PRESENTASI AKHIR-METODOLOGI PENELITIAN

Pemetaan Potensi Pembangkit Listrik Tenaga Mikrohidro

(River-run-of Hydropower) di Pulau Jawa dengan
Artificial Neural Networks

AKHMAD IQBAL IKROMI

25021042

Source: Adobe Stock

CONTENTS
TABLE OF
01 PENDAHULUAN

02 KAJIAN PUSTAKA

03 METODOLOGI

04 JADWAL
PELAKSANAAN

05 DAFTAR PUSTAKA
PENDAHULUAN

Source: Adobe Stock

 BELAKANG
LATAR
Pulau Jawa memiliki jumlah Laju pertumbuhan penduduk
penduduk terbanyak di Indonesia mencapai 1,25% per tahun. (BPS)

Konsumsi Listrik 1,08 GWh per

kapita dengan Rasio Elektrifikasi
sebesar 99,20% di tahun 2020
(Kementrian ESDM)
 Semakin meningkat kebutuhan listrik seiring
35,21 % PLTU bertambahnya pertumbuhan penduduk.
BAHAN  Potensi terjadinya krisis bahan bakar fosil di
24,43% PLTGU BAKAR
10,28% PLTD FOSIL masa mendatang
8,80% PLTG  Pencemaran yang diakibatkan dari bahan
bakar fosil
 Dibutuhkan New and Renewable Energy (NRE)
 BELAKANG
LATAR
River Run-of Hydropower
(Pembangkit Listrik Tenaga
Mikrohidro)
1. Biaya konstruksti lebih murah
2. Tidak membutuhkan area
pembebasan lahan untuk
genangan
3. Memanfaatkan ketersediaan
0,05% PLTMH debit yang ada
di Indonesia
 BELAKANG
LATAR
Tantangan
 Pengoperasian sangat tergantung pada ketersediaan debit yang kontinu.
 Membutuhkan head tertentu untuk dapat memutar turbin
 Data debit pencatatan sungai (untuk perencanaan)
 Sloop dan lokasi yang memungkinkan untuk dilakukan konstruksi

Artificial Neural Networks (ANNs)

• Salah satu bagian dari algoritma Machine

Learning
• Dapat digunakan untuk memodelkan
hubungan kompleks nonlinear antara input
dan output.
• Memodelkan hubungan antara karakteristik
DAS terhadap karakteristik debit yang
dihasilkan.
 PENDAHULUAN
Research Question
● Bagaimana hubungan antara karakteristik DAS dengan ketersediaan debit?
● Bagaimana mengetahui lokasi optimal untuk dibangun river-run-off
hydropower (PLTMH) di Pulau Jawa?
● Berapa kapasitas dari PLTMH pada masing masing lokasi tersebut?

Tujuan Penelitian
● Investigasi hubungan antara debit andalan dengan karakteristik DAS.
● Melakukan validasi dari performa algoritma ANNs dan mengkalibrasinya.
● Mencari lokasi yang optimal untuk membangun PLTMH di Pulau Jawa dalam bentuk peta.

Batasan Penelitian
● Data klimatologi yang digunakan adalah data global.
● Data topografi menggunakan MERIT DEM.
● Kalibrasi dilakukan di sejumlah DAS yang mempunyai data debit observasi.
● Penelitian hanya dilakukan di Pulau Jawa
● Tidak memperhitungkan proyeksi perubahan tata guna lahan terhadap karakteristik ketersediaan debit yang dihasilkan
● Tidak memperhitungkan peroyeksi perubahan iklim.
 KAJIAN
PUSTAKA

Source: HD Walpaper
Rapid Hydropower Potential Assessment for Remote Area by Using Global Data

PUSTAKA
KAJIAN
(Muhammad farid, akbar Rizaldi, Aqdha Prahitna, M Syahril Badri Kusuma, Arno Adi Kuntoro, dan Hadi
Kardhana, 2021)

● Melakukan studi potensi PLTMH di DAS Ayung, Pulau Bali.

● Data input yang digunakan berupa data global
● Metode yang digunakan:
o Pemodekan hidrologi menggunakan program SWAT (Soil and
Water Assesment Tool)  didapatkan Q85
o Data DEM, debit Q85, data karakteristik sungai dan flow
accumulation diubah ke data ASCII
o Penentuan lokasi optimum diporses menggunakan Diversion
Algorithm dengan model numerik
Global Maps of Streamflow Characteristics Based on Observation from Several

PUSTAKA
KAJIAN
Thousand Catchments.
(Hylke E. Beck, Ad De Roo, Albert I.J.M Van Dijk, 2013)

● Mengobservasi data debit sejumlah 3000-4000 DAS di seluruh dunia

● Luas DAS berukuran 10-10.000 km2
● Digunakan Artificial Neural Networks untuk memperkirakan
karakteristik debit andalan berdasarkan data iklim dan
karaketristik fisik DAS
● 17 Karakteristik Debit seperti debit tahunan rata-rata, base flow,
persentil debit aliran, dll.
● Untuk mendapatkan karakteristik debit digunakan 20 predictor
dari data iklim dan DAS
● Data yang digunakan bermacam macam yang bersumber dari data
global dan data dari berbagai negara.
● Hasil pembangkitan karakteristik debit dikalibrasi menggunakan
data pencatatan debit, di Amerika menggunkan GAUGES II, data
dari pemerintah Australias dan GDRC untuk negara lain
 PUSTAKA
KAJIAN
Streamflow Maps for Run-of-river Hydropower Developments in Japan
(Ryosuke Arai, Yausho Toyoda, So Kazama, 2021).

● menghasilkan peta karaketeristik debit andalan pada DAS di seluruh

bagian negara Jepang
● Menggunakan ANNs dalam pemograman
● Luas DAS yang diteliti berukuran 5-10 km 2, terdapat 387 DAS yang
diidentifikasi.
● Karakteristik debit yang dihasilkan beruka rata-rata debit tahunan, indeks
debit harian, indeks volume air untuk run of river hydropower.
● Metodologi yang digunakan adalah menghitung sejumlah 176 DAS yang
memiliki data pengamatan dan pencatatan debit yang lengkap.
● Dilakukan training data sejumlah 12 ANNs
● Hasil karakteristik debit kemudian dikalibrasi dan didaptkan nilai R 2 dan
RMSE
● Nilai kalibrasi terbaik didapatkan trained ANNs yang digunakan untuk
menganalisis 387 DAS di seluruh bagian negara Jepang.
● Langkah terakhir adalah pemetaaan potensi hydropower
METODOLOG
I

Source: HD Walpaper
 METODOLOGI
Data yang digunakan dalam penelitian ini
a. Data Iklim dan hujan (CSFR)
b. Data Topografi (MERIT)
c. Data Tutupan Lahan (BAPENNAS)
d. Data Tanah (ORNL DAAC)
e. Data debit pencatatan (BBWS terkait)

• Karakteristik
Karakteristik DAS:
Debit Andalan
• Data Iklim dan
• Potensi
Hujan
pembangkit
• Data Tanah
• Lokasi optimal
• Data Topografi
PLTMH
• Data Tutupan
Lahan
 METODOLOGI
Mulai

Perumusan Masalah

Literatur Review

Pengumpulan Data

Data Karakteristik DAS

1. Data Iklim dan hujan (CSFR) Data Debit
2. Data Topografi (MERIT- Pencatatan (Debit
DEM) Observasi dan
3. Data Tutupan Lahan PLTMH Eksisting
(BAPENNAS)
4. Data Tanah (ORNL DAAC)

A B

DAS di Semua Pulau Jjawa DAS yang mempunyai data

debit observasi
 3. Data Tutupan Lahan Observasi
(BAPENNAS)

METODOLOGI
4. Data Tanah (ORNL DAAC)
A B

DAS di Semua Pulau Jjawa DAS yang mempunyai data

debit observasi

Pembuatan ANNs, dengan berbadai variabel

Pembuatan ANNs, dengan berbagai
di hidden layer
variabel di hidden layer

Tidak R2 ~ 1 &
RMSE ~ 0

Ya

Trained ANNs

Pemetaan Potensi
PLTMH

Selesai
 Juli Agustus September Oktober November Desember Januari Februari
No. Rencana Kegiatan I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV I II III IV
1 Literature Review
2 Pengumpulan Data
3 Penyusunan Proposal
4 Seminar Proposal
5 Analisis Data
6 Seminar Hasil
7 SEMISA
8 Sidang Thesis

N
PELAKSANAA
JADWAL
 REFERENCE
Badan Pusat Statistik (2018)

Dirketorat Jendral Ketenagalistrikan, Kementrian Energi dan Sumber Daya Mineral. Statistik Ketenaga Listrikan.
2020.

Arai, Ryosuke., Toyoda ,Yasushi., Kazama, So. Streamflow maps for run-of river hydropower develompemnts in
Japan. Journal of Hydrology 607 (2022) 127512. 2022.

Farid, Mohammad., Rizaldi, Akbar., Prahitna, Aqsha. Kusuma, Muhammad Syahril Badri., Kuntoro, Arno Adi., dan
Kardhana, Hadi. Rapid Hydropower Potential Assessment for Remote Area by uding Global Data. IOP
Conference Series: Earth and Environmental Science 813 (2021) 012006. 2021.

Beck, Heylke E., De Roo, Ad., van Dijk, Albert I.J.M. Global Maps of Streamflow Characteristics Basen on
Observataion from Several Thousand Carchments. Jurnal of Hydrometeorology. 2015.
THANK YOU