https://jurnaleeccis.ub.ac.id/ p-ISSN : 1978-3345, e-ISSN(Online): 2460-8122 Jurnal EECCIS Vol. 13, No. 1, April 2019, pp 46-50 Manuscript submitted at 11-10-2018, accepted and published at 30-04-2019 Pengoptimalan Pembebanan Ekonomis dengan Mempertimbangkan Emission Constraint menggunakan Hybrid CPSO Trisna Wati 1 , Titiek Suheta 2 , Ilmiatul Masfufiah 3 1 st ,2 nd , 3 rd Fakultas Teknik Industri, Teknik Elektro Institut Teknologi Adhi Tama Surabaya Email: trisnaw@itats.ac.id, hita@itats.ac.id, i.masfufiah@itats.ac.id Abstract— In an electric power system, optimal and economical loading is needed to minimize energy generation costs. Economic loading optimization pays attention to existing constraints, for example emission constraints. To solve the problem, a mathematical method or using artificial intelligence is needed. This study provides a solution to optimize loading using Hybrid Crazy Particle Swarm Optimization (CPSO). Simulation results show that the Hybrid CPSO can optimize economic loading, cheapen generation costs, and balance the amount of emissions issued by the generator. The convergence rate of the Hybrid CPSO in 50 trials is 35.81 seconds while the PSO is 40.98 seconds. Index Terms— Crazy Particle Swarm Optimization, Emission Constraint, Economic Loading. Abstrak–- Dalam suatu sistem tenaga listrik, untuk memperkecil biaya pembangkitan dibutuhkan pembebanan yang optimal dan ekonomis. Pengoptimalan pembebanan yang ekonomis harus memperhatikan batasan-batasan salah satunya adalah emission constraint. Untuk menyelesaikan masalah tersebut, perlu adanya suatu metode baik secara matematis maupun menggunakan kecerdasan buatan. Oleh sebab itu dalam penelitian ini memberikan solusi untuk mengoptimalkan pembebanan menggunakan Hybrid Crazy Particle Swarm Optimization (CPSO). Dari hasil simulasi memperlihatkan bahwa Hybrid CPSO dapat mengoptimalkan pembebanan ekonomis, biaya pembangkitan murah dan jumlah emisi yang dikeluarkan pembangkit seimbang. Tingakat konvergensi Hybrid CPSO dalam 50 kali percobaan sebessar 35,81 detik sedangkan PSO 40,98 detik. Kata Kunci— Crazy Particle Swarm Optimization, Emission Constraint, Pembebanan Ekonomis I. PENDAHULUAN Setiap tahun kebutuhan konsumen akan energi listrik semakin bertambah, sehingga industri tenaga listrik berupaya meningkatkan produksi listrik untuk memenuhi kebutuhan konsumen. Dalam meningkatkan produksi terdapat hal-hal yang perlu dipertimbangkan seperti kebutuhan akan bahan bakar yang tentunya akan bertambah. Pada umumnya pembangkit energi listrik baik di Dunia maupun di Indonesia menggunakan bahan bakar fosil. Proses dari pembangkit energi listrik yang menggunakan bahan bakar fosil menimbukan emisi gas buang berupa CO2, NO2, dan SOx, yang dapat menimbulkan kerusakan lingkungan sehingga merugikan manusia, hewan dan tumbuhan. Sehingga dalam proses pembangkitan energi listrik perlu memperhatikan biaya pembangkitan yang minimum dan meminimalkan emisi gas buang. Dalam menyelesaikan masalah pengoptimalan pembebanan dengan mempertimbangkan emisi dapat diselesaikan secara matematis menggunakan Quadratic Programming (QP) [1] dalam hal ini pengoptimalan beban dilakukan secara dinamik pada system standart IEEE, dengan mengelompokkan data konsumen dari konsumen tingkat rendah, menengah, dan atas. Biaya yang di hasilkan memiliki nominal yang relatif sama minimum dengan ketiga jenis beban yang berbeda. Namun penyelesaian secara matematis memerlukan waktu yang cukup lama jika di terapkan pada sistem yang lebih besar. Solusi yang ditawarkan selain menggunakan perhitungan secara matematis adalah menggunakan artificial intelegent. Banyak peneliti yang sedang mengembangkan berbagai macam artificial intelegent untuk menyelesaikan berbagai macam masalah pengoptimalan beban. Tabu Search Algorithm (TSA) digunakan untuk meminimalkan biaya pembangkitan dengan mempertimbangkan valve point effect dan emission constraint [3] dalam proses iterasi TSA tidak dapat menggantikan nilai iterasi sebelumnya, sehingga dalam pencarian nilai minimum akan selalu looping untuk mencari di sekitar local optimum dan sekitarnya. Pengoptimalan pembebanan dengan mengkombinasikan panas dan daya dengan memepertimbangkan emisi menggunakan Construction Particle Swarm Optimization (CPSO) [2]. Dalam hal ini peminimalan biaya dan emisi dengan tetap menjaga panas dan permintaan daya, namun tidak mempertimbangkan non convex. CPSO memiliki waktu yang cepat dalam menentukan nilai optimum, dibandingkan dengan Particle Swarm Optimitation (PSO). Untuk mempercepat waktu konvergensi dan meminimalkan biaya pembangkitan terdapat metode lain yaitu menggabungkan perhitungan matematis dengan artificial intelligence. Hybrid Chaotic Particle Swarm Optimitation (CPSO) dan Sequential Quadratic Programming (SQP) [4] digunakan untuk menyelesaikan peminimalan pembebanan dengan valve point effect dimana CPSO digunakan untuk menyelesaikan permasalahan utama kemudian disempurnakan lagi menggunakan SQP. Metode CPSO-SQP terbukti efektif untuk menghasilkan biaya yang minimum, dan tingkat konvergensinya lebih cepat di bandingkan dengan tanpa menggunakan SQP. Dengan keberhasilan Hybrid CPSO- SQP banyak peneliti yang tertarik untuk menggunakan