ELTI

Jurnal Elektronika, Listrik dan Teknologi Informasi Terapan

Volume 6, No 2, Desember 2024 (73– 77)
[Link]

Optimalisasi Sistem Distribusi Tenaga Listrik Menggunakan

Algoritma Genetika
Nambi Anastaa, Indra Kesuma a,*, Agus Salim Wardanab
a
Program Studi Teknik Elektro, Sekolah Tinggi Teknologi Nusantara Lampung, [Link] Damar, Lampung, 35131, Indonesia
*Program Studi Teknik Elektro,Sekolah Tinggi Teknologi Nusantara Lampung, [Link] Damar,Lampung, 35131, Indonesia
b
Program Studi Teknik Elektro, Sekolah Tinggi Teknologi Nusantara Lampung, [Link] Damar, Lampung, 35131, Indonesia
E-mail: nambisttnlampung@[Link] , indrakesuma15@[Link], aguswardana@[Link]
* Corresponding Author:

Abstract— Power distribution systems are crucial components in providing reliable and efficient electrical energy. However,
challenges such as high power losses and voltage instability often hamper the performance of distribution networks. This study
aims to optimize the power distribution system using genetic algorithm (GA), an evolutionary computational method designed to
solve complex optimization problems. The study was conducted on a medium voltage distribution network (20 kV) with various
load scenarios. Simulation results show that GA is able to reduce the average power loss by 12% and improve the voltage stability
at the end of the network from 0.92 pu to 0.96 pu, so that the voltage remains within the permissible limit. In addition, AG shows
high efficiency with an average computation time of 2.5 minutes and convergence within 50 generations for a medium-sized
network. The results of this study indicate that AG is an effective tool to improve the efficiency and quality of the power distribution
system. With its potential application in real-scale distribution systems, AG can be an innovative solution in the development of
smart grid technology. Further research is recommended to improve the scalability and adaptability of the algorithm to dynamic
changes in network parameters.

Keywords— Genetic Algorithm, Power Distribution System, Power Loss, Voltage Stability, Optimization.

Abstrak— Sistem distribusi tenaga listrik merupakan komponen krusial dalam penyediaan energi listrik yang andal dan efisien.
Namun, tantangan seperti rugi daya yang tinggi dan ketidakstabilan tegangan sering kali menghambat kinerja jaringan distribusi.
Penelitian ini bertujuan untuk mengoptimalkan sistem distribusi tenaga listrik menggunakan algoritma genetika (AG), sebuah
metode komputasi berbasis evolusi yang dirancang untuk menyelesaikan masalah optimasi kompleks. Studi dilakukan pada
jaringan distribusi tegangan menengah (20 kV) dengan berbagai skenario beban. Hasil simulasi menunjukkan bahwa AG mampu
mengurangi rugi daya rata-rata sebesar 12% dan meningkatkan stabilitas tegangan di ujung jaringan dari 0,92 pu menjadi 0,96
pu, sehingga tegangan tetap berada dalam batas yang diizinkan. Selain itu, AG menunjukkan efisiensi tinggi dengan waktu
komputasi rata-rata 2,5 menit dan konvergensi dalam 50 generasi untuk jaringan berukuran sedang. Hasil penelitian ini
menunjukkan bahwa AG adalah alat yang efektif untuk meningkatkan efisiensi dan kualitas sistem distribusi tenaga listrik.
Dengan potensi penerapannya pada sistem distribusi skala nyata, AG dapat menjadi solusi inovatif dalam pengembangan
teknologi jaringan pintar (smart grid). Penelitian lanjutan disarankan untuk meningkatkan skalabilitas dan adaptabilitas algoritma
terhadap perubahan parameter jaringan yang dinamis.

Kata kunci— Algoritma Genetika, Sistem Distribusi Tenaga Listrik, Rugi Daya, Stabilitas Tegangan, Optimasi.

jalur distribusi, rugi-rugi daya, dan tegangan yang tidak

I. PENDAHULUAN stabil sering kali menjadi kendala utama yang
Sistem distribusi tenaga listrik memainkan peran memengaruhi performa jaringan distribusi tenaga listrik.
penting dalam menjamin ketersediaan energi listrik yang Dalam sistem distribusi tenaga listrik, rugi-rugi daya
andal dan efisien bagi konsumen. Dengan meningkatnya sering kali tidak dapat dihindari. Rugi-rugi ini terjadi
kebutuhan energi listrik di berbagai sektor, efisiensi karena resistansi pada jaringan transmisi dan distribusi.
sistem distribusi menjadi semakin penting. Namun, Selain itu, ketidakseimbangan dalam distribusi beban
tantangan seperti ketidakseimbangan beban, panjangnya sering kali menyebabkan tegangan pada ujung jaringan

73
ELTI, Volume 6, No 2, Bulan 2024 (73 – 77) e-ISSN 2685-7014 p-ISSN 2685-2276

menjadi tidak stabil, yang pada akhirnya mempengaruhi dibandingkan metode konvensional, seperti algoritma
kualitas daya yang diterima oleh konsumen. Oleh karena linier.
itu, diperlukan metode optimasi yang mampu mengurangi C. Optimasi Rugi Daya dalam Sistem Distribusi
rugi-rugi daya sekaligus memperbaiki stabilitas tegangan. Rugi daya pada sistem distribusi tenaga listrik terjadi
Algoritma Genetika (AG) telah banyak digunakan karena resistansi kabel, transformator, dan elemen
sebagai salah satu metode optimasi berbasis komputasi jaringan lainnya. Rugi daya ini berdampak pada efisiensi
yang terinspirasi oleh proses seleksi alam. Algoritma ini dan biaya operasional sistem. Menurut Chauhan dan
bekerja dengan sistem membangkitkan populasi solusi Singh (2011), salah satu pendekatan untuk mengurangi
awal, kemudian melakukan iterasi melalui mekanisme rugi daya adalah dengan optimasi pembagian beban dan
seleksi, crossover, dan mutasi untuk menghasilkan solusi konfigurasi jaringan menggunakan algoritma berbasis
yang optimal. Dalam konteks sistem distribusi tenaga metaheuristik seperti AG, Particle Swarm Optimization
listrik, AG dapat digunakan untuk mencari konfigurasi (PSO), atau Ant Colony Optimization (ACO).
jaringan dan pembagian beban yang paling efisien. Studi yang dilakukan oleh Nadarajah dan Rajkumar
Penelitian ini bertujuan untuk mengevaluasi (2018) menunjukkan bahwa penerapan AG mampu
penggunaan Algoritma Genetika dalam mengoptimalkan mengurangi rugi daya hingga 10–15% dibandingkan
sistem distribusi tenaga listrik. Studi dilakukan pada dengan metode tradisional. Hasil ini menunjukkan bahwa
jaringan distribusi tegangan menengah (20 kV), dengan AG adalah salah satu alat optimasi yang sangat potensial
mempertimbangkan berbagai parameter, termasuk rugi- untuk meningkatkan efisiensi distribusi tenaga listrik.
rugi daya dan tegangan pada ujung jaringan. Hasil dari D. Stabilitas Tegangan dalam Jaringan Distribusi
penelitian ini diharapkan dapat memberikan kontribusi Stabilitas tegangan merupakan aspek penting dalam
signifikan terhadap pengembangan teknologi optimasi di sistem distribusi untuk memastikan kualitas daya yang
bidang kelistrikan serta menjadi referensi bagi praktisi diterima oleh konsumen tetap dalam batas toleransi.
dan akademisi yang bergerak di bidang teknik elektro. Penurunan tegangan biasanya terjadi di ujung jaringan,
terutama pada jaringan dengan beban berat atau panjang
II. TINJAUAN PUSTAKA kabel yang signifikan. Untuk menjaga stabilitas tegangan,
A. Sistem Distribusi Tenaga Listrik pengaturan kapasitas transformator, pemilihan jalur
Sistem distribusi tenaga listrik adalah bagian dari distribusi, dan penyesuaian beban menjadi sangat penting
sistem kelistrikan yang menghubungkan pembangkit (Hingorani dan Gyugyi, 2000).
listrik ke konsumen akhir. Jaringan distribusi umumnya Beberapa penelitian telah mengkaji penggunaan AG
terdiri dari jaringan tegangan menengah (20 kV) dan untuk meningkatkan stabilitas tegangan. Mohammed et al.
jaringan tegangan rendah (380 V). Dalam sistem ini, (2020) menunjukkan bahwa penerapan AG pada jaringan
tantangan utama meliputi rugi daya akibat hambatan distribusi tegangan menengah dapat meningkatkan
jaringan, ketidakstabilan tegangan, serta distribusi beban tegangan rata-rata hingga 5%, sekaligus menjaga
yang tidak merata. Berdasarkan penelitian sebelumnya, kestabilan tegangan di seluruh titik jaringan.
rugi daya dalam jaringan distribusi dapat mencapai 6–8% E. Perbandingan AG dengan Metode Optimasi Lain
dari total daya yang disuplai jika sistem tidak AG merupakan salah satu metode yang sering
dioptimalkan dengan baik (Gonen, 2014). digunakan dalam optimasi sistem distribusi karena
B. Algoritma Genetika (AG) fleksibilitasnya dalam menangani berbagai parameter
Algoritma genetika (AG) adalah salah satu metode jaringan yang kompleks. Namun, metode ini juga
optimasi berbasis evolusi yang terinspirasi dari memiliki keterbatasan, seperti waktu komputasi yang
mekanisme seleksi alam dan genetika biologis (Goldberg, meningkat pada jaringan dengan skala besar. Oleh karena
1989). AG bekerja dengan memodelkan populasi solusi itu, banyak penelitian membandingkan AG dengan
potensial yang diperbarui melalui proses seleksi, metode lain, seperti PSO dan ACO.
crossover, dan mutasi untuk menemukan solusi optimal. Menurut Delgado et al. (2019), AG lebih unggul
Dalam konteks optimasi sistem distribusi tenaga listrik, dalam menemukan solusi global dibandingkan dengan
AG sangat berguna untuk menangani masalah kompleks, PSO pada masalah optimasi yang melibatkan banyak
seperti pengurangan rugi daya, pemilihan konfigurasi variabel. Namun, PSO sering kali lebih cepat mencapai
jaringan optimal, dan pengaturan beban. konvergensi awal. Kombinasi AG dengan PSO atau
Beberapa penelitian telah menunjukkan keberhasilan metode lainnya (hibridisasi) dapat menjadi solusi untuk
AG dalam sistem kelistrikan. Contohnya, penelitian oleh meningkatkan efisiensi algoritma.
Afolabi et al. (2015) mengaplikasikan AG untuk F. Implementasi AG pada Sistem Jaringan Pintar
mengurangi rugi daya dan meningkatkan kualitas (Smart Grid)
tegangan pada jaringan distribusi radial. Hasil penelitian Dengan perkembangan teknologi jaringan pintar,
tersebut menunjukkan bahwa AG mampu menghasilkan penerapan AG dalam sistem distribusi semakin relevan.
solusi optimal dengan efisiensi yang lebih tinggi Sistem jaringan pintar memungkinkan pengumpulan data

74
ELTI, Volume 6, No 2, Bulan 2024 (73 – 77) e-ISSN 2685-7014 p-ISSN 2685-2276

real-time yang dapat dimanfaatkan oleh AG untuk memastikan tegangan tetap stabil. Fungsi tujuan
melakukan optimasi dinamis. Menurut Zhao et al. (2022), ini dapat ditulis sebagai:
AG memiliki potensi besar untuk diintegrasikan dengan
sistem jaringan pintar untuk pengaturan beban otomatis,
deteksi kerusakan jaringan, dan optimasi waktu nyata.

III. METODOE PENELITIAN Di mana 𝑃𝑟𝑢𝑔𝑖 (𝑖) adalah rugi daya pada tiap elemen
Dalam mengoptimalkan sistem distribusi tenaga jaringan, dan 𝑉𝑛𝑜𝑑𝑒 adalah tegangan pada tiap titik di
listrik menggunakan algoritma genetika (AG). Langkah- jaringan.
langkah dalam metodologi penelitian ini melibatkan • Seleksi: Seleksi dilakukan untuk memilih
beberapa tahapan yang dirancang untuk memodelkan individu-individu terbaik (solusi terbaik) dalam
sistem distribusi tenaga listrik, menerapkan algoritma populasi berdasarkan fungsi tujuan. Seleksi dapat
genetika, serta menganalisis hasil simulasi. Berikut menggunakan metode seperti seleksi turnamen
adalah langkah-langkah yang diambil dalam penelitian atau seleksi roullete wheel.
ini: • Crossover dan Mutasi: Setelah seleksi, dilakukan
operator crossover untuk menggabungkan dua
A. Pemodelan Sistem Distribusi Tenaga Listrik individu terpilih untuk membentuk solusi baru.
Pada tahap pertama, sistem distribusi tenaga listrik yang Proses mutasi kemudian diterapkan pada
digunakan dalam penelitian ini adalah jaringan distribusi individu hasil crossover untuk mengeksplorasi
20 kV dengan konfigurasi radial. Jaringan ini dipilih ruang solusi dan mencegah terjebaknya algoritma
karena banyak digunakan dalam sistem distribusi di pada solusi lokal. Probabilitas crossover dan
daerah perkotaan dan dapat mewakili skenario distribusi mutasi disesuaikan agar mendapatkan hasil yang
listrik pada umumnya. optimal.
Pemodelan dilakukan dengan perangkat lunak simulasi • Iterasi dan Konvergensi: Proses seleksi,
kelistrikan, seperti MATLAB/Simulink atau OpenDSS, crossover, dan mutasi dilakukan berulang-ulang
untuk memodelkan elemen-elemen jaringan distribusi dalam beberapa generasi hingga solusi yang
seperti transformator, kabel, dan beban. Parameter- dihasilkan mencapai konvergensi, yaitu ketika
parameter yang digunakan dalam model meliputi: perubahan dalam solusi sangat kecil atau tidak
• Beban: Beban ditetapkan pada beberapa titik ada lagi peningkatan signifikan pada fungsi
pada jaringan dengan nilai yang bervariasi untuk tujuan.
mewakili kondisi beban yang tidak merata.
• Kapasitas Transformator: Nilai kapasitas C. Simulasi dan Analisis Hasil
transformator disesuaikan dengan skenario Setelah implementasi algoritma genetika, simulasi
jaringan yang digunakan. dilakukan untuk menguji performa optimasi pada
• Kabel: Pemilihan jenis dan panjang kabel jaringan distribusi yang telah dimodelkan. Simulasi
mempengaruhi resistansi dan induktansi dalam dilakukan dalam berbagai skenario, antara lain:
jaringan. • Beban Tertentu: Beban pada titik-titik distribusi
disesuaikan untuk melihat bagaimana algoritma
B. Implementasi Algoritma Genetika (AG) dapat mengoptimalkan distribusi daya dalam
Setelah sistem distribusi dimodelkan, tahap berikutnya kondisi beban yang bervariasi.
adalah implementasi algoritma genetika untuk optimasi. • Konfigurasi Jaringan: Jaringan diuji dengan
Proses optimasi ini bertujuan untuk mengurangi rugi daya variasi konfigurasi, seperti perubahan panjang
dan memastikan tegangan di seluruh jaringan berada kabel dan kapasitas transformator untuk
dalam batas yang diizinkan. mengamati dampaknya terhadap rugi daya dan
Beberapa langkah utama dalam algoritma genetika adalah stabilitas tegangan.
sebagai berikut: Hasil simulasi kemudian dianalisis untuk mengevaluasi
• Inisialisasi Populasi: Populasi awal berisi seberapa efektif algoritma genetika dalam
beberapa solusi acak yang masing-masing mengoptimalkan distribusi daya. Beberapa parameter
mewakili konfigurasi sistem distribusi, termasuk yang dianalisis adalah:
pemilihan jalur distribusi dan pembagian beban • Rugi Daya: Perbandingan antara rugi daya pada
di tiap titik. sistem sebelum dan setelah diterapkan algoritma
• Fungsi Tujuan: Fungsi tujuan yang digunakan genetika.
dalam penelitian ini adalah untuk meminimalkan • Stabilitas Tegangan: Evaluasi tegangan di ujung
rugi daya dalam sistem distribusi dan jaringan untuk memastikan bahwa tegangan tetap

75
ELTI, Volume 6, No 2, Bulan 2024 (73 – 77) e-ISSN 2685-7014 p-ISSN 2685-2276

berada dalam batas yang diizinkan (misalnya, Rugi Rugi Daya

0,95 pu hingga 1,05 pu). Skenario Daya Setelah Pengurangan
• Kinerja Sistem: Analisis kinerja sistem distribusi
Beban Awal Optimasi (%)
secara keseluruhan, termasuk waktu yang
diperlukan untuk mencapai solusi optimal dan
(%) (%)
jumlah iterasi yang dibutuhkan oleh algoritma. Beban
5,6 4,2 11,4
Puncak
D. Verifikasi dan Validasi
Verifikasi dilakukan dengan membandingkan hasil
simulasi menggunakan algoritma genetika dengan B. Stabilitas Tegangan
metode optimasi konvensional (misalnya, metode Stabilitas tegangan adalah aspek penting untuk
algoritma linier atau metode heuristik). Validasi juga memastikan kualitas daya yang diterima oleh konsumen.
dilakukan dengan membandingkan hasil simulasi dengan Sebelum optimasi, tegangan di ujung jaringan tercatat
data riil atau literatur untuk memastikan bahwa model dan turun hingga 0,92 pu, mendekati batas minimum
solusi yang diperoleh sesuai dengan keadaan di lapangan. tegangan yang diizinkan. Setelah optimasi menggunakan
AG, tegangan di ujung jaringan meningkat rata-rata
IV. HASIL DAN PEMBAHASAN menjadi 0,96 pu, sehingga seluruh jaringan berada dalam
Penerapan algoritma genetika (AG) dalam optimasi rentang ideal (0,95 pu – 1,05 pu).
sistem distribusi tenaga listrik. Analisis dilakukan Grafik berikut menggambarkan perbandingan
berdasarkan simulasi pada jaringan distribusi 20 kV tegangan sebelum dan sesudah optimasi pada beberapa
dengan skenario beban dan konfigurasi jaringan yang titik jaringan:
bervariasi. Hasilnya dijabarkan dalam tiga bagian utama: • Tegangan Sebelum Optimasi: Cenderung tidak
rugi daya, stabilitas tegangan, dan efisiensi algoritma. merata, dengan penurunan signifikan di ujung
jaringan.
A. Pengurangan Rugi Daya • Tegangan Setelah Optimasi: Tegangan lebih
Rugi daya dalam sistem distribusi tenaga listrik merata di seluruh jaringan, menunjukkan
merupakan salah satu parameter utama yang dianalisis. perbaikan stabilitas.
Sebelum dilakukan optimasi menggunakan AG, rugi daya
tercatat mencapai rata-rata 5,6% dari total daya yang
dikirimkan ke jaringan. Setelah optimasi, rugi daya
berhasil dikurangi hingga 4,1%, menunjukkan
pengurangan sebesar 12% dari kondisi awal.
Pengurangan rugi daya ini dihasilkan oleh distribusi
beban yang lebih seimbang, yang diperoleh melalui
pemilihan konfigurasi jaringan yang optimal oleh AG. Ini
menunjukkan bahwa AG mampu menemukan solusi
optimal yang tidak hanya mengurangi rugi daya tetapi
juga meningkatkan efisiensi operasional jaringan.

Tabel 1 Pengurangan Rugi Daya Pada Berbagai

Skenario Beban Gambar 1. Grafik stabilitas tegangan

AG secara efektif mendistribusikan daya melalui jalur

Rugi Rugi Daya yang optimal, mengurangi beban berlebih pada beberapa
Skenario Daya Setelah Pengurangan jalur, sehingga memperbaiki tegangan di seluruh jaringan.
Beban Awal Optimasi (%) Hasil ini membuktikan bahwa AG tidak hanya
(%) (%) mengurangi rugi daya tetapi juga meningkatkan kualitas
Beban distribusi listrik.
5,2 4,0 12,5
Merata
C. Efisiensi Algoritma Genetika
Beban Kinerja AG dianalisis berdasarkan waktu komputasi
Tidak 6,0 4,3 11,7 dan jumlah iterasi yang dibutuhkan untuk mencapai
Merata solusi optimal. Parameter AG, seperti ukuran populasi

76
ELTI, Volume 6, No 2, Bulan 2024 (73 – 77) e-ISSN 2685-7014 p-ISSN 2685-2276

dan probabilitas mutasi, disesuaikan untuk mencapai Penerapan AG mampu mengurangi rugi daya
hasil terbaik. rata-rata sebesar 12% dibandingkan dengan
• Waktu Komputasi: Simulasi menunjukkan rata- sistem distribusi tanpa optimasi. Hal ini
rata waktu komputasi sebesar 2,5 menit untuk menunjukkan bahwa AG dapat meningkatkan
jaringan dengan 50 node pada perangkat prosesor efisiensi energi dalam jaringan distribusi.
Intel Core i7 dan RAM 16 GB. 2. Peningkatan Stabilitas Tegangan:
• Konvergensi: Algoritma mencapai konvergensi Tegangan pada ujung jaringan distribusi
dalam rata-rata 50 generasi, menunjukkan bahwa meningkat secara signifikan dari 0,92 pu menjadi
AG memiliki kemampuan untuk menemukan
0,96 pu setelah optimasi. Dengan demikian, AG
solusi optimal dengan cepat.
Waktu komputasi yang relatif singkat dan konvergensi dapat memastikan tegangan di seluruh jaringan
yang cepat menunjukkan efisiensi AG dalam tetap berada dalam rentang yang aman dan sesuai
menyelesaikan masalah optimasi yang kompleks. Namun, standar.
untuk jaringan distribusi yang lebih besar, waktu 3. Efisiensi dan Adaptabilitas Algoritma:
komputasi dapat meningkat, sehingga diperlukan metode Algoritma genetika memiliki kemampuan untuk
hibrida untuk meningkatkan efisiensi. menangani kompleksitas sistem distribusi yang
Untuk memvalidasi hasil, optimasi jaringan juga dinamis, seperti ketidakseimbangan beban dan
dilakukan menggunakan metode konvensional, seperti konfigurasi jaringan yang berubah-ubah. Dengan
load flow analysis. Dibandingkan dengan metode waktu komputasi rata-rata 2,5 menit dan
konvensional, AG menunjukkan performa yang lebih konvergensi dalam 50 generasi, AG
baik dalam mengurangi rugi daya dan meningkatkan menunjukkan efisiensi yang baik dalam
stabilitas tegangan. Hal ini dikarenakan fleksibilitas AG
menyelesaikan masalah optimasi.
dalam menangani parameter jaringan yang dinamis. Hasil
4. Potensi Implementasi pada Sistem Nyata:
penelitian ini menunjukkan bahwa AG adalah alat yang
sangat efektif untuk menangani permasalahan optimasi Hasil penelitian ini menunjukkan bahwa AG
dalam sistem distribusi tenaga listrik. Kemampuannya memiliki potensi besar untuk diterapkan pada
untuk menangani jaringan yang kompleks menjadikannya sistem distribusi tenaga listrik skala nyata.
solusi yang unggul dibandingkan metode konvensional. Namun, implementasi ini membutuhkan
Potensi penerapan AG pada sistem nyata sangat besar, dukungan infrastruktur teknologi dan
terutama dengan integrasi teknologi jaringan pintar pengembangan metode yang lebih adaptif untuk
(smart grid). Namun, implementasi ini membutuhkan mengatasi ketidakpastian beban di masa depan.
perangkat keras dan lunak yang mendukung pengambilan
data secara real-time. Meski efektif, penelitian ini DAFTAR PUSTAKA
memiliki keterbatasan, terutama pada waktu komputasi [1] IEEE Power & Energy Society. (2021). Guide for Load
untuk jaringan dengan jumlah node yang sangat besar. Flow Analysis. IEEE Standards. .
Selain itu, perubahan parameter beban yang tiba-tiba [2] Puspitasari, A., & Santoso, R. (2020). "Optimasi Sistem
dapat mempengaruhi performa solusi yang dihasilkan Distribusi Listrik Menggunakan Metode Heuristik".
oleh AG. Jurnal Teknik Elektro, 15(2), 45-52.
Bagian ini menunjukkan bahwa algoritma genetika [3] Mohammed, H. A., Hamza, M. R., & Jasim, S. M.
memberikan solusi praktis dan inovatif untuk (2020).,40(4),176-184. Genetic Algorithm for Voltage
meningkatkan efisiensi dan kualitas sistem distribusi Profile Enhancement and Loss Reduction in Distribution
tenaga listrik. Penelitian lanjutan diperlukan untuk Network. International Journal of Power and Energy
Systems. [Link]
mengatasi tantangan dalam implementasi skala besar dan
5101.
meningkatkan adaptabilitas terhadap perubahan dinamis [4] Zhao, Z., Zhang, Y., & Cheng, L. (2022). Real-Time Load
dalam jaringan. Balancing in Smart Grids Using Hybrid Genetic
Algorithm and Particle Swarm Optimization. Energy,
V. KESIMPULAN 238,[Link]://[Link]/10.1016/[Link].2021.12186
Penelitian ini membuktikan bahwa algoritma genetika 5
(AG) adalah metode yang efektif untuk mengoptimalkan
sistem distribusi tenaga listrik. Berdasarkan hasil simulasi
dan analisis, beberapa kesimpulan utama yang dapat
diambil adalah sebagai berikut:

1. Pengurangan Rugi Daya:

77