463 kVAR. Hal ini
membuktikan bahwa dengan adanya penempatan DG menggunakan algoritma genetika dapat
menurunkan nilai rugi-rugi daya baik daya aktif maupun daya reaktif.
3. Terdapat perbaikan profil tegangan setelah adanya optimasi penempatan DG menggunakan
algoritma genetika pada setiap bus. Pada bus KREA mengalami perbaikan profil tegangan
sebesar 0,126 kV, dimana sebelum dipasang DG nilai tegangan pada bus tersebut sebesar 18,778
kV.

5.2 Saran
1. Diharapkan dapat melakukan optimasi penempatan yang dilakukan dengan menempatkan DG
dan kapasitor pada bus yang berbeda.
2. Dapat melakukan tindaklanjut dengan menghitung optimasi biaya untuk penambahan DG dan
kapasitor.

REFERENSI
[1] R. S. H. N. P. S. Rosalind Fawnia Margeritha, "Analisis Penyambungan Distributed Generation
Guna Meminimalkan Rugi-Rugi Daya Menggunakan Metode Particle Swarm Optimization
(PSO)," Teknologi Elektro, vol. 16, no. 03, pp. 2-4, 2017.
[2] N. I. Luthfi, "Optimasi Penempatan Distributed Generation pada IEEE 30 Bus System
Menggunakan Bee Colony Algorithm," TRANSIENT, vol. II, no. 3, p. 2, 2013.
[3] N. H. Sabila, "Optimasi Penempatan Pembangkit Terdistribusi pada IEEE 30 Bus System
Menggunakan Algoritma Genetika," TRANSIENT, vol. II, pp. 2-4, 2013.
[4] A. S. B. S. K. Dony Kurniyawan Tabarok, "Optimasi Penempatan Distributed Generation (DG)
dan Kapasitor pada Sistem Distribusi Radial Menggunakan Metode Genetic Algorithm (GA)
(Studi Kasus pada Penyulang Watu Ulo Jember)," Berkala Saintek, Vols. ISSN : 2339-0069, pp.
3-5, 2017.
[5] A. S. T. H. Siti Muntowifah, "Optimasi Penempatan DG (Distributed Generation) Pada Jaringan
Distribusi Sistem Radial Menggunakan GA (Genetic Algorithm) di Penyulang Watu Ulo
Jember," Artikel Ilmiah Hasil Penelitian Mahasiswa, vol. I, pp. 2-3, 2014.
[6] T. Ackermann, "Distributed Generation : a Definition," Electric Power Systems Research, vol.
57, pp. 2-4, 2001.
[7] M. Nizam, "Pembangkit Listrik Terdistribusi (Distributed Generation) Sebagai Upaya
Pemenuhan Kebutuhan Energi Listrik di Indonesia," Kanika, vol. VII, no. 1, pp. 2-3, 2008.
[8] S. Y. Syafii, "Analisa Pengaruh Integrasi Pembangkit Tersebar dalam Sistem Komposit," Jurnal
Creative Commons Attribution-NonCommercial 4.0
International License.
Akhir Sujono, HM Hartono/ Setrum - (2019) 1-10

Nasional Teknik Elektro, vol. III, no. ISSN 2302, pp. 1-2, 2014.
[9] H. D. L. P. N. Syukri Yunus, "Memperbaiki Tegangan dan Rugi-rugi Daya pada Sistem
Transmisi dengan Optimasi Penempatan Kapasitor Menggunakan Algoritma Genetika," Vols.
IISN : 2302 - 2949, pp. 2-4, 2016.
[10] E. P. Madruga, "Analysisi of Transient Stability in Distribution System With Distributed
Generation," Electrical Power and Energy Systems, p. 1, 2018.
[11] R. Firmansyah, "Aplikasi Algoritma Genetik untuk Perbaikan Tegangan Saluran 20 KV di
Sekitar Wilayah PLTN," Lokakarya Komputasi dalam Sains, p. 3, 2012.
[12] I. M. Mataram, "Algoritma Genetika pada Sistem Tenaga Listrik," Fakultas Teknik Universitas
Udayana , Bukit Jimbaran , 2017.
[13] Carwoto, "Implementasi Algoritma Genetika untuk Optimasi Penempatan Kapasitor Shunt pada
Penyulang Distribusi Tenaga Listrik," Jurnal Teknologi Informasi DINAMIK, vol. XII, p. 2,
2017.
[14] J. S. H. Fa'ano Hia, "Optimasi Kapasitas DG pada Sistem Distribusi untuk Mengurangi Rugi
Daya Menggunakan Ant Colony Optimization," TRANSIENT, vol. IV, no. ISSN 2302-9927, pp.
2-3, 2015.
[15] M. Zainuddin, "Optimasi Injeksi Photovoltaic Distributed Generation (PVDG) Menggunakan
Metode Algoritma Genetika," JURNAL EECCIS, vol. VIII, pp. 1-5, 2014.
[16] E. P. Santoso, "Optimasi Penentuan Lokasi Kapasitor dan Distributed Generation (DG) dengan
Rekonfigurasi Jaringan untuk Meningkatkan Keluaran Daya Aktif DG pada Sistem Distribusi
Radial Menggunakan Genetic Algorithm (GA)," JRNAL TEKNIK ITS, vol. V, pp. 2-4, 2016.
[17] I. M. Wartana, "Integrasi Optimal Distributed Generator untuk Meningkatkan Performasi Sistem
dengan Teknik Optimasi Evolusi," SENATEK , Vols. ISSN 2407-7534, p. 2, 2015.
[18] R. T. Nugraha, "Analisis Rugi Rugi Daya Sistem Distribusi dengan Peningkatan Injeksi Jumlah
Pembangkit Tersebar," Publikasi Jurnal Universitas Brawijaya, p. 2, 2014.
[19] E. A. Z, "Optimasi Peletakan dan Sizing Distributed Generation (DG) Menggunakan Two Layers
Particle Swarm Optimization," Jurnal Teknik Elektro - ITATS Surabaya, p. 1.
[20] R. Fuadi, "Penentuan Lokasi DG dan Kapasitor Bank dengan Rekonfigurasi Jaringan untuk
Memperoleh Rugi Daya Minimal pada Sistem Distribusi Radial Menggunakan Algoritma
Genetika," JURNAL TEKNIK ITS, vol. V, pp. 1-3, 2016.
[21] S. R. Maulana, "Program Aliran Daya untuk Analisis Sistem Distribusi dengan Penambahan
Photovoltaic Model," Jurnal Nasional Teknik Elektro, vol. I, pp. 1-2, 2012.
[22] A. Belly, "Daya Aktif, Reaktif, Nyata," Fakultas Teknik Universitas Indonesia, 2010.
[23] Kusumadewi, Sri, “Artificial Intelligence (Teknik dan Aplikasinya)” Edisi Pertama, Penerbit
GRAHA ILMU, Yogyakarta, 2003

Creative Commons Attribution-NonCommercial 4.0


International License.