ABSTRAK - IMISSU Single Sign On of Udayana University untuk menyelesaikan masalah penjadwalan...
Transcript of ABSTRAK - IMISSU Single Sign On of Udayana University untuk menyelesaikan masalah penjadwalan...
ABSTRAK
Penjadwalan Ekonomis bertujuan untuk mengatur pengoperasian unit
pembangkit dengan biaya seekonomis mungkin, namun tetap dapat memenuhi
kebutuhan daya untuk beban. Pengoperasian pembangkit secara ekonomis
dipengaruhi oleh karakteristik pembangkit, limit daya output pembangkit, biaya
bahan bakar untuk mengoperasikan. Fuzzy Logic dan Algoritma genetika
digunakan untuk menyelesaikan masalah penjadwalan ekonomis. Fuzzy logic
digunakan untuk mencari pembangkit mana sajakah yang dapat menyalurkan
beban. Kemudian algoritma genetika digunakan untuk menghitung dan memilih
unit pembangkit yang paling ekonomis untuk melayani beban.
Kegiatan penelitian dimulai dengan melakukan studi pendahuluan
terhadap biaya operasi pembangkit yang dipakai oleh perusahaan listrik kemudian
membuat suatu analisis terhadap pengembangan sistem berbasis fuzzy logic dan
algoritma genetika. Simulasi terus dilakukan dengan mencoba algoritma yang
tepat untuk membuat model yang akurat dengan menggunakan perangkat lunak
Matlab ver 7.0.
Hasil penelitian menunjukkan bahwa penjadwalan unit pembangkit dengan
pendekatan algoritma fuzzy logic dan algoritma genetika memberikan hasil lebih
ekonomis dibandingkan dengan data riil sistem.
Kata kunci: Penjadwalan Ekonomis, Fuzzy Logic, Algoritma Genetika
ABSTRACT
The basic purpose of economic dispatch operation of generating units is to
set at minimum cost, yet still be able to meet the power requirements of the load.
The operation of the plant is economically affected by the characteristics of
plants, output plants power limit, the cost of fuel to operate. Fuzzy Logic and
Genetic algorithms are used to solve scheduling problems economically. Fuzzy
logic is used to search for unit commitment or generating units Which are able to
distribute the load. Then the genetic algorithm is used to calculate and choose the
most economical generating units to serve the load.
Research activities began by conducting a preliminary study on the cost of
plant operations used by the power company then makes an analysis of the
development of systems based on fuzzy logic and genetic algorithms. Simulation
continues to be done by trying the right algorithm to create an accurate model
using Matlab software ver 7.0.
The results showed that the scheduling of algorithm approach generating
units with fuzzy logic and genetic algorithms provide a more economical results
compared with real data systems.
Key Words: Economic Dispatch, Fuzzy Logic, Genetic Algorithms
DAFTAR ISI
LEMBAR JUDUL ......................................................................................... i
LEMBAR PRASYARAT ............................................................................. ii
LEMBAR PERNYATAAN ORISINALITAS ............................................. iii
LEMBAR PENGESAHAN ........................................................................... iv
KATA PENGANTAR ................................................................................... v
ABSTRAK ...................................................................................................... vii
ABSTRACT ..................................................................................................... viii
DAFTAR ISI .................................................................................................. ix
DAFTAR GAMBAR ..................................................................................... xii
DAFTAR TABEL ......................................................................................... xiv
DAFTAR LAMPIRAN ................................................................................. xv
BAB I PENDAHULUAN .............................................................................. 1
1.1 Latar Belakang .......................................................................................... 1
1.2 Rumusan Masalah ...................................................................................... 3
1.3 Tujuan Penelitian ...................................................................................... 3
1.4 Manfaat Penelitian .................................................................................... 4
1.5 Batasan Masalah ........................................................................................ 4
1.6 Keaslian Penelitian .................................................................................... 4
BAB II TINJAUAN PUSTAKA ................................................................... 7
2.1 Tinjauan Mutakhir ...................................................................................... 7
2.2 Tinjauan Pustaka ....................................................................................... 8
2.2.1 Pembangkit Tenaga Listrik .............................................................. 8
2.2.1.1 Pembangkit Listrik Tenaga Uap (PLTU) .............................. 9
2.2.1.2 Pembangkit Listrik Tenaga Gas (PLTG) .............................. 11
2.2.1.3 Pembangkit Listrik Tenaga Gas Uap (PLTGU) .................... 12
2.2.1.4 Pembangkit Listrik Tenaga Diesel (PLTD) .......................... 14
2.2.2 Pembebanan Ekonomis (Economic Dispatch) .................................. 15
2.2.2.1 Linear Production Cost ......................................................... 17
2.2.2.2 Quadratic Production Cost Model ........................................ 18
2.2.3 Fuzzy Logic ....................................................................................... 20
2.2.3.1 Pengertian Fuzzy Logic ....................................................... 20
2.2.3.2 Himpunan Fuzzy ................................................................. 22
2.2.3.3 Fungsi Keanggotaan (Membership Function) ...................... 23
2.2.3.4 Cara Kerja Fuzzy Logic ........................................................ 24
2.2.4 Algoritma Genetika ........................................................................... 27
2.2.4.1 Dasar Algoritma Genetika .................................................... 27
2.2.4.2 Komponen Utama Algoritma Genetika ............................... 29
2.2.5 Penerapan Fuzzy Logic dan Algoritma Genetika pada Penjadwalan
Ekonomis .......................................................................................... 36
2.2.5.1 Penerapan Fuzzy .................................................................... 36
2.2.5.2 Penerapan Algoritma Genetika ............................................ 40
BAB III METODE PENELITIAN .............................................................. 44
3.1 Tempat dan Waktu Penelitian ................................................................... 44
3.2 Data ........................................................................................................... 44
3.2.1 Sumber Data ..................................................................................... 44
3.2.2 Jenis Data ........................................................................................ 44
3.3 Analisis Data ............................................................................................. 44
3.4 Alur Penelitian .......................................................................................... 46
BAB IV HASIL DAN PEMBAHASAN ...................................................... 48
4.1 Gambaran Umum Sistem Pembangkitan Bali ........................................... 48
4.1.1 Data Pembangkitan Bali .................................................................... 48
4.1.2 Data Kapasitas Pembangkitan ........................................................... 49
4.1.3 Data Beban ........................................................................................ 49
4.1.4 Biaya Pembangkitan.......................................................................... 50
4.1.5 Batas Maksimum dan Minimum Pembangkitan ............................... 51
4.2 Proses Fuzzy pada MATLAB..................................................................... 52
4.2.1 Membership Function Editor pada MATLAB .................................. 54
4.2.2 Rule Editor ........................................................................................ 55
4.2.3 Rule Viewer Proses ........................................................................... 57
4.3 Proses Algoritma Genetika pada MATLAB .............................................. 59
4.3.1 Inisialisasi Populasi ........................................................................... 60
4.3.2 Dekode Kromosom ........................................................................... 61
4.3.3 Penentuan Fungsi Fitness .................................................................. 62
4.3.4 Linear Fitness Rangking ................................................................... 62
4.3.5 Seleksi ............................................................................................... 63
4.3.6 Pindah Silang .................................................................................... 64
4.3.7 Mutasi ................................................................................................ 65
4.3.8 Hasil Optimasi Algoritma Genetika .................................................. 66
4.3.9 Perbandingan Hasil Optimasi Kombinasi Algoritma Genetika dan
Fuzzy Logic dengan Algoritma Genetika ......................................... 67
BAB V PENUTUP ......................................................................................... 73
5.1 Simpulan ................................................................................................... 73
5.2 Saran ........................................................................................................... 73
DAFTAR PUSTAKA .................................................................................... 74
LAMPIRAN ................................................................................................... 76
DAFTAR GAMBAR
Gambar 2.1 Ilustrasi pembangkitan hingga ke pelanggan ............................ 9
Gambar 2.2 Prinsip Kerja PLTG .................................................................. 12
Gambar 2.3 Prinsip Kerja PLTGU Combined-Cycle ..................................... 13
Gambar 2.4 Skema dasar Pembangkit Listrik Tenaga Diesel ...................... 14
Gambar 2.5 Konfigurasi pembangkit thermal yang menyuplai beban dalam
1 bus .......................................................................................... 16
Gambar 2.6 Grafik pemodelan Linear Production Cost ............................... 17
Gambar 2.7 Contoh Pemetaan input-output pada fuzzy logic ....................... 20
Gambar 2.8 Representasi Linier Naik ............................................................ 23
Gambar 2.9 Representasi Linier Turun .......................................................... 24
Gambar 2.10 Kurva Segitiga .......................................................................... 24
Gambar 2.11 Diagram blok fuzzy inferences ................................................... 25
Gambar 2.12 Diagram blok proses mesin inferensi ........................................ 26
Gambar 2.13 Diagram blok proses rules defuzzyfikasi ................................... 27
Gambar 2.14 Visualisasi gen, allele, kromosom, individu, dan populasi pada
algoritma genetika ...................................................................... 29
Gambar 2.15 Siklus algoritma genetika oleh David Goldberg ........................ 30
Gambar 2.16 Roulette Wheel ........................................................................... 32
Gambar 2.17 Seleksi sebelum dirangking ....................................................... 32
Gambar 2.18 Seleksi sesudah dirangking ....................................................... 33
Gambar 2.19 Fungsi keanggotaan variable LCG ............................................ 37
Gambar 2.20 Fungsi keanggotaan variable IC ................................................. 38
Gambar 2.21 Fungsi keanggotaan variable NLC ............................................. 38
Gambar 2.22 Rule Viewer ................................................................................ 39
Gambar 2.23 Surface Viewer ........................................................................... 40
Gambar 3.1 Alur Penelitian ........................................................................... 47
Gambar 4.1 Tampilan Awal Software MATLAB .......................................... 52
Gambar 4.2 Tampilan FIS Editor pada software MATLAB .......................... 53
Gambar 4.3 Membership Function Editor pada Software MATLAB ............ 54
Gambar 4.4 Rule Editor pada Software MATLAB ........................................ 55
Gambar 4.5 Rule Viewer pada Software MATLAB ....................................... 58
Gambar 4.6 Tampilan Command Window dan Workspace pada MATLAB .. 60
Gambar 4.7 Kode Program Inisialisasi Populasi ............................................ 60
Gambar 4.8 Kode Program Dekode Kromosom ........................................... 61
Gambar 4.9 Kode Program Elitisme ............................................................. 62
Gambar 4.10 Kode Program Linear Fitness Rangking ................................... 63
Gambar 4.11 Kode Program Roulette Wheel .................................................. 64
Gambar 4.12 Kode Program Pindah Silang .................................................... 65
Gambar 4.13 Kode Program Mutasi ................................................................ 66
Gambar 4.14 Grafik perbandingan biaya bahan bakar metode kombinasi
fuzzy logic dan algortima genetika dengan metode algoritma
genetika ...................................................................................... 71
Gambar 4.15 Grafik perbandingan total biaya di lapangan dengan metode
kombinasi fuzzy logic dan algortima genetika dengan
algoritma genetika ..................................................................... 72
DAFTAR TABEL
Tabel 2.1 Aturan fuzzy logic untuk penjadwalan ekonomis ...................... 39
Tabel 4.1 Data Kapasitas Pembangkitan .................................................... 49
Tabel 4.2 Data Beban pada Masing-masing Pembangkit ......................... 50
Tabel 4.3 Biaya Masing-masing Pembangkit ............................................ 51
Tabel 4.4 Batas Maksimum dan Minimum Pembangkitan ........................ 51
Tabel 4.5 Hasil perhitungan Fuzzy Logic beban pembangkitan baru ........ 59
Tabel 4.6 Data Lapangan Pembebanan Masing-masing Unit Pembangkit 67
Tabel 4.7 Hasil Optimasi Pembebanan Masing-masing Unit Pembangkit 67
Tabel 4.8 Hasil optimasi menggunakan metode kombinasi Fuzzy Logic
dan Algoritma Genetika ............................................................. 68
Tabel 4.9 Hasil optimasi menggunakan metode Algoritma Genetika saja 69
Tabel 4.10 Biaya pembangkitan data riil di lapangan selama 8 periode ...... 69
Tabel 4.11 Biaya pembangkitan selama 8 periode menggunakan metode
Fuzzy Logic dan Algoritma Genetika ........................................ 70
Tabel 4.12 Biaya pembangkitan selama 8 periode menggunakan metode
Algoritma Genetika .................................................................... 70
Tabel 4.13 Perbandingan biaya metode kombinasi Fuzzy Logic dan
Algoritma Genetika dengan Algoritma Genetika ...................... 71
DAFTAR LAMPIRAN
Lampiran 1 : Data Pembangkit PT. Indonesia Power UPJP Bali ................. 76
Lampiran 2 : Monitor Beban Sistem Bali ..................................................... 77
Lampiran 3 : Kode Program Optimasi Pembebanan Ekonomis Sistem
Pembangkitan Bali .................................................................. 79
Lampiran 4 : Kode Program Optimasi Inisialisasi Populasi ........................ 85
Lampiran 5 : Kode Program Dekode Kromosom ......................................... 87
Lampiran 6 : Kode Program Fungsi Fitness ................................................. 88
Lampiran 7 : Kode Program Linear Fitness Ranking .................................. 89
Lampiran 8 : Kode Program Roulette Wheel ................................................ 90
Lampiran 9 : Kode Program Pindah Silang .................................................. 91
Lampiran 10 : Kode Program Mutasi ............................................................. 92
Lampiran 11 : Hasil Keluaran Program Algoritma Genetika Pukul 18.00 .... 93
Lampiran 12 : Hasil Keluaran Program Algoritma Genetika Pukul 18.30 .... 99
Lampiran 13 : Hasil Keluaran Program Algoritma Genetika Pukul 19.00 .... 105
Lampiran 14 : Hasil Keluaran Program Algoritma Genetika Pukul 19.30 .... 111
Lampiran 15 : Hasil Keluaran Program Algoritma Genetika Pukul 20.00 .... 117
Lampiran 16 : Hasil Keluaran Program Algoritma Genetika Pukul 20.30 .... 123
Lampiran 17 : Hasil Keluaran Program Algoritma Genetika Pukul 21.00 .... 129
Lampiran 18 : Hasil Keluaran Program Algoritma Genetika Pukul 22.00 .... 135
1
BAB I
PENDAHULUAN
1.1 Latar Belakang
Bali saat ini sedang mengalami pertumbuhan hunian dan pertumbuhan
industri pariwisata seperti hotel, villa, restaurant hingga tempat wisata penunjang
lainnya. Dengan pertumbuhan yang sangat pesat ini, maka akan diikuti dengan
pertumbuhan pemakaian energi listrik yang besar pula. Energi listrik tidak dapat
disimpan dalam jumlah banyak sehingga harus tersedia pada saat dibutuhkan oleh
konsumen, akibatnya timbul persoalan dalam menghadapi kebutuhan daya listrik
yang berubah dari waktu ke waktu.
Kelistrikan di Bali saat ini dipasok oleh beberapa pembangkit, yaitu
pembangkit yang berlokasi di Pesanggaran, Celukan Bawang, Gilimanuk, dan
Pemaron. Pada pembangkit yang berlokasi di Pesanggaran terdapat 4 PLTG
dengan total 111,6 MW, PLTD dan PLTD BOT dengan total 60 MW, PLTDG
dengan total daya sebesar 196,68 MW. Sedangkan pembangkit yang berlokasi di
Celukan Bawang Terdapat 3 unit PLTU dengan total daya sebasar 380 MW,
PLTG Gilimanuk sebesar 130,44 MW, dan 2 unit PLTG Pemaron dengan total 80
MW. Sampai saat ini Bali masih membutuhkan pasokan dari Jawa melalui sistem
interkoneksi Jawa-Bali lewat kabel bawah laut dengan daya total yang diizinkan
sebesar 340 MW. Sehingga total daya yang terpasang saat ini setelah ditambah
pasokan dari Jawa sebesar 1.298, 72 MW. Beban puncak tertinggi sebesar 822,7
MW, pada tanggal 18 Januari 2016 pukul 19.30 wita (PT. PLN Persero, 2016).
Pasokan daya yang ada di Bali saat ini dipandang cukup apabila salah satu
pembangkit tidak beroperasi pada saat dilakukan pemeliharaan, namun tidak
menutup kemungkinan bisa terjadi kekurangan pasokan daya yang dapat
mengakibatkan terjadinya pemadaman bergilir (Hartati, 2005). Maka dari itu perlu
diambil langkah untuk memenuhi kebutuhan listrik baik secara kualitas maupun
kuantitas dari sisi permintaan (demand side management) dan dari sisi penyedia
(supply side management). Program demand side management dimaksudkan
untuk mengendalikan pertumbuhan permintaan tenaga listrik, dengan cara
2
mengendalikan beban puncak dan melakukan gerakan penghematan pemakaian
listrik. Program supply side management dilakukan melalui optimasi penggunaan
pembangkit tenaga listrik yang ada.
Penghematan biaya operasi terutama penghematan biaya bahan bakar
sistem di Bali juga tidak kalah pentingnya untuk dilakukan. Salah satu bagian
pengoperasian sistem tenaga listrik yang mengarah ke hal ini adalah
pengalokasian pembebanan optimal (economic dispatch) pada pembangkitan.
Cara ini dilakukan untuk meminimumkan biaya operasi pada sistem tenaga listrik
dengan cara mengoptimalkan pengalokasian pembangkitan daya yang beroperasi
pada sistem Bali.
Terkait dengan optimasi pembebanan ekonomis, telah dilakukan beberapa
penelitian sebelumnya. Beberapa penelitian yang terkait dengan optimasi
pembebanan ekonomis untuk mendapatkan bahan bakar yang minimum.
Penetilitian dengan judul Implementasi Algoritma Genetik dalam Economic
Dispatch dengan Valve Point Loading oleh (Rumana, 2011). Penelitian ini
membahas suatu metode yang menggunakan algoritma genetik untuk
penyelesaian masalah economic dispatch. Model permasalahannya adalah unit-
unit pembangkit dengan banyak katup (multivalve generating units) yang
memiliki fungsi biaya non-convex. Fungsi biaya non-convex tersebut
menyebabkan metode terdahulu yang menggunakan teknik LaGrange tidak dapat
menyelesaikannya. Sebaliknya, penggunaan algoritma genetika berhasil
menyelesaikan permasalahan economic dispatch dengan fungsi biaya non-convex
tersebut. Disisi lain penggunaan metode kecerdasan buatan juga diterapkan untuk
mencari operasi ekonomis pembangkit thermal sistem 500kV Jawa – Bali dengan
pendekatan algoritma Fuzzy Logic (Marifah, 2013). Hasil penelitian tersebut
apabila dibandingkan dengan data riil sistem, maka penjadwalan unit pembangkit
dengan pendekatan algoritma fuzzy logic memberikan hasil 23,27% lebih
ekonomis.
Terdapat dua pokok permasalahan yang harus dipecahkan dalam operasi
ekonomis pembangkitan pada sistem tenaga listrik yaitu pengaturan unit
pembangkit (unit commitment) dan penjadwalan ekonomis (economic dispatch).
3
Unit commitment bertujuan untuk menentukan unit pembangkit yang paling
optimum dioperasikan dalam menghadapi beban yang diperkirakan untuk
mencapai biaya bahan bakar minimum. Sedangkan economic dispatch digunakan
untuk membagi beban di antara unit-unit pembangkit yang beroperasi agar dicapai
biaya bahan bakar yang minimum.
Dari permasalahan ini dalam operasi ekonomis pembangkitan di Bali
digunakan perpaduan antara metode Fuzzy Logic dan Algoritma Genetika. Fuzzy
Logic digunakan untuk menentukan unit pembangkit yang paling optimum dalam
menghadapi beban, karena fuzzy logic mampu menyelesaikan permasalahan dan
pembuatan keputusan yang sangat kompleks. Proses penjadwalan ekonomis
(economic dispatch) menggunakan metode algoritma genetika, karena algoritma
genetika mampu menyelesaikan economic dispatch dengan pendekatan yang lebih
akurat. Jadi optimasi yang dilakukan algoritma genetik lebih mendekati kondisi
sesungguhnya.
1.2 Rumusan Masalah
Dari uraian latar belakang di atas, maka dapat disusun rumusan masalah
sebagai berikut:
1. Berapakah biaya yang dapat ditekan jika dilakukan optimasi pembebanan
ekonomis (economic dispatch) dengan menggunakan metode kombinasi Fuzzy
Logic dan Algoritma Genetika (GA) berdasarkan kondisi pembangkitan yang
ada di Bali?
2. Bagaimanakah hasil perbandingan penggunaan metode kombinasi Fuzzy
Logic dan Algoritma Genetika dibandingkan dengan menggunakan Algoritma
Genetika saja untuk menyelesaikan optimasi pembebanan ekonomis di Bali?
1.3 Tujuan Penelitian
Tujuan dari penelitian ini antara lain, sebagai berikut :
1. Mengevaluasi penjadwalan pembangkitan di Bali agar mendapatkan alokasi
pembebanan yang ekonomis.
4
2. Mempermudah perhitungan dengan menggunakan metode kombinasi fuzzy
logic dengan algoritma genetika.
3. Mengetahui perhitungan manakah yang lebih efisien dengan menggunakan
metode kombinasi fuzzy logic dan algoritma atau dengan menggunakan
metode algoritma genetika saja.
1.4 Manfaat Penelitian
Manfaat dari penelitian ini adalah :
1. Memberikan pemikiran baru dalam memperluas dan menambah ilmu
pengetahuan di bidang elektro khususnya konsentrasi sistem tenaga listrik.
2. Dapat mengetahui pembebanan ekonomis pada sistem pembangkitan di Bali.
3. Dapat mengetahui peluang penghematan energi kelistrikan berdasarkan
kondisi beban di Bali.
1.5 Batasan Masalah
Mengingat demikian luasnya ruang lingkup permasalahan, maka perlu
adanya pembatasan masalah serta asumsi-asumsi sebagai berikut :
1. Fuzzy Logic dilakukan untuk memilih unit pembangkit paling ekonomis yang
akan mewakili pada proses optimasi dengan algoritma genetika.
2. Optimasi dilakukan untuk meminimalkan biaya pembangkitan dan bahan
bakar dengan algoritma genetika.
3. Rugi-rugi daya tidak diperhitungkan.
4. Biaya bahan bakar adalah linier.
5. Penggunaan metode Fuzzy Logic dan Algoritma Genetika menggunakan
aplikasi MATLAB Ver.7.11.0 (R2010b).
1.6 Keaslian Penelitian
Penelitian tentang optimasi pembebanan ekonomis (economic dispatch)
sejauh ini telah banyak dilakukan, yaitu untuk mendapatkan biaya operasi
pembangkitan serta biaya bahan bakar yang minimum. Beberapa metode telah
banyak digunakan, namun dalam optimasi pembebanan ekonomis dengan
5
menggunakan metode kombinasi Fuzzy Logic dan Algoritma Genitika ini belum
dilakukan. Oleh sebab itu dapat dikatakan tulisan ini bersifat orisinal. Penelitian-
penelitian yang pernah dilakukan berkaitan dengan optimasi pembebanan
ekonomis antara lain:
Penelitian yang berjudul "Implementasi Algoritma Genetik dalam
Economic Dispatch dengan Valve Point Loading" (Rumana, 2011); Teknik
Elektro; Universitas Diponegoro, Semarang membahas tentang suatu metode yang
menggunakan algoritma genetik untuk penyelesaian masalah economic dispatch.
Model permasalahannya adalah unit-unit pembangkit dengan banyak katup
(multivalve generating units) yang memiliki fungsi biaya non-convex. Fungsi biaya
non-convex tersebut menyebabkan metode terdahulu yang menggunakan teknik
LaGrange tidak dapat menyelesai permasalahan unit-unit pembangkit dengan
banyak katup tersebut. Sebaliknya, penggunaan algoritma genetik berhasil
menyelesaikan permasalahan economic dispatch dengan fungsi biaya non-convex
tersebut. Ketepatan dan keefektifan metode algoritma genetik ini dapat dibuktikan
melalui contoh permasalahan dan penyelesaian.
Penelitian yang berjudul "Operasi Ekonomis Pembangkit Thermal Sistem
500 Kv Jawa–Bali Dengan Pendekatan Algoritma Fuzzy Logic” (Marifah, 2013);
Pendidikan Teknik Elektro; Universitas Pendidikan Indonesia, Bandung membahas
tentang operasi pembangkit termal dengan menerapkan metode fuzzy logic, dengan
mencari optimasi penjadwalan pembangkit agar mendapatkan hasil bahan bakar
yang minimum. Biaya total bahan bakar 6 unit pembangkit thermal sistem 500 KV
Jawa-Bali dengan pendekan fuzzy logic selama 24 jam apabila dibandingkan
dengan data riil sistem, maka penjadwalan unit pembangkit dengan pendekatan
algoritma fuzzy logic memberikan hasil 23,27% lebih ekonomis.
Penelitian yang berjudul "Optimasi Penjadwalan Pembangkit Termal
Sistem 500 Kv Jawa – Bali Berbasis Komputasi Cerdas” (Gunawan, 2014);
Pendidikan Teknik Elektro; Universitas Pendidikan Indonesia, Bandung membahas
tentang operasi pembangkit termal dengan menerapkan teknologi soft computing
dengan metode ANFIS, dengan mencari optimasi penjadwalan pembangkit agar
mendapatkan hasil bahan bakar yang minimum. Dari penelitian ini rugi – rugi
6
transmisi diabaikan. Dengan menggunakan hybrid neuro-fuzzy ini biaya bahan
bakar pembangkit ditekan dan menghasilkan 20.98% lebih ekonomis daripada data
riil sistem.
Beberapa penelitian ini memberikan inspirasi kepada penulis untuk
melakukan penelitian tentang Implementasi Fuzzy Logic dan Algoritma Genetika
dalam Pembebanan Ekonomis pada Sistem Pembangkitan di Bali. Subyektivitas
tak terhindarkan dalam pemilihan obyek serta lokasi penelitian. Harapan penulis
orisinalitas penelitian ini dapat dipertanggungjawabkan.