1
Optimasi Penempatan Load Break Switch
(LBS) pada Penyulang Karpan 2 Ambon
menggunakan Metode Algoritma Genetika
Hendrik Kenedy Tupan, Rini Nur Nurhasanah, Wijono
 dengan pemutus tenaga (PMT) atau Circuit Breaker
Abstrak— Seringnya pemadaman listrik di Kota
Ambon mengakibatkan kerugian baik pada konsumen
maupun PT. PLN sebagai penyedia jasa energi listrik di
Kota Ambon. Kapasitas pembangkit terpasang di Ambon
saat ini 55.072 MW dengan struktur jaringan distribusi
radial 20 kV. Guna mengatasi dampak dari seringnya
pemadaman listrik dan meningkatkan keandalan sistem,
penelitian ini mengusulkan optimasi penempatan Load
Break Switch (LBS) dengan metode Algoritma Genetika
(GA). Optimasi penempatan LBS dilakukan dengan
mensimulasikan kondisi gangguan seperti yang sering
terjadi di PLN Kota Ambon. Hasil simulasi menunjukkan
bahwa penempatan beberapa LBS setelah optimasi
memberikan total daya reaktif Q = 1.443,12 kVAR, yang
lebih kecil dibandingkan sebelum dioptimasi sebesar Q =
2.122,74 kVar. Perbandingan tingkat keandalan dengan
menggunakan indeks SAIDI (d) dan SAIFI (f) juga
menunjukkan adanya perbaikan. Hasil optimasi
penempatan LBS dengan metode GA, terjadi penurunan
indeks SAIDI (d) dari 27,16 jam/tahun menjadi 25,30
jam/tahun, dan indeks SAIFI (f) kali/tahun dari 4,14
kali/tahun menjadi 3,86 kali/tahun. Perhitungan nilai
simpangan error terhadap hasil optimasi penempatan
LBS, menunjukan bahwa nilai d dan nilai f mendekati
standar SUTM radial, untuk nilai d sebesar 20,479% dan
nilai f sebesar 20,625%. Meskipun masih belum memenuhi
standard SPLN 68-2 :1986, hal tersebut akan berdampak
pada berkurangnya frekwensi dan durasi gangguan.
Kata Kunci—Algoritma Genetika, Optimasi, LBS,
keandalan, SAIDI, SAIFI.
I. PENDAHULUAN
B ERBAGAI upaya telah dilakukan oleh PT. PLN
Kota Ambon untuk mengatasi dampak
pemadaman listrik. Salah satu upaya yang
dilakukan adalah dengan pemasangan peralatan Load
Break Switch (LBS) yang berfungsi untuk mengisolir
daerah gangguan. LBS adalah alat pemutus atau
penyambung sirkuit pada sistem distribusi listrik dalam
keadaan berbeban. LBS dapat digunakan sebagai switch
yang dapat memutus atau mengalirkan listrik ke
konsumen pada suatu daerah tertentu. LBS mirip
Hendrik Kenedy Tupan, mahasiswa Program Magister Jurusan
Teknik Elektro, Fakultas Teknik Universitas Brawijaya, Malang,
Indonesia (e-mail: h3ntup@gmail.com).
Rini Nur Nurhasanah, Dosen Teknik Elektro, Universitas
Brawijaya, Malang, Indonesia (Telp. 0341-554166; e-mail:
rini.hasanah@ub.ac.id).
Wijono, Dosen Jurusan Teknik Elektro, Fakultas Teknik,
Universitas Brawijaya, Malang, Indonesia (e-mail: wijono@ub.ac.id)
(CB) dan biasanya dipasang dalam saluran distribusi
listrik [1].
Penentuan lokasi LBS sebagai PMT ataupun CB
mempengaruhi keandalan sistem yang ada, untuk itu
perlu dilakukan optimasi penentuan lokasi LBS..
Optimasi penentuan lokasi pada penelitian ini
menggunakan metode GA. Metode GA adalah sebuah
metode untuk menyelesaikan masalah-masalah optimasi
yang didasari pada seleksi alam, yaitu proses yang
mengikuti evolusi atau perkembangan biologi. GA
bekerja secara berulang-ulang sehingga dapat merubah
sebuah populasi secara individu [3]. Metode GA telah
diterapkan secara luas untuk penyelesaian masalah
optimasi. Penggunaan GA bersifat kompetitif dan
direkomendasikan untuk memecahkan masalah optimasi
kombinatorial alamiah [2],[3]. Penelitian optimasi
terkait menggunakan GA telah berhasil memberikan
beberapa alternatif solusi dari permasalahan yang ada
[2].
Sebuah solusi GA untuk masalah Optimal Power
Flow (OPF) telah disajikan dan diterapkan pada sistem
tenaga ukuran kecil dan menengah. Keuntungan utama
dari solusi GA untuk masalah OPF adalah fleksibilitas
pemodelan seperti nonconvex unit cost functions,
prohibited unit operating zones, discrete control
variables. Kendala nonlinier juga dapat dengan mudah
dimodelkan. Keuntungan lain dari penerapan GA adalah
dapat dengan mudah dikodekan untuk bekerja pada
komputer paralel [4].
Penelitian mengenai optimasi distribusi jaringan
listrik menggunakan GA menunjukkan hasil terjadinya
penurunan sebesar 0,0574 MW atau sekitar 5,49%
terhadap rugi-rugi daya nyata yang menunjukan bahwa
pengurangan real power loss lebih lanjut dapat pula
dicapai [5].
Permasalahan optimasi dapat juga dilakukan dengan
berbagai metode lain misalnya metode Particle Swarm
Optimization (PSO), Artificial Neural Network (ANN),
Fuzzy Logic dan lainnya. Keuntungan penggunaan GA
sangat jelas terlihat dari kemudahan implementasi dan
kemampuannya untuk menemukan solusi yang dapat
diterima secara cepat untuk masalah-masalah
berdimensi tinggi [6].
Pada penelitian ini dilakukan sebuah upaya untuk
untuk mengoptimalkan penempatan 5 (lima) LBS yang
ada pada penyulang Karpan 2 Ambon menggunakan
metode GA, yang bertujuan untuk meminimalkan total
daya reaktif (terdampak), serta untuk dapat
meningkatkan keandalan sistem distribusi.
Jurnal EECCIS Vol 11, No. 1, April 2017
2
II. METODOLOGI
2.1 Parameter-parameter yang menentukan keandalan
sistem tenaga listrik adalah [7].
- Laju Kegagalan.
Laju kegagalan adalah nilai rata – rata dari jumlah
kegagalan persatuan waktu pada selang pengamatan
tertentu (T), satuan yang digunakan kegagalan
pertahun sehingga dapat ditulis sebagai berikut [7].
N
 (1)
T Mk = jumlah beban pada titik beban k (pelanggan)
dengan :
 = Laju kegagalan (kegagalan/tahun)
N= Jumlah kegagalan dalam waktu T
T= Selang waktu pengamatan (tahun)
Sedangkan untuk menentukan lama gangguan atau
ketidaktersedian tahunan rata-rata (U) merupakan
jumlah lama gangguan persatuan waktu pada selang
waktu pengangamatan (T), sehingga dapat ditulis
seperti persamaan berikut ini :
U
t (2)
T dioptimasi. Pengkodean yang lazim digunakan dalam
Dengan :
t = Lama gangguan (jam)
T = Selang waktu pengamatan (tahun)
- Indeks keandalan dari sisi gangguan pelanggan.
Indeks keandalan merupakan suatu metode/cara
pengevaluasian parameter keandalan suatu peralatan
distribusi tenaga listrik terhadap keandalan mutu
pelayanan kepada pelanggan. Indeks ini antara lain
adalah System Average Interruption Frequency
Index (SAIFI), System Average Interruption
Duration Index (SAIDI).
System Average Interruption Frequency Index (SAIFI).
Indeks ini didefinisikan sebagai jumlah rata-rata
kegagalan yang terjadi per pelanggan yang dilayani
oleh sistem per satuan waktu (umumnya per tahun).
Indeks ini ditentukan dengan membagi jumlah
semua kegagalan pelanggan dalam satu tahun
dengan jumlah pelanggan yang dilayani oleh sistim
tersebut.
Jumlah konsumen yang mengalami gangguan (3)
SAIFI 
Jumlah dari konsumen yang dilayani
Persamaan untuk SAIFI (rata-rata jumlah
gangguan tiap pelanggan) ini dapat dilihat pada
persamaan (4).
SAIFI 
 k M k (4)
M
Dengan:
λk = laju kegagalan komponen (kegagalan/tahun)
Mk = jumlah beban pada titik beban k (pelanggan)
M = jumlah seluruh beban dalam satu sistim
(pelanggan)
System Average Interruption Duration Index (SAIDI).
Indeks ini didefinisikan sebagai nilai rata -rata
dari lamanya kegagalan untuk setiap konsumen
selama satu tahun.
Jumlah waktu gangguan dari semua konsumen (5)
SAIDI 
Jumlah dari konsumen yang dilayani
Jurnal EECCIS Vol 11 , No 1, April 2017
Indeks ini ditentukan dengan pembagian jumlah
dari lamanya kegagalan secara terus menerus untuk
semua pelanggan selama periode waktu yang telah
ditentukan dengan jumlah pelanggan yang dilayani
selama satu tahun, dapat dilihat pada persamaan (6)
[7].
SAIDI 
U k M k (6)
M
Dengan:
Uk = ketidaktersediaan komponen (%/tahun)
M = jumlah seluruh beban dalam satu sistem
(pelanggan)
SAIDI dihitung dalam satuan jam atau menit per
tahun.
1.2. Proses dalam GA secara bertahap dapat dijelaskan
sebagai berikut[8].
A. Pengkodean atau Representasi
Langkah pertama yang dilakukan dalam penggunaan
metode GA adalah melakukan pengkodean atau
representasi terhadap permasalahan yang akan
GA seperti mengguanakan kode bilangan biner,
bilangan real, dan huruf. Pengkodean digunakan untuk
membentuk gen-gen yang ada dalam kromosom.
Gen (genotype) merupakan variabel dasar yang
membentuk suatu kromosom individu, dimana gen ini
bisa berupa nilai biner, float, integer maupun karakter
[8]. Kromosom merupakan gabungan dari gen-gen yang
membentuk arti tertentu. Pada aplikasi GA, kromosom
merupakan representasi dari solusi yang dicari. Pada
jaringan Karpan 2 Ambon terdapat 31 (tiga puluh satu)
bus sebagai lokasi penempatan LBS, yang dapat
diasumsikan sebagai gen-gen pada metode GA. Gen-
gen yang mewakili nomor bus-bus yang ada,
direpresentasikan dalam sejumlah kromosom individu.
Pada awal proses GA, sejumlah kromosom individu
yang terdiri dari 5 gen (nomor bus) dibangkitkan secara
random sebagai alternatif solusi penempatan LBS.
B. Menghitung Nilai Fitness Setiap Individu
Nilai Fitness menyatakan seberapa baik nilai dari
suatu individu atau solusi yang didapat. Nilai Fitness
menyatakan nilai dari fungsi tujuan. Tujuan dari GA
adalah memaksimalkan nilai Fitness. Jika yang dicari
nilai maksimal, maka nilai Fitness adalah nilai dari
fungsi itu sendiri. Tetapi jika yang dibutuhkan adalah
nilai minimal, maka nilai Fitness merupakan invers dari
fungsi itu sendiri[8]. Nilai Fitness mempengaruhi
terpilihnya kromosom-kromosom individu tertentu
untuk mengalami proses kawin silang (crossover) dan
mutasi (mutation) dalam siklus GA.
Nilai Fitness diperoleh dari sebuah fungsi Fitness f(x)
yang dapat berupa suatu persamaan bebas dengan
memberikan nilai batasan pada setiap variabelnya. Nilai
Fitness dalam penelitian ini merepresentasikan nilai
total nilai Q terdampak dari setiap konfigurasi
penempatan 5 (lima) LBS (LBS01 sampai dengan
LBS05) yang dinyatakan sebagai gen-gen dari
kromosom individu yang ada. Karena yang dicari adalah
nilai optimum minimal, maka hanya kromoson individu
dengan nilai Q terkecil yang akan dipilih untuk proses
crossover dan mutation dalam setiap generasi GA.
 3

C. Seleksi individu. Probabilitas mutasi akan menentukan gen-gen

Proses seleksi digunakan untuk memilih dua
kromosom individu yang akan dijadikan orang tua
dalam proses crossover untuk mendapatkan keturunan
baru[8]. Proses seleksi dilakukan dengan cara memilih
kromosom individu yang mempunyai nilai objektif
(nilai total daya reaktif) terkecil atau fitness terbesar, hal
ini karena optimasi yang dicari sebagai solusi
permasalahan adalah optimasi dengan nilai total daya
reaktif terdampak yang paling kecil.
Metode seleksi yang sering digunakan adalah metode
Roulette Wheel (Roda Roulette), dimana masing-masing
individu menempati potongan lingkaran roda secara
proporsional sesuai dengan nilai Fitness-nya. Pemilihan
dilakukan secara acak dengan membangkitkan nilai
random. Jika probabilitas kromosom individu ke-i <
bilangan random, maka kromoson individu ke-i terpilih
sebagai orang tua[8].
2
1 (generational replacement) yang akan mengganti semua
5 individu awal dengan individu-individu hasil pindah
3
4 silang dan mutasi serta individu-individu yang tidak
Gambar 1. Roda Roulette
Gambar 1 menunjukan contoh penggunaan metode
Roulette Wheel dimana bagian 2 dengan nilai fittness
yang paling besar, menempati potongan yang paling
besar pada lingkaran. Dengan demikian bagian 2
peluang terbesar untuk terpilih sebagai orang tua.
D. Pindah Silang (Crossover)
dari suatu populasi yang akan mengalami proses mutasi.
Mutasi adalah proses mengganti nilai gen (nomor bus)
sebelumnya dengan nilai gen (nomor bus) baru yang
ditentukan secara acak (random) dalam nilai jangkauan
yang telah ditentukan. Gen-gen dengan nilai baru ini
selanjutnya digabungkan lagi dalam kromosom
induknya masing-masing untuk menentukan nilai fitness
barunya.
Proses mutasi gen-gen dari kromosom individu akan
menghasilkan kromosom individu baru dengan nilai
Fitness yang lebih baik (total daya reaktif yang
minimal).
F. Reinsertion Untuk Penggantian Populasi
Kromosom-kromosom individu yang telah
mengalami proses kawin silang dan mutasi akan
digabung dengan kromosom-kromosom lama yang tidak
mengalami kawin silang dan mutasi menggunakan
proses yang dinamakan reinsertion atau reins.
Reinsertion merupakan proses penggantian populasi
mengalami proses tersebut. Secara garis besar, siklus
eksekusi GA ditunjukan pada Gambar 3.
Mulai
Bangkitkan sejumlah Kromosom
Individu (Populasi) awal dengan
Nomor Bus sebagai Gen
Kromosom
Generasi = 1

Proses crossover adalah proses menyilangkan dua Hitung dan evaluasi nilai Fitness
kromosom induk hasil seleksi. Sebuah kromosom setiap Kromosom Individu
berdasarkan nilai Objektif (total
daya reaktif terdampak)
individu yang mengarah pada solusi optimal, bisa
diperoleh melalui proses pindah silang. Hal tersebut Memilih Kromosom Individu Induk
dengan metode Roulette-Whele
dapat diperoleh dengan catatan bahwa pindah silang
hanya bisa dilakukan jika sebuah bilangan random r Melakukan proses Crossover antar
Individu Induk untuk menghasilkan
yang dibangkitkan dalam interval [0 s/d 1], nilainya calon Kromosom Individu Baru

kurang dari nilai probabilitas pindah silang tertentu (r <

Melakukan proses Mutation gen
probabilitas). penyusun calon Kromosom Individu
Baru
Cara yang paling sederhana untuk melakukan pindah
silang adalah dengan teknik satu titik potong (one point Kromosom Individu
(Populasi) Baru
crossover), dimana posisi titik potong diperoleh secara
random. Proses crossover akan mempengaruhi Evaluasi terhadap
Kromosom Individu Baru
perubahan susunan gen-gen kromosom individu yang
merepresentasikan nomor bus dalam jaringan untuk
penempatan LBS. Proses crossover akan menghasilkan (Generasi > Max.
Generasi) atau T
Generasi = Generasi + 1
diperoleh Solusi
kromosom individu baru dengan nilai Fitness yang lebih ?

baik (total daya reaktif yang minimal).

Y
Kromosom Individu
Solusi

Selesai

Gambar 2. Pindah Silang Satu Titik

Gambar 3. Siklus Eksekusi Algoritma Genetika

Gambar 2 menunjukan contoh pindah silang satu

titik potong. Sustu titik potong dipilih secara random,
kemudian bagian pertama dari orang tua 1 digabungkan
dengan bagian kedua dari orang tua2 sehingga
menghasilkan keturunan (offspring).
E. Mutasi
Pada proses mutasi tidak memandang kromosom
individu, melainkan gen-gen penyusun kromosom
III. HASIL DAN PEMBAHASAN
Fokus dalam penelitian ini adalah bagaimana
mengoptimalkan penempatan LBS pada bus-bus yang
terdapat di penyulang Karpan 2 Ambon menggunakan
GA agar total Q berdasarkan data beban trafo pada
penyulang Karpan 2.
Nilai Q yang terdampak akibat gangguan diharapkan

Jurnal EECCIS Vol 11, No. 1, April 2017

4

menjadi kecil dan indeks keandalan SAIDI dan SAIFI 4. Evaluasi nilai fitness setiap kromosom individu pada
dapat meningkat. generasi ke-1, dilakukan dengan total nilai Q
terdampak dari Bus-bus yang berada setelah Bus
A. Optimasi Penempatan LBS dengan GA.
lokasi LBS01 sampai dengan LBS05 berada. Total
Pada penyulang Karpan 2 Kota Ambon terdapat 31 nilai Q untuk kromosom 1 sampai dengan
bus yang memiliki potensi menjadi lokasi penempatan 5 kromosom 6 pada generasi ke-1, masing-masing
LBS. GA digunakan untuk menemukan solusi optimal adalah 1810,48, 1534,02, 2122,74, 1566,42,
penempatan lokasi LBS. Target optimasi adalah total 1566,42, dan 2,122,74 kVAR. Berdasarkan nilai
daya reaktif terdampak yang paling sedikit (minimal) objektif tersebut akan diperoleh nilai fitness dan
jika terjadi gangguan. probabilitas untuk masing-masing kromosom
Pada simulasi GA yang dibangun terdapat tiga proses individu. Nilai Fitness menyatakan seberapa baik
penting, yaitu (1) menetapkan bus-bus dalam jaringan nilai dari suatu individu atau solusi yang didapat,
yang mengalami gangguan; (2) membangkitkan sedangkan nilai probabilitas merupakan nilai
sejumlah kromosom individu dalam populasi yang peluang keterpilihan menjadi kromosom individu
menggambarkan sejumlah alternatif solusi awal induk untuk proses crossover dan mutation, seperti
peletakan LBS yang optimal dengan total daya reaktif dalam tabel III.
terdampak minimal; dan (3) mengevaluasi fitness dan TABEL III
memodifikasi kromosom-kromoson individu (alternatif NILAI OBJEKTIF DAN FITNES KROMOSOM INDIVIDU PADA GENERASI KE-1
Nilai Kumulatif
solusi) dengan tektik Roulette-Whele, crossover dan Generasi Kromosom Individu
Objektif Fitness
Probabilitas
(PROB)
Probabilitas
(KPROB)
mutation pada suatu siklus GA hingga generasi ke-n. 1 1 03,09,10,20,27 1,810.48 0.000552034 0.1613565037 0.1613565037
Hasil akhir dari proses GA hingga generasi ke-n 1 2 04,09,13,17,21 1,534.02 0.000651457 0.1904173001 0.3517738038
1 3 04,08,11,17,22 2,122.74 0.000470867 0.1376318358 0.4894056396
diharapkan dapat ditemukan solusi yang terbaik, yaitu 1 4 02,07,12,20,22 1,566.42 0.000637991 0.1864812623 0.6758869019
lokasi penempatan LBS pada jaringan penyulang 1 5 02,07,12,19,29 1,566.42 0.000637991 0.1864812623 0.8623681642
1 6 04,08,11,17,27 2,122.74 0.000470867 0.1376318358 1
Karpan 2 Ambon dengan nilai Q (kVAR) yang minimal. Total 10,722.82 0.003421207
Total daya reaktif diperoleh dari penjumlahan total
beban dari bus-bus yang ada pada penyulang Karpan 2 5. Memilih kromoson individu induk untuk kromosom
Ambon. individu generasi berikutnya. Pemilihan kromoson
Langkah simulasi GA untuk optimasi penempatan individu induk dilakukan dengan teknik Roulette-
LBS pada penyulang Karpan 2 Ambon adalah sebagai Wheel, yaitu dengan memilih kromoson individu
berikut; dengan Kumulatif Probabilitas (KPROB) terdekat
1. Data existing gangguan yang sering terjadi pada dengan nilai random Roulette-Whele yang
penyulang Karpan 2 Ambon seperti telihat pada dibangkitkan (RAN[k] < KPROB[k]). Nilai random
tabel 1. pertama yang diperoleh adalah 0,6091325028, nilai
TABEL I tersebut mendekati nilai KPROB dari kromoson
DATA GANGGUAN BUS individu ke-4 (lihat tabel II), sehingga kromoson
No. Bus
individu ke-4 menjadi kromoson individu induk ke-1
1 Bus17
2 Bus19
pada generasi ke-1. Selanjutnya dengan cara yang
3 Bus20 sama, bangkitkan nilai random untuk memilih
4 Bus22 kromoson individu induk ke-2 hingga ke-6. Hasil akhir
2. Kromosom individu awal yang dibangkitkan secara pemilihan kromoson individu pada generasi ke-1
acak seperti data dalam tabel II: seperti data dalam tabel 4.
3. TABEL IV
HASIL PEMILIHAN KROMOSOM INDIVIDU INDUK DENGAN ROULETTE-WHELE
TABEL II
KROMOSOM INDIVIDU YANG DIBANGKITKAN PADA AWAL KPROB
Random Kromosom
No. Kromosom
GENERASI KE-1 Roulette-Whele Individu Induk
Terdekat
Kromosom Gen 1 0.6091325028 4 1 02,07,12,20,22
Individu 1 2 3 4 5 2 0.3466083299 2 2 04,09,13,17,21
1 03 09 10 20 27 3 0.9056441718 6 3 04,08,11,17,27
2 04 09 13 17 21 4 0.4883959000 3 4 04,08,11,17,22
3 04 08 11 17 22 5 0.7250470153 5 5 02,07,12,19,29
4 02 07 12 20 22 6 0.1600474074 1 6 03,09,10,20,27
5 02 07 12 19 29
6 04 08 11 17 27
6. Setiap kromosom individu induk dipindahsilangkan
(crossover) dengan kromosom induk lainnya.
Crossover rate (pc) ditetapkan sebesar 50% dari
Terdapat 6 (enam) kromosom individu awal yang jumlah kromosom individu induk dalam populasi.
dibangkitkan generasi ke-1. Setiap kromosom Pemilihan kromosom individu induk yang akan
individu terdiri dari 5 (lima) gen yang mewakili dipindahsilangkan adalah 3 kromosom individu induk
jumlah LBS pada penyulang Karpan 2 Ambon. dengan nilai random terkecil. Hasil 6 nilai random
Sedangkan nilai gen mewakili nomor bus yang ada yang dibangkitkan seperti dalam tabel V.
sebagai lokasi penempatan LBS. Setiap kromosom
individu merepresentasikan alternatif solusi
penempatan LBS yang optimal dengan total daya
reaktif yang minimal.

Jurnal EECCIS Vol 11 , No 1, April 2017

 5

TABEL V Urutan perubahan kromosom individu hingga

HASIL PEMILIHAN KROMOSOM INDIVIDU PASANGAN CROSSOVER
generasi ke-2 seperti dalam gambar 4. Data calon
Kromosom Kromosom
Individu
Nilai Status
Individu kromoson individu baru tersebut menjadi kromosom
Random Pindah Silang
Induk Pasangan individu pada generasi ke-2.
1 0.6250960218 Pindah Silang 5
2 0.6453379175 Tetap -
3 0.3514015529 Pindah Silang 1
4 0.8209940426 Tetap -
5 0.0507655852 Pindah Silang 3
6 0.7908458289 Tetap -

Berdasarkan data tabel 5, proses pindah silang atau

crossover dilakukan pada kromosom individu induk 1, 3
dan 5. Kromosom individu pasangan crossover Gambar 4. Perubahan Kromosom Individu hingga Generasi
diperoleh dengan membangkitkan nilai random. Nilai Ke-2
crossover diperoleh dari titik potong (cut point) secara Gambar 4 menunjukan proses mutasi perubahan
random antar nilai 1 (satu) hingga jumlah gen per kromosom individu dari genarasi ke-1 sampai
kromosom individu (5 gen). Perubahan susunan generasi ke-2, untuk mendapatkan kromosom
kromosom individu hasil crossover ditunjukkan pada individu yang baru. Untuk digunakan pada proses
tabel 6. pengulangan dari langkah ke-3 hingga langkah ke-6.
TABEL VI
PERUBAHAN SUSUNAN KROMOSOM INDIVIDU HASIL CROSSOVER
Pada generasi ke-10 dari siklus GA yang telah
Calon
Kromosom Kromosom Cut dieksekusi, diperoleh data alternatif penempatan LBS
Kromosom
Individu Induk Individu Pasangan Point
Individu Baru
1 02,07,12,20,22 5 02,07,12,19,29 3 02,07,12,19,29
dengan nilai objektif dan Fitness setiap kromosom
2 04,09,13,17,21 - - - 04,09,13,17,21 individu seperti pada tabel X, dan gambar 5 yang
3 04,08,11,17,27 1 02,07,12,20,22 2 04,08,12,20,22 merupakan hasil simulasi program.
4 04,08,11,17,22 - - - 04,08,11,17,22
5 02,07,12,19,29 3 04,08,11,17,27 3 02,07,12,17,27
TABEL X
6 03,09,10,20,27 - - - 03,09,10,20,27
NILAI OBJEKTIF DAN FITNESS KROMOSOM INDIVIDU PADA GENERASI KE-10
Nilai Kumulatif
7. Proses berikutnya adalah proses mutasi gen-gen Generasi
Kromosom Probabilitas
Probabilitas
Individu Objektif Fitness (PROB)
(KPROB)
yang terdapat dalam calon kromosom individu baru.
10 1 04,14,07,19,29 1443.12 0.000692463 0.170586801 0.1705868007
Pada awal proses mutasi, semua gen dari setiap 10 2 04,07,29,19,18 1443.12 0.000692463 0.170586801 0.3411736014
calon kromoson individu baru disusun secara 10 3 04,18,12,19,29 1443.12 0.000692463 0.170586801 0.5117604020
memanjang seperti terlihat dalam tabel 7. 10 4 04,30,12,19,23 1,566.42 0.000637991 0.157167738 0.6689281403
10 5 04,14,27,19,23 1443.12 0.000692463 0.170586801 0.8395149410
8. 10 6 04,07,12,17,21 1,534.02 0.000651457 0.160485059 1
TABEL VII Total 8,872.92 0.004059300
URUTAN GEN DARI SEMUA KROMOSOM INDIVIDU
Kromoson 1 Kromoson 2 Kromoson 3 Kromoson 4 Kromoson 5 Kromoson 6

02,07,12,19,29 04,09,13,17,21 04,08,12,20,22 04,08,11,17,22 02,07,12,17,27 03,09,10,20,27

Membangkitkan nilai random dengan jangkauan 1

sampai dengan 30 (5 gen x 6 kromosom individu)
sebanyak mutation rate (pm). Mutation rate telah
ditetapkan sebesar 10% atau 3 (tiga) gen yang akan
dimutasi pada setiap siklus GA (generasi). Gen-gen
tersebut dimutasi (diganti) nilainya dengan nilai Gambar 5. Perubahan Kromosom Individu hingga
random dalam jangkauan 1 sampai dengan 30 Generasi Ke-10
(jumlah gen semua kromosom). Berdasarkan hasil
Berdasarkan hasil simulasi optimasi penempatan LBS
eksekusi GA yang telah dilakukan diperoleh data
dengan GA, diperoleh beberapa alternatif penempatan
mutasi gen seperti tabel VIII.
LBS dengan total nilai Q terdampak yang minimal
TABEL VIII
NILAI RANDOM UNTUK MUTASI GEN
seperti gambar 6.
Nilai Random
Gen Ke
Mutasi Gen
30 27
1 03
23 27

Berdasarkan data mutasi gen tersebut, maka calon

kromoson individu baru seperti pada tabel IX.
TABEL IX Gambar 6. Hasil akhir Simulasi Penempatan LBS dengan
URUTAN GEN DARI SEMUA KROMOSOM INDIVIDU SETELAH MUTASI
Algoritma Genetika

Kromoson 1 Kromoson 2 Kromoson 3 Kromoson 4 Kromoson 5 Kromoson 6 Berdasarkan hasil simulasi GA yang dilakukan
03,07,12,19,29 04,09,13,17,21 04,08,12,20,22 04,08,27,17,22 02,07,12,17,27 03,09,10,20,27 hingga generasi ke-10, diperoleh 4 alternatif
penempatan LBS pada penyulang Karpan 2 Ambon

Jurnal EECCIS Vol 11, No. 1, April 2017

6

seperti pada tabel X. Untuk menghitungan SAIDI dan λ standar adalah rasio gangguan berdasarkan data
SAIFI diambil alternatif ke-4 (kromosom individu ke- gangguan yang pernah terjadi di sistem penyulang
5). Siklus GA dilakukan hingga generasi ke-10 karena selama 3-5 bulan. Sedangkan λ kenyataan adalah
nilai optimumnya sudah tercapai, hal ini terlihat dari rasio gangguan untuk selang waktu 1-2 bulan.
nilai total beban (daya reaktif) dari 4 kromoson individu b. Perhitungan SAIDI (d) dan SAIFI (f) sebelum
pada generasi ke 5 sebagai alternatif solusi telah penempatan LBS dengan 28 kali gangguan selama 5
menunjukkan nilai yang sama sebesar 1.443,12 kVAR, bulan dalam setahun, diperoleh nilai λ nyata sebesar
seperti pada tabel XI. 28 : 12 = 2,33. Perhitungan λ standar dengan 18 kali
TABEL XI gangguan selama 2 bulan dalam setahun, diperoleh
ALTERNATIF PENEMPATAN LBS HASIL OPTIMASI ALGORITMA GENETIKA
nilai λ standar sebesar 18 : 12 = 1,5. Panjang
Penempatan
Alternatif
LBS01 LBS02 LBS03 LBS04 LBS05
kVAR penyulang kenyataan diambil sesuai dengan panjang
1 Bus04 Bus14 Bus07 Bus19 Bus29 1443.12 penyulang sebenarnya dari Karpan 2 yaitu 18,455
2 Bus04 Bus07 Bus29 Bus19 Bus18 1443.12 km. Perhitungan SAIDI dan SAIFI tanpa LBS
3 Bus04 Bus18 Bus12 Bus19 Bus29 1443.12 adalah sebagai berikut:
4 Bus04 Bus14 Bus27 Bus19 Bus23 1443.12 18,46 (km kenyataan) 2,33 ( ) kenyataan
d * * 21 ( f ) standar
16 (km standar) 1,5 ( ) standar
1,15 *1,55* 21 37,64 jam/tahun
B. Indeks Keandalan SAIDI dan SAIFI Penyulang 18,46 (km kenyataan) 2,33 ( ) kenyataan
Karpan 2. f  * * 3,2 ( f ) standar
16 (km standar) 1,5 ( ) standar
Perhitungan SAIDI digunakan untuk menghitung 1,15 *1,55 * 3,2  5,73 kali/tahun
lama jam padam rata-rata dan perhitungan SAIFI c. Perhitungan durasi dan frekwensi padam dengan
digunakan untuk menghitung jumlah pemadaman rata- memperhitungkan penempatan LBS sesuai kondisi
rata. Perhitungan SAIDI dan SAIFI diperoleh dengan nyata saat ini adalah sebagai berikut :
rumus: (3) (5). 13,32 (km kenyataan) 2,33 ( ) kenyataan
d * * 21( f ) standar
Dengan menggunakan rumus (3) (4) pada data PT. 16 (km standar) 1,5 ( ) standar
PLN Cabang Ambon, nilai SAIDI dan SAIFI penyulang  0,83 *1,55 * 21  27,16 jam/tahun
Karpan 2 tahun 2014, ditunjukan dalam tabel XII.
13,32 (km kenyataan) 2,33 ( ) kenyataan
TABEL XII f  * *3,2 ( f ) standar
HASIL PERHITUNGAN SAIDI DAN SAIFI PENYULANG KARPAN 2 UNTUK 16 (km standar) 1,5 ( ) standar
JANUARI-DESEMBER 2014  0,83 *1,55 * 3,2  4,14 kali/tahun
Jumlah
No Bulan Menit x Jam x Jmlh
Jumlah SAIDI SAIFI TABEL XIII
Pelanggan pelanggan Pelanggan
Padam padam Padam
Pelanggan PERBANDINGAN NILAI SAIDI DAN SAIFI
1 Januari 0.000 0.000 0 5,671 0.000 0.000 STANDAR DENGAN PENYULANG TANPA LBS
2 Februari 162.350 2.706 3 5,671 0.005 0.000
3 Maret 71,014.100 1,183.568 828 6,048 1.996 0.023 SUTM
4 April 6,315.500 105.258 1,122 5,671 0.189 0.034 Parameter Penyulang % error
5 Mei 6,315.500 105.258 1,076 4,930 0.218 0.037 Radial
Tanpa LBS
6 Juni 3,400.000 56.667 850 4,930 0.117 0.029 (Standar)
7 Juli 5,975.500 99.592 352 4,930 0.206 0.012
8 Agustus 3,513.900 58.565 223 4,930 0.121 0.008 21 37,64
9 September 1,868.470 31.141 107 6,460 0.049 0.003 d 79,238%
10 Oktober 1,288.600 21.477 48 6,460 0.034 0.001
jam/tahun jam/tahun
11 November 8,480.110 141.335 300 6,143 0.235 0.008 3,2 5,73
12 Desember 13,475.730 224.596 307 6,143 0.373 0.009 f 85,312%
Total 121,809.760 2,030.163 5,217 67,987 3.543 0.164 kali/tahun kali/tahun
Rara-rata 10,150.813 169.180 435 5,666 0.295 0.014

Sumber data: PT. PLN Cabang Ambon

Tabel XIII, menunjukan nilai error antara nilai d standar dan
f standar dimana LBS belum terpasang pada penyulang.
Dari hasil perhitungan nilai SAIDI dan SAIFI TABEL XIV
berdasarkan data PT. PLN Cabang Ambon diketahui PERBANDINGAN NILAI SAIDI DAN SAIFI
nilai SAIDI minimal 0,000 yang terjadi pada bulan STANDAR DENGAN PENYULANG MENGGUNAKAN LBS

Januari, nilai maksimal SAIDI sebesar 1,996 terjadi SUTM Penyulang

Parameter Radial Dengan % error
pada bulan Maret. Sedangkan untuk nilai SAIFI Standar LBS
minimal terjadi pada bulan Januari sebesar 0,000 dan 21 27,16
d 29,333%
maksimal terjadi pada bulan Mei sebesar 0,037. jam/tahun jam/tahun
3,2 4,14
C. Perhitungan SAIDI dan SAIFI Penyulang Karpan 2 f 29,375%
kali/tahun kali/tahun
Sebelum dan Setelah Penempatan LBS. Tabel XIII dan XIV, menunjukan bahwa nilai SAIDI
Standar yang dipakai dalam menentukan SAIDI atau dan SAIFI penyulang dengan menggunakan LBS lebih
durasi padam (d) dan SAIFI atau frekwensi padam (f) mendekati nilai SAIDI dan SAIFI standar dari pada
gangguan untuk penyulang Karpan 2 Ambon sesuai penyulang sebelum penempatan LBS.
dengan SPLN 68-2:1986, sebagai berikut [10];
a. Standar yang digunakan adalah perhitungan SUTM D. Perhitungan SAIDI dan SAIFI Penyulang Karpan 2
Radial dengan nilai SAIDI (d) = 21 jam/tahun dan Setelah Optimasi Penempatan LBS.
SAIFI (f) = 3,2 kali/tahun. Rumus perhitungan yang Perhitungan SAIDI (d) dan SAIFI (f) setelah optimasi
digunakan sebagi berikut : penempatan LBS dengan 28 kali gangguan selama 5
d
panjang penyulang (km kenyataan) ratio gangguan ( ) kenyataan
* * (d) standar (7)
bulan dalam setahun, diperoleh nilai λ nyata sebesar 28 :
panjang penyulang (km standar) ratio gangguan ( ) standar 12 = 2,33. Perhitungan λ standar dengan 18 kali
panjang penyulang (km kenyataan) ratio gangguan ( ) kenyataan gangguan selama 2 bulan dalam setahun, diperoleh nilai
f  * * (f) standar (8)
panjang penyulang (km standar) ratio gangguan ( ) standar
λ standar sebesar 18 : 12 = 1,5. Panjang penyulang
Dimana:

Jurnal EECCIS Vol 11 , No 1, April 2017

 7

kenyataan diambil sesuai dengan total panjang IV. KESIMPULAN

penyulang yang tidak mengalami gangguan dari hasil
Berdasarkan hasil analisis dan pembahasan terhadap
optimasi titik penempatan LBS. Total panjang
optimasi penempatan titik LBS pada penyulang Karpan
penyulang yang tidak mengalami gangguan adalah
2 Ambon, maka dapat ditarik kesimpulan sebagai
sepanjang 12,41 km.
berikut:
12,41 (km kenyataan) 2,33 ( ) kenyataan 1. Pada penelitian ini kromosom individu yang
d * * 21 (d ) standar
16 (km standar) 1,5 ( ) standar dibangkitkan dalam populasi adalah sebanyak 6
 0,78 *1,55 * 21  25,30 jam/tahun kromosom individu dengan 5 gen yang mewakili
jumlah LBS yang terdapat pada saluran. Crossover
12,41 (km kenyataan) 2,33 ( ) kenyataan
f  * * 3,2 ( f ) standar rate (pc) yang digunakan sebesar 50% dan mutation
16 (km standar) 1,5 ( ) standar
 0,78 *1,55 * 3,2  3,86 kali/tahun
rate (pm) sebesar 10%. Setiap satu siklus (generasi)
GA berdasarkan parameter tersebut, jumlah
TABEL XV kromosom individu yang akan dipindahsilangkan
PERBANDINGAN NILAI SAIDI DAN SAIFI
STANDAR DENGAN PENYULANG MENGGUNAKAN OPTIMASI LBS
adalah sebanyak 3 kromosom individu dan jumlah
SUTM Hasil gen yang akan dimutasikan adalah sebanyak 3 gen.
Parameter radial Optimasi % error 2. Berdasarkan hasil optimasi titik LBS menggunakan
(Standar) LBS GA, diperoleh total nilai Q yang minimal. Dari hasil
21 25,30 20,479 optimasi diambil alternatif ke 4 dengan nilai Q =
d
jam/tahun jam/tahun %
3,2 3,86 20,625%
1.443,12 kVAR dengan titik LBS pada bus 2, 4, 27,
f 19 dan 29, dengan posisi gangguan 17, 19, 20 dan
kali/tahun kali/tahun
22.
Tabel XV menunjukan hasil perhitungan SAIDI (d) 3. Setelah diketahui penempatan titik LBS yang
dan SAIFI (f) dari penyulang Karpan 2 Ambon setelah optimal, maka dapat dihitung perbaikan tingkat
optimasi penempatan LBS, memiliki nilai d dan f yang keandalan untuk durasi padam (d) SAIDI pada
paling mendekati standar SUTM radial, yaitu untuk d penyulang Karpan 2 Ambon menggunakan
sebesar 25,30 jam/tahun dan untuk f sebesar 3,86 perhitungan konfigurasi jaringan dengan standar
kali/tahun, dengan nilai error 20,4% untuk d dan SPLN 68 -2 : 1998, sebelum optimasi hasil
20,625% untuk f. perhitungan nilai lama padam (d) = 27,16 jam/tahun
TABEL XVI dan sesudah optimasi (d) = 25,30 jam/tahun.
PERHITUNGAN NILAI ERROR ANTARA STANDAR SPLN DENGAN
PENEMPATAN LBS, TANPA LBS, DAN HASIL OPTIMASI
4. Perbaikan tingkat keandalan untuk nilai frekwesi
SUTM padam (f) = 4,14 kali/tahun sebelum optimasi dan
Radial Dengan Dengan sesudah optimasi (f) = 3,86 kali/tahun.
Parameter Tanpa LBS
(Standar) LBS optimasi
5. Hasil perhitungan menunjukan bahwa nilai SAIDI
21 27,16 37,64 25,30 dan SAIFI setelah optimasi penempatan LBS,
d
jam/tahun jam/tahun jam/tahun jam/tahun
3,2 4,14 5,73 3,86 memiliki nilai yang paling mendekati standar SUTM
f
kali/tahun kali/tahun kali/tahun kali/tahun radial, yaitu untuk d sebesar 25,30 jam/tahun dan
Tabel XVI menunjukan hasil perhitungan nilai error untuk f sebesar 3,86 kali/tahun. Simpangan error
antara standar SPLN yang digunakan untuk SAIDI (d) dari SAIDI dan SAIFI sebesar 20,479% untuk d dan
adalah 21 jam/tahun, SAIDI (d) dengan penempatan 20,625% untuk f.
LBS adalah 27,16 jam/tahun, setelah optimasi LBS
25,30 jam/tahun, untuk SAIFI (f) adalah 3,2 kali/tahun, V. DAFTAR PUSTAKA
dengan penempatan LBS adalah 4,24 kali/tahun, tanpa [1] D. Marsudi. 1990. Operasi Sistem Tenaga Listrik. Balai Penerbit
penmpatan LBS adalah 5,73 kali/ tahun dan setelah dan Humas ISTN,Jakarta Selatan..
optimasi penempatan LBS adalah 3,86 kali/tahun. [2] A.J. Urdaneta, J.F. Gomez, E. Sorrentino, L. Flores, and R. Diaz.
1999. A Hybrid Genetic Algorithm For Optimal Reactive Power
TABEL XVII Planning Based Upon Successive Linear Programming. IEEE
PERBANDINGAN NILAI % ERROR TERHADAP NILAI STANDAR Transactions on Power Systems, vol. 14, No.42. Available:
SAIDI DAN SAIFI SUTM RADIAL http://ieeexplore.ieee.org/xpl/articleDetails
Dengan [3] D.E. Goldberg. 1989. Genetic Algorithm in Search, Optimization
Parameter Tanpa LBS Dengan LBS
optimasi LBS
& Machine Learning. Addison-Wesley Publishing Company,
d 79,238% 29,333% 20,479% Inc., Canada, hlm. 59-86.
f 85,312% 29,375% 20,625% [4] A.G. Bakirtzis, P.N. Biskas, C.E. Zoumas, and V. Petridis. 2002.
Optimal Power Flow by Enhanced Genetic Algorithm. IEEE
Transactions on Power Systems, vol. 17, No.2,.
Tabel XVII menunjukan perbandingan prosentase Avalaible:http://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnum
nilai error terhadap niali standar SAIDI dan SAIFI. ber=4311997
Perbandingan nilai SAIDI (d) tanpa LBS adalah [5] B. Radha, R.T. F.A. King and H.C.S. Rughooputh. 2003. A
Modified Genetic Algorithm For Optimal Electrical Distribution
79,238%, dengan LBS adalah 29,333%, dengan Network Reconfiguration. IEEE Transactions on Power Systems.
optimasi penempatan LBS adalah 20,479%. Nilai SAIFI Available: http://ieeexplore.ieee.org/search/searchresult.jsp
(f) tanpa LBS adalah 85,312% dengan LBS adalah [6] N. Sannomiya, H. Iima. 1992. Genetic algorithm approach to a
29,375 %, dan setelah optimasi penempatan LBS adalah production ordering problem in an assembly process with
buffers. Control Problems in a Manufacturing Technology. pp.
20,625%. 403-408.
[7] R Billinton and N. Ronald. 1996. Reliability Evaluation of
Power Systems. Second edition published by Plenum Press,
New York. hlm. 220-247.

Jurnal EECCIS Vol 11, No. 1, April 2017

8

[8] Suyanto. 2005. Algoritma Genetika dalam MATLAB. ANDI

Offset, Yogyakarta. hlm. 1-2.
[9] T. Sutojo, E. Mulyanto, dan V. Suhartono. 2011. Kecerdasan
Buatan. ANDI Offset, Yogyakarta. hlm 15-16.
PT. PLN (Persero). 1986. SPLN 68-2. Perhitungan Konfigurasi
Jaringan Untuk Lama dan Kali Gangguan di Penyulang.

Jurnal EECCIS Vol 11 , No 1, April 2017