Kata Pengantar
Perkembangan ilmu di bidang elektro
yang sangat pesat membuat para orang-orang dibidang elektro mencari
metode-metode yang bisa membnatu menyelesaikan masalah-masalah dibidang
elektro.Dan salah satu metode yang lagi pesat dan penting adalah menggunakan
algoritma genetik dalam mencari solusi dalam permasalahan dibidang elektro.Karena
algoritma genetik merapakan salah satu cara yang akhir-akhir ini sering
digunakan dalam pencaraian solusi dan juga sudah banyak buku-buku yang
mempelajarinya maka metode ini juga digunakan untuk mencari solusi dibidang
elektro.
Hal
yang akan disajikan dalam makalah ini mencakup pengertian algoritma
genetik,prinsip algoritma genetik dan contoh aplikasinya di bidang
elektro.Dengan demikaian pembaca akan dapat sebuah contoh penggunaan algoritma
genetik dan bisa menerapkannya dalam bidang lain.
Penulis
menyadari bahwa makalah ini belum sempurna. Oleh karena itu penulis sangat
mengharapkan kritik dan saran-saran dari pembaca untuk penyempurnaan isi dan
lingkup bahasannya.
Penulis
menyampaikan terimakasih kepada Tuhan atas karuniaNya da izinNya maka penulis
dapat menyeleaikan makalah ini.Penulis juga menyampaikan terimakasih kapada
orangtua penulis yang bersedia memprasaranai penulis dalam pengerjaan makalah
ini.Penulis juga mengucapkan terimakasih kapada semua kalangan yang membantu
baik dalam bentuk moril maupun materi dalam penyelesaian makalah ini.
Akhir
kata ,semoga makalah ini bermanfaat bagi kita semua.
Medan, Juli 2013
Penulis
I.PENDAHULUAN
I.1.Latar
Belakang
Algoritma Genetika adalah algoritma pencarian
yang berdasarkan mekanisme seleksi alam Darwin dan prinsipprinsip genetika,
untuk menentukan strukturstruktur (yang masingmasing disebut individu)
berkualitas tinggi yang terdapat dalam sebuah domain (yang disebut populasi).
Pencarian dilakukan dengan suatu prosedur iteratif untuk mengatur populasi individu
yang merupakan kandidatkandidat solusi. Tiga operator dasar yang sering
digunakan dalam Algoritma Genetika adalah reproduksi, pindah silang
(crossover), dan mutasi.
Dalam
proses reproduksi, setiap individu populasi pada suatu generasi diseleksi berdasarkan
nilai fitnessnya untuk bereproduksi guna menghasilkan keturunan. Probabilitas terpilihnya
suatu individu untuk bereproduksi adalah sebesar nilai fitness individu
tersebut dibagi dengan jumlah nilai fitness seluruh individu dalam populasi (Davis,
1991; ).
Algoritma genetika memiliki beberapa keunggulan dibandingkan
dengan metode komputasi konvensional antara lain :
1.Sifat
dasarnya yang menunjang komputasi parallel dimana kekuatan cariannya adalah
sebesar jumlah populasinya.
2. Sifatnya
yang tidak membutuhkan pengetahuan dasar tentang objek yang sedang dikalkulasi.
3. Sifatnya
yang lentur, sehingga perubahan input atau masuknya gangguan pada sistem secara
on-line pada saat perhitungan dapat segera diantisipasi.
Dalam makalah ini akan dibahas atau disajikan suatu contoh
aplikasi penerapan dari algoritma genetik yaitu khususnya dibidang elektro.
Algorima
genetik sudah banyak dibahas dalam beberapa buku yang dapat digunakan sebagai
referensi dalam penggunaannya untuk mencari solusi dari suatu permasalahan.
I.2.Tujuan
Tujuan
penyusunan makalah ini adalah untuk menjelaskan penggunaan algoritma genetik
dan memaparkan salah satu aplikasi penerapannya dalam bidang elektro sehingga
para pembaca mengerti dan bisa mengaplikasikannya dalam bidang lain maupun di
bidang elektro seperti yang dilakukan oleh penulis.
I.3.Pembatasan Masalah
Dalam
makalah ini diberikan pembatasan-pembatasan masalah sebagai berikut:
1.Program
simulasi algoritma genetik dibuat dengan menggunakan bahasa pemrograman Borland
Delphi 7.0
2.Makalah ini membahas tentang pengertian dan prinsip algoritma genetik yang sering digunakn dalam pemecahan masalah
3.Akan
membahas satu aplikasi algoritma genetik pada bidang elektro yaitu ; “Implementasi
Algoritma Genetika untuk Optimasi Penempatan Kapasitor Shunt pada Penyulang
Distribusi Tenaga Listrik”
I.4. Manfaat
Makalah
ini diharapkan penulis bisa digunakan para pembaca sebagai referensi untuk
memecahkan masalah-masalah dalam bidang lain yang menggunakan algoritma
genetik.
II.DASAR TEORI
1.PENGERTIAN
ALGORITMA GENETIK
Algoritma genetika atau disingkat GA(Genetik Algorithm)
merupakan suatu konsep komputasi yang pertama kali diutarakan oleh John Holland
dari Universitas Michigan pada tahun 1975.Peneliti lain yang banyak memberikan
kontribusi antara lain adalah Goldberg, De Jong, Grafenstette, Davis dan
Muhlenbeing. Aplikasi GA meliputi berbagai hal yang luas seperti, perencanaan
lintasan, desain VLSI, penalaan PID, pengolahan sinyal, fungsi optimisasi pada
perencanaan sistem tenaga listrik.
Algoritma genetika memiliki beberapa keunggulan dibandingkan
dengan metode komputasi konvensional antara lain :
1.Sifat
dasarnya yang menunjang komputasi parallel dimana kekuatan cariannya adalah
sebesar jumlah populasinya.
2. Sifatnya yang tidak membutuhkan pengetahuan dasar tentang
objek yang sedang dikalkulasi.
3. Sifatnya yang lentur, sehingga perubahan input atau
masuknya gangguan pada sistem secara on-line pada saat perhitungan dapat
segera diantisipasi.
Algoritma
genetika adalah suatu bentuk teknik pencarian secara stochastic,
berdasarkan mekanisme yang ada pada seleksi alam dan genetik secara natural.
Setiap makhluk hidup
memiliki
gen-gen, yaitu bagian dari kromosom yang menentukan atau mempengaruhi
karakteristik setiap individu. Mekanisme genetik mencerminkan kemampuan
individu untuk
melakukan perkawinan dan menghasilkan keturunan yang memiliki karakteristik yang hampir sama dengan orang tuanya. Sedangkan prinsip seleksi alam menyatakan bahwa setiap makhluk hidup dapat mempertahankan dirinya jika mampu beradaptasi dengan lingkungannya. Dengan demikian, diharapkan keturunan yang dihasilkan memiliki kombinasi karakteristik yang terbaik dari orang tuanya, dan dapat menopang generasigenerasi selanjutnya.
2.PRINSIP DASAR ALGORITMA GENETIK
Algoritma Genetika adalah algoritma pencarian
yang berdasarkan mekanisme seleksi alam Darwin dan prinsipprinsip genetika,
untuk menentukan strukturstruktur (yang masingmasing disebut individu)
berkualitas tinggi yang terdapat dalam sebuah domain (yang disebut populasi).
Pencarian dilakukan dengan suatu prosedur iteratif untuk mengatur populasi individu
yang merupakan kandidatkandidat solusi.
Dibanding
metoda optimasi lain, Algoritma Genetika memiliki perbedaan dalam empat hal,
yaitu Algoritma Genetika bekerja dengan struktur–struktur kode variabel,
menggunakan banyak titik pencarian (multiple point),
informasi yang dibutuhkan hanya fungsi obyektifnya saja (sehingga menjadikan implementasinya
lebih sederhana), serta menggunakan operator stokastik dengan pencarian
terbimbing (Goldberg, 1989) .
a.Operator-Operator
Genetika
Tiga operator dasar yang sering digunakan dalam
Algoritma Genetika adalah reproduksi, pindah silang (crossover), dan mutasi. Dalam
proses reproduksi, setiap individu populasi pada suatu generasi diseleksi berdasarkan
nilai fitnessnya untuk bereproduksi guna menghasilkan keturunan. Probabilitas terpilihnya
suatu individu untuk bereproduksi adalah sebesar nilai fitness individu
tersebut dibagi dengan jumlah nilai fitness seluruh individu dalam populasi (Davis,
1991; ).
Pindah
silang adalah proses pemilihan posisi string secara acak dan menukar
karakterkarakter stringnya (Goldberg, 1989; Davis, 1991). Ilustrasi proses
pindah silang dapat dilihat pada Gambar 1. String 1 dan String 2 mengalami
proses pindah silang, menghasilkan String 1 Baru dan String 2 Baru.Operator
mutasi dioperasikan sebagai cara untuk mengembalikan materi genetik yang
hilang. Melalui mutasi, individu baru dapat diciptakan dengan melakukan
modifikasi terhadap satu atau lebih nilai gen pada individu yang sama. Mutasi
mencegah kehilangan total materi genetika setelah reproduksi dan pindah silang.
Ilustrasi proses mutasi dapat dilihat pada Gambar 2.
b.Parameter
Parameter Genetika
Parameterparameter genetika berperan dalam
pengendalian operator-operator genetika yang digunakan dalam optimasi menggunakan
Algoritma Genetika (Davis, 1991; Sundhararajan, 1994; Sastry, 2004). Parameter
Genetika yang sering digunakan meliputi ukuran populasi (N), probabilitas pindah
silang (Pc), dan probabilitas mutasi (Pm). Pemilihan ukuran populasi yang
digunakan tergantung pada masalah yang akan diselesaikan. Untuk masalah yang
lebih kompleks biasanya diperlukan ukuran populasi yang lebih besar guna
mencegah konvergensi prematur (yang menghasilkan optimum lokal).
Pada
tiap generasi, sebanyak Pc*N individu dalam populasi mengalami pindah silang. Makin
besar nilai Pc yang diberikan, makin cepat struktur individu baru yang
diperkenalkan ke dalam populasi. Jika nilai Pc yang diberikan terlalu besar,
individu yang merupakan kandidat solusi terbaik dapat hilang lebih cepat
dibanding seleksi untuk peningkatan kinerja. Sebaliknya, nilai Pc yang rendah
dapat mengakibatkan stagnasi karena rendahnya angka eksplorasi. Probabilitas
mutasi adalah probabilitas dimana setiap posisi bit pada tiap string dalam
populasibaru mengalami perubahan secara acak setelah proses seleksi. Dalam satu
generasi, dengan L panjang struktur, kemungkinan terjadi mutasi sebanyak Pm*N*L.
c.Fungsi
Fitness
Dalam Algoritma Genetika, fungsi fitness merupakan
pemetaan fungsi obyektif dari masalah yang akan diselesaikan (Goldberg, 1989).
Setiap masalah yang berbeda yang akan diselesaikan memerlukan pendefinisian fungsi
fitness yang berbeda.
Misalkan
fungsi obyektif g(x) berupa fungsi besaran yang ingin diminimumkan, maka bentuk
fungsi fitness f(x) dapat dinyatakan sebagai:
f(x)
= Cmax g(x), untuk g(x) < Cmax, = 0, untuk g(x) ³ Cmax
……………………...(1)
Cmax
dapat diambil sebagai koefisien masukan, misalnya nilai g terbesar yang dapat
diamati, nilai g terbesar pada populasi saat ini, atau nilai g terbesar k
generasi terakhir.
d.Siklus
Eksekusi Algoritma Genetika
Dalam satu siklus iterasi (yang disebut generasi)
pada Algoritma Genetika terdapat dua tahap, yaitu tahap seleksi dan tahap rekombinasi
(Goldberg, 1989; Jun He, et.al., 2005). Secara garis besar, siklus eksekusi Algoritma
Genetika dapat diringkas dalam bentuk diagram alir seperti Gambar 3. Tahap
seleksi dilakukan dengan mengevaluasi kualitas setiap individu dalam populasi
untuk mendapat peringkat kandidat solusi. Berdasarkan hasil evaluasi, selanjutnya
dipilih individu-individu yang akan mengalami rekombinasi. Tahap rekombinasi meliputi
proses-proses genetika untuk mendapatkan populasi baru kandidat-kandidat solusi.
III.CONTOH APLIKASI ALGORITMA GENETIK
PADA BIDANG ELEKTRO
“Implementasi Algoritma Genetika untuk
Optimasi Penempatan Kapasitor Shunt pada Penyulang Distribusi Tenaga Listrik”
III.a.
PENDAHULUAN
Kapasitor
shunt banyak dipakai sebagai kompensator daya reaktif pada penyulang distribusi
primer sistem tenaga listrik. Dengan memasang kapasitor shunt, rugirugi energi
(energy
losses) dan rugi-rugi daya puncak (peak
power
losses) dapat dikurangi sampai ke tingkat yang
dikehendaki (Grainger, 1981). Besar kompensasi yang diberikan kapasitor
terhadap sistem distribusi sangat tergantung pada formasi penempatan kapasitor
tersebut, yang meliputi penentuan lokasi, ukuran, jumlah, dan tipe kapasitor.
Metode
yang semula sering dipakai untuk menyelesaikan masalah optimasi penempatan kapasitor
shunt pada sistem distribusi primer adalah metodemetode deterministik
(Grainger, 1983). Metode ini memerlukan informasi tambahan,untuk dapat mencapai
solusi optimal yang diinginkan, seperti kontinuitas dan turunan fungsi.
Disamping itu, karena metode deterministik melakukan pencarian nilai optimum dari
titik ke titik dalam ruang penyelesaian, maka sangat memungkinkan pencapaian
optimum lokal (local optima),
apabila dalam ruang pencarian terdapat banyak titik penyelesaian (Goldberg,
1989). Algoritma Genetika merupakan algoritma pencarian yang dilandaskan atas
mekanisme genetika dan seleksi alam (Sastry, K. et.al., 2004). Dalam ilmu
komputer, Algoritma Genetika termasuk dalam kajian komputasi lunak (soft
computing) dan kecerdasan buatan (artificial
inteligence). Pada beberapa literatur, seperti ditulis
Runarsson (2005) dan Jun He, et. al. (2005), algoritma dengan cara kerja yang serupa
disebut dengan Algoritma Evolusi (Evolutionary
Algorithm). Algoritma Genetika memulai pencarian solusi
dengan suatu populasi titik solusi penyelesaian secara simultan, sehingga
kemungkinan pencapaian optimum lokal dapat diperkecil. Karena terbukti sebagai cara
pendekatan valid untuk menyelesaikan masalah optimasi yang memerlukan pencarian
efektif dan efisien, sekarang ini Algoritma Genetika telah diterapkan secara
luas dalam berbagai aplikasi bisnis, ilmu pengetahuan, teknik dan rekayasa.
Tulisan ini memaparkan hasil studi kasus optimasi pemilihan ukuran dan lokasi penempatan
kapasitor shunt pada penyulang distribusi tenaga listrik primer berbentuk radial
tanpa cabang menggunakan Algoritma Genetika yang dioperasikan secara mandiri (GA
alone). Maksudnya, tidak ada algoritma perhitungan lain
yang dipakai mendahului, bersamaan, atau sesudah pengoperasian rutinrutin Algoritma
Genetika pada proses optimasi tersebut. Untuk mengimplementasikan Algoritma
Genetika pada kasus yang dipilih, telah dibuat aplikasi komputer menggunakan
bahasa pemrograman
Delphi
7.0.
Penulis
telah membuat aplikasi (program) komputer menggunakan bahasa pemrograman Delphi
7.0 guna mensimulasikan unjuk kerja Algoritma Genetika yang dioperasikan secara
mandiri
(GA alone)
untuk melakukan perhitungan optimasi penempatan kapasitor shunt pada penyulang
distribusi primer radial. Berikut ini akan dipaparkan teknik pengkodean
parameter, inisialisasi populasi, fungsi evaluasi, dan algoritma optimasi yang digunakan
pada aplikasi komputer yang dibuat.
Hal-hal
teknis terkait dengan rekayasa piranti lunak aplikasi optimasi tersebut tidak
dipaparkan ada tulisan ini, sebab paparan tulisan ini lebih ditekankan pada
proses penyelesaian kasus optimasi menggunakan Algoritma Genetika.
III.b. Pengkodean Parameter
Parameterparameter yang akan diproses oleh
Algoritma Genetika dalam optimasi ini dikodekan menjadi string bilangan biner bulat
positif. Pengkodean parameter ke dalam bentuk biner dipilih dengan pertimbangan
bahwa bilangan biner cukup sederhana, mudah diproses oleh operatoroperator genetika,
dan mampu merepresentasikan titiktitik dalam ruang pencarian.
Tingkat
beban sistem distribusi didiskritkan ke dalam n
tingkat
beban. Algoritma Genetika difungsikan untuk menentukan ukuran kapasitor pada
kandidatkandidat lokasi selama n tingkat
beban. Kandidat lokasi ditentukan sama dengan x
jumlah
node pada penyulang. Oleh karena itu struktur individu yang menyatakan
ukuranukuran kapasitor untuk setiap generasi direpresentasikan dalam sebuah
struktur multiparameter dengan parameter sejumlah k
=nx.
III.c.
Inisialisasi
Inisialisasi populasi awal dalam Algoritma Genetika
dilakukan dengan memilih string secara random. Dalam setiap kasus, populasi awal
harus mengandung varitas struktur yang luas untuk menghindari konvergensi prematur.
Dalam tulisan ini, string individu diinisialisasi dengan menerapkan kaidah pelemparan
mata uang logam bias.
III.d.
Fungsi Evaluasi
Fungsi fitness dalam optimasi ini adalah fungsi
obyektif minimasi biaya akibat penempatan kapasitor berdasarkan rugirugi daya
puncak dan rugirugi energi, dengan mempertimbangkan biaya kapasitor. Misalkan
terdapat n tingkat beban dan m
kandidat lokasi kapasitor, maka fungsi obyektif penempatan kapasitor shunt pada
penyulang distribusi primer radial adalah meminimalkan biaya rugirugi yang
didapat dengan memasang sejumlah kapasitor shunt dengan konfigurasi jumlah,
ukuran, lokasi, dan tipe tertentu. Minimasi tersebut dapat dinyatakan sebagai:
dimana
Pi adalah rugi-rugi energi pada tingkat beban i, Po rugi-rugi daya puncak, Cj
ukuran kapasitor pada lokasi j, Ke konstanta biaya energi, Kp konstanta biaya kapasitas
daya, dan Kc adalah biaya kapasitor (Sundhararajan, 1994).
III.e.
Algoritma Optimasi
Sejalan dengan alur kerja Algoritma genetika, maka
algoritma optimasi penempatan kapasitor shunt pada penyulang distribusi primer
radial dapat dijabarkan sebagai berikut:
1.
Bentuk populasi awal (inisialisasi) dengan k
string
yang merepresentasikan nx variabel
(ukuran kapasitor pada x
lokasi gardu distribusi untuk n tingkat
beban).
2.
Evaluasi besar fitness setiap
string, yaitu dengan mengevaluasi fungsi obyektifnya. Beban ke 0 menyatakan tingkat
beban puncak, sehingga biaya rugi-rugi daya puncak dihitung pada
tingkat
beban ini.
3.
Pada setiap generasi stringstring ini diurutkan menurut nilai fitnessnya.
Dengan memakai strategi seleksi elit (elitist
strategy),
maka jika nilai fitness individu terendah ini lebih kecil dari nilai fitness
tertinggi generasi sebelumnya, individu yang memiliki nilai fitness terendah pada
suatu generasi diganti dengan individu yang memiliki fitness tertinggi pada
generasi sebelumnya.
4.
Ulangi langkah 3 sampai mencapai jumlah maksimum generasi. Pada setiap lokasi,
ukuran kapasitor minimum yang diperlukan untuk setiap tingkat beban dapat
dipertimbangkan sebagai ukuran kapasitor tetap yang dapat dipasang di lokasi
tersebut.
IV.STUDI
KASUS
Pada program aplikasi komputer yang penulis buat
untuk perhitungan optimasi menggunakan Algoritma Genetika ini, telah dilakukan
pengujian dengan data masukan yang
dipilih
untuk mensimulasikan unjuk kerja Algoritma Genetika sebagai algoritma optimasi
penempatan kapasitor shunt. Berikut adalah detil data masukan dan hasil
simulasinya.
1.
Data Masukan
Sebagai studi kasus, dipilih data Sistem 23 kV
pada jurnal IEEE PAS102 No. 10, October 1983 (Grainger, 1983) sebagai masukan
program komputer. Data sistem tersebut adalah sebagai berikut:
Tengangan
Antar Fasa : 23 kV
Jumlah
Gardu Distribusi : 9
Biaya
Kapasitas Daya (Kp) : $ 200/kW/th
Biaya
Energi (Ke) : $ 0.03/kWh
Biaya
kapasitor (Kc) : $
0.2145/kVAR/th
Panjang
masing-masing segmen, resistansi segmen, dan besar kVAR pada ujung akhir tiap
segmen penyulang dapat dilihat pada Tabel 1. Penyulang dioperasikan pada
tingkat beban diskrit 0,45 p.u selama waktu satu tahun (8760 jam). Interval
waktu untuk tiap-tiap tingkat beban didiskritkan seperti dapat dilihat pada
Tabel 2. Ukuran kapasitor standar untuk data tersebut adalah 150, 300, 450,
600, 900, dan 1200 kVAR (Sundhararajan, 1994, Karen, 1997, dan Grainger, 1981).
2.
Hasil Simulasi
Pada studi kasus yang dibahas pada tulisan ini,
diterapkan Algoritma Genetika dengan strategi seleksi elit. Grafik biaya
rugirugi minimum tiap generasi dapat dilihat pada Gambar 4 dan Gambar 5.
Sedangkan
hasil optimasinya dapat dilihat pada Tabel 3. Besar parameter genetika yang
digunakan dalam percobaan ini adalah:
Probabilitas
Crossover (Pc) = 0,7,
Probabilitas
Mutasi (Pm) = 0,005, dan
Ukuran
Populasi (N) = 100.
Jumlah
generasinya adalah 1000 generasi.Penjelasan sekilas mengenai hasil optimasi tersebut
adalah seperti gambar 3.
3.
Ukuran Kapasitor Kontinyu
Seperti terlihat pada pada Gambar 4, pada sekitar
generasi ke413 Algoritma Genetika telah menemukan konfigurasi pemasangan kapasitor
ukuran kontinyu yang memerlukan biaya terendah (minimum). Biaya rugirugi energi,
biaya rugirugi daya puncak, dan biaya kapasitor terendah hasil optimasi dengan
skenario ini adalah sebesar 899,43 dollar per tahun. Dengan demikian penghematan
biaya maksimum yang dapat dicapai dengan konfigurasi ukuran kapasitor seperti
pada Tabel 3 adalah 11.928,62 dollar dikurangi 899,43 dollar atau sebesar 11.029,19
dollar per tahun.
4.
Ukuran Kapasitor Diskrit
Terlihat pada pada Gambar 5, pada sekitar generasi
ke577 Algoritma Genetika telah menemukan konfigurasi pemasangan kapasitor
ukuran diskrit yang memerlukan biaya terendah (minimum), yaitu 10.948,25 dollar
per tahun (Tabel 3).. Untuk mencapai penghematan biaya per tahun sebesar 10.948,25
dollar tersebut, pada lokasi gardu nomor 7 tidak memerlukan pemasangan kapasitor
shunt. Di lokasi gardu nomor 8, memerlukan pemasangan sebuah kapasitor tetap
(fixed capacitor) sebesar 150 kVAR. Sebuah kapasitor tersaklar (switched capacitor)
ukuran 150 kVAR dipasang pada lokasi gardu nomor 9. Kapasitor tersaklar tersebut
diaktifkan pada tingkat beban 0,66 ke atas. Pada beberapa lokasi gardu dan
tingkat beban lainnya dapat dipahami dengan cara serupa. Di lokasi gardu
distribusi nomor 6, misalnya, dapat dipasang 2 buah kapasitor tersaklar masing-masing
sebesar 150 kVAR.
Pada
tingkat beban di bawah 0,79 kedua kapasitor tersebut dinonaktifkan. Pada tingkat
beban 0,79, cukup mengaktifkan salah satu kapasitor saja. Sedangkan pada tingkat
beban 0.92, kedua kapasitor tersebut harus diaktifkan.
V.
ANALISA HASIL OPTIMASI
Unjuk
kerja Algoritma Komputer secara internal yang diterapkan pada kasus optimasi penempatan
kapasitor shunt sebagaimana studi kasus yang dipilih untuk tulisan ini dapat
dilihat berdasar kemampuannya melakukan perhitungan optimasi untuk data yang
detil, misalnya dengan ukuran kapasitor kontinyu (tidak diskrit). Sebagai bahan
perbandingan, perlu dilihat perbedaan hasil perhitungan optimasi menggunakan
Algoritma Genetika ini dengan hasil perhitungan menggunkan metode konvensional
yang dilakukan secara deterministik.
1.
Pengaruh Diskritisasi
Ukuran Kapasitor
Seperti dapat dilihat pada Tabel 3, proses diskritisasi
ukuran kapasitor menghasilkan penghematan biaya maksimum yang lebih rendah
dibandingkan tanpa diskritisasi (menggunakan ukuran kapasitor kontinyu). Penggunaan
ukuran kapasitor diskrit mengakibatkan penurunan penghematan biaya sebesar
11.029,19 dollar dikurangi 10.948,25 dollar atau sama dengan 80,94 dollar per
tahun. Mudah dipahami, kenapa diskritisasi ukuran kapasitor menyebabkan
penghematan biaya yang diperoleh menjadi lebih kecil. Sebab, dengan memberikan
ruang penyelesaian (ukuran kapasitor) diskrit pada ukuran-ukuran tertentu maka nilai
maksimum yang dapat dicapai jika ukurannya berada di luar ukuran-ukuran diskrit
tersebut tidak pernah (kecil kemungkinannya) dicapai.
Kemungkinan
didapatnya penghematan biaya yang sama antara menggunakan kapasitor kontinyu
dengan kapasitor diskrit yaitu apabila berdasarkan perhitungan dengan ukuran
kapasitor kontinyu, ukuran kapasitorkapasitor optimumnya sama persis dengan
ukuran-ukuran kapasitor diskrit (standar) di lapangan. Kemungkinan terjadinya
hal seperti ini sangat kecil.
2.
Perbedaan dengan Metode
Optimasi Deterministik
Optimasi penempatan kapasitor shunt pada Sistem
23 kV yang dipakai sebagai data studi kasus pada tulisan ini telah dilakukan oleh
J. J. Grainger dan kawankawan (1983). Grainger dkk. menghitung lokasi dan
ukuran optimum kapasitor dengan terlebih dahulu membuat normalisasi arus
reaktif penyulang nonuniform menjadi penyulang ekivalen yang uniform. Lokasi
dan ukuran kapasitor optimum ditentukan dengan menerapkan kriteria sama luas (equal
area criterion) pada representasi grafik penyulang ekivalen dengan arus reaktif
yang dinormalisasi tersebut. Hasil akhir optimasi tersebut (jumlah kapasitor
tiga buah) dapat dilihat pada Tabel 4.
Optimasi
dengan Algoritma Genetika menggunakan strategi seleksi elit, diperoleh hasil
penghematan biaya maksimum sebesar 11.029,19 dollar per tahun jika ukuran kapasitornya
kontinyu dan 10.948,25 dollar per tahun jika ukuran kapasitornya diskrit. Dengan
demikian, Algoritma Genetika dapat menemukan menemukan konfigurasi pemasangan
kapasitor yang menghasilkan penghematan biaya yang lebih besar. Jika dipakai
kapasitor berukuran kontinyu, terdapat selisih atau perbedaan penghematan biaya
sebesar 352,19 dollar per tahun, sedangkan jika dipakai kapasitor berukuran diskrit
terdapat selisih penghematan biaya sebesar 271,25 dollar per tahun.
VI.PENUTUP
1.
Kesimpulan
Berdasarkan
uraian di atas, dapat ditarik beberapa kesimpulan sebagai berikut:
a.
Algoritma Genetika yang telah diimplementasikan menggunakan program komputer
dapat membantu menyelesaikan masalah optimasi penentuan ukuran, jumlah, lokasi,
dan tipe kapasitor shunt pada penyulang distribusi primer radial.
b.
Algoritma Genetika yang diterapkan secara mandiri pada proses optimasi penempatan
kapasitor shunt dapat mencapai penyelesaian optimum global (global
optimum solution).
c.
Algoritma Genetika mampu memberikan perhitungan optimasi dengan melakukan
diskritisasi ukuran kapasitor (ukuran kapasitor yang akan dipasang disesuaikan
dengan ukuran kapasitor standar di lapangan) atau dengan ukuran kontinyu.
2.
Saran
a.
Jika masalah optimasi cukup kompleks sehingga jumlah parameternya banyak, sebaiknya
Algoritma Genetika tidak dioperasikan secara mandiri. Perhitungan awal untuk
inisialisasi data atau penggunaan metode lain untuk mengurangi jumlah parameter
yang dicari, akan sangat membantu.
b.
Untuk menyelesaikan masalah penempatan kapasitor praktis pada penyulang
distribusi primer radial, perlu diperhitungkan faktorfaktor lain agar sesuai
dengan keperluan praktis. Misalnya, dengan memperhitungkan kapasitor yang sudah
dipasang pada penyulang sehingga diperhitungkan perlu tidaknya mengganti atau memindah
kapasitor yang telah terpasang.
VII.
DAFTAR PUSTAKA
1.
Davis, L. (1991). Handbook of Genetic Algorithms. New York : Van Nostrand Reinhold.
2.
Goldberg, D. E. (1989). Genetic Algorithms in Search, Optimization, and Machine Learning. Massachusetts:
AddisonWesley Publishing Company, Inc..
3.
Grainger, J. J., S. Civanlar, and S. H. Lee. (1983). “Optimal Design and
Control Scheme for Continuous Capacitive Compensation of Distribution Feeders”,
IEEE Transactions on Power Apparatus and Systems, vol. PAS102, No. 10, October 1983,
pp. 32713278.
4.
Grainger, J.J. and S. H. Lee. (1981). “Optimum Size and Location of Shunt Capacitor
for Reduction of Losses on Distribution Feeders”, IEEE Transactions on Power
Apparatus Systems, vol. PAS100, No. 3, March 1981, pp. 11051118.
5.carwoto.(2007). Implementasi Algoritma Genetika untuk Optimasi
Penempatan Kapasitor Shunt pada Penyulang Distribusi Tenaga Listrik.Semarang :
Erlangga.
6.http://.www.google.com/algoritma genetik/
Thank mas, saya ijin copas :)
BalasHapushttp://ipincaem.com
http://pasarcantik.com
http://sinarpedia.com
Thank ilmunya. Saya dapat ilmu baru yang bagus. Gambarnya tidak muncul ya bang di web. Cuma kotak doang tanpa gambar. Kenapa ya. Tolong upload ulang ya. Thanks . GBU
BalasHapusTERIMA KASIH, BAIK UNTUK REFERENSI TUGAS
BalasHapushttp://spatabang.blogspot.com