Ittrnctl Telcttolosi lrtformasi DINAM,tK Volume

Xtl.

No.2.

Jtlli

200.7.

ISSN : 085 4'9524

122-130.

lmplementasi Algoritnra Genetika untuk optimasi Penempatan l(apasitor shurtt

pada Penyulang Distribusi Tenaga Listrik
Carwoto
program Studi Teknik Informatika, STMII( ProVisi Semarang
e-mail : carwoto@Yahoo.colrl
mechanic.s of'natttrol selection antl
Abstract ; Gen.etic Algorithm is a kincl of search algorithm based on the

problcrn nuturullY.
the size, location, type, antl number
This paper presents application of Genetic Algorithm for cletermining
to minimize the peak power losses
is
objective
The
iy ripi"iri, to be placetl on radial clistribution system.
The algrtrilhm wus implauantatl
cosl.
the
capacitor
inrt irrrgy losses in the clistribution system consiilering
to shotv its ,lausihilit.t'
physically-existing.f'eedet
realistic
u
trrtod.Sor
in Delphi programming language onil
0nd capabilities'.
Keltw,ord ; irnplementation olgot'ithm genetic

genetika dan seleksi alam (Sastry,

IENDAHULUAN
Kapasitor shunt banyak dipakai sebagai
kompensator daya reaktif pada penyLllang
distribusi primer sistem tenaga listrik' Dengan
memasang kapasitor shunt, rllgi-rLlgi energi
(energ1,, /osses) clan rugi-rugi daya puncak Qtealc
pov)et' /osses) clapat dikurangi sampai ke tingkat
yang dikehendaki (Grainger, 1981). Besar
kornpensasi yang diberikan kapasitor terhadap
sistem distlibusi sangat tergantung pada formasi
penempata:t kapasitor tersebut, yang meliputi
penentuan lokasi, ukuran, jumlah, dan tipe
kapasitor.

Metode yang semllla sering dipakai untuk

menyelesaikan masalah optimasi penempatan
kapasitor shunt pada sistem distribusi primer
aclalah ltletocle-ntetode deterministik (Graingf,
1983). Metode ini memerlukan informasi
tambahan,untr-rk dapat mencapai solusi optimal
yang diinginkan, seperti kontinr-ritas dan turunan

fungsi. Disamping itu,

ministik melakllkan pencarian nilai optimum
dari titik ke titik dalam ruang penyelesaian,
maka sangat rlelrrungkinkan pencap atan optinium lokal (local optima), apabila dalam ruang
pencarian terdapat lranyak titik penyelesaian
karena metode deter-

(Goldberg, 1989).

Algoritma Genetika merupakan algoritma

pencarian yang dilandaskan atas mekanisme

K. et.al.,

2004). Dalam ilmu komputer, Algoritma

Genetika termasuk dalam kajian komputasi
lunak (soft computing) dan kecerdasan buatan
(artiJicial inteligence). Pada beberapa literatur,
seperti ditr-rlis Runarsson (2005) dan Jun IIe, et.
al. (2005), algoritma dengan cara kerj a yang

serllpa disebut dengan Algoritma

Evolr-rsi

(Evotutionary 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 clan efisien, sekarang ini Algoritma'Genetika telah diterapkan secara luas dalam berbagai aplikasi bisnis, ilmu pengetahuan, teknil<
dan rekayasa.

Tulisan ini memaparkan hasil studi kasus

optimasi pemilihan ukuran dan

lokasi

atan kapasitor shunt pada penylllang

distribusi tenaga listrik prirner 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 rutin-rutin Algoritma
Genetika pada proses optimasi tersebut. Untr.rk
mengimplementasikan Algoritma Genetika pada

penemp

kasus yang dipilih, telah dibuat

aplikasi

t,optimasi-PeiempatanKapasitorShuntpadaPenyulangDistribusiTenagaListrik

ttt'nul Teknolo

iln

'brnrasi

DINAMIK Volunte XII No.2 Juli2007; l22-I30

kompr-rter menggunakan bahasa pemrograman

hilang. Melalui mutasi, individu baru dapat

diciptakan dengan melakukan modifikasi
terhadap satu atau lebih nilai gen pada

Delphi 7 .0.

individu yang sama. Mutasi mencegah

kehilangan total materi genetika setelah
reprodr-rksi dan pindah silang. Ilustrasi
proses mutasi dapat dilihat pada Gamb ar )

PRINSIP DASAR ALGORITMA

GEI\ETIKA

Algoritma Genetika adalah algoritma

pencarian yang berdasarkan mekanisme seleksi
alam Darwin dan prinsip-prinsip genetika, untuk
menentr:kan strr-rktur-struktur (yang masingmasing disebut individu) berkualitas tinggi yang
terdapat dalam sebuah domain (yang disebut
popLrlasi). Pencarian dilakr-rkan dengan su&tn

ISSN:0854-9524

Sbirg
1

rlrlr

111
HrdfiSlag
-___*

prosedur iteratif untuk mengatur populasi

individr-r yang merupakan kandidat-kandidat
soh-rsi.

Dibanding metoda optimasi lain, Algo-

pencarian terbimbing (Goldberg, 1989)

1.

SirUl

Sirgl

Ebu

Gambar 2. Ilustrasi Proses Mutasi

(crossover), clan rrrutasi.

)rrlurl l)r'oscr; rcl)l'o(ltrl<si, sctia;l indiviclu

lx)l)rrlusr llutlu srrirtr-r gcncrasi clisclcltsi
berdasarkan nilai fitnessnya untuk bereproduksi guna menghasilkan keturunan. Probnbilitas terpilihnya snatu individu untul<
rcllrotlultsi adalalr sclrcsar nilai litness
individu tersebr-rt dibagi dengan jumlah nilai

tre

fltness seluruh individu dalarn populasi

l()t)I;)

(l)lrvis,,

Pinclah silang adalalr 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
silang,

1 Baru dan String

2.

Parameter-Parameter Genetika

Paranleter-paranrcter genc.tika bcr-per-arr

clnlatrt pcrlgcndnlinrr ()l)crirtor'-trpcnrtor gc-

netika yang digunakan dalam

optimasi

menggunakan Algoritma Genetika (Davis,

1

991

Sundh ararEan, 1994; Sastry, 2004).

Paranrcler ce nctil<a yang scring cligunukiln

meliputi ukuran populasi (N), probabilitas

pindah silang (P.), dan probabilitas mutasi
(P,,,)'

Pemilihan ukuran popLrlasi yang di_qunakan

tergantung pada masalah yang akan

Ijntuk masalah yang lebih
kompleks biasanya diperlukan ukuran
populasi yang lebih besar guna mencegah
konvergensi prematur (yang menghasilkan
diselesaikan.

optimum lokal).

Baru

Operertor mutasi clioperersikan sebagai cara

trrrlul< nleltgcnrbal il<arr nrateri genetil< yang

oi

:qoio[ili,r
$rrgZFau

lfrikrnlai

mengalami proses pindah

tiruLol

MHJ

Tiga operator dasar yang sering digunakan

dalarn Algoritma Genetika adalah repro-

menghasilkan String

[,F,

Gambar 1. Ilustrasi Proses Pindah Silang

Operator-Operator Genetika

clurlcsi, lrindah silar-rg

1 Bal.J

iritl<pinrrdtars

ritma Genetika memiliki perbedaan dalam empat

hal, yaitu Algoritma Genetika bekerla dengan

struktur-struktur kode variabel, menggunakan
banyak titik pencarian (multiple point),
informasi yang dibutr-rhkan hanya fungsi
i;byel<tifnya saj a (sehingga menj adikan
inrplcnrcntasinya lcbih sederhana), serta
menggunakan operator stokastik dengan

Sfiry

Pada tiap generasi, sebanyak P.*N individr_r

dalam popr"rlasi mengalami pindah silang.
Makin besar nilai P. yang diberikan, makin
cepat struktur individr.r baru yang

lntplementasi Algttritma Genetika untuk Optimasi Penempatan Kapasitor Shunt pada Penyulang Distribusi Tenaga

1i511"11rt22

.Jurrtol TeltuPl

iln

No.2

brnrusi DI

ISSN : 08s4-9524

.luli 2007 ; l22-l30

diperkenalkan ke dalam populasi. Jika nilai

P. yilt1g cliberikal terlalu $esar, ildividu

yang ,',',*,'l',1ralcan karrcliclat stllr-rsi tcrbaik
,lrprt ftilapg lebih ot:pat dibapding selcksi

urntuk mendapatkan poplllasi baru kandidatkandidat soltrsi

nilai
urntuk pelingkatan kinerja. Sebaliknya,

P. yang iendah dapat mengakibatkan

stagnasi karena rendahnya angka eksplorasi'

probabilitas mutasi adalah probabilitas

dimana setiap posisi bit pada tiap string

lnisialisasi PoPulasi P(t)

Evaluasi String PoPulasi P(t

dalam populasi-baru mengalami perubahan

secara utut setelah proses seleksi ' Dalam
satu generasi, delga, r. pa,j ang struktur.

Itettrtltrgliilliltl

tcrj

adi tnuttasi

scbitttyalt

Seleksi P(t) dari

P,,''*N*L'

3.

Rekombinasi Struktur P(t)

(Crossover dan Mutasi)

Fungsi Fitness

Dalam Algoritma Cie petika, Iupgsi l.ttness

menlpakan pemet aan fungsi obyektif dari
masalah yang akan diselesaikan (Goldbefg,
trertreda yarlg
1 9 89) ' Setiap rn:tsalalt )/arlg
akan diselesaika, n-remerluka, pe,detlnisian

Tidak**--

(6nt *rgensi dica pari -:'*

tr.urgsi titness Yang berbeda'

Misalkan fungsi obyektif g(x) berupa fungsi

besaran yang ingin diminimumkan, maka
bentuk fungsi fitness f(x) dapat dinyatakan
sebagai:

untuk g(x) 2 C,,,o^

"(1)

C'.,l,^ clapat dianrbil sebagai koefisien

nrasukan, misalnya nilai g terbesar yang
clapat cliarnati, nilai g terbesar pada populasi
saat ini, atau nilai g terbesar k generasi
terakhir.

4.

siklus Eksekusi Atgoritma Genetika

Dalam satu siklus iterasi (yang disebut
generasi) pada Algoritma Genetika terdapat
dua tahap, yaitu tahap seleksi dan tahap
rekombinasi (Goldbetg, 1989; Jun He, et.al.,
2005). Secara garis besar, siklus eksekusi
Algori{ma Genetika dapat diringkas dalam
bent.;k cliagfam alir seperti Gamb ar 3
,

Tahap seleksi dilakr-rkan

dengan

rnengevaluasi kualitas setiap individu dalam

populasi untuk mendapat peringkat kandidat

soltrsi. Berclasarkan hasil

evaluasi,
yang
reTahap
rekombinasi.
akan mengalami
genetika
proses-proses
kombinasi meliputi

selanjutnya dipilih individu-individu

Gambar 3. Siklus Eksekusi Algoritma Gelretika

IMPLEMEI\TASI AL GORTTMA
GENETIKA UNTUK OPTIMASI
PEI\EMPATAN KAPASITOR SHIJI\T
Penulis telah membuat aplikasi (prograrn)
komputer menggunakan bahasa pemrograman
Delphi 7.0 guna mensimulasikan unluk kerja

Algoritma Genetika yang dioperasikan

secara

mandiri (GA alone) untuk

melakukan
penempatan kapasitor

perhitungan optimasi
ihunt pada penyulang distribusi primer radial'
Berikut ini akan dipaparkan tekpil<
pengkodean parameter, inisialisasi populasi,
iungsi evaluasi, dan algoritffla optimasi yang
digurnakan pada aplikasi kompr-rter yang clibuat'
Hal-hal teknis terkait dengan rekayasa prranti
lunak aplikasi optimasi tersebut tidak dipaparkan
ada tulisan ini, sebab paparan tulisan ini lebih

ditekankan pada proses penyelesaian kasus

optimasi menggunakan Algoritma Genetika.

1.

Pengkodean Parameter
Parameter-pararneter yang alcan cliproses
oleh Algoritma Genetika dalam optimasi ini

Shunt pada Penyulang Distribusi Tentrga Lislrih

,turnctllglgtologi tnlbrmasi DINAMIK Volume XIl, No.2, Juli 2007 : 122-130

Cj

dikodekan rnenj adi string bilangan biner

br-rlat positit-. Pengkodean parameter ke

clalarn bentuk

biner dipilih

kapasitas daya, dan

untuk setiap generasi direpresentasikan

dalam sebuah struktur multiparameter
dengan parameter sejumlah

Za

leurparan mata Ltang logam bias.

Kc

adalah biaya

Algoritma Optimasi
Sejalan dengan alur ker.1a Algoritma genetika, maka algoritma optimasi penempatan
kapasitor shunt pada penyLrlang distribusi

primer radial dapat dr.labarkan

sebaga

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 menyatakar-r

tingkat beban puncak, sehingga biaya
rugi-rugi daya puncak dihitung pada
tingkat beban ini.

lnisialisasi

pe

3.

4.

k':nx

Inisialisasi populasi awal dalam Algoritma

Genetika dilakukan dengan memilih string
secara random. Dalam setiap kasus, populasi
awal harus mengandung varitas struktur
yang luas untul< menghindari konvergensi
prematur. Dalam tr-rlisan ini, string individu
diinisialisasi clengan menerapl<an kaidah

Ke

kapasitor (Sundhararaj an, 1994).

pertimbangan bahwa bilangan biner cukup

Tingkat beban sistem distribusi didislaitkan

ke dalam n tingkat beban. Algcritma
Genetika ditungsikan untuk menentukan
ukuran kapasitor pada kandidat-kandidat 1okasi selama n ttngkat beban. Kandidat lokasi
ditentukan sama dengan x jumlah node pada
penyulang. Oleh karena itu struktur individu
yang menyatakan ukuran-ukuran kapasitor

j,

ukuran kapasitor pada lokasi

konstanta biaya energi, Kp konstanta biaya

dengan

sederhana, murdah diproses oleh operatordan mampu

operator genetika,
dalam ruang
titik-titik
rnerepresentasikan
pencarian.

ISSN : 0854-9524

3.

Pada setiap generasi string-string ini

diurutkan menurut nilai fitnes,s-nya. Dengan memakai strategi seleksi elit (elitist

strategy), maka

ika nilai

fitness

ini lebih l<ecil dari

nilai fitness tertinggi generasi
individr"r terendah

sebelurrmya, individu yang memiliki

Fungsi Evaluasi

nilai fitness terendah pada

Fuugsi fitness dalarn optimasi ini adalah

lirngsi otryclit il' ttritrinrnsi biaya akitrat

generasi diganti dengan individu yarltl

[)cncnrllatutt ltallasittlt' bcrdasat'kan rurgi-rugi

sebelumnya.

daya puncak dan n-rgi-rugi energi, dengan

r11c-rllpertinrbangkatl biaya ltapasitor.
M isall<arr tcrclapat n tingl<at beban dan m
kandidat lokasi kapasitor, maka fungsi

otryclctil' pcnentpatan l<apasitor shunt pada

l)cnyulang tlistribttsi llrinler raclial adalah

nlcntiltittltlltan [riaya l'Llgi-r'urgi yang cliclapat
clengan mernasang sej urnlah kapasitor shunt
clcrtgan l<otrfigtrrasi .itrntlah, ttl<ttran, ltll<asi.,
rlan tillc tct'tctrtu. Minitttitsi tersebr.rt dapat

suatu

nrenriliki tltrress tcrtinggi pacla gcrtct'asi

4. Ulangi langkah 3

sampai mencapai
jumlah maksimum generasi.

Pada setiap lokasi, ukuran kapasitor

rninimLrm yang diperlukan untuk setiap
tingkat beban dapat dipertimbangkan
scbagai ulitrt'ittt liapasitor tc'tap yans clapat
dipasang di lokasi tersebut.

S'I'[IDI I(AST]S

dinyatakan sebagai:

Pacla program aplikasi konrputer

K"i

penulis buat untuk perhitungan optimasi

menggunakan Algoritma Genetika ini, telah

rrrirr

T,

P,+

K ,,.P0

* K,ic

.(z)

dimana Pi adalah rugi-rugi energi pada

tingkat beban i, Po rr-rgi-rugi daya puncak,

trurt",,*,t"ti

ilgri

),4n.-s

dilakukan pengujian dengan data masukan yang

dipilih untuk mensimulasikan unjuk

kerja
Algoritma Genetika sebagai algoritma optimasi

;lttetika tuttu.k Optimasi Penenrpaton Kapasitor Slnrnl ltada Penl'vla,,f Distribusi Tenaga l.i51viftl25

.lurnal Teknologi l4brnrusi DINAMIK Volume XII. No.2. Juli 20Q7 : l-22L)erlempatan lcapasitor slurnt. Berikut adalalr detil
data masuketn deur hasil simularsinya.

l.

130

ISSN : 0854-9524

'l'alrel 2, [nlerval Wnl<trr tinp'l'ilrgl<:rt I]chirn

Sisterl 9 llurs 23 kV

Data N'Iasukarr

Tinghat Beban (p.u)

Wahtu fianr)

0,92

tJ20

0,79

s39

0,66

831

0,34

657 0

Sebagai studi kasus, clipilil-t clata Sistem 23

kV pada jumal IEEE PAS-102 No.

10,

October 1983 (Grainger, 1983) sebagai

masukan progr am komputer. Data sistem
terse br"rt adalath sebagai

-fengangan

berikut:

:23 kV

Antar Fasa

2.

.lunrlah Ciardu Distribusi

:9

Biaya I(apasitas Drya (Kp)

: $ 200/kW/th

Biaya Energi (Ke)

Biaya kapasitor (Kc)

:$

[Iasil Sinrulitsi
Pada str"rdi kasus yang dibahas pacla tulisarl

ini, diterapkan Algoritma Genetika dengarn

skategi seleksi elit. Grat-rk biaya n-rgi-n-rgi
minimLlm tiap generasi dapat clilihat patlu

$ 0.03/kwh

Gambar 4 dan Gambar'5.

0.2145/kVAVth
Pan;ang masing-masing segmen, resistansr
segrren, dan besar kVAR pada ujung akhir

tiap segnrerl penyulang dapat dilihat

Tabel 1. Penyr-rlang dioperasikan

pada

pada

tingkat beban diskrit 0,45 p.u selama waktu

satu tahun (8760 jam). Interval waktu untuk

tiap-tiap tingkat beban dicliskritkan seperti

dapat dilihat pada Tabel 2. tlkr"rran kapasitor
standar untuk data tersebut adalah 150, 300,
450, 600, 900, dan 1200 kVAR
(Sundhararajan, 1994, Karen, 1997, dan
Grainger, 1981).

Tabel

reaktif

1. Data parIsng, resistansi, arus

saluran Sistem 9 Bus 23 l<Y

Nomor

ParUang

Segmen

(rnil)

Resistansi
(ohm/mi1)

?0,Ll0t'l

Qra,ooo
E

16,000

'E

14,Ctrtr]

.-

1t.t:t0D

U}

f,

fi 10,000
'$
,,*o
u.

0,000

(d

s {,0[0
2,0tJll

kVAR Beban
pada Akhir

2$ 57

85

?6

67 208 249 290 331 37?

41 3

45{

4gS 536 577 61

659 70tr I41 781 82! $63 grl4 g{5

Generasi

Segmen
I

0,63

0,1957

460

0,8 8

0,2803

340

1,70

0,43 90

446

0,81

0,8 622

l\

2,30

0,8 622

600

l6

1,05

0,8 622

110

1,50

1,370 I

60

3,50

t,370

130

3,90

1,3701

rJ

Gambar 4. Grafik biaya minimLlm tiap generasi,

ukuran kapasitor kontinyu

840

200

l26lnplenrentasi Algoritma Genetika untuk Optimasi Penempatan Kapasitor Shunt pada Penyulang Distribtrsi Tenaga Listrik

$t;

,Jurnul Teltnologi ln-fctrmttsi DINAMIK Volunrc

XII

Nct.2

Juli 2007 : I22-I30

Sedangkan hasil optimasinya dapat dilihat

pada Tabel 3. Besar parameter genetika
yang digunakan dalam percobaan ini adalah:
(P.) - 0,,J ,
Probabilitas Crossover
Probabilitas Mutasi (P,,,) _ 0,005, dan

55,[t.10

str00rl

$,

:r-

.:

Ukuran Populasi

4i,lJuil

.t:i

lr

r,nc,']

L]J

Penjelasan sekilas mengenai hasil optimasi

ll,:1ilil:

cD SU,ltuu

tersebut adalah seperti gamb ar

:ii:ttii:illiiljii

,:

i:t:.tit,

'!

iil:

tiiii
lilii;)ili;;

3.

ti:lLl;liiilitiltI

:::i

Ukuran Kapasitor Kontinyu

2[.000

Seperli terlihat pada pada Gambar 4, pada

sekitar generasi ke-413 Algoritma Genetika
telah menemukan konfigurasi pemasangan
kapasitor ukuran kontinyu yang memerlukan
biaya terendah (minimum). Biaya rugi-rtrgi
energi, biaya rugi-rugi daya puncak, dan
biaya kapasitor terendah hasil optimasi
dengan skenario ini adalah sebesar 899,43

:!:.ti::;i:iili
.i.. ", i. .. .,,i- ... j, .. *i*
:liiit'

':

$ts,nnr:

- ...:,. - i

-. ;" , *i,. * :

(t{

(N) _ 100. Jumlah

generasinya adalah 1000 generasi.

{ir ittttl

,E ,r,',r,n

ISSN : ()85 4-9524

lU,UULI

u 205705

126167 208249ruA331 37241345449$536577618659700741781822863904945986

Gambar 5. Grafik biaya minimum tiap generasi,

ukuran kapasitor diskrit

dollar per tahtrn. Dengan

denrikian

penghematan biaya maksimllm yaltg dapat

dicapai dengan konfigurasi ukuran kapasitor

Tabel 3. Hasil optimasi dengan Algoritma Genetika untuk berbagai skenario

Ukuran Kapasitor Diskrit

Ukuran Kapasitor
Kontinyu

t-

t-

t-

t-

t-

t-

t-

t*

0.92

0.79

0.66

0.34

0.92

0.79

0.66

0.34

59

66

82

57

300

300

300

150

79

45

50

15

300

300

849

559

409

225

600

600

300

300

.l

I t26

I t92

6s9

1200

600

68s

577

275

10s

600

450

450

150

103

51

43

102

300

150

r54

126

63

42

73

62

58

78

150

1s0

150

150

226

166

181

16

150

150

15C

No. Gardu

200

200

Biaya rugi-rugi
tanpa kapasitor

Biaya Rugi-rugi

$899,43

$980 ,3J

$11 .029, 19

11

.928,62

11

200

0(t

.928,62

Minimum
Penghenratan Riaya

10.948,25

lruplcrnentasi Algoritnm Genetika untuk Optimasi Penentpatan Kapasitor Shunt pada Penyulang Distribusi Tenaga l,;51v;fi27

Jurnal Tebtolo

iln

brnrasi DLNAMIK

V,

lunrc

XII

No.2

Juli 2

seperti pacla Tabel 3 adalah 11.928,62 dollar

dikurangi

899 ,,43

dollar atau

1.

Likuran KaPasittlr Diskrit

Terlihat pada pada Garnbar 5, pada sekitar
generasi ke- 517 Algoritrna Genetika telah

menemukan konfigurasi

pemasangan

kapasitor ukuran diskrit yang memerlukan

biaya terenclah (nrinimum), yaitLl 10.948,25
doll:"rr pcr taltutt ('l'a[rcl 3).. Unttrk tlrcncapai

penghematan biaya per tahun sebesar

10.948,25 tlgllat' tcrsetrttt, 1'xtda lol<asi gltrcltt
nolltor 1 tidak mernerlurkan pemasangan
kapasitor sfiunt. Di lokersi gardu nomor 8,
lxemerlukan pemasangan sebuah kapasitor
tetap (fixecl capaoitor) sebesar 150 kVAR.
Sebuah kapasitor tersaklar (switched
capac1tor) ukuran 150 kVAR dipasang pada
lclkasi gardu nomor 9. Kapasitor tersaklar
tersebtrt cliaktitkarl pada tingkat Lreban 0,66

Mtrdirlr tl ipalrittni., l(t'ttllpll tl i sl< l'i I islrsi t l< t t t';t t

kapasitor menyebablialn pcnghctnatan braya
yang diperoleh rnenjadi lebih l<ecil. scbab,
t

(kecil

yaitu apabila

erhitun gan
optimasi untuk data yang detil, misalnya dengan

b erclas

ar kemampuan ny a me I akukan

ukuran kapasitor kontinyu (tidak dislait).

Sebagai bahan perbandingan, perlu dilihat
perbeclaan hasil perhitungan optimasi
menggunakan Algoritma Genetika ini dengan
hasil perhitungan menggunkan metode

konvensional yang dilakukan

deterministik.

secara

dicaPa i.

berdasarkan perhitllllgan

dengan ukuran kerpasitor korrtitlyLl, ttkttratn

kapasitor-kapasitor optimLlmnya salxa persis

misalnya, dapat .lipasang 2 br-rah kapasitor

tersaklar masing-masing sebesar 150 kVAR.
Pada tingkat beban di bawah 0,79 kedua

ANALISA HASIL OPTIMASI

I-Jnjr-rk kerja Algoritma Komputer secara
internal yang cliterapkan pada kasus optimasi
penernpatan kapasitor shunt sebagaimana studi
kasus yang dipilih untuk tulisan ini dapat dilihat

kemuugkinannyll)

Kemungkinan didapatnya penghelnatan

biaya yang sama antara menggunakan
kapasitor kontinyu dengan kapasitor dislcrit

Pada beberapa lokasi gardu dan tingkat

beban lainnya dapat dipahami dengan cata
serLtpa. Di lokasi gardu distribusi nomor 6,

salah satu kapasitor saja. Sedangkan pada

tingkat beban 0.92, kedua kapasitor tersebut
harus diaktifkan.

dengan memberikan ruang penyelesaian

(ukuran kapasitor) diskrit pacla ukuranukuran tertentu maka nilai maksimllffl yang
dapat dicapai jika ukurannya berada di luar
ukuran-ukuran diskrit terscbr.rt ticlal< pct'tralt

ke atas.

kapasitor tersetrut dinonaktifkan. Pada

tingkat beban 0,79, cukup mengaktifl<an

Pengaruh Diskritisasi [lkuran l(apasitor

Seperti dapat clililrat 1'racla T'lthcl 3, pl'()scsi
disk;itisasi utlittl'tlll kitllltsittlt' lltt:lrgltirstlklttt
penghematan biaya nraksintunt yallg lctrilr
rendah dibandingkan tanpa diskritisasi
(menggunakan ukuran kapasito; ltotrtinyrr).
Penggunaan ukuran kapasitor diskrit
mengakibatkan penurLlnan penghematan
biaya sebesar 11 .A29,1 9 dollar dikr"rrangi
10.c)48,25 clollar atatt slllllll tlcngill"l |i0.,94
dollar per tahurn.

sebesar

t .019,19 tlollnr pcl' titlttttt.

I

4.

ISSN : 0854-9524

: 122-I

dengan ukuran-ukuran kapasitor diskrit

(standar) di lapangan. [(ernurnglcinan
terladinya hal seperti ini sangat kecil.

2.

Perbedaan dengan Metode optimasi De-

terministik
Optimasi penemp atan kapasitor shunt pada
Sistem 23 kV yang dipakai sebagai data
studi kasus pada tulisan ini telah dilakr"rkan
oleh J. J. Grainger dan kawan-kawan (1983).
Grainger dld<. menghiturng lokasi dan ukuran
optimum kapasitor dengan terlebih dahuh-r
membuat norrnalisasi arus reaktif penyulang
nonuniform menjadi penyulang ekivalen
yang uniform. Lokasi dan ukuran kapasitor
optimum ditentukan dengan menerapkan
kriteria sama luas (equai area criterion) pada
representasi grafik penyulang ekivalen

dengan arLls reaktif yang dinomralisasi

tersebut. Hasil akhir optirnasi tersebut
fiumlah kapasitor tiga br"rah) dapat dilihat
pada Tabel 4.

@itrukoptimasiienenryatanKapasitorShunlpadaPenyulangDisIribusiTenaga[-istrik

,Jurrtul Teknolo

iIn

l'abel 1 Lokasi

i DINAMIK

XII

Vctlunrc

No.2 Juli 2007

'

122-130

dan ukuran kapasitor optimum,

dipasang disesr-raikan dengan ukuran kapasitor standar di lapangan) atau dengan

ukuran kontinyu.

serta penghenlatan bi aya optin'tul-n, hasil

Optlmasl
timasi oleh
Olen Lrralnge
G
dkk

Lokasi
Kapasitor
(miI)

Ukuran
Kapasitor

4,02

13 18

6,32

732

16,27

294

Nlo.

(kvAR)

Penghematan
Biaya Tahunan
(dollar)

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

10.677 ,00

Optimasi dengan Algoritma

mengurangi jumlah parameter yang

Genetika

dicari, akan sangat n:embantu.

menggunakan strategi seleksi elit, diperoleh

hasil penghematan biaya maksimum sebesar
1 1 .029,19 dollar per tahun jika ukuran

b.

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

Untuk
menyelesaikan
masalah
penempatan kapasitor praktis pada
penyulang distribusi primer radial, perlu
diperhitungkan faktor-faktor lain agar

sesuai dengan keperluan prakti s.

Misalnya, dengan memperhitungkan
kapasitor yang sudah dipasang pada
penyulang sehingga diperhitungkan
perlu tidaknya mengganti atau
memindah kapasitor yang telah

dipakai kapasitor berukuran kontinylt,

terdapat selisih atau perbedaan penghematan

biaya sebesar 352,19 dollar per tahun,

sedangkan jika dipakai kapasitor berukuran
diskrit terdapat selisih penghematan biaya

ISSN : 0854-9524

terpasang.

DAFTAR PUSTAKA

sebesar 27 1,25 dollar per tahun.

1

I'ENTITTII'

1.

Davis, L. ( 199 1). Handbook of Gerretic

Algorithms. New York : Van Nostrand
Reinhold

Kesimpulan
Ilcrdasarkarr uraiarr d i atas. dapat ditaril<
bctrcrapa kcsinrpulan sclragai beriltut:

2.

l<lrp:rsil

or

shr rn

plrtla

3.

983). "Optimal Design and Conrrol

scheme for continllous capaciti'e

of Distribution FeederS",
lInn 'l-t'lltlstl('liotts ()t1 I)otvcr App rnrtrrs rrrrtl
Systems, vol. PAS- 102, No. 10, October

compensation

drstr rtrrrst l)t'lnlcr rarclrul.

b. Algoritnra

c.

Algoritma

Genetika

mampu
optimasi
dengan rnelakukan diskritisasi ukuran
l<apasilrlr' (ulcLrran l<apasitor yang alcan

inemberikan perhitungan

ltttp!<lncntosiAlgot:ilttttt(ictte!iko,,i,i

Grainger, J. J., S. Civanlar, and S. H. Lee.

(I

p('tlvr rlnnI

Cicrrctilca yang clitcr-apkan

secara mandiri pada proses optimasi
penempatan lcapasitor shunt dapat
mencapai penyelesaian optimum global
(global optimum s olution).

irr Scarch. optirrriz,ntion, ilrl(l I\,tnchirrc

Learning. Massachusetts: Addison-wesley
Publishing Comp dny, Inc..

a. Algoritma Genetika yang

telah
cliimplementasikan
menggunakan
progrilrn l<om;rtrtcr dapat memtrantu
nleltyelesaikan nrasalah optimasi penentuan ukuran., j umlah, lokasi, dan tipe

Goldberg, D. E. (1989) Genetic Algorirhms

1983, pp . 327 l-3278.

4.

Grainger, J.J. and S. H. Lee ( 9g I ).

"optimun'r Size and Location of Shunt
capacitor fbr Reduction of Losses on
1

Distribution FeederS", IEEE Transactions on

Power Apparatus Systems, vol. pAS- 100.,
No. 3, March 1981, pp. 1 105-1 1 18.

5. He, ., Xin Y., and .Iin L.

.f
(2005). A
"comparative Study of f'}1'ee Evolutionary

.1,,,',,,r1 T.lr,,ulr,rgi 1,,-l?.,',,,,r$i DIl"l"1A'llK,

l"'l!""'"\ll'N"']"1''tli

lltcot'ptlt'itting

,\lg.rithr*s

2'007

- t_10

* I S..tN-,-Qr!){:

1)

i-l-,l

I)i['tc'cnt

for Node
Amounts of Domain l(nowledge
.['r'rulsrrctiorrs
(-oYcr-irrg Problcrl1".

IIn|l

0r'l

S),steprs, Man, elnd cybernetics, vol. 35, no.

2, MaY 2005.

PP

.266-27 1'

6.

Karen Nan Miu, Hsiao-Dong chiang, and G.

1,

Kusumaclewi, s. dan Hari P. (2005).

Penyelesaian Masalah Optimasi dengan
Teknik-teknik Heuristik. Yogyakarta: Graha

Darling. (lgg7). "Capacitor Placement, Replacernent and Control in Large-Scale Distribution Systems by a GA-Based Two Stage
Algorithm". IEEE Transactions on Porver
systcprs, vol . 12! No. 3, Atrgtrst 1997, pp.
I l(r()-l l(r(r.

IIrnr-r.

T. P. (2005). Search Biased in

clonstrainecl Evolutionary optimizatitln.
IEEE Transactions on Systems, Man, and
Cybernetics, vol. 35, ro ' 2, May 2005' pp'

6.

Runarsson,

733-243.
g.

- sastry, K.
1:

et.al. (2004). Genetic

for Multiscale Modeling'

Programming
Urbana: University

of tllinois at Urbana-

Champaign.

and A. Pahwa. (1994).

"OptitttLllll Selectiorr of Capacitors for
Radial Distribr.rtion Systems Using A
Genetic Algorithnt", IEEE Transactions on
g, NO . 3, Ar"rgust 1994,,
Por,ver Systeprs, vol .
pp. 1499-1 507'
(2003). "A
1 1.-Turrkcan, A. and M. Selim A.
Problem Space Genetic Algorithm in
Multiobjective Optimrzation" . Journal of
Intelligent Manufacturing, 14, pp. 363-378,
2003. Kluwer Academic Publishers.

10. Sundhararajan,

301 rplenrcntas

s.

lgoritma

nt pada Penyulang Distribusi Tenaga

Listrik