Disertasi

Pengembangan strategi optimal adaptif pada orca predation algorithm untuk penyelesaian economic dispatch / Vivi Aida Fitria

Abstrak
Permasalahan dalam Economic Dispatch Problem (EDP) terletak pada optimasi alokasi daya pembangkit untuk meminimalkan biaya operasi dengan memenuhi batasan sistem tenaga listrik. Berbagai algoritma metaheuristik telah digunakan untuk menyelesaikan EDP namun banyak yang masih menghadapi tantangan dalam mencapai keseimbangan antara eksplorasi dan eksploitasi. Orca Predation Algorithm (OPA) sebagai algoritma dasar menunjukkan kinerja yang baik dengan biaya minimum 15275.93 /jam pada 6 generator 32257.02 /jam pada 15 generator dan 119528.95 /jam pada 40 generator. Meskipun demikian OPA masih memiliki keterbatasan meliputi sensitivitas terhadap parameter kurangnya diversitas solusi awal dan potensi konvergensi prematur yang dapat menghambat pencapaian solusi optimal pada skala sistem yang lebih besar. Untuk mengatasi permasalahan tersebut penelitian ini mengembangkan modifikasi OPA dengan tiga strategi utama yakni tuning parameter menggunakan Grid Search inisialisasi distribusi seragam dan penerapan Self-Adaptive Momentum. Grid Search digunakan untuk menemukan kombinasi parameter terbaik guna meningkatkan akurasi pencarian solusi. Distribusi Seragam diterapkan dalam tahap inisialisasi untuk meningkatkan diversitas awal populasi dan mencegah stagnasi solusi. Sementara itu Self-Adaptive Momentum ditambahkan untuk menyeimbangkan eksplorasi dan eksploitasi secara adaptif selama iterasi algoritma menghasilkan konvergensi yang lebih halus dan stabil. Hasil penelitian menunjukkan bahwa modifikasi OPA menjadi SAMOPA secara signifikan meningkatkan performa dalam menyelesaikan EDP. Pada sistem 40 generator yang paling kompleks SAMOPA berhasil mencapai Best Cost terendah sebesar 119244.296 /jam yang merupakan peningkatan sebesar 423.231 /jam dibandingkan hasil OPA dasar. Dibandingkan dengan OPA dasar SAMOPA juga menunjukkan peningkatan kestabilan yang jauh lebih baik dengan pengurangan standar deviasi sebesar 53.5% pada 40 generator serta peningkatan efisiensi waktu komputasi hingga 56.9% pada 15 generator dan 44.0% pada 40 generator. Secara keseluruhan SAMOPA menghasilkan biaya operasi yang lebih rendah konvergensi lebih cepat dan kestabilan yang lebih tinggi dibandingkan OPA dan algoritma lain seperti Particle Swarm Optimization (PSO) Bat Algorithm Whale Optimization Algorithm (WOA) Grey Wolf Optimizer (GWO) Genetic Algorithm (GA) dan Ant Colony Optimization (ACO). Selain itu pengujian pada berbagai Benchmark Function menunjukkan bahwa SAMOPA konsisten menghasilkan Best Cost dan standar deviasi terendah di semua kategori fungsi menegaskan robustness dan kemampuan generalisasinya yang baik. Dengan hasil ini penelitian ini berkontribusi pada pengembangan metode optimasi yang lebih akurat efisien dan aplikatif untuk sistem tenaga listrik modern.

Informasi Detail

DDC

Rd 621.3076 FIT p

Prodi

Universitas Negeri Malang. Program Studi Teknik Elektro dan Informatika, 2025.

Deskripsi Fisik

xiv, 126 lembar. : ilus. ; 30 cm.

Bahasa

Indonesia

No Reg

00239/RD/25

Edisi

Disertasi(Pascasarjana)--Universitas Negeri Malang. 2025

Subjek

1. TEKNIK ELEKTRO - MODEL PEMBELAJARAN ORCA PREDATION ALGORITHM
2. PENYELESAIAN ECONOMIC DISPATCH
3. ELECTRICAL ENGINEERING - ORCA PREDATION ALGORITHM LEARNING MODEL

Pembimbing

1. Prof. Arif Nur Afandi, S.t., M.t., Ph.d; 2. Aripriharta, S.t., M.t., Ph.d

Lampiran Berkas