7/24/2019 algenkapasitor

1/9

Ittrnctl

Telcttolosi

lrtformasi

DINAM,tK

Volume

Xtl.

No.2.

Jtlli

200.7.

;

122-130.

ISSN

: 085

4'9524

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

Abstract

; Gen.etic

Algorithm

is a

kincl

of search

algorithm

based

on

the

mechanic.s

of'natttrol

selection

antl

problcrn

nuturullY.

This

paper

presents

application

of

Genetic

Algorithm

for

cletermining

the

size,

location,

type,

antl number

iy ripi"iri,

to

be

placetl on

radial

clistribution

system.

The

objective

is

to minimize

the

peak

power losses

inrt

irrrgy

losses

in

the

clistribution

system

consiilering

the

capacitor

cosl.

The

algrtrilhm

wus implauantatl

in

Delphi

programming

language

onil

trrtod.Sor

u

realistic

physically-existing.f'eedet

to shotv

its

,lausihilit.t'

0nd

capabilities'.

Keltw,ord

; irnplementation

olgot'ithm

genetic

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,

karena

metode

deter-

ministik

melakllkan

pencarian

nilai

optimum

dari

titik

ke

titik

dalam

ruang

penyelesaian,

maka

sangat

rlelrrungkinkan

pencap

atan

opti-

nium

lokal

(local

optima),

apabila

dalam

ruang

pencarian

terdapat

lranyak

titik

penyelesaian

(Goldberg,

1989).

Algoritma

Genetika

merupakan

algoritma

pencarian

yang dilandaskan

atas

mekanisme

genetika

dan

seleksi

alam

(Sastry,

K.

et.al.,

2004).

Dalam

ilmu

komputer,

Algoritma

Genetika

termasuk

dalam

kajian

komputasi

lunak

(soft

computing)

dan

kecerdasan

buatan

(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'Ge-

netika

telah

diterapkan

secara

luas

dalam

ber-

bagai

aplikasi

bisnis,

ilmu

pengetahuan,

teknil