Intelligent Meter “ Teknologi Edukasi Untuk Hemat Energi”

Intelligent meter telah dikembangkan untuk dapat memberikan feedback sebagai kontrol penggunaan energi,
namun feedback yang menarik bagi konsumen masih menjadi tantangan tersendiri. Perbedaan alasan konsumen untuk
melakukan penghematan listrik, seperti alasan ekonomi, isu lingkungan, teknologi, maupun ketersediaan informasi
[4,8]. Latar belakang pelanggan yang berbeda dari segi pendidikan, usia, gaya hidup, dan fase kehidupan [9]. Bagaimana
memberikan informasi menjadi mudah difahami dan dilakukan oleh pelanggan [3]. Disinilah tantangan untuk membuat
Informasi umpan balik pemakaian energi dapat sesuai dengan apa yang menjadi ketertarikan setiap konsumen yang
beragam. Feedback yang tidak sesuai dengan ketertarikan pelanggan hanya akan menjadi pengganggu kenyamanan[5].
Pengembangan sistem intelligent meter dengan menggunakan algoritma artificial Bee Colony (ABC) memungkinkan
untuk membuat feedback sesuai dengan apa yang menjadi ketertarikan dari konsumen. ABC memiliki kemampuan
untuk menyelesaikan kombinasi masalah yang beragam [15].
Feedback menjadi cara untuk mengubah kebiasaan kurang peduli menjadi peduli pada penggunaan energi, yang
efektive untuk management energi. Feedback pada konsumen dapat memberikan efek penghematan 3-15 % dari
pengunaan energi [2,5]. Dengan peningkatan feedback dapat membuat peningkatan kepedulian penggunaan energi
oleh cutomer [1]. Sebab lineritas dari perubahan kebiasaan dimulai dari feedback - lalu menimbulkan janji untuk
melakukan penghematan dan meningkatkan pengetahuan tentang konsumsi energi - memunculkan aksi untuk
melakukan penghematan, sehingga dapat berdampak menguranggi penggunaan energi , biaya serta dampak
lingkungan.Untuk mekanisme feedback yang ada seperti meminimalkan penggunaan energi saat peak hour, monitoring
secara realtime, kampanye hemat energi melalui media sosial dan lingkungan sosial serta penggunaan game untuk
edukasi hemat energi [2,6-8]. Sarana feedback menggunakan sistem smart meter dengan pengembangkan kecerdasan
buatan.
Algoritma kecerdasan buatan telah digunakan didalam sistem smart meter sejauh ini. Algoritma artificial neural
network telah berhasil digunakan untuk prediksi penggunaan listrik mingguan, bulanan dan tahunan[10-12]. Algorita
fuzzy juga telah digunkan untuk memprediksi biaya, melakukan kalkulsi konsumsi menggunakan index, dimana jika
index=1 maka konsumsi berada di rata-rata, jika indek >1 maka konsumsi telah melebihi [14]. Algoritma kecerdasan lain
yang dapat dimasukkan didalam smart meter adalah artificial bee colony. ABC dapat menyelesaikan masalah dengan
melakukan optimsisai dan kombinasi masalah yang berbeda . beda [15]. Maka algoritma ABC dapat memberikan solusi
penyelesaian masalah yang memiliki banyak kombinasi.

Strukture Intelligent Meter

Sistem Intelligent meter yang dikembangkan memiliki strukture sistem untuk menunjang kinerja. Strukture utama
ada 3 bagian terdiri dari input, pemroses dan output. Untuk bagian input berisi sensor listrik dan input data diri
konsumen. Pada pemrosesan berisi beberapa unit mulai dari unit kalkulasi, unit feedback, unit kalkulasi, bank data dan
bank informasi. Sebagai penampil dari feedback yang diberikan dilakukan oleh bagian output dari sistem intelligent
meter. Semua bagian ini terkoneksi satu arah dan dua arah.

Fungsi detail dan cara kerja dari sistem intelligent meter sebagai berikut.
a. Sensor listrik memiliki fungsi untuk mengukur daya, voltase, arus, serta faktor daya dari setiap peralatan listrik
b. Input data sebagai masukan dari data konsumen yang diinput melalui device televisi atau melalui webside.
c. Data input dari sensor dan data konsumen akan masuk dan disimpan didalam bank data dan akan diambil serta
diproses oleh unit unit setelahnya
d. Unit kalkulasi akan mengambil data dari bank data berupa data-data pengukuran listrik , lalu mengkalkulasi
data-data itu untuk membuat prediksi dan menghitung total daya yang terpakai
e. Unit feedback akan mengambil data dari bank data berupa data konsumen dan latar belakang, lalu menentukan
apa yang menjadi ketertarikan konsumen untuk melakukan hemat energi. Dimana dapat berupa ketertarikan
segi biaya, dampak lingkungan, teknologi, dan informasi [4]. Unit feedback juga akan mengambil informasi dari
bank informasi yang berkaitan dengan ketertarikan konsumen
f. Bank informasi, unit yang terkoneksi dengan internet atau cloud, dimana berisi informsi-informasi terbaru yang
dapat digunakan untuk memberikan feedback ke konsumen. Contoh saat unit feedback menentukan konsumen
tertarik dengan isu lingkungan maka bank informasi akan menyediakn informasi terbaru tentang isu lingkungan
yang terjadi dari penggunaan energi berlebihan
g. Unit konversi memiliki peran untuk mengkonversi data dari unit kalkulasi dengan menyesuaikan apa yang
menjadi ketertarikan dari konsumen untuk hemat energi. Contoh Ketika unit feedback menentukan konsumen
tertarik dengan isu lingkungan maka data pengunaan energi akan di konversi menjadi emisi yang dihasilkan,
semisal energi listrik yang dihasilakan 1 kwh akan menghasilkan 0,867kg Co2. Hasil konversi Co2 yang akan
ditampilkan ke konsumen bukan kwhnya.
h. Unit output akan menampilkan melalui koneksi internet (web, Whatsapp) atau terkoneksi dengan sinyal radio
dan terhubung dengan televisi rumah. Maka saat konsumen menyalakan televisi akan memunculkan feedback.

Sistem intelligent meter dengan kemampuan memberikan feedback lebih efisien untuk penghematan energi,
terutama pada sektor rumah tangga yang demandnya mencapai 40% dari energi nasional [16]. Pada tahun 2013
konsumsi nasional sebesar 188 Terawatt hour(Twh), dan potensi pengehmatan dari intelligent meter sebesar 15 %
maka energi yang dapat dihemat bisa mencapai 11,28 Terawatt hour (Twh) [5,16]. Selain sisi penghematan energi
secara langsung, juga memiliki efisiensi dalam dunia bisnis. Dimana data yang dihasilkan lebih akurat serta tersedia
secara realtime. Sehingga akan dapat menguranggi rugi-rugi dari perhitungan biaya dan menguranggi biaya delay
karena sudah tersedia secara real time. Pada masa pandemi covid-19 seperti saat ini juga dapat berguna untuk
menguranggi kontak penyedia layanan dan konsumen karena semua terkoneksi dengan internet. Sehingga dapat
menekan penyebaran dari virus.
[1] Wilhite, H., Ling, R., 1995. Measured energy savings from a more informative energy bill. Energy and
Buildings, Vol 22, 145–155.
[2] Bull, R., Lemon, M., Everitt, D., Stuart, G., 2015. Moving beyond feedback: Energy behaviour and local
engagement in the United Kingdom. Energy Research & Social Science, Vol 8, 32–40
[3] Zangheri, P., Serrenho, T., Bertoldi, P., 2019. Energy Savings from Feedback Systems:A Meta-Studies’
Review. Energies, 12, 3788
[4] Hargreavesn, T., Nye, M., Burgess, J., 2010. Making energy visible: A qualitative field study of how
householders interact with feedback from smart energy monitors. Energy Policy , 38, 6111–6119
[5] Hargreavesn, T., Nye, M., Burgess, J., 2013. Keeping energy visible? Exploring how householders interact
with feedback from smart energy monitors in the longer term. Energy Policy, 52, 126–134
[6] Iweka, O., Liu, S., Shukla, A., Yan, D., 2019. Energy and behaviour at home: A review of intervention methods
and practices. Energy Research & Social Science, 57 ,101238
[7] Buchanan, K., Russo, R., 2019 Money doesn’t matter! Householders’ intentions to reduce standby power are
unaffected by personalised pecuniary feedback. PLoS ONE, 14, 10. doi.org/10.1371/journal.pone.0223727
[8] Wee, S.C., Choong, W.W., 2019. Gamification: Predicting the effectiveness of variety game design elements
to intrinsically motivate users' energy conservation behaviour. Journal of Environmental Management, 233,
97–106
[9] Straub, A., Volmer, E., 2018. User’s Perspective on Home Energy Management Systems. Environments, 5,
126, doi:10.3390/environments5120126
[10] Iryanto, T., Saputra, M.A. 2019. Modeling Artificial Neural Network For Electrical Consumption Prediction
Test Machine In Automotive Laboratory. Jurnal Teknologi Bahan dan Barang Teknik.Vol.9, No.2
[11] Massidda, L., Marrocu, M., 2018. Smart Meter Forecasting from One Minute to One Year Horizons. Energies,
11, 3520, doi:10.3390/en11123520
[12] Jahić, A., Konjić, T., Hivziefendić, J., 2017. Detection of Missing Power Meter Readings using Artificial Neural
Networks. IEEE. 978-1-5386-3337-3
[13] Sulaiman, S.M., Jeyanthy, P.A., Devaraj, D,. 2016. Artificial Neural Network based Day Ahead Load
Forecasting using Smart Meter Data. Biennial International Conference on Power and Energy
Systems:Towards Sustainable Energy (PESTSE).
[14] Oliveira, E.D.L., Alfaia, R.D., Souto, A.V.F., Silva, M.S., Francês, C.R.L., 2017. SmartCoM Smart Consumption
Management Architecture for Providing a User Friendly Smart Home based on Metering and Computational
Intelligence. Journal of Microwaves, Optoelectronics and Electromagnetic Applications, Vol. 16, No. 3
[15] Hsu, C.C., Chen, H.C., Su, Y.N., Huang, K.K., Huang, Y.M., 2012. Developing a Reading Concentration
Monitoring System by Applying an Artificial Bee Colony Algorithm to E-Books in an Intelligent Classroom .
Sensors, 12, 14158-14178; doi:10.3390/s121014158
[16] Anonim., 2015. Ketahanan Energi Indonesia 2015. Sekretariat Jenderal Dewan Energi Nasional, Jalan
Jenderal Gatot Subroto Kav. 49 Jakarta Selatan