SNPPM-2 (Seminar Nasional Penelitian dan Pengabdian kepada Masyarakat) Tahun 2020

ISBN 978-623-90328-5-2

Artikel Hasil Penelitian

PROFIL BEBAN PENYULANG PANDU

PADA GARDU INDUK TALANG KELAPA 150 kV/20 kV

Erliza Yuniarti1*, Aldo Aji Saputra 2, Amri Malulu 3, Budi Santoso4

1,2,3,4
Universitas Muhammdiyah Palembang, Palembang, Indonesia
. Jl. Jendral Ahmad Yani 13 Ulu Palembang Indonesia
E-mail: erlizay@yahoo.com 1*

Abstrak
Pemenuhan akan kebutuhan atau permintaan energi listrik harus dilakukan, dengan membuat profil beban sistem
dapat di desain menjadi supply yang responsif dan sebagaibahan pertimbangan untuk pengambilan keputusan oleh
pihak manajemen untuk pemenuhan kebutuhan energi listrik. Tujuan penelitian ini adalah mengetahui profil beban
tahunan, profil beban mingguan. faktor beban dan faktor kebutuhan dari transformator daya yang mensupply ke
penyulang. Data set yang dipergunakan dari PT. PLN (Tbk), gardu induk Talang Kelapa pada penyulang Pandu.
Hasil penelitian didapatkan profile beban untuk bulan Mei-Juni 2019 menunjukkan adanya perubahan yang
signifikan, dan asumsi penggunaan energi listrik periode musim kemarau lebih tinggi dari musim penghujan tidak
terpenuhi berdasarkan kurva beban tahun 2018-2019. Penggunaan tranformator daya saat ini pada gardu induk
Talang Kelapa mampu mensupply beban-beban pada penyulang, dengan faktor beban dan faktor kebutuhan lebih
kecil dari ketentuan.

Kata Kunci: : penyulang. profil beban, transformator

PENDAHULUAN
Kebutuhan energi listrik selalu berubah dari waktu ke waktu, seiring dengan
meningkatnya pertumbuhan penduduk yang diikuti berkembangnya sektor pembangunan
perumahan sektor industri yang akan memerlukan energi listrik. Pengurangan beban listrik
dengan pembatasan konsumsi sangat tidak mungkin dilakukan (Panklib et al., 2015).
Pemenuhan akan kebutuhan atau permintaan energi listrik harus dilakukan, dengan membuat
profil beban sistem dapat di desain menjadi supply yang responsif. Hal ini dapat dilakukan
dengan melakukan perencanaan sistem penyaluran, diintegrasikan dengan sumber energi
alternatif dalam variabel sistem tenaga lainnya (Mcbee et al., 2019), dan sebagai pertimbangan
untuk pengambilan keputusan oleh pihak manajemen untuk pemilihan lokasi pemenuhan
kebutuhan energi listrik termasuk sistem tarif listrik (Beigait, 2018);(Y. Wang et al., 2015).
Perencanaan penyaluran beban harus mempertimbangkan besarnya kapasitas pada gardu
induk, karena pada dasarnya proses penyaluran tenaga listrik dari sistem transmisi konsumen
baik konsumen menegah ataupun konsumen terendah. Sistem dalam tenaga listrik yang
mempunyai peran penting karena berhubungan langsung dengan konsumen, terutama tegangan
menengah dan tegangan rendah. Selain berfungsi menerima daya listrik dari sumber daya
(traformator daya), juga akan mengirimkan serta mendistribusikan daya tersebut ke konsumen
melalui penyulang atau feeder. Untuk itu kualitas listrik selayaknya harus sangat diperhatikan.
Perhitungan beban pada setiap sektor dilakukan untuk mengetahui solusi apa yang harus di
lakukan untuk mendapatkan sistem penyaluran listrik yang baik (Ardianto et al., 2013).

Copyright © 2020, Universitas Muhammadiyah Metro 55

SNPPM-2 (Seminar Nasional Penelitian dan Pengabdian kepada Masyarakat) Tahun 2020
ISBN 978-623-90328-5-2

Setiap beban memiliki karakteristik yang berbeda-beda, karena beban bergantung

dengan pola pemakaian konsumen. Faktor penentu yang berpengaruh dalam studi peramalan
beban dan klasifikasinya adalah cuaca atau suhu (Phuangpornpitak & Prommee, 2016); (Su et
al., 2017); (Gari et al., 2014), ekonomi (Samuel et al., 2017);(Bunnoon et al.,
2012);(Panapakidis & Dagoumas, 2016), kegiatan sosial (Miguel et al., 2019); (S. Wang et al.,
2014), perencanaan daerah industri (Bunnoon et al., 2012); (Ward et al., 2019) dan demografi
(Bobric et al., 2009). Profil beban jangka pendek dapat di klasifikasikan berdasarkan, hari kerja
dan libur serta hari besar, mingguan, dan bulan (Miguel et al., 2019). Profile beban dalam
penelitian ini menggunakan data beban dari klasifikasi berdasarkan hari dalam satu minggu dan
bulanan dam tahun perioda. Kurva beban yang dihasilkan dari pengukuran pada transfor daya di
gardu induk dapat menghasilkan data karakteristik beban atau profil beban yang dilayani. Data
yang dihasilkan dapat dianalisa dengan baik, dan dari analisa tersebut dapat digunakan untuk
menentukan kondisi pembebanan pada saat ini maupun untuk perencanaan pembangunan
kedepannya (Sunanda, 2017); (Yuniarti et al., 2019).
Tujuan penelitian ini adalah mengetahui profil atau karakteristik beban tahunan,
karakteristik beban mingguan, faktor beban dan faktor beban dari transfor daya yang mensupply
ke penyulang. Data set yang dipergunakan dalam satu perode tahun yaitu Nopember 2018-
Oktober 2019 dari PT. PLN (Tbk), gardu induk Talang Kelapa pada penyulang Pandu
Palembang.

METODE PENELITIAN

Diagram alir penelitian

Diagram alir (Gambar 1) merupakan kerangka kerja proses penelitian. Penelitian dimulai
dengan mengumpulkan data set yang diperlukan yang disusun dalam bentuk tabel, melakukan
asumsi-asumsi terhadap data yang tidak tercantum keterangan pada data sekunder, melakukan
preprocessing dengan mereksi data yang tidak dipergunakan dalam penelitian ini, imputasi data,
menyusun interval yang sama, melakukan pengecekan terhadap data outlier. Selanjutnya dataset
yang telah tersusun dari data harian dibuatkan dalam bentuk dataset harian, bulanan, dan
tahunan untuk dilakukan analisa dan perhitungan faktor-faktor yang mempengaruhi profil
beban.

Dataset
Dataset diperoleh dari tabulasi penyulang Pandu diperoleh dari trafo Unindo 60 MVA
150kV/20 kV, dalam bentuk logsheet harian dari data catatan operator sistem gardu induk.
Logsheet tranformator dibuah dalam bentuk harian dengan satuan jam. Di dalam satu hari terdiri
dari 27 catatan jam dengan adanya pengulangan catatan dalam jam 24.00 dan 00.00 serta catatan
interval 30 menit pada jam 18.30 dan 19.30. Logsheet terdiri dari data: arus phasa (A), tegangan
(kV), daya aktif (kW), daya semu (kVA), dan suhu transformator disisi transmisi ( 0C).

Copyright © 2020, Universitas Muhammadiyah Metro 56

SNPPM-2 (Seminar Nasional Penelitian dan Pengabdian kepada Masyarakat) Tahun 2020
ISBN 978-623-90328-5-2

Gambar 1. Diagram Alir Penelitian

Data daya aktif setiap jam merupakan daya konsumsi energi listrik, sebelum membuat
profile di penyulang dilakukan preprocessing pada data set dengan mereduksi data arus phasa
(A), tegangan (kV), daya semu (kVA), dan suhu transformator (Yuniarti et al., 2019). Interval
waktu dari data harian yang tidak sama disesuaikan dalam interval waktu dalam sayuan jam,
dengan mereduksi data setip harinya pada jam 24.00, 18.30 dan 19.30. Proses pembuatan data
set selanjutnya dilakukan pembersihan data, dengan mengisi data-data yang kosong atau tidak
lengkap dengan data yang sama pada dari data 2 minggu sebelumnya atau sesudah data yang
kosong (imputation). Data pencilan atau outlier diidentifikasi dan dihilangkan untuk
menghindari analisis data menjadi bias atau tidak mencerminkan fenomena yang sebenarnya.
Asumsi musim pada penelitian ini dilakukan untuk tegangan trasnformator dan musim.
Tegangan diasumsikan konstan dengan faktor daya 0,8. Asumsi musim untuk musim penghujan
dibulan November sampai dengan April tahun berikutnya sedangkan musim penghujan mulai
dari Mei sampai dengan Oktober pada tahun yang sama.

HASIL DAN PEMBAHASAN

Karakteristik Beban
Data beban (Gambar 2) dikumpulkan melalui sistem pembacaan di gardu induk bisa
melalui sistem manual atau otomatis. Permintaan listrik pada interval 1 jam dikelompokan
dalam pola yang sama dan dikembangkan menggunakan data profil beban. Sebagai hasil dari
klasifikasi, kurva representatif untuk data yang dihasilkan sama sebagai ketidakseimbangan
beban dengan melakukan peyeimbangan agar profil beban selalu berada pada batas-batas yang
diperbolehkan (Bobric et al., 2009).

Copyright © 2020, Universitas Muhammadiyah Metro 57

SNPPM-2 (Seminar Nasional Penelitian dan Pengabdian kepada Masyarakat) Tahun 2020
ISBN 978-623-90328-5-2

Gambar 2, menunjukkan karakteristik beban dalam periode 1 tahun. Beban di penyulang

Pandu rerata 164 kW tetapi di akhir November 2018 beban bertambah walaupun tidak
signifikan. Di bulan Desember 2018 sampai bulan Februari 2019 karena musim penghujan
beban mengalami penurunan hingga 100 kW. Sebaliknya pada bulan Maret terjadi lonjakan
beban yaitu pada tanggal 4 Maret 2019 beban mengalami penurunan sampai 71 kW yang
sebelumnya berada pada kisaran 180 kW hal ini terjadi karena adanya gangguan dan penyulang
Pandu harus memikul beban dari penyulang lainnya. Beban di mulai Maret-pertengahan April
2019 cendrung stabil, penurunan beban secara signifikan terjadi diawal sampai dengan minggu
ketiga bulan bulan dimana terjadi transisi antara musim penghujan dan kemarau. Beban listrik
secara umum diatas rerata mulai minggu ke empat juni sampai dengan akhir oktober 2019.

400
Daya (kW)

300

200

100

07 Oktober 2019
18 Oktober 2019
29 Oktober 2019
03 Desember 2018
14 Desember 2018
25 Desember 2018
05 Januari 2019
16 Januari 2019
27 Januari 2019

03 April 2019
14 April 2019
25 April 2019

02 Agustus 2019
13 Agustus 2019
06 Mei 2019
01 Maret 2019
12 Maret 2019
23 Maret 2019

17 Mei 2019
28 Mei 2019

24 Agustus 2019
08 Juni 2019
01 november 2018
12 november 2018
23 november 2018

19 Juni 2019
30 Juni 2019

04 September 2019
15 September 2019
26 September 2019
11 Juli 2019
22 Juli 2019
07 Februari 2019
18 Februari 2019

Gambar 2. Kurva Beban Penyulang Pandu

Beban rerata dalam 1 periode tahunan (November 2018 –Oktober 2019) 165,22 kW,
beban maksimum 288 kW dan beban terendah 50 kW. Tranformator saat ini mampu memikul
beban konsumen di penyulang pandu walaupun transformator daya ini juga mensupply 5 feeder
yang lainnya.

Faktor beban
Faktor beban adalah acuan perbandingan antara beban rata-rata terhadap beban puncak
yang didapat dalam periode tertentu. Beban tersebut dinyatakan dalam satuan kW, kVA harus
disamakan terlebih dahulu satuannya, dalam periode tertentu biasanya dipakai dalam bentuk
harian, bulanan, tahunan. Pada beban puncak sesaat atau beban puncak rata-rata dalam interval
tertentu (demand maximum) yang dipakai ialah beban maksimum 15 menit, 30 menit.
Faktor beban dapat diketahui melalui kurva bebannya, sedangkan untuk perkiraan
besaran faktor beban di masa yang akan datang dapat dinyatakan dengan data statistik yang ada
berdasarkan jenis beban (Gonen, 1985). Faktor beban harian selama satu minggu (Gambar 2)
diambil dari data1–7 November 2018, dan faktor beban bulanan selama satu tahun (Gambar 3)
dihitung dari perbandingan beban rerata dengan beban puncaknya.

Copyright © 2020, Universitas Muhammadiyah Metro 58

SNPPM-2 (Seminar Nasional Penelitian dan Pengabdian kepada Masyarakat) Tahun 2020
ISBN 978-623-90328-5-2

Berdasarkan Gambar 3, faktor beban harian sampling mendapatkan hasil yang berbeda
besar, dengan kata lain kebutuhan hampir sama di hari Senin-Rabu dan tertinggi di hari Jum’at-
Sabtu dengan range faktor beban 0,03. Faktor beban bulanan terendah terjadi di bulan April
dengan penurunan sebesar 0,19 point, dan pada bulan yang lainmya faktor beban dikisaran 0,8-
0,9.
Perhitungan faktor beban puncak tahunan dilakukan dengan cara yang sama, sehingga
didapatkan faktor beban puncak tahunan 0,71 dan faktor beban saat beban puncak 0,56 dengan
nilai asumsi faktor daya (Cos ) kurang dari 1. Faktor beban puncak tahunan dan saat beban
puncak dalam batas normal dari traformator sehingga traformator masih layak pakai, sebaliknya
bila nilai faktor daya trafo lebih besar dari 1 maka trafo harus di ganti karena melebihi kapasitas
trafo (Gonen, 1985).

0,28

0,26

0,24

0,22

0,2
Senin Selasa Rabu Kamis Jumat Sabtu Minggu

Gambar 3. Faktor Beban Harian

0,9

0,8

0,7

0,6
Nov-18 Des Jan-19 Feb-19 Mart Apr-19 Mei Juni Juli Agust Sep-19 Okt
2018 2019 2019 2019 2019 2019 2019

Gambar 4. Faktor Beban Bulanan

Faktor kebutuhan
Faktor kebutuhan dinyatakan dalam persen (%), dengan melakukan perbandingan beban
puncak (Bp) dengan seluruh beban terpasang pada sistem (Bc). Selain beban terpasang faktor
kebutuhan dipengaruhi oleh konsumen. Sifat pemakaian energi listrik berubah sesuai dengan
pengguna atau konsumen. Toko-toko, pusat perbelanjaan, kantor-kantor dan industri memiliki
faktor kebutuhan tinggi sedangkan gudang dan tempat reakrasi memiliki faktor kebutuhan
rendah.

Copyright © 2020, Universitas Muhammadiyah Metro 59

SNPPM-2 (Seminar Nasional Penelitian dan Pengabdian kepada Masyarakat) Tahun 2020
ISBN 978-623-90328-5-2

Besarnya faktor kebutuhan hari dari 1–7 November 2018 dapat dilihat pada Gambar 3,
dan faktor beban bulanan selama tahun pada Gambar 4. Grafik pada Gambar 3 faktor beban
harian Senin-Kamis hampir sama, sedangkan pada hari Jum’at sampai minggu cendrung turun
sebagaimana karakteristik beban listrik. Sebaliknya Grafik kebutuhan bulanan cendrung tidak
stabil disepanjang tahun, sehingga sulit menentukan faktor kebutuhan bulanan (Gambar 4)
berdasarkan musiman, padaabulan Maret memiliki faktor kebutuhan bulanan tertinggi sebesar
0,6 dan yang terendah berada pada bulan Januari sebesar 0,41

,5000

,4000

,3000

,2000
Senin Selasa Rabu Kamis Jumat Sabtu Minggu

Gambar 3. Faktor Kebutuhan harian

0,8

0,7

0,6

0,5

0,4

0,3
Nov-18 Des Jan-19 Feb-19 Mart Apr-19 Mei Juni Juli Agust Sep-19 Okt
2018 2019 2019 2019 2019 2019 2019

Gambar 4. Faktor Kebutuhan Bulanan

KESIMPULAN

Berdasarkan hasil dan pembahasan dapat di simpulkan sebagai berikut :

1. Profile beban November 2018 sampai bulan Februari 2019 dimusim penghujan terjadi
penurunan beban, dan pada akhir bulan Mei-Juni 2019 menunjukkan adanya perubahan
penurunan nilai beban yang signifikan, karena memasuki peralihan musimkemarau dan
musim penghujan.
2. Penggunaan tranformator daya 600 MVA 150 kV/12kV pada gardu induk Talang
Kelapa mampu mensupply beban-beban pada penyulang, dengam faktor beban dan
faktor kebutuhan lebih kecil dari 1 (satu).

Copyright © 2020, Universitas Muhammadiyah Metro 60

SNPPM-2 (Seminar Nasional Penelitian dan Pengabdian kepada Masyarakat) Tahun 2020
ISBN 978-623-90328-5-2

UCAPAN TERIMA KASIH

Kami berterima kasih kepada staff dosen Prodi Teknik Elektro Universitas
Muhammadiyah Palembang, tim penyusun dataset forecasting 2019-2020 yang telah banyak
membantu penelitian dan menulis makalah ini.

DAFTAR PUSTAKA
Ardianto, F., Studi, P., Elektro, T., & Teknik, F. (2013). Studi penentuan penggantian transformator gardu induk
dengan memprediksi beban konsumen. Online, 3(2), 518–529. http://jurnal.um-
palembang.ac.id/berkalateknik/article/view/357
Beigait, R. (2018). Electricity price forecasting for Nord Pool data. November.
https://doi.org/10.1109/PlatCon.2018.8472762
Bobric, E. C., Cartina, G., & Grigoras, G. (2009). Clustering Techniques in Load Profile Analysis for Distribution
Stations. Advance in Electrical and Computer Engineering, 9(1), 84–87.
Bunnoon, P., Chalermyanont, K., & Limsakul, C. (2012). Energy Procedia Mid-Term Load Forecasting : Level
Suitably of Wavelet and Neural Network based on Factor Selection. International Conference on Advances
in Energy Engineering, 14, 438–444. https://doi.org/10.1016/j.egypro.2011.12.955
Gari, J., Junior, F., Oozeki, T., Ohtake, H., & Shimose, K. (2014). Forecasting Regional Photovoltaic Power
Generation - A Comparison of Strategies to Obtain One-Day-Ahead Data. 2013 ISES Solar World
Congreaa, 57, 1337–1345. https://doi.org/10.1016/j.egypro.2014.10.124
Gonen, T. (1985). Electric Power Distrbution System Engineering. Mc. Graw Hill.
Mcbee, K. D., Chong, J., & Rudraraju, P. (2019). Demand Side Management E ff ects on Substation Transformer
Capacity Limits. Applied Sciences, 6(3266), 1–19.
Miguel, L., Sans, C., Valero, S., & Senabre, C. (2019). Classification of Special Days in Short-Term Load
Forecasting : The Spanish Case Study. Energies, 12(1253), 1–31. https://doi.org/10.3390/en12071253
Panapakidis, I. P., & Dagoumas, A. S. (2016). Day-ahead electricity price forecasting via the application of
artificial neural network based models. APPLIED ENERGY, 172, 132–151.
https://doi.org/10.1016/j.apenergy.2016.03.089
Panklib, K., Prakasvudhisarn, C., & Khummongkol, D. (2015). Electricity Consumption Forecasting in Thailand
Using an Artificial Neural Network and Multiple Linear Regression. Energy Sources, Part B: Economics,
Planning and Policy, 10(4), 427–434. https://doi.org/10.1080/15567249.2011.559520
Phuangpornpitak, N., & Prommee, W. (2016). A Study of Load Demand Forecasting Models in Electric Power
System Operation and Planning. GMSARN International Journal, 10, 19–24.
Samuel, I. A., Adetiba, E., & Odigwe, I. (2017). A Comparative Study of Regression Analysis and Artificial Neural
Network Methods for Medium-Term Load Forecasting. Indian Journal of Science Ang Technology,
10(March), 1–7. https://doi.org/10.17485/ijst/2017/v10i10/86243
Su, P., Tian, X., Wang, Y., Deng, S., Zhao, J., An, Q., & Wang, Y. (2017). Recent Trends in Load Forecasting
Technology for the Operation Optimization of Distributed. Energies, 10(1303), 1–13.
https://doi.org/10.3390/en10091303
Sunanda, W. (2017). Profil Beban Pada Sistem Kelistrikan Universitas Bangka Belitung. Jurnal ECOTIPE, 4(1), 1–
6. https://doi.org/10.33019/ecotipe.v4i1.11
Wang, S., Lu, Z., Ge, S., & Wang, C. (2014). An Improved Substation Locating and Sizing Method Based on the
Weighted Voronoi Diagram and the Transportation Model. Journal of Applied Mathematcs, 2014, 1–9.
Wang, Y., Chen, Q., Kang, C., Zhang, M., Wang, K., & Zhao, Y. (2015). Load profiling and its application to
demand response: A review. Tsinghua Science and Technology, 20(2), 117–129.
Ward, R. M., Choudhary, R., Heo, Y., Aston, J. A. D., Choudhary, R., Heo, Y., & Aston, J. A. D. A. (2019). A
data-centric bottom-up model for generation of stochastic internal load profiles based on space- use type.
Journal of Building Performance Simulation, 12(5), 620–636.
https://doi.org/10.1080/19401493.2019.1583287
Yuniarti, E., Nurmaini, Suprapto, B. Y., & Naufal Rachmatullah, M. (2019). Short Term Electrical Energy
Consumption Forecasting using RNN-LSTM. ICECOS 2019 - 3rd International Conference on Electrical
Engineering and Computer Science, Proceeding, 287–292.
https://doi.org/10.1109/ICECOS47637.2019.8984496

Copyright © 2020, Universitas Muhammadiyah Metro 61