See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/324274059

Optimasi Jadwal Operasi dan Pemeliharaan Pembangkit Tenaga Listrik

Menggunakan Metode Algoritma Genetika

Article · December 2013

CITATIONS READS

2 193

1 author:

Achmad Solichan
University of Muhammadiyah of Semarang
10 PUBLICATIONS   5 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Energy conservation View project

All content following this page was uploaded by Achmad Solichan on 12 March 2021.

The user has requested enhancement of the downloaded file.

Media Elektrika, Vol. 6 No. 2, Desember 2013 ISSN 1979-7451

OPTIMASI JADWAL OPERASI DAN PEMELIHARAAN

PEMBANGKIT TENAGA LISTRIK MENGGUNAKAN
METODE ALGORITMA GENETIKA
Achmad Solichan1* dan Moh Toni Prasetyo1
1
Program Studi Teknik Elektro, Fakultas Teknik, Universitas Muhammadiyah Semarang
Jl. Kasipah No.12 Semarang, 50254
*
Email: solihan17@gmail.com

ABSTRAK

Kemajuan teknologi dan konsumsienergi listrik yang meningkat dengan cepat menuntut
adanya peningkatan kualitas keandalan sistem tenaga listrik. Untuk mendapat kuantitas daya sistem
diperlukan pengoperasian unit pembangkit sebanyak mungkin sedangkan untuk mendapat kualitas
daya sistem diperlukan pemeliharaan unit pembangkit sebaik mungkin. Jadwal operasi dan
pemeliharaan pembangkit yang tepat menghasilkan keandalan sistem yang optimal antara kuantitas
dan kualitas. Kendala yang dihadapi yaitu kesulitan untuk mendapatkan jadwal yang paling tepat
karena pengaturan jadwal dilakukan secara manual.
Masalah penjadwalan bersifat kombinatorial dan probabilistik sangat tepat diselesaikan
dengan sistem optimasi menggunakan kecerdasan buatan algoritma genetika. Penelitian ini bertujuan
membuat rancang bangun sistem optimasi penjadwalan operasi dan pemeliharaan unit pembangkit
tenaga listrik. Metode optimasi yang digunakan yaitu algoritma genetika dan fungsi objektif berupa
LOLE minimal, operator yang dipakai yaitu crossover (0,6), mutasi (0,001) dan elitisme (1).
Hasil penelitian menunjukkan metode algoritma genetika dapat menyelesaikan masalah
optimasi penjadwalan pemeliharaan dan operasi sistem tenaga listrik.

Kata kunci: algoritma genetika, jadwal pemeliharaan, optimasi.

PENDAHULUAN unit pembangkit yang beroperasi yang

Kemajuan teknologi yang sangat sesuai per periode waktu sehingga
pesat menyebabkan kebutuhan energi listrik diperoleh keandalan sistem tenaga listrik
juga bertambah begitu cepat sehingga perlu yang baik dan kinerja unit tetap dapat
adanya jaminan keandalan sistem tenaga dipertahankan (Marsudi, 2006).
listrik. Keandalan sistem yang baik Perencanaan operasi sangat
membutuhkan unit pembangkit beroperasi dipengaruhi oleh perkiraan beban dan
sebanyak-banyaknya dalam sistem jadwal pemeliharaan. Perkiraan beban oleh
interkoneksi. Di sisi lain kualitas kinerja PLN cukup akurat sehingga menghasilkan
unit pembangkit mesti dipertahankan keandalan sistem yang masih baik dari segi
dengan pemeliharaan yang berarti kuantitatif. Aspek kualitatif keandalan
mengurangi jumlah unit yang terhubung sistem sangat dipengaruhi oleh jadwal
dalam sistem interkoneksi. Optimasi pemeliharaan. Saat ini jadwal pemeliharaan
dibutuhkan untuk menentukan konfigurasi di PLN menggunakan time based

Optimasi Jadwal Operasi..... 25

Media Elektrika, Vol. 6 No. 2, Desember 2013 ISSN 1979-7451

maintenance (TBM) sesuai dengan manual ditawarkan melalui proses iterasi.

book untuk unit baru dan condition based Kelebihan algoritma genetika mudah
maintenance (CBM) untuk unit lama. beradaptasi, memiliki kemampuan belajar,
Jadwal pemeliharaan seharusnya juga mengumpulkan fakta dan pengetahuan
mempertimbangkan beban sistem agar tanpa harus memiliki pengetahuan
menghasilkan keandalan yang baik secara sebelumnya (Nath, 2007).
kualitatif. 2. METODOLOGI
Zein dkk dan Subekti dkk meneliti 2.1. Fungsi Optimasi, Data dan Variabel
keandalan sistem tenaga listrik berupa Sistem optimasi jadwal operasi dan
LOLP (Loss of Load Probability). pemeliharaan unit pembangkitmemiliki
Perhitungan menggunakan asumsi data fungsi objektifuntuk mencari nilai optimum
beban maksimal atau segmentasi dan LOLE dan fungsi kendala berupafungsi
seluruh unit pembangkit selalu beroperasi durasi beban. Perhitungan nilai LOLE
sepanjang tahun serta tidak dimasukkan dilakukan perminggu dalam setahun (52
jadwal pemeliharaan dalam minggu). Perhitungan LOLE sebagaimana
perhitungannya. Hasil perkiraan LOLP LOLP ditunjukkan pada gambar 1 dan
dipakai untuk perencanaan pembangunan persamaan (1).
unit pembangkit baru (Zein, 2008). LOLP = P.t (1)
Perbedaan penelitian ini dibandingkan Keterangan :
dengan penelitian sebelumnya yaitu P : probabilitas kapasitas daya dari
perhitungan keandalan sistem tenaga listrik kombinasi unit yang ada dalam sistem
melibatkan konfigurasi unit dalam sistem interkoneksi.
setiap minggu menyesuaikan dengan beban t : durasi kehilangan beban di atas
listrik setiap minggunya. Indeks keandalan kapasitas daya sistem interkoneksi.
yang dipakai adalah LOLEtahunan.
Metode optimasi yang digunakan
adalah Algoritma Genetika dikarenakan
fungsi objektif bersifat stokastik
probabilistik. Algoritma genetika bersifat
meta-heuristik bukan semata-mata random
murni sehingga dapat mencari nilai
optimum dari banyak solusi yang

26 Achmad Solichan dan Moh Toni Prasetyo

Media Elektrika, Vol. 6 No. 2, Desember 2013 ISSN 1979-7451

LOLP dihitung dalam setahun

dengan asumsi beban puncak harian sama
dalam setahun dan unit selalu terhubung
dengan sistem interkoneksi dalam setahun.
Faktanya, beban dan kapasitas daya sistem
selalu berubah dalam setiap bulan, minggu
bahkan hari. Dengan memasukkan jadwal
Gambar 1. Aspek kuantitas dan kualitas pemeliharaan dalam perhitungan
secara bersama digunakan untuk didapatkan nilai keandalan yang lebih tepat
perhitungan LOLP sebagai indeks yaitu dengan nilai LOLE.
keandalan sistem tenaga listrik (Marsudi, LOLE dihitung dengan mem-
2006) breakdown LOLP dalam perminggu disebut
Garis warna merah adalah kapasitas LOLEp (nilai LOLE mingguan) sehingga
daya sistem (MW) yang mungkin terjadi data berupa durasi beban dan status operasi
dari sistem interkoneksi dengan probabilitas unit pembangkit juga harus di-breakdown
kejadiannya sebesar “P”. Dalam satu sistem dalam setiap minggu. LOLEa tahunan
dengan unit sebanyak n terdapat 2n dihitung dari akumulasi LOLEp dalam
kemungkinan kapasitas daya yang setahun.
terbentuk dari kemungkinan beroperasi dan Variabel bebas berupa data durasi beban
atau terganggunya setiap unit. Nilai per minggu dan status unit pembangkit
kemungkinan unit terganggu didapat dari berdasar jadwal operasi dan pemeliharaan
data FOR (Forced Outage Rate) setiap unit per minggu sedangkan variabel tergantung
sedangkan nilai kemungkinan unit adalah nilai LOLE per minggu dan LOLE
beroperasi didapat dari nilai (1-FOR) setiap dalam setahun.
unit. Nilai FOR dalam desimal didapatkan Sistem dibuat dengan aplikasi
dari data PLN. matlab. Masukan berupa data beban (real
Kurva berwarna biru adalah time dalam setahun) dan pembangkit (daya
lamanya (jam) besar beban tertentu (MW) mampu netto dan FOR) dalam format excell
terjadi pada sistem disebut juga sebagai spreadsheet.
kurva durasi beban. Kurva durasi beban
didapatkan dari data beban harian diurutkan
dari besar ke kecil.

Optimasi Jadwal Operasi..... 27

Media Elektrika, Vol. 6 No. 2, Desember 2013 ISSN 1979-7451

2.2. Model Algoritma Genetika nilai allele antara 1 dan 0 dalam satu
Individu dalam sistem yang dibuat individu.
terdiri dari kromosom berukuran 52 2.3. Pengguna dan Antar Muka
(minggu) x jumlah unit pembangkit. Allele Pengguna
bernilai 1 berarti status unit pembangkit Pengguna hanya satu yaitu
beroperasi (masuk dalam sistem administrator. Pengguna dapat mengubah
interkoneksi).Allele bernilai 0 berarti status parameter, memasukkan data, menjalankan
unit pembangkit dalam pemeliharaan program dan menyimpan hasil.
(keluar dari sistem interkoneksi). Nilai Halaman utama antar muka juga
allele bisa diatur untuk menentukan hanya satu untuk kemudahan pengguna.
lamanya minggu pemeliharaan setiap unit Output berupa nilai LOLE optimum
pembangkit. ditampilkan di halaman utama. Status setiap
Pembangkitan individu dilakukan unit dalam sistem interkoneksi dalam
secara random. Satu populasi berisi interval mingguan selama setahun
beberapa individu. Seleksi dilakukan ditampilkan di halaman utama dalam
dengan mencari nilai fitness terbaik bentuk matrik kode 1 dan 0. Hasil dapat
didapatkan dari nilai LOLE terkecil yang disimpan dn dimuat kembali dengan masuk
dihasilkan dalam satu populasi tersebut. ke menu berkas.
Generasi kedua berisi populasi kedua
dibangkitkan secara random dengan 2.4. Prosedur Penelitian
mengikutkan proses seleksi individu terbaik
sebelumnya disebuttruncation selectionatau
pemilihan blok rangking (Thierens &
Goldberg, 1994).
Proses crossover dan mutasi
dilakukan untuk setiap populasi dengan
memasukkan nilai elitisme sebesar 1 untuk
individu terbaik. Model crossover
dilakukan dengan memindahsilangkan satu
kolom kromosom antara 2 individuyang
berbeda yang dilakukan secara random.
Model mutasi dilakukan dengan menukar Gambar 2. Alur Penelitian

28 Achmad Solichan dan Moh Toni Prasetyo

Media Elektrika, Vol. 6 No. 2, Desember 2013 ISSN 1979-7451

Data pembangkit berupa nama

unit, daya unit dan FOR unit pembangkit
diolah menjadi kapasitas daya sistem dan
probabilitas kejadiannya seperti pada tabel
1.

Tabel 1. Pengolahan Data Kapasitas Daya

Unit Pembangkit
Unit Unit
Pembangkit Pembangkit Kapasit Probabilit
ke-1 ke-n as Daya as
Daya MW1 MWn Sistem Kejadian
FOR FOR1 FORn
Status 1/0 1/0 MWtotal Ptotal
Operasi Gambar 3. Grafik Data Beban Harian
(kondisi real time) dan Durasi Bebannya
Kapasitas daya sistem didapat dari
jumlah kapasitas daya masing-masing
2.5. Pengujian dan Analisa
pembangkit yang sedang beroperasi dan
Pengujian dilakukan dalam
tidak mengalami gangguan. Probabilitas
beberapa tahap sebagai berikut :
kejadian unit terganggu (trip) didapat dari
1. Pengujian program.
nilai FOR setiap unit pembangkit
2.Pengujian penggunaan operator algoritma
sedangkan probabilitas unit tidak terganggu
genetika (crossover, mutasi, elitisme).
nilainya sama dengan (1-FOR) setiap unit
3. Pengujian nilai probabilitas operator (pc
pembangkit. Probabilitas kejadian kapasitas
dan pm)
daya sistem didapat dari hasil kali (product)
4. Pengujian untuk mencari nilai LOLE
masing-masing kejadian status setiap unit
terbaik dengan memakai nilai pc dan pm
pembangkit.
hasil pengujian sebelumnya.

Data beban berupa besar beban Analisa hasil dilakukan dengan

sistem secara real timeurut waktu (time mencari nilai fitness terbaik dari sejumlah

series) diubah menjadi lamanya kejadian pengujian yang dilakukan.

beban terjadi (durasi beban). Secara grafis

ditunjukkan seperti pada gambar 3. 3. HASIL DAN PEMBAHASAN
Pengujian program menunjukkan
bahwa program dapat berjalan dengan baik.

Optimasi Jadwal Operasi..... 29

Media Elektrika, Vol. 6 No. 2, Desember 2013 ISSN 1979-7451

Hasil pengujian penggunaan operator operator elitisme, crossover dan mutasi

algoritma genetika ditunjukkan pada perlu digunakan dalam algoritma genetika
gambar 4 dan tabel 2. yang dibangun.
Hasil pengujian nilai pc dan pm
ditunjukkan pada tabel 3.
Tabel 3. Pemilihan Operator Optimasi
Algoritma Genetika

No. pc pm LOLE

1 0,1 0,001 17,27

2 0,2 0,001 17,30
3 0,3 0,001 17,24
4 0,4 0,001 17,27
5 0,5 0,001 17,27
6 0.6 0,001 17,18
7 0,2 0,1 17,30
8 0,3 0,1 17,34
9 0,4 0,1 17,18

Berdasar hasil pengujian yang

Gambar 4. Grafik Perkembangan Hasil
ditunjukkan tabel 3 tersebut nilai
Optimasi(Kiri ke Kanan) Dengan Operator :
probabilitas mutasi dan crossover semuanya
Tanpa Semuanya, Elitisme,
menghasilkan nilai LOLE yang tidak jauh
(Elitisme,Crossover), (Elitisme,Mutasi),
berbeda yaitu 17 hari setahun namun hasil
(Elitisme,Crossover,Mutasi)
yang paling minimal ditunjukkan pada pc
0,6 dan pm 0,001 serta pada pc 0,4 dan pm
Tabel 2. Pemilihan Operator Optimasi
0,1.
Algoritma Genetika
Perbandingan antara hasil
Konvergensi
No Elitism Crossove Mutas
Buru Sedan Bai perhitungan LOLE dengan asumsi semua
. e r i
k g k
unit beroperasi (pemeliharaan dianggap
1 - - - v
2 v - - v tidak ada), sebagian unit dipelihara tanpa
3 v v - v
optimasi jadwal dan sebagian unit
4 v - v v
5 v v v v dipelihara dengan optimasi jadwal
ditunjukkan pada tabel 4.
Berdasarkan hasil pengujan yang
ditunjukkan gambar 4 dan tabel 2 tersebut

30 Achmad Solichan dan Moh Toni Prasetyo

 Media Elektrika, Vol. 6 No. 2, Desember 2013 ISSN 1979-7451

Tabel 4. Perbandingan LOLE UCAPAN TERIMA KASIH

Faktor Pada kesempatan ini penulis
Tanpa
Pemeliharaan Pemeliharaan
Memasukkan mengucapkan terima kasih kepada
No. Dimasukkan Dengan
Faktor Ditlitabmas Dirjen Dikti Kementerian
Tanpa Optimasi
Pemeliharaan
Optimasi Pendidikan dan Kebudayaan yang telah
1 2,19 45,06 17,27
mendanai penelitian ini. Semoga penelitian
2 2,19 31,51 17,30
ini dapat bermanfaat.
3 2,19 31,31 17,24

4 2,19 38,38 17,27

DAFTAR PUSTAKA
5 2,19 31,34 17,18

Marsudi, Djiteng, (2006), Operasi Sistem

Berdasar hasil pengujian yang
Tenaga Listrik, Graha Ilmu.
ditunjukkan pada tabel 4 tersebut faktor
Nath,Baikunth,(2007), Genetic Algorithms,
pemeliharaan memberi dampak signifikan
Evolutionary & Neural Computation,
terhadap hasil perhitungan LOLE sehingga
handbook Computer Science and
tidak dapat diabaikan dan mestinya
Software Engineering, The University
dilakukan optimasi penjadwalan untuk
of Melbourne..
menghasilkan LOLE yang optimum.
Thierens, D. & Goldberg, D., (1994),
Convergence Models Of Genetic
4. KESIMPULAN
Algorithm Selection Schemes,
Berdasarkan hasil penelitian dapat
Springler, Berlin.
diambil beberapa kesimpulan sebagai
berikut :
1. Faktor pemeliharaan sangat berpengaruh
terhadap nilai LOLE.
2. Algoritma genetika dapat dipakai untuk
optimasi jadwal dengan menggunakan
operator elitisme (1), crossover (pc 0,6)
dan mutasi (pm 0,001).
3. Optimasi jadwal pemeliharaan memberi
hasil yang signifikan dengan nilai LOLE
berkisar pada angka 17 hari.

Optimasi Jadwal Operasi..... 31

View publication stats