PROPOSAL TUGAS AKHIR

OPTIMASI PENJADWALAN EKONOMIS PADA UNIT PLTG

JOINT OPERATION BODY PERTAMINA – PETROCHINA
EAST JAVA DENGAN MENGGUNAKAN METODE
ALGORITMA GENETIKA

Disusun Oleh :
ILHAM AKBAR NIRAWANA
NIM. 14250252

PROGRAM STUDI S-1 TEKNIK ELEKTRO

SEKOLAH TINGGI TEKNOLOGI RONGGOLAWE
CEPU
2018

1
 HALAMAN PERSETUJUAN
PROPOSAL TUGAS AKHIR

OPTIMASI PENJADWALAN EKONOMIS PADA UNIT PLTG

JOINT OPERATION BODY PERTAMINA – PETROCHINA
EAST JAVA DENGAN MENGGUNAKAN METODE
ALGORITMA GENETIKA

Telah diperiksa dan disetujui pada :

Hari :
Tanggal :

Disetujui,

Pembimbing I Pembimbing II

Ir. Bambang Harjoko, M.T. Arya Dwi Candra, S.Pd., M.Si.

NIDN. NIDN. 0607029101

Mengetahui,
Ketua Jurusan Teknik Elektro

Teguh Yuwono, S.T., M.T.

NIDN. 0601048001

ii
 PRAKATA

Segala puji syukur senantiasa Saya ucapkan kehadirat ALLAH SWT yang
telah memberikan kesehatan, keteguhan, kekuatan, berkah dan hidayah-Nya. Serta
tak lupa kepada Nabi Muhammad SAW, sehingga dapat menyelesaikan Tugas
Akhir ini, yang berjudul : “OPTIMASI PENJADWALAN EKONOMIS PADA UNIT

PLTG JOINT OPERATION BODY PERTAMINA – PETROCHINA EAST JAVA

DENGAN MENGGUNAKAN METODE ALGORITMA GENETIKA”.
Tugas Akhir ini di susun guna memenuhi syarat akhir untuk menyelesaikan
pendidikan Program Strata 1 pada Jurusan Teknik Elektro Sekolah Tinggi
Teknologi Ronggolawe Cepu. Dan tak lupa juga rasa terima kasih penulis ucapkan
kepada semua pihak – pihak yang telah membantu selama penyelesaian penyusunan
Tugas Akhir ini. Oleh karena itu dalam kesempatan ini penulis ingin berterima
kasih sebesar-sebarnya kepada :
1. Bapak Teguh Yuwono, ST., MT. Selaku Ketua Jurusan Teknik Elektro Sekolah
Tinggi Teknologi Ronggolawe Cepu
2. Bapak Ir. Agus Darwanto, M.T. Selaku Wali Dosen Jurusan Teknik Elektro
Program Studi S1 Sekolah Tinggi Teknologi Ronggolawe Cepu
3. Segenap Dosen Teknik Elektro Sekolah Tinggi Teknologi Ronggolawe Cepu.
4. Bapak, Ibu yang selalu memberikan doa dan kasih sayang yang tiada henti serta
memberikan semangat dan dukungan baik material maupun spiritual.
5. Semua teman-teman dan semua pihak yang namanya tidak dapat penulis
sebutkan satu – persatu yang telah begitu banyak membantu dan memberikan
masukkan – masukkan kepada penulis.
Untuk itu kritik dan saran yang bersifat membangun sangat diharapkan dari semua
pihak. Semoga Laporan ini dapat memberikan ilmu pengetahuan yang bermanfaat.

iii
 INTISARI

Penentuan penjadwalan ekonomis untuk unit pembangkit listrik merupakan

suatu hal penting untuk membuat kombinasi operasional pembangkit listrik yang
optimal dan ekonomis pada sistem operasi tenaga listrik. Agar mencapai
operasional yang optimal dibutuhkan pengaturan pembagian beban yang sesuai
pada masing-masing karakteristik pembangkit listrik. Dibidang industri sendiri
penentuan penjadwalan unit pembangkit listrik sangat bermanfaat untuk
menghemat penggunaan bahan bakar dan memperkecil biaya konsumsi bahan bakar
bagi industri, khususnya diindustri perminyakan yang pada umumnya
menggunakan Pembangkit Listrik Tenaga Gas (PLTG). Salah satunya adalah Joint
Operation Body Pertamina-Petrochina East Java (JOB P-PEJ) yang merupakan
salah satu industri minyak dan gas asing yang berada di Indonesia. Pada sistem
pembangkit listrik di JOB P-PEJ menggunakan PLTG dan memiliki suplai bahan
bakar sendiri dari proses produksi gas di JOB P-PEJ. Oleh karena itu penentuan
penjadwalan pembangkit listrik pada industri perminyakan kerap diabaikan.
Dari hasil survei data lapangan untuk konsumsi bahan bakar unit PLTG di
JOB P-PEJ setelah dilakukan kalkulasi membutuhkan hampir 8 kali lipat konsumsi
bahan bakar untuk membangkitkan 1 kWh jika mengacu pada standar U.S. Energy
Information Administration (EIA). Tujuan penelitian ini adalah untuk mencari
kombinasi pembebanan yang optimal untuk setiap unit PLTG di JOB P-PEJ dan
membuktikan bahwa dengan menentukan penjadwalan pembangkit listrik yang
optimal pada industri perminyakan dapat menghemat penggunaan bahan bakar
pembangkit listrik bagi industri. Metode optimasi yang diusulkan pada penelitian
ini adalah menggunakan metode Algoritma Genetika. Untuk mempermudah
perhitungan, Metode Algoritma Genetika diselesaikan menggunakan software
MATLAB R2013a. Dengan menggunakan metode Algoritma Genetika ini
diharapkan dapat menghemat 5 % penggunaan bahan bakar untuk unit PLTG di
JOB P-PEJ.

Kata kunci : PLTG, Optimasi Penjadwalan, Algoritma genetika, EIA

iv
 ABSTRAK

The determination of economical scheduling for power plant units is an

important thing for. In order to achieve optimal operation, appropriate distribution
arrangements are required on each characteristic. In the industry itself. the
determination of the scheduling of power plant units is very useful to save fuel usage
and minimize fuel consumption cost for industry, especially in petroleum industry
which generally use Gas Generator (PLTG). One of them is the Joint Operation
Body Pertamina-Petrochina East Java (JOB P-PEJ) which is one of the foreign oil
and gas industries located in Indonesia. In power plant system JOB PE-PEJ uses
PLTG and has its own fuel supply from gas production process in JOB P-PEJ.
Therefore depending on the scheduling of power plants in the petroleum industry is
often ignored.
From the survey data for the fuel consumption of the PLTG unit in JOB
P-PEJ after the calculation requires almost 8 times the fuel consumption to
generate 1 kWh if given to the U.S. Energy Information Administration standard
(EIA). The purpose of this research is to find the optimal combination of loading
for each PLTG unit in JOB P-PEJ and to prove that determining the optimal power
plant scheduling in the petroleum industry can save the use of electric fuel for the
industry. The optimization method proposed in this research is using Genetic
Algorithm method. To simplify calculations, Genetic Algorithm Methods are solved
using MATLAB R2013a software. Using Genetic Algorithm method is expected to
save 5% fuel usage for PLTG unit in JOB P-PEJ.

Keywords: PLTG, Optimization Scheduling, Genetic Algorithm, EIA

v
 DAFTAR ISI

JUDUL ..................................................................................................................... i
HALAMAN PERSETUJUAN ................................................................................ ii
PRAKATA ............................................................................................................. iii
INTISARI............................................................................................................... iv
ABSTRAK ................................................................................................................ v
DAFTAR ISI .......................................................................................................... vi
DAFTAR GAMBAR ........................................................................................... viii
DAFTAR TABEL .................................................................................................. ix
BAB I PENDAHULUAN ....................................................................................... 1
1.1 Latar Belakang ......................................................................................... 1
1.2 Rumusan Masalah .................................................................................... 2
1.3 Tujuan Penelitian ...................................................................................... 2
1.4 Manfaat Penelitian .................................................................................... 3
1.5 Batasan Masalah ....................................................................................... 3
1.6 Hipotesis ................................................................................................... 3
1.7 Kebaruan .................................................................................................. 4
BAB II TINJAUAN PUSTAKA............................................................................. 5
2.1 Kajian Pustaka .......................................................................................... 5
2.2 Dasar Teori ............................................................................................... 7
2.2.1 Operasi Ekonomis Pembangkit Listrik ............................................. 7
2.2.2 Optimasi Penjadwalan Ekonomis ..................................................... 8
2.2.3 Pembangkit Listrik Tenaga Gas ........................................................ 8
2.2.4 Turbin Gas ......................................................................................... 8
2.2.5 Governor ......................................................................................... 10
2.2.6 Generator ......................................................................................... 10
2.2.7 AVR (Automatic Voltage Regulator) ............................................. 11
2.2.8 Paralel Generator ............................................................................. 12
2.2.9 Load Sharing ................................................................................... 12
2.2.10 Karakteristik Unit Pembangkit Thermal ......................................... 13

vi
 vii

2.2.11 Regresi Polinomial .......................................................................... 15

2.2.12 Metode Algoritma Genetika ............................................................ 16
2.2.13 MATLAB R2013a .......................................................................... 23
BAB III METODE PENELITIAN........................................................................ 25
3.1 Tahap Penelitian ..................................................................................... 25
3.2 Diagram Alir Penelitian .......................................................................... 26
3.3 Metode Perhitungan Algoritma Gentika ................................................ 27
3.4 Diagram Alir Perhitungan Metode Algoritma Genetika ........................ 30
DAFTAR PUSTAKA ........................................................................................... 31
 DAFTAR GAMBAR

Gambar 2.1 Prinsip Kerja PLTG (Muslim, et al., 2008) ........................................ 9

Gambar 2.2 Generator Kondisi Paralel (Graha, 2014) ......................................... 12

Gambar 2.3 Kurva Karakteristik Input Output Unit Thermal (Tuegeh, 2009) ..... 14

Gambar 2.4 Tahap-tahap dalam Algoritma Genetika (Mahmudy, 2015) ............. 19

Gambar 3.1 Diagram Alir Penelitian .................................................................... 26

Gambar 3.2 Diagram Alir Perhitungan Metode Algoritma Genetika .................. 30

viii
 DAFTAR TABEL

Tabel 2.1 Tinjauan Pustaka ..................................................................................... 6

ix
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Sistem pengoperasian pembangkit listrik adalah suatu hal yang sangat penting
bagi jalannya suatu industri. Pembangkit listrik tenaga thermal adalah pembangkit
listrik yang selalu ada pada setiap industri. Khususnya diindustri perminyakan yang
pada umumnya menggunakan Pembangkit Listrik Tenaga Gas (PLTG). Pada
penelitian ini penulis akan mengambil studi kasus pada sistem pembangkitan di
Joint Operation Body Pertamina-Petrochina East Java (JOB P-PEJ). JOB P-PEJ
adalah industri perminyakan di bagian hulu yang mempunyai sistem pembangkitan
listrik menggunakan PLTG.
Di industri perminyakan bagian hulu umumnya memproduksi minyak mentah
dan gas alam, jadi untuk bahan bakar PLTG pada industri perminyakan memiliki
suplai bahan bakar sendiri dari proses produksi gas. Oleh karena itu penentuan
penjadwalan pembangkit listrik pada industri perminyakan umumnya diabaikan.
Dari hasil survei data lapangan untuk konsumsi bahan bakar unit PLTG di JOB P-
PEJ per 1 kWh membutuhkan 0,02727 MMBTU sedangkan jika mengacu pada
standar dari U.S. Energy Information Administration (EIA) untuk satuan konversi
bahan bakar gas per 1 kWh membutuhkan 0,003412 MMBTU. Dari hasil data ini
muncul permasalahan bahwa untuk jumlah konsumsi bahan bakar pada unit PLTG
di JOB P-PEJ sangat boros dan membutuhkan hampir 8 kali lipat konsumsi bahan
bakar untuk membangkitkan 1 kWh jika mengacu pada standar (EIA). Pada
penelitian ini penulis meneliti bahwa dengan menentukan penjadwalan pembangkit
listrik yang optimal pada industri perminyakan dapat menghemat konsumsi bahan
bakar, khususnya untuk industri perminyakan yang pada umumnya menggunakan
gas sebagai bahan bakar pembangkit listrik.
Dengan adanya permasalahan borosnya konsumsi bahan bakar pada unit PLTG
di JOB P-PEJ dalam penelitian ini metode perhitungan optimasi yang diusulkan
penulis adalah menggunakan metode Algoritma Genetika. Alasan penulis memilih

1
 2

menggunakan metode Algortima Genetika adalah karena menurut (Gen & Cheng,
1997) Algoritma Genetika merupakan algoritma yang berbasis populasi yang
memungkinkan digunakan pada optimasi masalah dengan ruang pencarian (search
space) yang sangat luas dan kompleks. Properti ini juga memungkinkan Algoritma
Genetika untuk melompat keluar dari daerah optimum lokal. Diharapkan dengan
menggunakan metode ini akan dapat menghemat 5 % penggunaan bahan bakar
untuk unit PLTG di JOB P-PEJ.
Berdasarkan uraian diatas, maka penulis mengambil judul Tugas Akhir
“Optimasi Penjadwalan Ekonomis Pada Unit PLTG Joint Operation Body
Pertamina – Petrochina East Java Dengan Menggunakan Metode Algoritma
Genetika”.

1.2 Rumusan Masalah

Dari latar belakang yang dikemukakan, penulis mencoba merumuskan masalah
yang terjadi adalah :
1. Bagaimana kombinasi pembebanan yang optimal untuk setiap unit PLTG di
JOB P-PEJ ?
2. Berapa presentase penghematan bahan bakar bagi unit PLTG di JOB P-PEJ
dengan membandingkan data awal sebelum dilakukan perhitungan optimasi dan
setelah dilakukan perhitungan optimasi menggunakan metode Algoritma
Genetika ?

1.3 Tujuan Penelitian

Adapun beberapa maksud dan tujuan dari penulisan Tugas Akhir ini adalah:
1. Mendapatkan kombinasi pembebanan yang optimal untuk setiap unit PLTG di
JOB P-PEJ.
2. Mengetahui presentase penghematan bahan bakar bagi unit PLTG di JOB P-PEJ
dengan membandingkan data awal sebelum dilakukan perhitungan optimasi dan
setelah dilakukan perhitungan optimasi menggunakan metode Algoritma
Genetika.
 3

1.4 Manfaat Penelitian

Diharapkan penulisan Tugas Akhir ini dapat memberika manfaat sebagai
berikut :
1. Memberikan tambahan pengetahuan mengenai masalah optimasi penjadwalan
ekonomis pada unit PLTG di JOB P-PEJ.
2. Mengetahui kombinasi pembebanan yang optimal untuk setiap unit PLTG di
JOB P-PEJ.
3. Menghitung presentase penghematan bahan bakar dengan menggunakan
metode perhitungan Algoritma Genetika.
4. Membuktikan seberapa efisien metode Algoritma Genetika untuk optimasi
penjadwalan ekonomis pada unit PLTG di JOB P-PEJ dengan menggunakan
software MATLAB R2013a.

1.5 Batasan Masalah

Adapun batasan masalah dari Tugas Akhir ini adalah :
1. Data yang digunakan adalah data daya yang dibangkitkan, konsumsi bahan
bakar, kapasitas dan daya mampu masing-masing pembangkit listrik pada
power plant 1 dan power plant 2, serta harga gas yang digunakan JOB P-PEJ.
2. Fungsi kuadrat karakteristik input output masing-masing unit PLTG di JOB P-
PEJ ditentukan menggunakan metode pendekatan regresi polinomial dengan
bantuan software Microsoft Excel.
3. Metode yang digunakan untuk mencari solusi optimasi penjadwalan ekonomis
pembangkit listrik adalah dengan metode Algoritma Genetika.
4. Pengolahan data pada penelitian ini menggunakan software MATLAB R2013a
untuk mempermudah perhitungan dan analisis.

1.6 Hipotesis
Hasil dari optimasi dengan menggunakan metode Algoritma Genetika ini
diharap dapat menghemat penggunaan bahan bakar sebesar 5 % untuk unit PLTG
di JOB P-PEJ.
 4

1.7 Kebaruan
Penelitian ini memiliki kebaruan dari sisi penggunaan metode perhitungan
optimasi. Pada penelitian ini metode yang diusulkan adalah metode Algoritma
Genetika untuk menyelesaikan permasalahan optimasi penjadwalan ekonomis pada
unit PLTG di JOB P-PEJ.
 BAB II
TINJAUAN PUSTAKA

2.1 Kajian Pustaka

Beberapa penelitian optimasi pembangkit listrik telah dilakukan pada
Penelitian (Wardhana, et al., 2017) dengan menggunakan metode Cuckoo Search
Algorithm (CSA) didapat hasil optimasi penjadwalan yang lebih ekonomis dengan
menghasilkan konsumsi bahan bakar yang lebih rendah dari pada prakiraan
konsumsi bahan bakar aktual generator PLTG UBP Semarang.
Menurut penelitian (Tuegeh, 2009) dengan menggunakan metode Algoritma
Particle Swarm Optimization (PSO) didapat hasil dari perhitungan optimasi
penjadwalan pembangkit menggunakan metode PSO memberikan performa yang
lebih baik dibandingkan dengan metode iterasi lambda.
Menurut penelitian (Angdrie, et al., 2011) dengan menggunakan metode Iterasi
Lambda didapat hasil optimasi penjadwalan menghasilkan biaya pembangkitan
yang lebih murah jika dibandingkan dengan data biaya pembangkitan penjadwalan
awal.
Menurut penelitian yang dilakukan (Riyanto, et al., 2012) didapat hasil
optimasi dengan metode Ant Colony Optimization lebih ekonomis dari pada metode
Lagrange. Namun perlu penelitian lebih lanjut untuk pengembangan dengan
metode lainnya.
Menurut penelitian yang dilakukan (Restiliani, 2017) didapat hasil optimasi
dengan metode Particle Swarm Optimization mampu memberikan solusi paling
optimal dibandingkan dengan perhitungan matematik.
Menurut penelitian yang dilakukan (Saehana, et al., 2011) didapat hasil
optimasi telah berhasil dilakukan dengan metode Algoritma Genetika pada domain
[1,60] kV dan [5,25] cm dengan jumlah populasi 100, nilai peluang pindah silang
(pc) 0,5 dan nilai peluang mutasi (pm) 0,2. Serat minimum 155 nm diperoleh dari
nilai optimum tegangan listrik dan jarak nozzle-kolektor, sebesar 1,83 kV dan 23,50
cm, secara berurut.

5
 6

Tabel 2.1 Tinjauan Pustaka

Nama Judul Metode Hasil
(Wardhana, Optimisasi Cuckoo Search - Hasil dari penelitian
et al., 2017) Penjadwalan Algorithm optimisasi penjadwalan
Ekonomis PLTG ekonomis dengan metode
pada PLTGU Cuckoo Search Algorithm
Tambak Loror menghasilkan konsumsi
dengan bahan bakar yang lebih
rendah dari pada prakiraan
menggunakan
konsumsi bahan
Metode Cuckoo
bakar aktual generator
Search PLTG UBP Semarang
Algorithm
(Tuegeh, Optimal Algoritma - Hasil Penelitian dari
2009) Generator Particle Swarm optimasi penjadwalan
Scheduling Optimization pembangkit menggunakan
Based On (PSO) metode PSO memberikan
Modified performa yang lebih baik
Improved dibandingkan dengan
metode iterasi lambda.
Particle Swarm
Optimization

(Angdrie, et Optimalisasi Iterasi Lambda - Hasil optimasi penjadwalan

al., 2011) Biaya Bahan menghasilkan biaya
Bakar untuk pembangkitan yang lebih
Penjadwalan murah jika dibandingkan
Unit-Unit pada dengan data biaya
Pembangkit pembangkitan penjadwalan
awal.
Thermal Sistem
Minahasa
dengan Metode
Iterasi Lamda
(Riyanto, et Penjadwalan - Ant Colony - Hasil penelitian yang
al., 2012) Pembangkit Optimization didapat hasil optimasi
Tenaga Listrik dengan metode Ant Colony
Jangka Pendek Optimization lebih
Menggunakan ekonomis dari pada metode
Ant Colony Lagrange. Namun perlu
penelitian lebih lanjut untuk
Optimization
pengembangan dengan
metode lainnya.
 7

(Restiliani, Optimasi Algoritma - Hasil optimasi dengan

2017) Pembebanan Particle Swarm metode Particle Swarm
Ekonomis pada Optimization Optimization mampu
Pembangkit (PSO) memberikan solusi paling
Listrik Tenaga optimal dibandingkan
Diesel dengan perhitungan
matematik.
Menggunakan
Algoritma PSO
(Saehana, et Optimasi Algoritma - Hasil optimasi telah
al., 2011) Parameter Genetika berhasil dilakukan dengan
Elektrik metode Algoritma
Menggunakan Genetika pada domain
Teknik [1,60] kV dan [5,25] cm
Algoritma dengan jumlah populasi
100, nilai peluang pindah
Genetika:
silang (pc) 0,5 dan nilai
Tegangan
peluang mutasi (pm) 0,2.
Listrik dan Jarak Serat minimum 155 nm
Nozzle-Kolektor diperoleh dari nilai
optimum tegangan listrik
dan jarak nozzle-kolektor,
sebesar 1,83 kV dan 23,50
cm, secara berurut.

2.2 Dasar Teori

2.2.1 Operasi Ekonomis Pembangkit Listrik

Sistem tenaga listrik dibangkitkan dalam pusat-pusat listrik dan disalurkan ke
konsumen melalui jaringan saluran tenaga listrik. Mesin-mesin pembangkit pada
pusat-pusat listrik, menggunakan bahan bakar yang berbeda-beda dengan kapasitas
yang berlainan pula. Sehingga dalam pengoperasian mesin pembangkit listrik perlu
direncanakan seoptimal mungkin agar diperoleh biaya bahan bakar yang hemat
namun mutu dan keandalan tetap terjaga (Nugroho, 2006).
Kebutuhan energi listrik yang meningkat akan mengakibatkan konsumsi
bahan bakar yang besar, sehingga biaya operasi pun akan ikut bertambah besar.
Untuk mendapatkan pengoperasisan yang optimal dalam memenuhi kebutuhan
beban maka penjadwalan pengoperasian suatu generator pada pembangkit listrik
dan koordinasi antar pembangkit listrik sangat diperlukan dalam upaya melakukan
 8

optimisasi penjadwalan ekonomis yang bertujuan untuk memperoleh biaya operasi

yang optimal. Oleh sebab itu perlu adanya langkah untuk menentukan total biaya
pembangkitan yang paling minimum dengan kombinasi daya keluaran masing-
masing unit pembangkit listrik yang paling optimal, sehingga diperlukan adanya
langkah optimasi untuk menyelesaikan permasalahan tersebut (Restiliani, 2017).

2.2.2 Optimasi Penjadwalan Ekonomis

Operasi ekonomis pembangkit thermal adalah proses pembagian atau
penjadwalan beban total dari suatu sistem kepada masing-masing pusat
pembangkitnya, sedemikian rupa sehingga jumlah biaya pengoperasian adalah
seminimal mungkin (Angdrie, et al., 2011). Biaya pengoperasian pembangkit listrik
ditentukan oleh banyaknya bahan bakar yang diperlukan untuk mengoperasikan
pembangkit listrik dimana semakin banyak bahan bakar yang dibutuhkan maka
semakin besar pula biaya pengoperasiannya (Susilo, et al., 2014).

2.2.3 Pembangkit Listrik Tenaga Gas

Pembangkit Listrik Tenaga Gas (PLTG) merupakan sebuah pembangkit
energi listrik yang menggunakan peralatan/mesin turbin gas sebagai penggerak
generatornya. Pada pusat listrik tenaga gas, energi primer berasal dari bahan bakar
gas atau minyak. Untuk memutar generator pembangkit listrik menggunakan tenaga
penggerak turbin gas atau motor gas. Untuk memutar turbin gas atau motor gas
menggunakan tenaga gas. Gas berasal dari dapur tinggi, dapur kokas, dan gas alam.
(Muslim, et al., 2008).

2.2.4 Turbin Gas

Turbin gas dirancang dan dibuat dengan prinsip kerja yang sederhana dimana
energi panas yang dihasilkan dari proses pembakaran bahan bakar diubah menjadi
energi mekanis dan selanjutnya diubah menjadi energi listrik atau energi lainnya
sesuai dengan kebutuhannya.
 9

Gambar 2.1 Prinsip Kerja PLTG (Muslim, et al., 2008)

Pada Gambar 2.1 menunjukkan prinsip kerja PLTG :
1. Udara masuk ke kompresor untuk dinaikkan tekanannya.
2. Kemudian udara tersebut dialirkan ke ruang bakar.
3. Dalam ruang bakar, udara yang bertekanan dicampur dengan bahan bakar dan
dibakar.
4. Apabila digunakan bahan bakar gas (BBG), maka gas dapat langsung
dicampur dengan udara untuk dibakar, tetapi apabila digunakan bahan bakar
minyak (BBM), maka BBM ini harus dijadikan kabut terlebih dahulu
kemudian baru dicampur dengan udara untuk dibakar.
5. hasil pembakaran ini kemudian dialirkan menuju turbin untuk disemprotkan
kepada sudu-sudu turbin sehingga energi (enthalpy) gas ini dikonversikan
menjadi energi mekanik dalam turbin penggerak generator serta kompresor
udara dan akhirnya generator menghasilkan tenaga listrik.
Standar konversi satuan energi untuk gas yang akan digunakan pada penelitian ini
mengacu pada standar dari U.S. Energy Information Administration (EIA) yang
berdasarkan kandungan panas rata-rata untuk bahan bakar yang dikonsumsi di
Amerika Serikat pada tahun 2015. Berikut adalah satuan energi untuk gas tersebut
(U.S. Energy Information Administration (EIA), 2015) :
1 MMSCF = 1037 MMBTU
1 MSCF = 1,037 MMBTU
 10

1 kWh = 0,003412 MMBTU

1 kWh = 3412 BTU
1 BTU = 0,00029308 kWh
1 BTU = 0,00096432 SCF
Dimana :
BTU = British Thermal Unit
SCF = Standard Cubic Feet
MMSCF = Million Standard Cubic Feet
MMBTU = Milllion British Thermal Unit
MSCF = Thousand Standard Cubic Feet
kWh = kilowatt hour

2.2.5 Governor
Governor merupakan perangkat penting dalam pembangkit listrik yang
mengontrol output kecepatan atau daya output baik itu mesin disel atau turbin.
Governor merupakan satu alat pengaturan kecepatan pengerak mula (prime mover)
dengan mengontrol bahan bakar untuk mempertahankan kecepatan (atau beban)
pada tingkat yang diinginkan. Governor mengatur lajunya bahan bakar
dengan memanfaatkan umpan balik secara loop dalam sistem kontrol yang
mengontrol jumlah bahan bakar untuk mengontrol kecepatan mesin. Geovernor
bertugas untuk mengatur kecepatan mesin dengan cara membandingkan kecepatan
aktual dengan kecepatan yang diinginkan (kecepatan setpoint) (Graha, 2014).

2.2.6 Generator
Generator adalah salah satu jenis mesin listrik yang digunakan sebagai alat
pembangkit energi listrik dengan cara menkonversikan energi mekanik menjadi
energi listrik. Untuk mendapatkan tegangan terminal generator yang konstan, maka
arus jangkar dan sudut daya harus tetap pula. Besarnya perubahan beban yang dapat
ditanggung generator perlu diketahui yang disesuaikan dengan kemampuan
generator sehingga kestabilan generator dapat dijaga (Bandri, 2013).
Adapun prinsip kerja dari generator secara umum menurut
(Bandri, 2013) adalah sebagai berikut :
 11

1. Kumparan medan yang terdapat pada rotor dihubungkan dengan sumber

eksitasi tertentu yang akan mensuplai arus searah terhadap kumparan medan.
Dengan adanya arus searah yang mengalir melalui kumparan medan maka
akan menimbulkan fluks yang besarnya terhadap waktu adalah tetap.
2. Penggerak mula (Prime Mover) ya ng sudah terkopel dengan rotor segera
dioperasikan sehingga rotor akan berputar pada kecepatan nominalnya.
3. Perputaran rotor tersebut sekaligus akan memutar medan magnet yang
dihasilkan oleh kumparan medan. Medan putar yang dihasilkan pada rotor,
akan diinduksikan pada kumparan jangkar sehingga pada kumparan jangkar
yang terletak di stator akan dihasilkan fluks magnetik ya ng berubah-ubah
besarnya terhadap waktu. Adanya perubahan fluks magnetik yang melingkupi
suatu kumparan akan menimbulkan ggl induksi pada ujung-ujung kumparan.

2.2.7 AVR (Automatic Voltage Regulator)

Unit AVR (Automatic Voltage Regulator) berfungsi untuk menjaga agar
tegangan generator tetap konstan dengan kata lain generator akan tetap
mengeluarkan tegangan yang selalu stabil tidak terpengaruh pada perubahan beban
yang selalu berubah-ubah dikarenakan beban sangat mempengaruhi tegangan
output generator. Prinsip kerja dari AVR adalah mengatur arus penguatan (excitacy)
pada exciter. Apabila tegangan output generator di bawah tegangan nominal
tegangan generator maka AVR akan memperbesar arus penguatan (excitacy) pada
exciter. Dan juga sebaliknya apabila tegangan output Generator melebihi tegangan
nominal generator maka AVR akan mengurangi arus penguatan (excitacy) pada
exciter. Dengan demikian apabila terjadi perubahan tegangan output Generator
akan dapat distabilkan. AVR secara otomatis dikarenakan dilengkapi dengan
peralatan seperti alat yang digunakan untuk pembatasan penguat minimum ataupun
maximum yang bekerja secara otomatis. AVR dioperasikan dengan mendapat satu
daya dari permanen magnet generator (PMG) dengan tegangan 110V, 20A, 400Hz.
Serta mendapat sensor dari potencial transformer (PT) dan current transformer
(CT) (Muslim, et al., 2008).
 12

2.2.8 Paralel Generator

Paralel generator dapat dikatakan dengan mengabungkan dua buah generator
atau lebih secara bersamaa, sistem kerja paralel ini bertujuan untuk mendapatkan
daya yang lebih besar, untuk efesiensi hal ini untuk menghemat biaya pemakaian
operasional dan biaya pembelian kapasitas generator, dan menjamin kontinyutas
ketersediaan daya listrik. Sitem paralel generator disebut juga dengan sinkronisasi
generator.

Gambar 2.2 Generator Kondisi Paralel (Graha, 2014)

Pada Gambar 2.2 adalah gambar rangkaian 3 phase saat generator kondisi
paralel atau setelah generator disinkronisasi. Sebelum generator dapat di paralel
kondisi sinkron harus memenuhi persyaratan yaitu :
1. Tegangan antara generator harus mempunyai besaran amplitudo yang sama.
2. Frekuensi antara generator harus mempunyai frekuensi yang sama.
3. Sudut fasa kedua generator harus sama.
4. Urutan fasa antara generator harus sefasa.
Sistem paralel generator dapat dilakukan dengan dua cara yaitu manual dan
otomatis. Sinkronisasi secara manual mengandalkan peralatan dan ketelitian
seorang operator ketika kedua atau beberapa generator aman untuk di paralel
(Graha, 2014).

2.2.9 Load Sharing

Suatu alat pembagi beban (Load Sharing) merupakan peralatan otomatis yang
menyeragamkan operasi governor dalam menaikkan atau menurunkan power mesin
 13

atau daya generator pembangkit listrik sesuai dengan perubahan bebannya, dan
sangat diperlukan bila memiliki lebih dari dua generator dengan karakteristik yang
berbeda yang beroperasi secara paralel. Dengan alat pembagi beban generator,
maka setiap generator mempunyai faktor penggunaan (beban maksimum dibagi
kapasitas generator) yang sama dan kecil (Graha, 2014). Pembagian beban harus
dibagi berdasarkan jumlah beban total yang dibutuhkan dan telah
memperhitungakan rugi-rugi pada transmisi dan batas maksimum dan minimum
daya yang dapat dibangkitkan pada masing-masing pembangkit listrik. Dalam
persamaanya dapat dituliskan pada persamaan (2.1) dan (2.2) sebagai berikut :
Pg = PD + PL .................................................................................................... (2.1)
𝑷𝐠 = ∑𝒏𝒊=𝟏 𝑷𝒊 ................................................................................................... (2.2)
Dimana : Pg = total daya yang dibutuhkan (MW)
Pi = output daya masing-masing pembangkit listrik (KW)
i = 1, 2, 3,...n (jumlah pembangkit listrik ke-n)
PD = total beban sistem (MW)
PL = total rugi-rugi transmisi (Watt)
Masing-masing pembangkit listrik memiliki batas-batas kapasitas daya yang dapat
dibangkitkan dituliskan pada persamaan (2.3) :
P min i ≤ Pi ≤ P maxi ....................................................................................... (2.3)
Dimana : Pi = output daya masing-masing pembangkit listrik (KW)
P min i = pembangkitan minimum unit pembangkit listrik (KW)
P max i = pembangkitan maksimum unit pembangkit listrik (KW)

2.2.10 Karakteristik Unit Pembangkit Thermal

Biasanya setiap unit pembangkit listrik dalam suatu stasiun mempunyai
karakteristik yang berbeda-beda. Biaya pengoperasian pembangkit listrik
tergantung dari beberapa hal antara lain efisiensi pengoperasian dari generator,
biaya bahan bakar, dan rugi-rugi yang terjadi pada saluran transmisi. Setiap unit
pembangkit listrik dalam suatu stasiun mampunyai karakteristik tersendiri dalam
pengoperasiannya. Dengan mengetahui perbedaan karakteristik inilah optimalisasi
pengoperasian pembangkit listrik dapat diperoleh. Secara umum, konsumsi bahan
 14

bakar pembangkit listrik yang digunakan digambarkan oleh fungsi kuadrat dari
daya aktif yang dibangkitkan pada generator sebagaimana yang ditunjukkan pada
Gambar 2.3 (Susilo, et al., 2014). Untuk mendefinisikan karakteristik unit thermal
digunakan :
H = Total konsumsi bahan bakar ke unit Btu/jam,
F = Total biaya bahan bakar per jam Rp/jam
Pada Gambar 2.3 menunjukkan karakteristik input dan output dari unit
pembangkit thermal dalam bentuk yang ideal. Input dari pembangkit thermal
ditunjukkan pada sumbu tegak yaitu energi panas yang dibutuhkan dalam bentuk
Mbtu/h (thousand of btu per hour) atau biaya total per jam (Rp/jam). Output dari
pembangkit ditunjukkan pada sumbu mendatar yaitu daya listrik, yang memiliki
batas-batas kritis operasi yaitu daya maksimum dan minimum dari pembangkit
thermal.

Gambar 2.3 Kurva Karakteristik Input Output Unit Thermal (Tuegeh, 2009)
Tujuan utama karakteristik tersebut adalah untuk mendapatkan persamaan
konsumsi bahan bakar terhadap daya aktif yang dihasilkan pembangkit diberikan
dalam bentuk fungsi kuadrat regresi polinomial pada persamaan (2.4) .
Hi(Pi) = α + βPi + γPi2 ...................................................................................... (2.4)
Untuk total konsumsi bahan bakar pembangkit dirumuskan pada persamaan (2.5) :
𝑯 = ∑𝒏𝒊=𝟏 𝑯𝒊 ................................................................................................... (2.5)
 15

Untuk menghitung jumlah persentase konsumsi bahan bakar jika dalam satuan
MMBTU dengan mengacu pada standar (U.S. Energy Information Administration
(EIA), 2015) dapat diformulasikan pada persamaan (2.6).

𝑯
%𝑯 = ( 𝑷𝐠 ) x 100% ....................................................... (2.6)
𝟎,𝟎𝟎𝟑𝟒𝟏𝟐

Hubungan antara total biaya bahan bakar terhadap total konsumsi bahan bakar yang
dibutuhkan pembangkit listrik dirumuskan oleh persamaan (2.7) berikut :
F = H x Fuel Cost ........................................................................................... (2.7)
Dimana: Hi = konsumsi bahan bakar tiap unit pembangkit listrik
(Mbtu/jam)
H = total konsumsi bahan bakar tiap unit pembangkit
listrik (Mbtu/jam)
%H = total presentase konsumsi bahan bakar tiap unit
pembangkit listrik (%)
Pg = total daya yang dibutuhkan (MW)
F = total biaya operasi sistem pembangkit listrik
($/jam)
Pi = daya keluaran tiap unit pembangkit listrik (MW)
i = 1, 2, 3,.., n (untuk urutan pembangkit listrik ke-n)
α, β , γ = koefisien konsumsi bahan bakar
Fuel Cost = harga bahan bakar ($/Mbtu)

2.2.11 Regresi Polinomial

Model regresi polinomial dinyatakan pada persamaan (2.8) sebagai berikut.
f(x) = α0 + α1 x + α2 x2 + ......... αk xk ............................................................... (2.8)
Regresi yang dimaksudkan disini adalah pencarian harga-harga tetapan α0, α1 dan
α2 berdasarkan set data yang diberikan. Untuk k = 1, maka model akan membentuk
persamaan linear. Untuk k = 2, maka model akan membentuk persamaan kuadratik
dan seterusnya (Nabila, 2017). Model kuadratik adalah model polinomial dengan
k = 2. Untuk persamaan model kuadratik diberikan pada persamaan (2.9).
f(x) = α0 + α1 x + α2 x2 .................................................................................... (2.9)
 16

Dimana α0, α1,....., α2 = koefisien fungsi

x = nilai pada sumbu x
y = nilai pada sumbu y
k = 1, 2, 3,....., n (untuk urutan dan pangkat koefisien)

2.2.12 Metode Algoritma Genetika

Algoritma genetika merupakan teknik optimasi yang meniru proses evolusi
biologi. Menurut teori evolusi terdapat sejumlah individu dalam populasi. Dari
generasi ke generasi, individu-individu ini berperan sebagai induk (parent) yang
melakukan reproduksi menghasilkan keturunan (offspring). Individu-individu ini
(beserta offspring) berevolusi dan individu-individu yang lebih baik (mampu
beradaptasi dengan lingkungannya) mempunyai peluang lebih besar untuk
melewati seleksi alam (natural selection) dan bertahan hidup. Individu yang lebih
baik juga cenderung (tidak selalu tapi mempunyai kemungkinan lebih besar)
menghasilkan keturunan yang lebih baik sehingga dari generasi ke generasi akan
terbentuk populasi yang lebih baik (Mahmudy, 2015). Berikut adalah istilah umum
pada metode Algoritma Genetika (Firmansyah, et al., 2012):
1. Gen : Sebuah nilai bisa berupa nilai biner, integer nilai maupun
karakter yang menyatakan satuan dasar yang membentuk
suatu arti tertentu dalam satu kesatuan gen yang dinamakan
kromosom.
2. Kromosom : individu yang terdapat dalam satu populasi dan merupakan
suatu solusi yang masih berbentuk simbol.
3. Generasi awal : populasi awal dibangun secara acak sedangkan populasi
selanjutnya merupakan hasil evolusi kromosom melalui
iterasi.
4. Fungsi Fitness : alat ukur yang digunakan untuk proses evaluasi kromosom.
Nilai fitness dari suatu kromosom akan menunjukkan
kualitas kromosom dalam populasi tersebut.
 17

5. Generasi : berikutnya dikenal dengan anak (offspring) yang terbentuk

dari gabungan dua kromosom generasi sekarang yang
bertindak sebagai induk (parent) dengan menggunakan
operator penyilang (crossover).
6. Mutasi : operator untuk memodifikasi kromosom.
7. Nilai fitness : adalah nilai yang menyatakan baik tidaknya suatu
solusi (individu).
8. Elitisme : Proses seleksi yang dilakukan secara random sehingga
tidak ada jaminan bahwa suatu indvidu yang bernilai fitness
tertinggi akan selalu terpilih.
Adapun tahapan-tahapan pada metode Algoritma Genetika adalah sebagai berikut :
1. Teknik Penyandian Teknik penyandian meliputi penyandian gen dari
kromosom. Gen merupakan bagian dari kromosom, satu gen biasanya
mewakili satu variable. Gen dapat direpresentasikan dalam bentuk : string
bit, pohon, array bilangan real, daftar aturan, elemen permutasi, elemen
program dan lain-lain.
2. Prosedur Inisialisasi Ukuran populasi tergantung pada permasalahan yang
akan dipecahkan dan jenis operator genetika yang akan diimplementasikan.
Setelah ukuran populasi telah ditentukan, kemudian harus dilakukan
inisialisasi terhadap kromosom yang terdapat pada populasi tersebut.
Inisialisasi kromosom dapat dilakukan secara acak, namun demikian harus
tetap memperhatikan domain solusi dan kendala permasalahan yang ada.
3. Fungsi Evaluasi Ada dua hal yang harus dilakukan dalam melakukan
evaluasi kromosom yaitu : evaluasi fungsi objektif dan konversi fungsi
objektif kedalam fungsi fitness
4. Seleksi Memiliki tujuan untuk memberikan kesempatan reproduksi yang
lebih besar bagi anggota populasi yang paling fit. Seleksi akan menentukan
individu-individu mana saja yang akan dipilih untuk dilakukan rekombinasi
dan bagaimana offspring terbentuk dari individu-individu terpilih tersebut.
Langkah pertama yaitu pencarian nilai fitness. Langkah kedua adalah nilai
fitness yang diperolah digunakan pada tahaptahap seleksi selanjutnya. Ada
 18

beberapa definisi yang bisa digunakan untuk melakukan perbandingan

terhadap beberapa metode yang akan digunakan, antara lain :
a. Selective Pressure : probabilitas dari individu terbaik yang akan
diseleksi dibandingkan dengan rata-rata probabilitas dari semua
individu yang diseleksi.
b. Bias : perbedaan absolut antara fitness ternormalisasi dari suatu individu
dan probabilitas reproduksi yang diharapkan.
c. Spread : range nilai kemungkinan untuk sejumlah offspring dari suatu
individu.
d. Loss of diversity: proposi dari individu-individu dalam suatu populasi
yang tidak terseleksi selama fase seleksi.
e. Selection intensity : nilai fitness rata-rata yang diharapkan dalam suatu
populasi setelah dilakukan seleksi (menggunakan distribusi Gauss
ternormalisasi).
f. Selection variance : variansi yang diharapkan dari distribusi fitness
dalam populasi setelah dilakukan seleksi (menggunakan distribusi
Gauss ternormalisasi).
5. Rekombinasi adalah operator dari Algoritma Genetika yang melibatkan dua
kromosom untuk membentuk kromosom yang baru. Ada dua cara
melakukan rekombinasi, yang terdiri dari:
a. Rekombinasi bernilai real, yaitu :
1) Rekombinasi diskrit : menukar nilai variabel antar kromosom induk.
2) Rekombinasi intermediate : metode rekombinasi yang hanya dapat
digunakan untuk variabel real. Nilai variabel anak dipilih di sekitar
dan antara nilai-nilai variable induk.
3) Rekombinasi garis : hampir sama dengan rekombinasi menengah,
hanya saja nilai alpha untuk semua variable sama.
4) Rekombinasi garis yang diperluas ii.
b. Rekombinasi bernilai biner (Crossover), yaitu :
1) Crossover satu titik
2) Crossover banyak titik
 19

3) Crossover seragam
4) Crossover dengan permutasi
6. Mutasi adalah operator yang berperan untuk menggantikan gen yang hilang
dari populasi akibat proses seleksi yang memungkinkan munculnya kembali
gen yang tidak muncul pada inisialisasi populasi. Ada dua metode untuk
mutasi yaitu :
a. Mutasi bernilai real
b. Mutasi bernilai biner
7. Laju perubahan adalah parameter control algoritma genetika, yaitu ukuran
populasi (popsize), peluang crossover (pc) dan peluang laju mutasi (pm).
Keseluruhan tahapan-tahapan dalam metode Algoritma Genetika
ditunjukkan pada Gambar 2.4 (Firmansyah, et al., 2012).

Gambar 2.4 Tahap-tahap dalam Algoritma Genetika (Mahmudy, 2015)

Dari Gambar 2.4 untuk implementasi pada optimasi penjadawalan
ekonomis mempunya tahap-tahap sebagai berikut.
1. Membuat populasi awal (Popi) yang tersusun dari beberapa kromosom yang
didalam kromosom tersebut terdapat beberapa gen dimana jumlah gen yang
dibangkitkan sama dengan jumlah unit pembangkit listrik yang akan di
operasikan. Gen adalah Pi didapat dari persamaan (2.3). nilai gen
dibangkitkan dengan bilangan acak sesuai batasan operasi masing-masing
pembangkit. listrik Jumlah dari nilai gen sama dengan total daya yang
dibutuhkan.
Popi = [K1, K2, K3....... Ki] .................................................................. (2.10)
Ki = [gen1, gen2,...... geni]................................................................... (2.11)
geni = P min i ≤ rand ≤ P maxi ......................................................... (2.12)
𝑵𝑲𝒊 = 𝑷𝐠 = ∑𝒏𝒊=𝟏 𝐠𝒆𝒏𝒊 .................................................................... (2.13)
2. Setelah populasi awal telah terbentuk tahap selanjutnya adalah mencari nilai
fitness dari masing-masing kromosom dimana nilai fitness disini adalah
 20

jumlah konsumsi bahan bakar pembangkit listrik. Nilai fitness akan dicari
dengan cara memasukkan nilai gen pada persamaan (2.4) ditunjukkan pada
persamaan (2.15).
𝒏
𝑵𝑭(𝑲𝒊) = ∑𝒊=𝟏 𝑵𝑭𝒊 (𝐠𝒆𝒏𝒊 ) .............................................................. (2.14)

NFi(geni) = α + β(geni) + γ(geni)2 ..................................................... (2.15)

3. Jika masing-masing nilai fitness kromosom sudah diketahui maka
kromosom akan diseleksi dengan cara mencari 2 kromosom dengan nilai
fitness yang terkecil untuk dijadikan parent1 dan parent2 dari jumlah nilai
fitness kromosom yang ada.
parenti=min[NF(K1), NF(K2), NF(K3)........ NF(Ki)] ............................... (2.16)
parent1= parent2=Ki ........................................................................... (2.17)
4. Setelah parent1 dan parent2 telah ditentukan maka proses rekombinasi dapat
dilakukan dengan cara menukar sebagian gen dari kromosom parent1 dan
parent2.
Rc1=[gen1(parent1), gen2(parent2)] ............................................................ (2.18)
Rc2=[ gen1(parent2), gen2(parent1)] ........................................................... (2.19)
5. Jika proses rekombinasi telah selesai maka proses mutasi dapat dilakukan
dengan menerapkan laju mutasi (0-1). Nilai laju mutasi adalah sebagai tolak
ukur penentuan untuk perubahan nilai gen yang ada pada rekombinasi,
semakin besar nilai laju mutasi maka peluang untuk perubahan nilai sebuah
gen semakin besar. Nilai perubahan dari sebuah gen dibangkitkan dengan
bilangan acak sesuai batasan operasi pembangkit listrik yang ditunjukkan
pada persamaan (2.12). Jumlah dari nilai gen yang termutasi harus sama
nilainya dengan total daya yang dibutuhkan yang ditunjukkan pada
persamaan (2.13).
Muti=[ (P min i ≤ rand ≤ P maxi )1, (P min i ≤ rand ≤ P maxi )2] ... (2.20)
6. Setelah gen termutasi akan melahirkan kromosom baru pada kromosom
baru tersebut akan dihitung nilai fitnessnya menggunakan persamaan (2.15)
dan (2.16). Jika nilai fitness kromosom baru lebih kecil dari nilai fitness
maksimal pada kromosom populasi awal maka kromosom baru akan
menggantikan kromosom lama dengan nilai fitness yang paling besar
 21

tersebut. Sehingga populasi baru (Pop(i+1)) akan terbentuk dengan

kromosom baru yang mempunyai peluang nilai fitness yang lebih kecil.
7. Setelah populasi baru terbentuk maka proses tahapan akan berulang kembali
mulai tahap kedua menghitung ulang nilai fitness masing-masing kromosm,
menyeleksi parent1 dan parent2, rekombinasi, mutasi dan melahirkan
kembali populasi baru dengan kromosom baru yang mempunyai peluang
nilai fitness yang lebih kecil. Proses perulangan ini akan berhenti jika hasil
nilai fitness yang paling kecil dari setiap generasi populasi mempunyai hasil
nilai yang sama berturut-turut hingga batas konvergen tercapai.
Berikut ini adalah keterangan untuk persamaan (2.10) sampai dengan (2.20)
dimana: Popi = populasi terdiri dari beberapa kromosom.
Ki = kromosom terdiri dari beberapa gen
geni = genetik yang menyusun kromosom yaitu daya
keluaran tiap unit pembangkit listrik (KW)
rand = nilai acak yang akan dibangkitkan (KW)
Pg = total daya yang dibutuhkan (MW)
NKi = nilai kromosom
NF(Ki) = nilai fitnes pada kromosom (Mbtu/jam)
NFi = nilai fitness pada gen (Mbtu/jam)
α, β , γ = koefisien fungsi kuadrat input-output pembangkit
listrik
parenti = kromosom yang terpilih berdasarkan nilai fitness
yang paling kecil
Rc1,Rc2 =kromosom yang telah direkombinasi
Muti = kromosom yang telah termutasi
i = 1, 2, 3,......, n (untuk nomor urutan ke-n)
 22

Berikut pseudo code Algoritma Genetika :

for Populasi awal (Popi)

Membuat beberapa kromosom yang tersusun oleh beberapa gen dengan
membangkitkan bilangan acak yang ditunjukkan pada persamaan (2.12) dengan
syarat jumlah dari gen yang dibangkitkan harus sesui dengan persamaan (2.13).
end
for Kromosom awal
Hitung nilai fitness pada masing-masing kromosom dengan menggunakan
persamaan (2.14) dan (2.15)
end
Proses seleksi menggunakan persamaan (2.16) mencari dua kromosom dengan
nilai fitness terkecil pada populasi awal untuk dijadikan parent1 dan parent2.
Rekombinasi diskrit menggunakan persamaan (2.18) dan (2.19) dengan
menukar gen pada masing-masing parent1 dan parent2 untuk membentuk
kromosom yang baru.
Proses mutasi menggunakan persamaan (2.20) pada masing-masing nilai gen
kromosom baru dengan laju perubahan mutasi dalam rentang (0-1).
while nilai geni = Pi pada persamaan (2.12) dan NKi = Pg pada persamaan (2.13)
Melakukan proses mutasi ulang menggunakan persamaan (2.20).
end
Gen yang bermutasi pada kromosom baru akan menjadi gen baru dengan nilai
fitness kromosom yang baru.
if Nilai kromosom yang baru mempunyai nilai fitness yang lebih kecil dari nilai
fitness semua populasi awal.
for Populasi baru
Dua kromosom populasi awal yang mempunyai nilai fitness terbesar akan
digantikan oleh dua kromosom baru.
end;end
 23

for Hasil
Pilih kromoson dengan nilai fitness terendah pada populasi baru.
end
until (Batasan Konvergen telah Tercapai)

2.2.13 MATLAB R2013a

MATLAB adalah bahasa pemrograman tingkat tinggi yang dikembangkan
oleh MathWorks yang dikhususkan untuk komputasi teknis. Bahasa ini
mengintegrasikan kemampuan komputasi, visualisasi dan pemrograman dalam
sebuah lingkungan tunggal dan mudah digunakan. Matlab memberikan sistem
interaktif yang menggunakan konsep array/matrik sebagai standar variable
elemennya tanpa membutuhkan pen-deklarasi-an array pada bahasa lainnya (Away,
2010).
MATLAB R2013a merupakan MATLAB keluaran tahun 2013, MATLAB
telah berkembang menjadi sebuah environment pemrograman yang canggih yang
berisi fungsi-fungsi built-in untuk melakukan pengelolahan sinyal, aljabar linear
dan kalkulasi matematis lainnya. MATLAB juga berisi toolbox yang berisi fungsi
tambahan untuk aplikasi khusus (Restiliani, 2017). Penggunaan MATLAB meliputi
bidang-bidang :
1. Matematika dan Komputasi
2. Pembentukan Algoritma
3. Akuisisi Data
4. Pemodelan, simulasi dan Pembuatan Prototype
5. Analisis Data, Explorasi, dan Visualisasi
6. Grafik Keilmuan dan Bidang Rekayasa
 24

Pada antar muka MATLAB terdapat enam fitur yang akan digunakan pada
penelitian ini :
1. Window Utama MATLAB
Window ini adalah window induk yang melingkupi seluruh lingkungan kerja
MATLAB. Tidak ada fungsi utama pada fitur window ini selain sebagai
tempat dock-ing bagi form yang lain.
2. Workspace
Fitur ini berfungsi sebagai navigator bagi pemakai dalam penyediaan
informasi mengenai variable yang sedang aktif dalam workspace pada saat
pemakaian. Wokspace adalah suatu ruang lingkup abstrak yang menyimpan
seluruh variabel dan perintah yang pernah digunakan selama penggunaan
MATLAB berlangsung.
3. Current Directory
Fitur ini berfungsi sebagai browser direktori aktif untuk membuka dan
menyimpan file MATLAB.
4. Command History
Fitur ini berfungsi sebagai penyimpan perintah-perintah yang pernah
dikerjakan pada suatu workspace.
5. Command Window
Fitur ini berfungsi sebagai penerima perintah dari pemakai untuk
menjalankan MATLAB. Command Window ini adalah media utama bagi
kita untuk berinteraksi dengan MATLAB.
6. MATLAB Editor
Fitur ini berfungsi untuk membuat skrip program MATLAB.
 BAB III
METODE PENELITIAN

3.1 Tahap Penelitian

Tahap-tahap langkah kerja dari penelitian ini meliputi :
1. Studi literatur
Mengumpulkan materi yang berhubungan dengan materi penelitian tugas akhir
ini yang dapat diperoleh dari berbagai sumber yaitu buku, jurnal, laporan dan
website.
2. Studi bimbingan
Penulis dapat bertanya dan mendiskusikan tentang pembahasan penelitian ini
dengan dosen pembimbing dan pembimbing lapangan agar mendapatkan
arahan dalam pengerjaan dan solusi untuk permasalahan yang berada pada
penelitian tugas akhir ini.
3. Pengambilan data
Cara pengambilan data pada penelitian ini menggunakan 2 metode yaitu:
a. Wawancara
Teknik wawancara dilakukan peneliti dengan melakukan tanya jawab
secara langsung maupun tidak langsung melalui via media sosial kepada
Contruction and Maintenance Electric (Electrical Operator dan Electrical
Supervisior) serta Electrical Engineering tentang sistem pembangkitan
listrik dan pembebanan yang berada di JOB P-PEJ.
b. Studi Dokumen
Studi dokumen dilakukan peneliti dengan mengambil beberapa data
dokumen yang dibutuhkan untuk penelitian yaitu dokumen data generator,
daily report pembangkit listrik dan daily report compressor.
4. Pengolahan data
Data diolah dengan memasukkan data pada kode program MATLAB R2013a
yang digunakan sesuai dengan metode perhitungan Algoritma Genetika.

25
 26

5. Pembuatan Laporan
Pembuatan laporan bertujuan untuk memaparkan hasil yang diperoleh dari
penelitian yang dilakukan.

3.2 Diagram Alir Penelitian

Gambar 3.1 Diagram Alir Penelitian

 27

3.3 Metode Perhitungan Algoritma Gentika

Adapun tahap-tahap perhitungan dengan menggunakan metode Algoritma
Genetika ini adalah :
1. Masukkan daya beban yang dibutuhkan dan masing-masing data input
konsumsi bahan bakar pembangkit listrik dan output generator setiap unit
pembangkit listrik untuk mencari fungsi karakteristik input-output pembangkit
listrik seperti pada persamaan (2.4) menggunakan pendekatan grafik dengan
regresi polinomial model kuadratik pada persamaan (2.9) yang mempunyai
keofisien determinasi (R2) mendekati 1.
2. Masukkan data jumlah pembangkit listrik yang akan beroperasi dan batas-batas
operasi masing-masing generatornya ditunjukkan pada persamaan (2.3).
3. Membuat populasi awal (Popi) yang terdiri dari 10 kromosom dengan jumlah
gen pada setiap kromosom sesuai dengan jumlah unit pembangkit listrik yang
akan beroperasi menggunakan persamaan (2.10) sampai dengan (2.12) dengan
syarat nilai setiap kromosom yang dibangkitkan harus sama dengan daya beban
yang dibutuhkan ditunjukkan pada persamaan (2.13).
4. Menghitung nilai fitness masing-masing kromosom yang dibangkitkan dengan
menggunakan persamaan (2.14) dan (2.15).
5. Menyeleksi dua kromosom dengan nilai fitness terkecil untuk dijadikan
parent1 dan parent2 dengan menggunakan persamaan (2.16).
6. Rekombinasi diskrit dengan menukar masing-masing gen pada parent1 dan
parent2 menggunakan persamaan (2.18) dan (2.19).
7. Melakukan mutasi pada kromosom dengan merubah nilai gen menggunakan
persamaan (2.20). Laju perubahan pada setiap nilai gen ditentukan pada
besarnya nilai laju mutasi pada skala (0-1), semakin besar nilai laju mutasi
maka akan semakin besar pula peluang untuk merubah seluruh nilai masing-
masing gen.
8. Nilai kromosom yang telah termutasi harus sama dengan daya beban yang
dibutuhkan ditunjukkan pada persamaan (2.13).
9. Menghitung kembali nilai fitness masing-masing kromosom yang telah di
mutasi dengan menggunakan persamaan (2.14) dan (2.15).
 28

10. Jika nilai fitness kromosom yang bermutasi lebih kecil dari nilai fitness terbesar
pada populasi awal maka dua kromosom dengan nilai fitness terbesar pada
populasi awal akan di gantikan dengan dua kromosom yang bermutasi. Namun
jika nilai fitness kromosom yang bermutasi lebih besar dibandingkan nilai
fitness terbesar dari populasi awal maka proses mutasi akan diulang kembali.
11. Membuat populasi baru (Pop(i+1)) dan menghitung masing-masing nilai fitness
kromosomnya menggunakan persamaan (2.14) dan (2.15).
12. Menyeleksi kromosom dengan nilai fitness terkecil dan membagi pembebanan
pembangkit listrik sesuai dengan masing-masing nilai gen pada kromosom
tersebut (geni = Pi).
13. Memasukkan output yang dibangkitkan pada masing-masing pembangkit
listrik (Pi) pada fungsi karakteristik input-output masing-masing pembangkit
listrik untuk mencari banyaknya konsumsi bahan bakar pada pembangkit listrik
(Hi) seperti ditunjukkan pada persamaan (2.4).
14. Menghitung jumlah total konsumsi bahan bakar (H) dengan menjumlahkan
semua hasil konsumsi bahan bakar pada setiap pembangkit listrik (Hi). Seperti
ditunjukkan pada persamaan (2.5).
15. Ploting grafik garis jumlah iterasi terhadap total konsumsi bahan bahan bakar
pembangkit listrik (H) yang akan di tampilkan pada MATLAB R2013a.
16. Jika batas konvergen (konvergen adalah suatu kondisi dimana hasil total
konsumsi bahan bakar yang dihasilkan selalu sama selama berturut-turut)
belum tercapai maka tahap akan berulang kembali dengan populasi baru
sebagai populasi awal (Pop(i+1) = Popi) dan dimuai dari tahap perhitungan nilai
fitness masing-masing kromosom untuk diseleksi kembali sebagai parent1 dan
parent2.
17. Jika batas konvergen telah tercapai maka hasil pembebanan paling optimal
pada masing-masing pembangkit listrik akan ditampilkan pada Command
window MATLAB R2013a.
18. Menghitung hasil optimasi pembangkit listrik dengan menghitung selisih dari
data awal total konsumsi bahan bakar yang sebelum di optimasi dengan total
konsumsi bahan bakar yang diperoleh dari hasil optimasi.
 29

19. Menghitung persentase penghematan bahan bakar pembangkit listrik dengan

menggunakan persamaan (2.6).
20. Hasil optimasi penghematan bahan bakar pembangkit listrik akan ditampilkan
dalam bentuk persen (%) dan dalam satuan MMBTU pada Command window
MATLAB R2013a.
 30

3.4 Diagram Alir Perhitungan Metode Algoritma Genetika

Gambar 3.2 Diagram Alir Perhitungan Metode Algoritma Genetika

 DAFTAR PUSTAKA

Angdrie, S. V., Patras, L., Tumaliang, H. & Lisi, F., 2011. Optimasi Biaya Bahan
Bakar untuk Penjadwalan Unit-Unit pada Pembangkit Thermal Sistem Minahasa
dengan Metode Iterasi Lamda.

Away, G. A., 2010. The Shortcut of MATLAB Programming. Bandung:

INFORMATIKA.

Bandri, S., 2013. Analisa Pengaruh Perubahan Beban Terhadap Karakteristik

Generator Sinkron (Aplikasi PLTG Pauh Limo Padang). Jurnal Teknik Elektro,
2(1), pp. 42-48.

Firmansyah, E. R., Ahmad, S. S. & Agustin, N. H., 2012. Algoritma Genetika,

Jakarta: Fakultas Sains dan Teknologi Universitas Islam Negeri Syarif Hidayatullah
Jakarta.

Gen, M. & Cheng, R., 1997. Genetic Algorithms and Engineering Design. 1st
penyunt. Ashikaga, Japan: A Wiley-Interscience Publication.

Graha, S., 2014. Power Management PLN-Genset pada Bank Indonesia Cabang
Banjarmasin. Jurnal POROS TEKNIK, 6(2), pp. 55-102.

Mahmudy, W. F., 2015. Dasar-Dasar Algoritma Evolusi. Malang: Program

Teknologi Informasi dan Ilmu Komputer, Universitas Brawijaya Malang.

Muslim, S., J. & R, P. W., 2008. Teknik Pembangkit Tenaga Listrik. 1st penyunt.
Jakarta: Direktorat Pembinaan Sekolah Menengah Kejuruan.

Muslim, S., J. & R, P. W., 2008. Teknik Pembangkit Tenaga Listrik. 3rd penyunt.
Jakarta: Direktorat Pembinaan Sekolah Menengah Kejuruan.

Nabila, H., 2017. Analisis Economic Dispatch pada PLTU Sektor Bukit Asam
menggunakan Metode Iterasi Lambda dan Dynamic Programming,
Bandarlampung: Universitas Lampung.

31
 32

Nugroho, A., 2006. Metode Pengaturan Penggunaan Tenaga Listrik dalam Upaya
Penghematan Bahan Bakar Pembangkitan dan Energi. Transmisi, 11(1), pp. 45-51.

Restiliani, E., 2017. Optimasi Pembebanan Ekonomis pada Unit Pembangkit

Listrik Tenaga Diesel Menggunakan Algoritma PSO.

Riyanto, S., Suyono, H. & Dahlan, H. S., 2012. Penjadwalan Pembangkit Tenaga
Listrik Jangka Pendek Menggunakan Ant Colony. Jurnal EECCIS, 6(2), pp. 97-
106.

Saehana, S., Iskandar, F., Abdullah, M. & Khairurrijal, 2011. Optimasi Parameter
Pemintalan Elektrik Menggunakan Teknik Algoritma Genetika Tegangan Listrik
dan Jarak Nozzle-Kolektor. J.Oto.Ktrl.Inst (J. Auto.Ctrl.Inst), 3(1), pp. 41-46.

Susilo, J., Facta, M. & Handoko, S., 2014. Simulasi Perhitungan Pembebanan
Ekonomis pada Pusat Listrik Tenaga Uap dan Gas Dengan Metode Lagrange
Multiplier (Studi Kasus di PT.Petrokimia Gresik). TRASIENT, 3(4), pp. 580-585.

Tuegeh, M., 2009. Opimal Generator Scheduling Based On Modified Improved

Particle Swarm Optimization. The 5th International Conference on Information &
Communication Technology and Systems, pp. 267-272.

U.S. Energy Information Administration (EIA), 2015. Energy Conversion

Calculator. [Online] Available at:
https://www.eia.gov/energyexplained/index.cfm?page=about_energy_conversion_
calculator
[Diakses 14 Maret 2018].

Wardhana, A. D., Sukmadi, T. & Riyadi, M. A., 2017. Optimasi Penjadwalan

Ekonomis PLTG pada PLTGU Tambak Lorok dengan menggunakan Metode
Cuckoo Search Algorithm. TRANSIENT, 6(4), pp. 277-284.