TRANSMISI, 23, (1), JANUARI 2021, p-ISSN 1411-0814 e-ISSN 2407-6422

OPTIMASI PENEMPATAN RECLOSER PADA PENYULANG OLAK

ALEN UNTUK MENINGKATKAN KEANDALAN SISTEM DISTRIBUSI
MENGGUNAKAN ALGORITMA DIFFERENTIAL EVOLUTION

Ilham Pakaya1*), Azfar Waris Basolle2, Zulfatman Zulfatman3

Program Studi Teknik Elektro

123

Universitas Muhammadiyah
Malang
Jl. Raya Tlogomas No. 246, Malang, Indonesia 65144

*)
E-mail: ilham@[Link]

Abstrak

Gangguan berulang pada jaringan distribusi energi listrik sangat mempengaruhi keandalan sistem distribusi. Upaya
memperkecil daerah yang terdampak dapat dilakukan dengan memisahkan daerah yang terganggu menggunakan
pengaman yang disebut recloser. Tujuan makalah ini adalah meningkatkan keandalan sistem distribusi tenaga listrik
dengan melakukan pemasangan recloser pada jaringan distribusi. Studi dilakukan pada penyulang Olak Alen yang
memiliki 2 buah recloser yang terpasang pada bus 5 dan 6. Berdasarkan data pada tahun 2019 keduanya memiliki
indeks keandalan SAIDI 6,0544 jam/tahun dan SAIFI sebesar 1,8724 gangguan/tahun. Penempatan recloser
dioptimalkan menggunakan algoritma differential evolution (DE) untuk memperbaiki indeks keandalan sistem
distribusi. Pengujian dilakukan untuk mencari posisi terbaik untuk 2 dan 3 buah recloser. Dari pengujian diperoleh
bahwa untuk penempatan 2 buah recloser didapatkan posisi terbaik adalah pada bus 5 dan 13, dengan indeks
keandalan SAIDI 4,5461 jam/tahun dan SAIFI 1,3904 gangguan/tahun. Sementara, untuk penempatan 3 buah recloser
didapatkan posisi terbaik adalah pada bus 8, 13 dan 21 dengan indeks keandalan SAIDI 4,0095 jam/tahun dan SAIFI
1,2272 gangguan/tahun. Dari nilai SAIFI dan SAIDI tersebut, dapat disimpulkan bahwa keandalan sistem distribusi
yang dioptimasi dengan algoritma DE lebih baik dibandingkan dengan sistem tanpa optimasi (sistem terpasang).

Kata kunci: Keandalan Sistem Distribusi, SAIFI, SAIDI, Recloser, Algoritma Differential Evolution

Abstract

Repeated disruptions to the electrical energy distribution network greatly affect the reliability of the distribution system.
Efforts to minimize the affected areas can be done by separating the disturbed areas using a security called recloser.
The purpose of this paper is to improve the reliability of the electric power distribution system by installing reclosers on
the distribution network. The study was conducted on Olak Alen feeders which had 2 reclosers installed on buses 5 and
6. Based on data in 2019, both of them had a SAIDI reliability index of 6.0544 hours / year and SAIFI of 1.8724
disturbances
/ year. Optimized recloser placement using a differential evolution (DE) algorithm to improve the reliability index of the
distribution system. Tests were carried out to find the best positions for 2 and 3 reclosers. From the test, it was found
that for the placement of 2 reclosers the best position was on buses 5 and 13, with a reliability index of SAIDI 4.5461
hours / year and SAIFI 1.3904 disturbances / year. Meanwhile, for the placement of 3 reclosers, the best positions were
on buses 8, 13 and 21 with a reliability index of 4.0095 hours / year SAIDI and 1.2272 disturbances / year SAIFI. From
the SAIFI and SAIDI values, it can be concluded that the reliability of the distribution system optimized by the DE
algorithm is better than the system without optimization (installed system).

Keywords: Distribution System Reliability, SAIFI, SAIDI, Recloser, Differential Evolution Algorithm

1. Pendahuluan kegagalan yang akan menyebabkan gangguan[2].

Gangguan yang terjadi
Sistem distribusi merupakan bagian dari sistem tenaga
listrik yang berfungsi menyalurkan sumber daya listrik
hingga sampai ke konsumen. Sistem distribusi di
Indonesia biasanya dilakukan dengan sistem radial [1].
Komponen sistem tenaga listrik rentan mengalami
[Link] DOI : 10.14710/transmisi.23.1.14-20 | Hal.
 TRANSMISI, 23, (1), JANUARI 2021, p-ISSN 1411-0814 e-ISSN 2407-6422

akan berdampak kerugian finansial serta

ketidaknyamanan bagi konsumen [3]. Tingkat keandalan
sistem distribusi dapat diketahui melalui beberapa cara
seperti pemeriksaan, perhitungan dan analisa terhadap
tingkat keberhasilan kinerja atau pengoperasian sistem
pada periode tertentu [4]. Terdapat beberapa indeks
yang digunakan untuk mengukur tingkat keandalan
sistem distribusi yaitu System Average Interruption
Frequency Index (SAIFI) dan System

[Link] DOI : 10.14710/transmisi.23.1.14-20 | Hal.

 TRANSMISI, 23, (1), JANUARI 2021, p-ISSN 1411-0814 e-ISSN 2407-6422

Average Interruption Duration Index (SAIDI) [5]. sama ataupun lebih baik dalam menyelesaikan masalah
Parameter lain yang biasa digunakan yaitu Expected optimasi.
Energy Not Supplied (EENS) yang dilihat dari energi
yang tidak tersalurkan selama terjadinya pemadaman.
Semakin besar nilai SAIFI, SAIDI dan EENS maka
menunjukkan keandalan sistem distribusi semakin rendah
[6].

Pemasangan recloser pada sistem distribusi dapat

meningkatkan keandalan sistem tersebut. Recloser adalah
alat pengaman pada sistem distribusi yang mempunyai
fungsi untuk memutus serta menghubungkan daerah yang
terkena gangguan [7]. Gangguan pada sistem distribusi
banyak yang bersifat sementara sehingga penggunaan
recloser sangat efektif digunakan pada jaringan distribusi.

Dengan mempertimbangkan kompleksitas masalah

penempatan recloser, maka ada beberapa referensi
terdahulu yang dapat dipelajari. Membandingkan hasil
algoritma Binary Differential Evolution (BDE) dengan
algoritma Particle Swarm Optimization (PSO) [7] pernah
digunakan untuk menentukan penempatan recloser yang
optimal. Pada peneltian ini mendapatkan hasil bahwa
algoritma BDE lebih optimal dibandingkan algoritma
PSO dengan menggunakan lima parameter (CENS,
SAIDI, SAIFI, MAIFI dan Fungsi Objektif) dalam
menentukan letak recloser yang optimal. Algoritma
Genetika (GA) [8] digunakan menentukan penempatan
dan penambahan recloser yang optimal pada penyulang
Nguling dengan memakai parameter fungsi objektif
SAIDI, SAIFI, CADI, dan ASAI. Diperoleh hasil posisi
terbaik adalah pada bus 17 dan 37 yang diikuti dengan
nilai fitness objektif menuju titik konvergen. Algoritma
evolusi [9] juga pernah digunakan untuk menentukan
penempatan recloser yang optimal menggunakan
multiobjektif (SAIDI/SAIFI, SAIDI/EENS dan
SAIFI/EENS). Diperoleh hasil sebanyak 10 penempatan
recloser teroptimal dan pada penelitian ini solusi tunggal
tidak dapat dianggap optimal dalam penempatan recloser.
Analisa penempatan recloser pada penyulang Kentungan
05 digunakan untuk menentukan penempatan recloser
pada section. Diperoleh hasil bahwa penempatan recloser
yang optimal terletak pada section 2 yang memiliki nilai
SAIDI dan SAIFI yang terendah dari section lainnya[10].
Penulis [11] juga pernah memperbaiki keandalan sistem
distribusi menggunakan algoritma ABC. Didapatkan hasil
bahwa algoritma ABC dapat lebih baik memperbaiki
keandalan sistem distribusi dibandingkan algorima PSO
dengan menggunakan parameter SAIDI, SAIFI, CAIDI
dan AENS.

Pada makalah ini algoritma DE digunakan untuk

mengoptimalkan penempatan recloser pada penyulang
Olak Alen. Kelebihan algoritma DE ialah adanya evolusi
yang terjadi pada setiap individu dalam populasi. Di mana
diferensiasi dan crossover terjadi secara berurutan pada
setiap individu yang terpilih secara acak. Hasil variasi ini
dinamakan child (turunan) yang akan menggantikan peran
parents apabila menghasilkan fitness yang dihasilkan
[Link] DOI : 10.14710/transmisi.23.1.14-20 | Hal.
 TRANSMISI, 23, (1), JANUARI 2021, p-ISSN 1411-0814 e-ISSN 2407-6422

Dengan menggunakan algoritma DE, maka penempatan

recloser dapat dioptimalkan sehingga meningkatkan
keandalan sistem distribusi dengan melihat indeks
SAIDI, SAIFI dan EENS yang semakin rendah
dibandingkan nilai indeks sebelum terjadinya optimasi.

2. Metode
2.1 Rancangan Penelitian
Rancangan penelitian digambarkan dengan diagram alir
pada gambar berikut ini.
Mulai

Pengumpulan Data

Perhitungan nilai SAIFI, SAIDI dan EENS sebelum optimasi

Optimasi penempatan
recloser
Gambar 1. Diagram Alir Perancangan Sistem
Perhitungan nilai SAIFI,
Dari Gambar 1 menunjukan diagram alir penilaian SAIDI dan EENS setelah
optimasi penempatan
keandalan sistem ditetapkan berdasarkan indeks SAIDI,
SAIFI, dan EENS yang dioptimasi menggunakan Kesimpulan
algoritma DE.

2.2. Teknik Pengumpulan Data Selesai

[Link] (Persero) Unit Pelaksana Pelayanan Pelanggan

(UP3) Malang merupakan tempat objek penelitian.
Data- data yang dibutuhkan untuk menunjang penelitian
ini yaitu rekapan data gangguan tahun 2019, single line
diagram, panjang saluran penyulang Olak Alen,
kapasitas daya trafo, dan jumlah pelanggan pada
penyulang Olak Alen.

2.3. Teknik Analisis Data

Setelah data-data yang dibutuhkan telah terkumpulkan,

maka dilakukannya perhitungan indeks keandalan awal
pada sistem penyulang Olak Alen. Keandalan sistem
distribusi diketahui dari beberapa faktor seperti
frekuensi saat gangguan pemadaman, durasi gangguan
pemadaman, serta waktu yang dibutuhkan untuk
memulihkan kembali sistem setelah terjadinya gangguan
pemadaman (restoration) [12].

[Link] DOI : 10.14710/transmisi.23.1.14-20 | Hal.

 TRANSMISI, 23, (1), JANUARI 2021, p-ISSN 1411-0814 e-ISSN 2407-6422

Gambar 2. Data Single Line Diagram Penyulang Olak Alen

2.3.4. Section Technique
2.3.1. SAIFI
Section Technique mengevaluasi keandalan sistem
SAIFI adalah indeks yang menunjukkan jumlah rata-rata distribusi berdasarkan kegagalan peralatan dalam
pelanggan mengalami gangguan selama satu tahun[13]. mempengaruhi operasi sistem [14]. Section Technique
Secara matematis dapat disajikan pada persamaan (1). pada penelitian ini menggunakan data yang didapatkan
dari
objek penelitian. Persamaan laju kegagalan rata-rata
∑λ𝑖 N𝑖
𝑆𝐴𝐼𝐹𝐼 = (1) disajikan pada persamaan (4) dan (5).
∑N
Dimana:
2.3.2. SAIDI 𝜆𝑖 = ∑𝑖=𝑘 × 𝜆 (4)
𝜆𝐿𝑃 = ∑(𝜆𝑖 × 𝑛𝑖) (5)
SAIDI adalah indeks yang menunjukkan jumlah durasi Persamaan durasi terputusnya aliran listrik rata-rata
rata-rata gangguan padam pada pelanggan selama satu pertahun disajikan pada persamaan (6) dan (7).
tahun[13]. Secara matematis dapat disajikan pada 𝑈𝑖 = ∑(𝜆𝑖 × 𝑟) (6)
persamaan(2). 𝑈𝐿𝑃 = ∑(U𝑖 × 𝑛𝑖) (7)
∑U𝑖 N𝑖
𝑆𝐴𝐼𝐷𝐼 = (2)
∑N Dimana:
2.3.3. EENS 𝜆𝑖 = Laju kegagalan rara-rata pada titik beban
𝜆 = Laju kegagalan pada titik beban
EENS adalah indeks yang menunjukkan jumlah kerugian 𝑘 = Semua komponen peralatan yang terpasang pada
yang di akibatkan dari energi yang tidak tersalurkan sistem terhadap titik beban pada titik i
selama terjadinya pemadaman. Secara matematis dapat 𝑈𝑖 = Durasi terputusnya aliran listrik tahunan rata-rata
disajikan pada persamaan (3). (jam/tahun)
𝐸𝐸𝑁𝑆 = ∑𝐿𝑎(𝑖) × 𝑈(𝑖) (3) 𝑟 = Waktu perbaikan sistem.
Dimana: 𝑛𝑖 = Jumlah pelanggan pada titik beban.
𝑈𝑖 = Laju kegagalan rara-rata pada titik- 𝑖.
𝑁𝑖 = Total pelanggan pada titik- 𝑖. 2.4. Optimasi Menggunakan Metode Algoritma
𝑁 = Total keseluruhan pelanggan. Differential Evolution (DE)
𝑈𝑖 = Durasi padam rata-rata dalam setahun.
𝐿𝑎𝑖= Beban rata-rata terkoneksi pada titik- 𝑖. Algoritma DE merupakan metode algoritma yang
dikembangkan oleh Kenneth Price. Algoritma ini
Selanjutnya dilakukan perhitungan kondisi awal sistem dipertama kali diusulkan pada tahun 1997. Algoritma DE
sebelum penempatan recloser menggunakan Section termasuk dalam kelompok Evolutionary Algorithms (EA)
Technique. [7]. Diagram alir dari Algoritma DE dapat dilihat pada
gambar 3.

[Link] DOI : 10.14710/transmisi.23.1.14-20 | Hal.

 TRANSMISI, 23, (1), JANUARI 2021, p-ISSN 1411-0814 e-ISSN 2407-6422

diterapkan pada semua populasi dan kriteria

Mulai
penetapannya ialah probabilitas crossover. Tahapan
Memasukkan data pada sistem dan algoritma crossover yang dipakai ialah binomial. Pada tahap ini
akan menentukan terlebih dahulu indeks dimensi
Inisialisasi Populasi acak. Apabila dimensi terpilih sama dengan indeks
dimensi acak atau kurang dari probabilitas crossover
Menghitung fungsi objektif
maka posisi 𝑌 akan menjadi posisi baru namun jika
Mutasi Operator hasilnya selain itu maka nilai 𝑋 yang akan menjadi
posisi baru.
Crossover Operator
6. Selanjutnya tahapan ini menghitung kembali nilai
Evaluasi Fungsi Objektif
fitness pada posisi yang terbaru dengan menggunakan
TI Seleksi Operator
fungsi objektif.
7. Tahap ini, menggunakan seleksi turnamen untuk
memilih solusi yang optimal. Apabila nilai fitness
solusi baru lebih baik daripada nilai fitness populasi
Iterasi Maksimal ?
YA
maka yang diambil ialah nilai fitness solusi baru untuk
Posisi Recloser yang optimal dengan nilai fungsi objektif yang optimal menggantikan nilai populasi namun jika nilai fitness
Selesai
populasi lebih baik dibandingkan nilai fitness solusi
terbaik maka nilai fitness populasi dijadikan sebagai
solusi terbaik.
8. Selanjutnya bila iterasi belum maksimal maka akan
Gambar 3. Diagram Alir Algoritma DE kembali ke tahap mutasi namun jika iterasi telah
maksimal maka akan menghasilkan posisi recloser
Pada gambar 3 menunjukkan alur dari algoritma DE
yang optimal beserta nilai fitness yang optimal.
yang akan dijabarkan sebagai berikut: 9. Setelah iterasi maksimal maka posisi recloser dan nilai
1. Memasukkan data-data seperti 𝜆𝑖, 𝑈𝑖, 𝜆𝐿𝑃, 𝑈𝐿𝑃, nilai fitness yang optimal akan ditampilkan.
EENS, SAIDI dan SAIFI.
2. Membuat parameter algoritma DE seperti yang ada Penempatan recloser menggunakan algoritma DE tentu
pada tabel 1. membutuhkan parameter-parameter penunjang.
3. Inisialisasi dilakukan dengan menghitung disetiap Parameter-parameter tersebut dapat dilihat pada tabel 1
masing-masing individu. Individu akan dipilih secara dibawah ini.
acak untuk menempatkan posisi recloser diantara
minimal posisi dan maksimal posisi. Setelah itu, posisi Tabel 1. Parameter DE
yang telah dipilih secara acak akan dihitung
menggunakan nilai fungsi objektif. Fungsi objektif Parameter Nilai
yang digunakan pada penelitian ini sebagai berikut: Mutasi DE/rand/1
Crossover Binomial
𝑚𝑖𝑛 𝑓𝑢𝑛𝑔𝑠𝑖 𝑜𝑏𝑗𝑒𝑘𝑡𝑖𝑓 = 𝑓𝑥1 + 𝑓𝑥2 + 𝑓𝑥3 (8) Seleksi Tournament
Dimana, Minimal Posisi 2
Maksimal Posisi 27
Peluang Crossover 0.6
𝑓𝑥1 = 𝑆𝐴𝐼𝐷𝐼 (9) Jumlah Populasi 23
𝑆𝐴𝐼𝐹𝐼 Jumlah Iterasi 25
𝑓𝑥2 = 𝑆𝐴𝐼𝐷𝐼 (10) Minimal Beta 0.3
𝐸𝐸𝑁𝑆 Maksimal Beta 0.8
𝑓𝑥3 𝑆𝐴𝐼𝐹𝐼 (11)
= 𝐸𝐸𝑁𝑆
Posisi individu dengan nilai yang minimal akan 3. Hasil dan Pembahasan
dijadikan sebagai posisi terbaik sementara (𝑋).
4. Langkah selanjutnya ialah menghitung nilai beta Hasil perhitungan optimasi penempatan recloser pada
secara acak dengan nilai diantara minimal beta dan jaringan distribusi penyulang Olak Alen telah diselesaikan
maksimal beta yang telah di tentukan. Selanjutnya dengan menggunakan algoritma DE. Hasil perhitungan
akan memutasi dan mengombinasikan posisi awal optimasi berupa nilai laju kegagalan, durasi terputusnya
agar dapat menghasilkan populasi baru. Pada tahap ini aliran listrik, EENS, SAIDI dan SAIFI setiap busnya serta
mutasi yang dipakai ialah DE/rand/1 dengan konvergensi. Secara rinci hasil studi ini diuraikan
persamaan sebagai berikut: sebagaimana berikut.
𝑌 = 𝑃𝑜𝑝𝑢𝑙𝑎𝑠𝑖 (𝑃𝑜𝑝𝑢𝑙𝑎𝑠𝑖(𝑖𝑑𝑥𝐴) +
𝑏𝑒𝑡𝑎. (𝑃𝑜𝑝𝑢𝑙𝑎𝑠𝑖(𝑖𝑑𝑥𝐵) − (𝑃𝑜𝑝𝑢𝑙𝑎𝑠𝑖(𝑖𝑑𝑥𝐶)) (12) 3.1. Hasil Perhitungan Keandalan Awal Sistem
Dimana (𝑖𝑑𝑥𝐴),(𝑖𝑑𝑥𝐵) dan (𝑖𝑑𝑥𝐶) diambil secara Sebelum Optimasi
acak dan berbeda-beda.
5. Setelah melalui tahap mutasi maka selanjutnya Perhitungan keandalan awal sistem menggunakan
memasuki tahapan crossover. Tahapan ini tidak akan perhitungan Section Technique dengan mengolah data-
[Link] DOI : 10.14710/transmisi.23.1.14-20 | Hal.
 TRANSMISI, 23, (1), JANUARI 2021, p-ISSN 1411-0814 e-ISSN 2407-6422

data

[Link] DOI : 10.14710/transmisi.23.1.14-20 | Hal.

 TRANSMISI, 23, (1), JANUARI 2021, p-ISSN 1411-0814 e-ISSN 2407-6422

penyulang Olak Alen yang telah didapatkan dari PT. PLN Tabel 2. Lanjutan
(persero) UPP Sumber Pucung dan UP3 Malang. Data-
data tersebut akan diolah menggunakan persamaan yang No. Bus 𝑈𝑖 𝜆𝐿𝑃 𝑈𝐿𝑃
telah 56 3,0549 9,9707 559,0485 1824,6290
dijelaskan pada persamaan 1 hingga 4 dengan mengalikan 𝜆𝑖 57 1,8077 5,8491 1128,0110 3649,8072
angka laju kegagalan sistem dan waktu perbaikan sistem 58 1,8447 6,0401 944,4915 3092,5056

sesuai SPLN 59 tahun 1985[15]. Hasil perhitungan laju 59 2,0693 6,7689 171,7527 561,8146
kegagalan dan durasi terputusnya aliran listrik tahunan 60 2,6089 8,4177 448,7325 1447,8358
61 2,9121 9,3823 576,5978 1857,6855
rata-rata dapat dilihat pada Tabel 2 berikut. 62 3,3337 10,7021 1200,1356 3852,7380
63 2,5801 8,3013 1282,3147 4125,7213
Tabel 2. Hasil Perhitungan Laju Kegagalan dan Durasi 64 2,8001 9,0163 1299,2510 4183,5400
Terputusnya Aliran Listrik Tahunan Rata-Rata 65 2,9933 9,6809 413,0768 1335,9573
66 3,01091 9,78565 340,2328 1105,7785
67 3,5841 11,5903 1139,7470 3685,6995
68 3,7891 12,2603 272,8159 882,7380
No. Bus 𝝀𝒊 𝑼𝒊 𝝀𝑳𝑷 𝑼𝑳𝑷 69 3,8213 12,4119 3,8213 12,4119
70 4,0045 13,0165 476,5367 1548,9576
1 0,00091 0,01365 0 0
71 3,4273 11,0899 1288,6686 4169,7836
2 0,14251 0,49345 0 0
72 3,6249 11,7377 1199,8452 3885,1622
3 0,15471 0,58505 0,4641 1,7552
73 3,8085 12,3435 910,2339 2950,0846
4 0,47591 1,63065 0,4759 1,6307
74 3,9831 12,9613 334,5812 1088,7450
5 0,84211 2,81225 270,3173 902,7323
75 4,0223 13,1249 1150,3807 3753,7071
6 1,20991 3,97065 473,0748 1552,5242
7 1,31031 4,32685 393,0930 1298,0550 76 4,3507 14,1951 2192,7578 7154,3052
8 1,74171 5,67605 783,7695 2554,2225 77 4,5111 14,7313 1939,7773 6334,4375
9 2,53151 8,10045 845,5243 2705,5503 78 3,6193 11,7759 2645,7156 8608,1464
79 3,7395 12,2215 0 0
10 2,68271 8,63605 659,9467 2124,4683
80 4,1105 13,3895 1459,2311 4753,2548
11 2,82051 9,10445 518,9738 1675,2188
81 4,0437 13,1861 1107,9765 3612,9777
12 2,84511 9,23325 349,9485 1135,6898
13 3,31651 10,70245 1177,3611 3799,3698
14 3,44291 11,13665 499,2220 1614,8143 Dari Tabel 2 menunjukkan nilai hasil perhitungan laju
15 3,54731 11,50485 1986,4936 6442,7160 kegagalan dan durasi terputusnya aliran listrik tahunan
16 3,57651 11,64745 1058,6470 3447,6452
17 3,77971 12,31205 669,0087 2179,2329 rata-rata setiap busnya memiliki nilai berbeda-beda. Nilai
18 4,03891 13,17165 2148,7001 7007,3178 tersebut tergantung dari komponen dan jumlah pelanggan
19 0,87371 2,96205 521,6049 1768,3439 pada setiap busnya. Sementara itu hasil perhitungan
20 0,95851 3,27145 127,4818 435,1029 SAIDI, SAIFI dan EENS pada penyulang dapat dilihat
21 1,55251 5,13845 464,2005 1536,3966
22 1,76171 5,85105 255,4480 848,4023 pada Tabel 3 berikut.
23 2,60251 8,45845 400,7865 1302,6013
24 2,83711 9,21725 476,6345 1548,4980 Tabel 3. Hasil Sebelum Optimasi Penempatan Recloser
25 2,97871 9,69705 536,1678 1745,4690
26 3,01771 9,86905 425,4971 1391,5361
27 3,16771 10,37405 871,1203 2852,8638 SAIDI SAIFI EENS
28 0,89711 3,06225 403,6995 1378,0125 (jam/tahun) (gangguan/tahun) (MWh)
29 0,9669 3,2417 0,0000 0,0000
30 1,2105 4,0575 260,2597 872,3518 8,2863 2,5356 8,448
31 1,6987 5,6071 264,9988 874,6998
32 0,8655 2,9375 276,9632 939,9840 Dari Tabel 3 merupakan perhitungan nilai SAIDI, SAIFI
33 0,9617 3,2811 331,7900 1131,9623 dan EENS pada penyulang Olak Alen tahun 2019
34 1,0593 3,5739 287,0730 968,5134
sebelum optimasi. Nilai keandalan SAIDI sebesar 8.2863
35 1,2243 4,1239 173,8520 585,5867
36 1,5467 5,1851 897,0918 3007,3290 jam/tahun, nilai SAIFI sebesar 2.5356 gangguan/tahun,
37 1,6359 5,5077 212,6683 715,9945 dan nilai EENS sebesar 8,4480 MWh.
38 1,8683 6,2599 244,7486 820,0404
39 1,9115 6,4445 185,4165 625,1117
40 2,4175 8,0565 120,8755 402,8225
3.2. Hasil Optimasi Penempatan Recloser
41 2,4621 8,2453 110,7950 371,0363 Menggunakan Algoritma Differential Evolution
42 0,9671 3,3523 0,9671 3,3523
43 1,2009 4,1087 445,5376 1524,3092 Hasil optimasi penempatan 2 dan 3 buah recloser
44 1,7813 5,9099 1164,9767 3865,0419 menggunakan algoritma DE dapat ditampilkan pada
45 2,2177 7,2741 1060,0654 3476,9959
46 2,6145 8,5195 781,7385 2547,3156 Tabel 4 berikut.
47 1,7373 5,7779 802,6372 2669,3667
48 2,1007 6,9231 871,7947 2873,0658 Tabel 4. Hasil Penempatan Recloser Menggunakan
49 2,4341 7,9783 1212,1868 3973,1685 algoritma DE
50 2,7765 9,0905 1288,3006 4217,9688
51 1,9643 6,5439 720,9018 2401,5930 SAIDI SAIFI EENS Nilai POSISI
52 2,4733 8,1259 682,6336 2242,7346 fitness RECLOSER
53 2,6535 8,7215 849,1232 2790,8640 4,5461 1,3904 8.448 3,9722 BUS 5 & 13
54 2,8699 9,4257 961,4199 3157,5928 4,0095 1,2272 8.448 3,8870 BUS 8, 13 &21
55 3,0463 9,8749 301,5847 977,6102
[Link] DOI : 10.14710/transmisi.23.1.14-20 | Hal.
 TRANSMISI, 23, (1), JANUARI 2021, p-ISSN 1411-0814 e-ISSN 2407-6422

Dari Tabel 4 menunjukkan bahwa hasil penempatan 2 setelah dioptimasi sama seperti menghitung keandalan
buah recloser dengan menggunakan algoritma DE awal sistem namun pada perhitungan ini dimasukkan hasil
menyarankan penempatan recloser pada bus 5 dan 13. penempatan recloser yang dihasilkan dari optimasi
Nilai keandalan sistem pada penyulang Olak Alen yang menggunakan algoritma DE. Hasil optimasi penempatan
telah dioptimasi yaitu masing-masing dengan nilai SAIDI recloser menggunakan algoritma DE menyatakan bahwa
4,5461 jam/tahun, nilai SAIFI sebesar 1,3904 kali/tahun, hasil penempatan recloser yang optimal guna
EENS sebesar 8,448 MWh, dan nilai fitness sebesar meningkatkan keandalan sistem distribusi terletak pada
3,9722. Sedangkan pada penempatan recloser bus 5 dan 13 dan ketika menggunakan 3 buah recloser
menggunakan 3 buah recloser menyarankan penempatan berada pada bus 8, 13 dan 21.
pada bus 8, 13, dan 21. Nilai SAIDI yang dihasilkan ialah
4,0095 jam/tahun, nilai SAIFI sebesar 1,2272 kali/tahun, 3.4. Perbandingan Nilai Keandalan sistem Hasil
EENS sebesar 8,4480 MWh dan nilai fitness sebesar Pengujian dengan PLN
3,8870.
Perbandingan nilai keandalan sistem dari PLN dan hasil
Sementara itu nilai konvergensi optimasi algoritma DE penelitian dengan optimasi algoritma DE untuk kasus 2
untuk SAIDI, SAIFI, EENS, dan nilai fitness masing-
buah recloser dapat dilihat dari Tabel 5 berikut.
masing pada 2 dan 3 recloser sebagaimana terlihat pada
Gambar 4. Gambar 4 menunjukan bahwa grafik Tabel 5. Hasil Perbandingan Penempatan Recloser Optimasi
konvergensi penempatan 2 dan 3 buah recloser DE dan PLN
menggunakan 25 iterasi. Pada penempatan 2 buah recloser
hasil optimal didapatkan pada iterasi ke-4, sedangkan pada POSISI RECLOSER
penempatan 3 buah recloser pada iterasi ke-13. Dari NILAI INDEKS PLN Optimasi DE
grafik konvergensi ini, algoritma DE BUS 5 & 6 BUS 5 & 13
dapat menemukan
konfigurasi penempatan yang optimal, ditunjukan dari Matlab R2018b. Cara menghitung keandalan sistem
nilai fitness yang tidak berubah lagi. Nilai indeks 𝑓1, 𝑓2
dan 𝑓3 juga mengalami penurunan, sehingga dapat
dikatakan nilai keandalan sistem distribusi terjadi
peningkatan.

Gambar 4. Grafik Konvergensi 2 dan 3 buah recloser

3.3. Perhitungan Keandalan Sistem Setelah

Optimasi

Perhitungan keandalan sistem setelah dioptimasi

menggunakan algoritma DE menggunakan software
[Link] DOI : 10.14710/transmisi.23.1.14-20 | Hal.
 TRANSMISI, 23, (1), JANUARI 2021, p-ISSN 1411-0814 e-ISSN 2407-6422

SAIDI 1,8724 1,3904

SAIFI 6,0544 4,5461

Tabel 5 menunjukkan bahwa hasil perbandingan

penempatan 2 buah recloser yang dilakukan oleh
peneliti dan PLN. Pada jaringan distribusi penyulang
Olak Alen pada tahun 2019 sesuai data dari PT. PLN
(persero) terdapat 2 buah recloser yang terletak pada
bus 5 dan 6 dengan nilai SAIDI sebesar 1,8724
jam/tahun dan nilai SAIFI sebesar 6,0544 kali/tahun.
Pada penelitian yang dilakukan pada penelitian ini
didapatkan hasil penempatan

[Link] DOI : 10.14710/transmisi.23.1.14-20 | Hal.

 TRANSMISI, 23, (1), JANUARI 2021, p-ISSN 1411-0814 e-ISSN 2407-6422

2 buah recloser pada bus 5 dan 13. Nilai SAIDI yang [5]. Afriana E., Hermawan H., Handoko S. Perbandingan
dihasilkan sebesar 1,3904 jam/tahun dan nilai SAIFI Indeks Keandalan Sistem Distribusi Pada Penyulang l03
sebesar 4,5461 kali/tahun dengan menghitung ulang laju Dalam Keadaan Perfect Switching dan Imperfect
kegagalan serta durasi terputusnya aliran listrik rata-rata Switching. Transient. 2017; 6(3): 1-8.
per tahun. [6]. Bagusiam T.F.L.L., Warsito A., Hermawan H.
Optimalisasi Penempatan Recloser Untuk
Meminimalisir Nilai Saifi dan Saidi Pada Sistem
4. Kesimpulan Distribusi Jaringan Radial Penyulang SRL-02
Menggunakan Artificial Bee Colony Algorithm.
Optimasi penempatan recloser pada penyulang Olak Transient. 2017; 6(4): 1-6.
Alen dengan menggunakan algoritma DE telah berhasil [7]. Neshadnaeini M.F., Hajivand M., Karimi R., Karimi M.
dilakukan. Dari pengujian diperoleh bahwa dengan Optimal Recloser Placement By Binary Differential
optimasi untuk penempatan 2 buah recloser didapatkan Evolutionary Algorithm To Improve Reliability Of
posisi terbaik adalah pada bus 5 dan 13. Sementara, Distribution System. Internasional Journal of
untuk penempatan 3 buah recloser, posisi terbaik adalah Information, Security and System Management. 2014;
3(2): 332-336.
pada bus 8, 13 dan 21. Dari nilai indeks SAIFI dan
[8]. Rizqi M.B. Optimasi Penempatan Recloser Untuk
SAIDI yang diperoleh untuk penempatan 2 dan 3 Meningkatkan Realibility Sistem Pada Penyulang
recloser tersebut, yang dibuktikan dengan nilai fitness Nguling Menggunakan Metode Algoritma Genetika.
yang menuju konvergen, maka dapat disimpulkan bahwa Skripsi. Kota Malang: UMM; 2019.
keandalan sistem distribusi yang dioptimasi dengan [9]. Moskwa S., Koziel S., Siluszyc M., Galias Z.
algoritma DE lebih baik dibandingkan dengan sistem Multiobjective Optimization for Switch Allocation in
tanpa optimasi (sistem terpasang). Radial Power Distribution Grids. International
Conference on Signals and Electronic System. Krakow,
Poland. 2018: 1-4.
Referensi [10]. Hani S., Santoso G., Wibowo R.D. Penempatan Recloser
Sebagai Parameter Keandalan Sistem Proteksi pada
[1]. Sucita T., Mulyadi Y., Timotius C. Reliability Evaluation Sistem Distribusi. Simposium Nasional RAPI XVIIII.
of Power Distribution System with Reliability Index Yogyakarta. 2019: 1-7.
Assessment (RIA). International Symposium on [11]. Dixit M., Kundu P., Jariwala H.R. Assessment of
Materials and Electrical Engineering (ISMEE). Distribution System Reliability using Artificial Bee
Bandung, Indonesia. 2017: 1-8. Colony Algorithm. 2017 Second Int. Conf. on Electrical,
[2]. Ayamolowo O., Mmoyi C. A., Samson A., Onifade O. A., Computer and Communication Technology (ICECCT).
Adeniji K. A., Adebanjo A. Reliability Analysis of Coimbatore, India. 2017:1-6.
Power Distribution System: A Case Study of Mofor [12]. Ifanda. Syafei S., Fuaziah K., Armansyah F., Prastawa A.,
Injection Substation, Delta State, Nigeria. IEEE Hilal H., Aryono N.A., Febriantoni A. Kajian Outage
AFRICON. Accra, Ghana. 2019: 1-6. Managemant Sistem Kelistrikan. Serpong: Pusat
[3]. De Sousa R.S., Martins C. C., Sperandio M. Distribution Teknologi Konversi dan Konservasi Energi (PTKKE)
System Reliability Assessment Using Sequential Monte Badan Pengkajian dan Penerapan Teknologi. 2014.
Carlo Simulation. IEEE PES Conference on Innovative [13]. PT. PLN (Persero). SPLN [Link] Jaminan Sistem
Smart Grid Technologies (ISGT Latin America). Tenaga Listrik. 1986.
Gramado, Brazil. 2019: 1-6. [14]. Partawan I. N., Dyana Arjana I.G., Weking A.I. Studi
[4]. Nazaruddin, Mahalla, Fauzi, Maimun, Subhan, Abubakar Perbandingan Keandalan Sistem Distribusi 20 kV
S., Aiyub S. Reliability Analysis of 20 KV Electric Menggunakan Metode Section Technique dan RNEA
Power Distribution System. The 2nd Int. Conf. on Pada Penyulang Renon. Journal SPEKTRUM. 2014;
Science and Innovated Engineering. Malacc, Malaysia. 1(1): 1-7.
2019: 1-8. [15]. PT. PLN (Persero). SPLN 59. Keandalan Pada Sistem
Distribusi 20 kV dan 6 kV. 1981.

[Link] DOI : 10.14710/transmisi.23.1.14-20 | Hal.