Pendeteksian Susut Daya Pelanggan Dalam Upaya Meningkatkan Efisiensi Penggunaan Energi
Article Sidebar
Main Article Content
Abstract
Automatic Meter Reading (AMR) adalah sistem pembacaan atau pengambilan data hasil pengukuran energi listrik pada konsumen, baik secara lokal maupun jarak jauh. Salah satu fungsi sistem ini adalah untuk menghitung kerugian atau penyusutan distribusi. Salah satu masalah yang dihadapi oleh PLN adalah penyusutan non-teknis yang tinggi dari pelanggan AMR potensial karena kesalahan pemasangan dan pemeliharaan serta tindakan tidak jujur ??yang dilakukan oleh beberapa konsumen, ini memiliki pengaruh besar pada kerugian daya listrik. PT. PLN Disjaya saat ini memiliki 34.000 pelanggan dan menghadapi kesulitan dalam memilih pelanggan mana yang harus diperiksa terlebih dahulu, karena jumlah personel di lapangan sekitar 5 orang, sehingga petugas yang melakukan sweep di lapangan hanya dapat menemukan sedikit kerusakan. Ini memotivasi penulis untuk melakukan pengelompokan yang dapat digunakan untuk memfasilitasi analisis dan evaluasi data. Metode K-Means digunakan dalam penelitian ini untuk mengelompokkan data berdasarkan riwayat penggunaan daya listrik dan untuk menentukan jumlah kelompok yang paling optimal digunakan metode Davies-Bouldin Index (DBI). Berdasarkan hasil pengujian dengan 2-6 set cluster, hasil set cluster yang paling optimal adalah set cluster 4 karena memiliki nilai DBI terkecil, yaitu 0,893, yang berarti set cluster 4 memiliki kepadatan masing-masing objek dengan centroid terbaik dan jarak antar cluster juga dipisahkan dengan baik. Cluster 1 memiliki 12 anggota, klaster 2: 54 anggota, klaster 3: 34 anggota dan klaster 4: 3 anggota. Himpunan 4 cluster memiliki kinerja terbaik dalam pengelompokan data tentang penggunaan daya historis pelanggan AMR (Automatic Meter Reading) di kelas bisnis, setiap titik pusat atau titik pusat dari masing-masing cluster digunakan sebagai atribut dan nilai penggunaan daya pelanggan AMR bagan bisnis di PT. PLN (Persero) Distribusi Jakarta Raya. Tahap pengujian yang diuji adalah data 3 pelanggan yang dikategorikan sebagai pelanggan dengan daya listrik penggunaan tidak normal. Pengujiannya adalah, dengan menentukan jarak dari masing-masing objek pengujian data ke setiap centroid dalam kelompok 4 set. Diharapkan bahwa sistem ini dapat digunakan oleh petugas karyawan di sektor Distribusi, Efisiensi, Pengukuran dan Kualitas Sub Sistem Sistem Distribusi untuk menetapkan target operasi P2TL di kantor distribusi PT. PLN (Pesero) Distribusi Jakarta Rayatau kehilangan listrik adalah salah satu hasil dari penerapan sistem pembacaan daya listrik historis, AMR (Automatic Meter Reading). Salah satu jenis kerugian yang memberi dampak besar terhadap kerugian listrik adalah kerugian Non-Teknis. Saat ini untuk mendeteksi kerugian itu sendiri, petugas masih memeriksa data secara langsung dari setiap pelanggan yang masuk untuk menganalisis dan mengevaluasi data. Terkait hal ini, diperlukan suatu sistem untuk memudahkan analisis dan evaluasi data. Metode K-Means digunakan dalam penelitian ini untuk mengelompokkan data berdasarkan riwayat penggunaan daya listrik dan untuk menentukan jumlah kelompok yang paling optimal digunakan metode Davies-Bouldin Index (DBI). Berdasarkan hasil pengujian aplikasi dengan 2-6 set cluster, hasil set cluster yang paling optimal adalah set cluster 4 karena memiliki nilai DBI terkecil, yaitu 0,893, yang berarti set cluster 4 memiliki kepadatan setiap objek dengan centroid terbaik dan jarak antara cluster juga dipisahkan dengan baik. Cluster 1 memiliki 12 anggota, klaster 2: 54 anggota, klaster 3: 34 anggota dan klaster 4: 3 anggota. Himpunan 4 cluster memiliki kinerja terbaik dalam pengelompokan data tentang penggunaan daya historis pelanggan AMR (Automatic Meter Reading) di kelas bisnis, setiap titik pusat atau titik pusat dari masing-masing cluster digunakan sebagai atribut dan nilai penggunaan daya pelanggan AMR grafik bisnis di PT. PLN (Persero) Distribusi Jakarta Raya. Tahap pengujian yang diuji adalah data 3 pelanggan yang dikategorikan sebagai pelanggan dengan daya listrik penggunaan tidak normal. Pengujiannya adalah, dengan menentukan jarak dari masing-masing objek pengujian data ke setiap centroid dalam kelompok 4 set. Diharapkan aplikasi ini dapat digunakan oleh petugas karyawan di sektor Distribusi, Efisiensi, Pengukuran dan Kualitas Sub Sistem Sistem Distribusi untuk menetapkan target operasi P2TL di kantor distribusi PT. PLN (Pesero) Distribusi Jakarta Raya.
Downloads
Article Details
References
S. S. Bhatti, E. M. Umair, U. Lodhi, and S. Haq, “Electric-Power-Transmission-and-Distribution-Losses-Overview-and-Minimization-in-Pakistan.docx,” Int. J. Sci. Eng. Res., 2015.
B. Pradana, P. Purba, and E. Warman, “Pendekatan Kurva Beban Pada Jaringan Distribusi PT . PLN ( Persero ) Rayon Medan Kota,” Singuda Ensikom, vol. 6, no. 2, pp. 60–64, 2014.
P. A. Yuntyansyah, U. Wibawa, and T. Utomo, “Studi Perkiraan Susut Teknis dan Alternatif Perbaikan Pada Penyulang Kayoman Gardu Induk Sukorejo,” pp. 1–8, 2015.
J. Suryanto, “Analisa Perbandingan Pengelompokkan Curah Hujan 15 Harian Provinsi Diy Menggunakan Fuzzy Clustering Dan K-Means Clustering,” J. AGRIFOR, vol. XVI, pp. 229–242, 2017.
S. Ghosh and S. Kumar, “Comparative Analysis of K-Means and Fuzzy C-Means Algorithms,” Int. J. Adv. Comput. Sci. Appl., 2013, doi: 10.14569/ijacsa.2013.040406.
A. T. Rahman, Wiranto, and A. Rini, “Coal Trade Data Clustering Using K-Means (Case Study Pt. Global Bangkit Utama),” ITSMART J. Teknol. dan Inf., 2017, doi: 10.20961/ITS.V6I1.11296.
E. Kuswantoro and Y. K. Suprapto, “Penerapan Algoritma K-MeansDengan Optimasi Jumlah Cluster Untuk Pengelompokan Angkatan Kerja Propinsi Jatim,” JAVA J. Electr. Electron. Eng., 2015.
A. Muhammad, H. Tumaliang, and S. Silimang, “Analisa Rugi-Rugi Energi Listrik Pada Jaringan Distribusi (JTM) Di PT. PLN (Persero) Area Gorontalo,” Anal. Rugi-Rugi Energi List. Pada Jar. Distrib. Di PT. PLN Area Gorontalo, 2019, doi: 10.35793/jtek.7.3.2018.23634.
F. E. Nasution and J. M. T, “PENGARUH FAKTOR DAYA CUSTOMER INDUSTRI TERHADAP RUGI – RUGI PADA JARINGAN SISI SEKUNDER TRANSFORMATOR DISTRIBUSI PT . PLN ( PERSERO ) AREA SERPONG,” Semin. Nas. Teknol. Fak. Tek. Univ. Krisnadwipayana, 2019.
A. Heriyanto, “Studi Kasus Kinerja AMR (Automatic Meter Reading) Pada Customer Potensial Daya 41.5 KVA – 200 KVA Di Situbondo,” J. Tek. Elektro Univ. Muhammadiyah Jember, 2016.
J. Mangundap, Silimang, Sartje, and H. Tumaliang, “Analisa Rugi-Rugi Daya Jaringan Distribusi Di PT. PLN (Persero) Area Manado 2017,” J. Tek. Elektro dan Komput., 2018.
E. Agustina and A. F. Amalia, “PENURUNAN SUSUT NON TEKNIS PADA JARINGAN DISTRIBUSI MENGGUNAKAN SISTEM AUTOMATIC METER READING DI PT. PLN (PERSERO),” J. Tek. Mesin, 2017, doi: 10.22441/jtm.v5i4.1223.
M. Samarth Pandit, M. Snehamandhre, and M. Meghananichal, “Smart Energy Meter using internet of Things (IoT),” J. Eng. Res. www.vjer.in, vol. 1, no. 2, pp. 222–229, 2017.
Ediyanto, M. N. Mara, and N. Satyahadewi, “Pengklasifikasian Karakteristik Dengan Metod K-Means Cluster Analysis,” Bul. Ilm., 2013.
Suyanto, “Data mining Untuk Klasifikasi dan Klasterisasi Data,” SpringerReference, 2017, doi: 10.1007/SpringerReference_5414.
J. Wu, “Advances in K-means Clustering,” Adv. K-means Clust. A Data Min. Think., 2012, doi: 10.1007/978-3-642-29807-3.
D. L. Davies and D. W. Bouldin, “A Cluster Separation Measure,” IEEE Trans. Pattern Anal. Mach. Intell., 1979, doi: 10.1109/TPAMI.1979.4766909.
N. Putu, E. Merliana, and A. J. Santoso, “Analisa Penentuan Jumlah Cluster Terbaik pada Metode K-Means,” pp. 978–979.
Agustina, E., & Amalia, A. F. (2017). Penurunan Susut Non Teknis Pada Jaringan Distribusi Menggunakan Sistem Automatic Meter Reading Di Pt. Pln (Persero). Jurnal Teknik Mesin, 5(4), 37. https://doi.org/10.22441/jtm.v5i4.1223
Rahman, F., Basuki, A., Aknuranda, I., Komputer, F. I., & Brawijaya, U. (2019). PENGAMBILAN DATA SECARA BERGERAK PADA AUTOMATIC METER Mobile Data Gathering on Automatic Meter Reading with Mesh Network. 6(1), 1–8. https://doi.org/10.25126/jtiik.20196695