Optimasi Sistem Distribusi Daya Listrik Menggunakan Pendekatan Metode GA, PSO, dan BPNN
DOI:
https://doi.org/10.55338/justikpen.v5i1.207Kata Kunci:
Genetic algorithm, back propagation neural network, distribution system optimization, particle swarm optimization, power lossesAbstrak
Kerugian daya yang tinggi merupakan masalah bagi sistem distribusi tenaga listrik karena membuang energi dan meningkatkan biaya operasional. Melalui fase optimasi terintegrasi, penelitian ini mengembangkan pendekatan metode GA-PSO-BPNN dengan arsitektur jaringan syaraf tiruan 3-8-6-3 untuk memaksimalkan efisiensi distribusi dan meminimalkan kerugian daya. Untuk mengoptimalkan sistem listrik, metode penelitian ini menggunakan pendekatan perbandingan dengan GA (200 generasi dengan 100 kromosom awal), PSO standar, dan BPNN. Data historis dari PLN untuk periode 2015-2024 digunakan untuk validasi. Dengan waktu komputasi 0.1336 detik, efisiensi distribusi energi 95% dan pengurangan kerugian daya sebesar 2.000.000 MW, data menunjukkan bahwa GA mencapai hasil optimasi. Prediksi BPNN mampu memprediksi hingga sepuluh tahun ke depan dengan angka yang konsisten, sedangkan PSO mencapai hasil optimasi dalam waktu 0.2366 detik, pengurangan kerugian daya sebesar 1.000.000 MW, dan efisiensi distribusi sebesar 95%. Dari awal iterasi hingga akhir, pendekatan GA-PSO-BPNN menunjukkan stabilitas terbaik. Pendekatan ini mampu mengurangi kerugian daya dari data aktual rata-rata PLN sebesar 3.972.55 MW menjadi 200.00 MW, mencapai efisiensi distribusi 99%, dan melakukan komputasi dalam waktu 0.0856 detik. Perkiraan untuk periode 2025-2034, menunjukkan efisiensi stabil sebesar 94.91%-95% dan kerugian daya sebesar 3.654.52-4.369.78 MW, sejalan dengan pola masa lalu. Model ini terbukti memberikan jawaban yang akurat untuk perencanaan strategis jangka panjang dalam bidang kelistrikan, sehingga memberikan kontribusi yang signifikan dalam menciptakan sistem kelistrikan yang berkelanjutan dan efektif.
Referensi
N. Selle, N. Yudistira, and C. Dewi, “Perbandingan Prediksi Penggunaan Listrik dengan Menggunakan Metode Long Short Term Memory (LSTM) dan Recurrent Neural Network (RNN),” J. Teknol. Inf. dan Ilmu Komput., vol. 9, no. 1, pp. 155–162, 2022, doi: 10.25126/jtiik.2022915585.
H. Pratomo, “Jurnal Energi dan Ketenagalistrikan Optimalisasi Susut Jaringan Tegangan Rendah dengan Metode Algoritma Genetika Jurnal Energi dan Ketenagalistrikan,” vol. 2, no. 1, pp. 24–28, 2024.
Agus Khumaidi et al., “Prediksi Komsumsi Daya Listrik Pada Panel Listrik Menggunakan Metode Neural Network,” J. Elektron. dan Otomasi Ind., vol. 11, no. 2, pp. 350–362, 2024, doi: 10.33795/elkolind.v11i2.5497.
A. Khan, Y. Wang, S. Khan, I. Khan, and M. Sajjad, “Genetic algorithm-based optimization for power system operation: case study on a multi-bus network,” Int. J. Adv. Electr. Eng., vol. 5, no. 1, pp. 76–85, 2024, doi: 10.22271/27084574.2024.v5.i1a.56.
R. Simanjuntak, Abrar Tanjung, Zulfahri, and Masnur P. Halilintar, “Rekonfigurasi Jaringan Distribusi 20 kV Feeder Balam Dengan Metoda Binary Particle Swarm Optimization (BPSO) Di PT. PLN (Persero) Bagan Batu,” Transient J. Ilm. Tek. Elektro, vol. 9, no. 4, pp. 443–450, 2020.
M. Mudjiono, I. Ridzki, and P. Surya, “Aplikasi Particle Swarm Optimization Pada Pemasangan Kapasitor Bank Pada Jaringan Distribusi,” ELPOSYS J. Sist. Kelistrikan, vol. 8, no. 3, pp. 65–71, 2021, doi: 10.33795/elposys.v8i3.81.
A. Tanjung, “5113-Article Text-15866-1-10-20201108,” vol. 14, no. Oktober, pp. 216–222, 2020.
M. R. Priyatama, N. Busaeri, and M. A. Risnandar, “Rekonfigurasi jaringan dan penambahan trafo sisip pada jaringan radial menggunakan algoritma genetika,” vol. 4, no. 3, pp. 185–194, 2024.
M. M. Al Haromainy, D. A. Prasetya, and A. P. Sari, “Improving Performance of RNN-Based Models With Genetic Algorithm Optimization For Time Series Data,” TIERS Inf. Technol. J., vol. 4, no. 1, pp. 16–24, 2023, doi: 10.38043/tiers.v4i1.4326.
M. Faridha and D. Dewiani, “Pemanfaatan Aplikasi Particle Swarm Optimization (PSO) untuk Pengaturan Pengurangan Beban Tenaga Listrik,” J. Tek. Elektro Uniba (JTE UNIBA), vol. 8, no. 2, pp. 412–418, 2024, doi: 10.36277/jteuniba.v8i2.254.
E. Control, C. Information, and P. Systems, “JE-UNISLA,” vol. 7, no. 1, pp. 42–48, 2022.
Z. M. Ahmad Putra, P. Asri, F. Romadloni, and R. R. Arnestanta, “Penerapan Algoritma Particle Swarm Optimization Untuk Meningkatkan Efisiensi Daya Keluaran Panel Surya,” J. Tek. Elektro dan Komput. TRIAC, vol. 10, no. 2, pp. 56–64, 2023, doi: 10.21107/triac.v10i2.20717.
H. Nugroho, N. A. Yusva, and O. I. M. Pandiangan, “Penerapan Metode Particle Swarm Optimization dan Genetic Algorithm pada Optimisasi Sudut Kelengkungan Turbin Air Banki Untuk Mendapatkan Efisiensi Daya Optimal,” Energi & Kelistrikan, vol. 14, no. 1, pp. 82–89, 2022, doi: 10.33322/energi.v14i1.1636.
H. Hartono, Y. Muharni, I. Setiawan, I. Saraswati, and A. Maulana, “Load Forecasting Energi Listrik Provinsi Banten Tahun 2022-2030 Menggunakan Metode Backpropagation Neural Network,” J. Syst. Eng. Manag., vol. 2, no. 1, p. 45, 2023, doi: 10.36055/joseam.v2i1.19265.
A. P. Sari, H. Suzuki, T. Kitajima, T. Yasuno, D. A. Prasetya, and N. Nachrowie, “Prediction model of wind speed and direction using convolutional neural network - Long short term memory,” PECon 2020 - 2020 IEEE Int. Conf. Power Energy, no. 1, pp. 356–361, 2020, doi: 10.1109/PECon48942.2020.9314474.
M. Dasuki, “Optimasi Nilai Bobot Algoritma Backpropagation Neural Network Dengan Algoritma Genetika,” JUSTINDO (Jurnal Sist. dan Teknol. Inf. Indones., vol. 6, no. 1, pp. 38–44, 2021, doi: 10.32528/justindo.v6i1.5280.
J. S. Habiby, A. Triwiyatno, and T. Andromeda, “Perancangan Algoritma Optimasi Menggunakan Particle Swarm Optimization (PSO) Untuk Model Wind Turbine Farm,” AutoMech J. Tek. Mesin, vol. 1, no. 01, pp. 5–11, 2021, doi: 10.24269/jtm.v1i01.4123.
P. ayu Andira, E. Suswaini, and M. R. Rathomi, “Optimasi Penempatan Kapasitor Bank Menggunakan Algoritma Genetika Untuk Mengurangi Rugi Daya Pada Sistem Distribusi Daya Listrik,” J. Sustain. J. Has. Penelit. dan Ind. Terap., vol. 9, no. 2, pp. 82–88, 2020, doi: 10.31629/sustainable.v9i2.1410.
N. Nurmela and N. Hiron, “Optimasi Kinerja Sistem Pembangkit Hybrid,” J. Energy Electr. Eng., vol. 1, no. 1, pp. 7–11, 2019, doi: 10.37058/jeee.v1i1.1189.
A. Hammaines, C. Setianingsih, and M. A. Murti, “Prediksi Penggunaan Energi Listrik Menggunakan Metode Feedforward Neural Network Prediction of Electricity Using Feedforward Neural Netwokr Method,” vol. 8, no. 6, pp. 12125–12134, 2021.
Unduhan
Diterbitkan
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Abel Dwi Rahmawati. S, Regina Caeli Endyarni, Anggraini Puspita Sari
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
