Algoritma Genetik Implementasi Algoritma Genetik dalam Economic Dispatch dengan Valve Point Loading - Diponegoro University | Institutional Repository (UNDIP-IR)

Seminar Tugas Akhir Halaman 1 dari 6 Implementasi Algoritma Genetik dalam Economic Dispatch dengan Valve Point Loading Dante Rumana 1 Dr. Ir. Hermawan, DEA 2 Mochammad Facta, ST, MT 3 Jurusan Teknik Elektro Universitas Diponegoro Jl. Prof. H. Soedarto, SH, Tembalang, Semarang Telepon: 024 – 7460052, 7460053, 7460056, Faks.: 024 – 7460055 1 Mahasiswa Teknik Elektro 2 Dosen Pembimbing 1 3 Dosen Pembimbing 2 Abstrak Makalah 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 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 yang disajikan dalam makalah ini. Keywords: economic dispatch, valve point loading, algoritma genetik I. Pendahuluan Efisiensi dan pengoperasian ekonomis suatu pembangkit tenaga listrik selalu memegang peranan yang penting di dalam industri tenaga listrik. Salah satu permasalahan dalam pengoperasian ekonomis pembangkit tenaga listrik adalah economic dispatch, yaitu bagaimana mendapatkan biaya operasi yang minimum dengan tetap memenuhi batasan yang ada. Economic dispatch memerlukan optimasi dengan mengkombinasikan kondisi linear maupun non-linear, batasan-batasan yang ada, algoritma perhitungan, dan penggunaan komputer. Linearisasi dan pendekatan untuk menyelesaikan permasalahan economic dispatch umum dilakukan seperti pada penyelesaian economic dispatch dengan metode LaGrange. Metode LaGrange membutuhkan pendekatan kurva masukan-keluaran kuadratik yang cembung convex input-output curve agar dihasilkan kurva kenaikan biaya operasi yang linear dan naik secara monoton. Karakteristik masukan-keluaran yang dihasilkan oleh pengoperasian pembangkit memang dapat dibuat pendekatannya untuk memenuhi persyaratan tersebut, akan tetapi ketidakakuratan akibat pendekatan tersebut tetap tidak diinginkan. Algoritma genetik memiliki kemampuan untuk memperhitungkan kondisi non-linear. Algoritma genetik dapat menyelesaikan economic dispatch dengan pendekatan yang lebih akurat daripada metode LaGrange. Algoritma genetik mampu memperhitungkan pengaruh pengoperasian katup valve point loading pada kurva masukan-keluaran pembangkit. Jadi optimasi yang dilakukan algoritma genetik lebih mendekati kondisi sesungguhnya. Algoritma genetik mengadaptasi teknik optimasi yang terdapat di alam. Di alam bebas yang kuat akan bertahan hidup, sedangkan yang lemah harus ber- evolusi atau punah.

II. Algoritma Genetik

Algoritma genetik adalah algoritma pencarian yang berdasarkan mekanisme seleksi alam dan prinsip genetik. Algoritma ini menggunakan teknik acak random dan pertukaran struktur informasi untuk memperoleh hasil optimasinya. Kelebihan algoritma ini adalah kemampuan untuk meninjau struktur informasi suatu hasil yang telah dicapai untuk memperoleh hasil yang lebih baik lagi. Algoritma genetik mengevaluasi kode yang berasal dari pengkodean parameter. Kumpulan parameter dijadikan suatu deret biner terlebih dahulu sehingga membentuk struktur informasi, kemudian evaluasi dilakukan berdasarkan struktur informasi tersebut. Algoritma genetik menganalisa tidak hanya satu struktur informasi selama prosesnya, tetapi sekumpulan populasi struktur informasi, sehingga algoritma ini mampu memperhitungkan banyak kemungkinan penyelesaian dan menentukan mana yang paling optimal. Algoritma genetik bekerja sama dengan teknik probabilitas. Untuk memanfaatkan algoritma genetik dibutuhkan penentuan fungsi obyektif dan teknik pengkodean. 2.1. Metode penyelesaian. Algoritma genetik menganalogikan prinsip biologi pada setiap langkahnya. Algoritma ini menganalisa sejumlah himpunan penyelesaian dan mengiterasi keseluruhan anggota himpunan tersebut. Setiap iterasi disebut dengan generasi. Parameter-parameter yang ada diubah dikodekan menjadi sederetan struktur informasi dengan panjang tertentu. Pengkodean diperlukan sebagai syarat untuk pertukaran struktur informasi atau gen di antara individu secara efektif dan efisien. Struktur informasi yang biasa dipakai adalah sistem biner {0,1}. Satu deret struktur informasi itu disebut kromosom atau satu individu. Setiap individu mewakili sebuah penyelesaian. Bit-bit yang menyusun kromosom disebut gen. Bit-bit tersebut memiliki nilai tertentu yang disebut allele dan posisi tertentu yang disebut lokus. Kumpulan individu dalam satu himpunan penyelesaian disebut dengan populasi. Dengan generasi maka akan dihasilkan populasi baru dengan individu baru. Evaluasi individu dilakukan dengan memecahkan kode struktur informasi atau kromosom dan dimasukkan ke fungsi obyektif yang telah ditentukan. Hasil perhitungan itu diolah untuk menjadi nilai Seminar Tugas Akhir Halaman 2 dari 6 fitness yang dapat dirumuskan dengan berbagai cara tergantung pada tujuan optimasi. Untuk tujuan maksimalisasi, nilai fitness dapat diasumsikan sama dengan nilai fungsi obyektif agar semakin tinggi nilai fungsi obyektif maka semakin tinggi pula fitness-nya. Untuk tujuan minimalisasi, nilai fitness dapat diasumsikan berbanding terbalik dengan nilai fungsi obyektif agar semakin kecil nilai fungsi obyektif maka semakin tinggi fitness-nya. Kemudian individu yang telah memiliki nilai fitness-nya masing-masing saling dibandingkan dalam satu populasi. Individu yang memiliki fitness lebih tinggi memiliki kemungkinan lebih besar untuk bertahan terpilih kembali pada generasi berikutnya daripada individu dengan fitness lebih rendah. Algoritma genetik menghentikan proses pencariannya setelah mencapai generasi maksimum akhir yang telah ditentukan. 2.2. Operator genetik. Populasi awal dibentuk secara acak atau dengan teknik random, kemudian generasi seterusnya dibentuk berdasarkan populasi awal tersebut. Proses dalam algoritma genetik menggunakan tiga operator utama, yaitu: 1. Reproduksi. Reproduksi secara sederhana merupakan proses seleksi kromosom individu sesuai dengan nilai fitness-nya. Probabilitas terpilihnya satu individu untuk bereproduksi adalah sebesar nilai fitness individu tersebut dibandingkan dengan nilai fitness seluruh individu dalam populasi. Jadi, individu dengan nilai fitness lebih besar akan memiliki kemungkinan lebih besar untuk direproduksi lebih banyak. 2. Pindah silang. Proses pindah silang bertujuan untuk menambah keanekaragaman individu dalam populasi dengan ‘mengawinkan’ individu-individu pada populasi Pt sehingga menghasilkan keturunan berupa individu-individu baru untuk ditempatkan pada populasi berikutnya Pt + 1. Individu baru akan memiliki bagian struktur kedua orang tuanya. 3. Mutasi Melalui mutasi, individu baru dapat diciptakan dengan melakukan modifikasi terhadap satu atau lebih nilai gen.

III. Economic Dispatch