SISTEM PENDUKUNG KEPUTUSAN CERDAS UNTUK OPTIMISASI PERMASALAHAN MULTI OBYEKTIF PADA SERIOUS GAME: ECONOMIC AND EMISSION DISPATCH

(1)

SISTEM PENDUKUNG KEPUTUSAN

CERDAS UNTUK OPTIMISASI

PERMASALAHAN MULTI

OBYEKTIF PADA

SERIOUS GAME:

_{SERIOUS GAME:}

ECONOMIC AND EMISSION

DISPATCH

I.G.P. Asto Buditjahjanto

NRP : 2207 301 702

(2)

Latar Belakang

Perkembangan game tumbuh dengan

pesatnya, salah satu bentuk game adalah

Game serius berkenaan dengan produk yang

digunakan untuk rekayasa, perawatan

kesehatan, manajemen, pertahanan,

pendidikan, ekplorasi keilmuan, perencanaan

kota, politik dan agama.

Game serius mempunyai keuntungan karena

dengan cara mensimulasikan

permasalahannya maka resiko yang dihadapi

lebih minimal apabila dibandingkan dengan

melaksanakannya dalam sistem nyata

(3)

Latar Belakang

Kebanyakan perusahaan mempunyai

permasalahan multiobyektif. Permasalahan

multiobyektif pada produksi daya listrik

dikenal dengan permasalahan Economic and

Emission Dispatch

(EED).

Permasalahan multiobyektif mempunyai

beberapa kriteria atau obyektif untuk

dipenuhi secara bersamaan menjadi suatu

permasalahan yang komplek. Hal ini

disebabkan masing-masing obyektif akan

saling konflik antara satu obyektif dengan

obyektif yang lainnya.

(4)

Latar Belakang

Meskipun beberapa metode MOP telah

dikembangkan dan dipelajari namun hanya

sedikit dari mereka yang mengevaluasi hasil

hasil dari MOP.

Hal ini dikarenakan pemilihan sebuah solusi

untuk implementasi sistem dari

Pareto-optimal set dapat menjadi pekerjaan yang

sulit, hal ini karena Pareto-optimal sets dapat

berupa solusi-solusi dengan jumlah sangat

(5)

Latar Belakang

Pendekatan praktis digunakan untuk

membantu dalam menganalisa solusi dari

sebuah optimisasi multiobyektif dan

menyediakan kepada pengambil keputusan

sekumpulan solusi terukur yang dapat

digunakan untuk dianalisa.

Metode ini didasarkan pada metode clustering

di mana solusi solusi dari Pareto optimal set

dikelompokkan sehingga Pareto optimal front

dikurangi menjadi sekumpulan cluster (C.A.

Coello, 2007).

(6)

Perumusan Masalah

Bagaimana merencanakan dan membuat

Inteligent

Decision Support System

(IDSS) dalam mengatasi

Multi-objective Optimisation Problem

?.

Bagaimana mengimplementasikan

Inteligent

Decision Support System

(IDSS) pada

permasalahan

Economic and Emission Dispatch

(EED)?

Bagaimana membuat modul

Non Player Character

(NPC) untuk game serius yang berguna sebagai

Inteligent Decision Support System

(IDSS) yang

menggunakan gabungan metode NSGA2 dan

metode pengklasteran ?

(7)

Batasan Masalah

Pada tahap pemodelan digunakan model

matematis untuk fungsi obyektifnya yaitu fungsi

fuel cost

(biaya bahan bakar) fungsi

emission

(emisi) dan fungsi

transmission loss

(rugi-rugi

transmisi) yang diminimalkan.

Pada bagian optimasi digunakan metode NSGA2

untuk menyelesaikan permasalahan optimasi

multiobyektif

Metode pengklasteran yang digunakan adalah FCM

dan FLVQ untuk dibandingkan metode yang mana

yang paling tepat

Modul NPC yang dibuat hanya untuk permasalahan

EED pada produksi daya listrik dari pembangkit

listrik

(8)

Tujuan

Mensimulasikan

Multiobjective Optimization

Problem

(MOP) untuk permasalahan optimisasi dari

EED dalam bentuk modul NPC.

Menggabungkan metode yang dapat

menyelesaikan MOP (NSGA2) dengan metode

pengklasteran (FCM dan FLVQ) untuk memberikan

suatu keputusan yang cerdas bagi para

pengambilkeputusan.

Memberikan suatu media pembelajaran dengan

menggunakan konsep

Game Based Learning

dalam

bentuk modul NPC yang membahas permasalahan

EED dari pembangkit listrik.

(9)

Manfaat

Simulasi berbentuk

Serious Game

yang

menggunakan teknik optimasi dapat menjadikan

sebagai suatu pembanding bagi metode yang telah

digunakan.

Menggabungkan optimasi permasalahan

multiobyektif dengan teknik pengklasteran akan

memudahkan bagi pengambilkeputusan dalam

memutuskan suatu keputusan berdasarkan hasil

dari simulasi

Serious Game

.

Modul NPC menghasilkan solusi – solusi yang

dihasilkan dari simulasi game serius dalam bentuk

beberapa keputusan alternatif.

(10)

Kontribusi Penelitian

Mengembangkan IDSS yang berdasarkan MOP

untuk permasalahan EED.

Menghasilkan hibridisasi dari metode NSGA2 untuk

dan metode pengklasteran (FLVQ atau FCM) dalam

membentuk IDSS.

Menghasilkan modul

Non Playable Character

(NPC)

berdasarkan IDSS untuk serius game pada

permasalahan EED.

Menghasilkan suatu media pembelajaran yang

didasarkan pada penggunaan NPC untuk

(11)

Permasalahan Economic and Emission Dispatch NSGA2 Pengklasteran Keputusan oleh Pengambil Keputusan Beberapa Solusi Alternatif

Blok diagram Sistem Pendukung Keputusan Cerdas pada

permasalahan multiobyektif pada EED

(12)

Pengaturan Skenario Game

Permasalahan Multiobyektif pada Economic and Environment

Dispatch (EED)

Optimisasi dengan Metode NSGA2

Beberapa Solusi Alternatif

Pemilihan Solusi Berdasarkan Skenario

Keputusan

Penentuan Jumlah Klaster dan Pengklasteran Solusi Optimal dalam

Jumlah Banyak TAHAP 1 TAHAP 2 TAHAP 4 PEMODELAN OPTIMISASI PENGAMBILAN KEPUTUSAN TAHAP 3 PENGKLASTERAN TAHAP 5 SCENARIO GENERATOR Penentuan Jumlah Fungsi Obyektif Penentuan Jumlah Populasi yang dibangkitkan Penentuan Jumlah Klaster untuk Solusi Perubahan Pilihan Solusi Berdasarkan Skenario yang dihadapi

NPC

Diagram Alir

Sistem

Pendukung

Keputusan Cerdas

pada

permasalahan

multiobyektif

pada EED

Pemodelan Optimasi Pengklasteran ScenGen Pengambilan Keputusan

(13)

• Minimalkan [F, E]

Keterangan

Nilai

Populasi 200

Generasi 1000

Probabilitas

Crossover

0.9 Probabilitas Mutasi

0.1 Tabel 4.3 Parameter masukan NSGA2

PENGKLASTERAN SOLUSI OPTIMAL DARI

PERMASALAHAN OPTIMISASI MULTIOBYEKTIF

DENGAN 2 FUNGSI OBYEKTIF

(14)

(15)

Perbandingan FCM dan FLVQ untuk 2 fungsi obyektif

pada EED

Jumah Klaster 2 3 4 5 6 7 8 9 10 PC 0.8586 0.8044 0.7771 0.7591 0.7443 0.7412 0.7348 0.7345 0.7318 PE 0.1039 0.1552 0.1861 0.2078 0.2254 0.2322 0.2422 0.2461 0.2521

Tabel 4.4 Cluster validity untuk jumlah klaster optimal dari 2 fungsi obyektif

Gambar 4.2 Hasil Cluster Validity untuk 2 fungsi obyektif

(16)

Eksponen Pembobot (m) Perfor mansi 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0 Jml iterasi 25 25 24 24 25 25 26 26 27 28 Error 7.2104 E-08 4.7016 E-08 6.7133 E-08 6.4997 E-08 8.4580 E-08 9.6730 E-08 5.3970 E-08 6.1608 E-08 6.4712 E-08 7.6726 E-08 Eksponen Pembobot (m) Perfor mansi 2.5 3 3.5 4 4.5 5 5.5 6 6.5 7 Jml iterasi 30 36 38 48 45 50 52 56 62 64 Error 7.0735 E-08 9.1239 E-08 7.0064 E-08 6.6606 E-08 9.8412 E-08 7.0103 E-08 7.3716 E-08 9.4546 E-08 8.9199 E-08 7.9886 E-08

Tabel 4.5 Hasil performansi FCM untuk mencari nilai optimal bagi 2 klaster dengan 2 fungsi obyektif

(17)

(18)

Eksponen Pembobot awal (m_i) Perfor mansi 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0 Jml iterasi 20 20 20 20 21 21 21 21 22 22 Error _2.8752 E-08 3.5901 E-08 5.5661 E-08 8.7969 E-08 2.9659 E-08 4.1367 E-08 5.7744 E-08 8.2681 E-08 3.3085 E-08 5.1303 E-08 Eksponen Pembobot awal (m_i)

Perfor mansi 2.5 3 3.5 4 4.5 5 5.5 6 6.5 7 Jml iterasi 24 26 28 29 31 32 35 37 39 40 Error _4.8394 E-08 5.0505 E-08 4.7660 E-08 8.4788 E-08 6.2053 E-08 9.4834 E-08 5.3266 E-08 6.0898 E-08 6.7632 E-08 9.6699 E-08

Tabel 4.6 Hasil performansi FLVQ untuk mencari nilai optimal bagi 2 klaster dengan 2 fungsi obyektif

(19)

(20)

Parameter dari metode Pengklasteran Keterangan FCM(m=1.2) FLVQ(m_i=1.1) Nilai pusat klaster Fuel Cost ($/hr) Emission (ton/hr) Fuel Cost ($/hr) Emission (ton/hr) Solusi ke -1 509.4706 0.1935 508.7295 0.1935 Solusi ke -2 234.0859 0.2280 234.3716 0.2279 Iterasi 25 20 Toleransi

Error 4.7016 E-08 2.8752 E-08 Tabel 4.7 Perbandingan Hasil Pengklasteran antara FCM dengan FLVQ

(21)

(22)

Eksponen Pembobot (m) Perfor mansi 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0 Jml iterasi 220 427 308 191 151 120 117 112 89 130 Error _9.3964 E-08 9.7172 E-08 9.8927 E-08 9.9756 E-08 9.9030 E-08 9.7107 E-08 9.3319 E-08 9.2032 E-08 9.7262 E-08 9.5390 E-08 Eksponen Pembobot (m) Perfor mansi 2.5 3 3.5 4 4.5 5 5.5 6 6.5 7 Jml iterasi 197 223 303 218 324 154 315 149 216 193 Error _9.5082 E-08 9.7576 E-08 9.7622 E-08 9.8196 E-08 9.9098 E-08 9.9727 E-08 9.6695 E-08 9.4809 E-08 9.4695 E-08 9.8427 E-08

Tabel 4.8 Hasil performansi FCM untuk mencari nilai optimal bagi 5 klaster dengan 2 fungsi obyektif

(23)

(24)

Eksponen Pembobot awal (m_i) Perfor mansi 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0 Jml iterasi 49 177 181 131 109 99 94 92 92 94 Error _6.2580 E-08 9.7943 E-08 9.7371 E-08 8.9686 E-08 9.9203 E-08 9.0008 E-08 8.5247 E-08 8.3776 E-08 8.8072 E-08 9.0524 E-08 Eksponen Pembobot awal (m_i)

Perfor mansi 2.5 3 3.5 4 4.5 5 5.5 6 6.5 7 Jml iterasi 134 177 328 211 233 236 453 110 114 142 Error 8.9690 E-08 9.9289 E-08 9.2495 E-08 8.3365 E-08 9.3950 E-08 9.8144 E-08 9.1593 E-08 8.9343 E-08 6.4206 E-08 6.6722 E-08

Tabel 4.9 Hasil performansi dari FLVQ untuk mencari nilai optimal bagi 5 klaster dengan 2 fungsi obyektif

(25)

(26)

Parameter dari metode Pengklasteran Keterangan FCM(m=1.8) FLVQ(m_i=1.1) Nilai pusat klaster Fuel Cost ($/hr) Emission (ton/hr) Fuel Cost ($/hr) Emission (ton/hr) Solusi ke -1 625.9815 0.1872 627.0382 0.1872 Solusi ke -2 502.9355 0.1926 510.2026 0.1921 Solusi ke -3 390.4892 0.2026 399.4639 0.2016 Solusi ke -4 274.5854 0.2192 284.6583 0.2175 Solusi ke -5 169.8937 0.2409 176.3579 0.2394 Iterasi 112 49

Toleransi Error 9.2032 E-08 6.2580E-08

(27)

(28)

Minimalkan [F, E, PL]

Gambar 5.1 Hasil output dari NSGA 2 untuk 3 fungsi

menggunakan populasi sebesar 200 dan generasi sebesar 100

PENGKLASTERAN SOLUSI OPTIMAL DARI PERMASALAHAN

OPTIMISASI MULTIOBYEKTIF DENGAN 3 FUNGSI OBYEKTIF

(29)

Perbandingan FCM dan FLVQ untuk 3 fungsi obyektif pada EED Jumlah Klaster 2 3 4 5 6 7 8 9 10 PC _0.8648 _0.8186 _0.7894 _0.7604 _0.7504 _0.7460 _0.7397 _0.7383 _0.7376 PE 0.0997 0.1447 0.1769 0.2072 0.2205 0.2285 0.2375 0.2417 0.2441

Tabel 5.2 Cluster validity untuk 3 fungsi obyektif

Gambar 5.2 Hasil Cluster Validity untuk 3 fungsi obyektif

(30)

Eksponen Pembobot (m) Perfor mansi _1.1 _1.2 _1.3 _1.4 _1.5 _1.6 _1.7 _1.8 _1.9 _2.0 Jml iterasi 26 23 23 22 23 22 24 23 24 22 Error (E_v) 5.4483 E-08 8.7806 E-08 5.7478 E-08 8.5324 E-08 9.4455 E-08 7.1575 E-08 5.1838 E-08 5.1805 E-08 5.8356 E-08 6.5866 E-08 Eksponen Pembobot (m) Perfor mansi 2.5 3 3.5 4 4.5 5 5.5 6 6.5 7 Jml iterasi 25 27 30 34 38 42 44 48 51 56 Error (E_v) 9.0430 E-08 9.0541E-08 6.5092E-08 9.4482 E-08 7.6428 E-08 7.6151 E-08 7.3607 E-08 8.6011 E-08 9.7320 E-08 9.0270 E-08

Tabel 5.3 Hasil performansi dari FCM untuk mencari nilai optimal bagi 2 klaster dengan 3 fungsi obyektif

(31)

(32)

Eksponen Pembobot awal (m_i) Perfor mansi 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0 Jml iterasi 22 20 20 20 20 20 20 20 20 20 Error (E_v) 3.2878 E-08 4.9544 E-08 3.5800 E-08 3.0561 E-08 2.6337 E-08 2.5102 E-08 2.7535 E-08 3.4439 E-08 4.7721 E-08 7.1024 E-08 Eksponen Pembobot awal (m_i)

Perfor mansi 2.5 3 3.5 4 4.5 5 5.5 6 6.5 7 Jml iterasi 22 24 26 28 30 32 33 35 37 38 Error (E_v) 5.8079 E-08 6.4911 E-08 7.0567 E-08 7.0557 E-08 6.3457 E-08 5.4496 E-08 9.3175 E-08 7.0888 E-08 5.7256 E-08 7.8320 E-08

(33)

(34)

Parameter dari metode Pengklasteran Keterangan FCM (m=1.8) FLVQ (m_i=1.6) Pusat Klaster Fuel Cost ($/hr) Emissio n (ton/hr) TL (p.u) Fuel Cost ($/hr) Emission (ton/hr) TL (p.u) Solusi ke - 1 580.1288 0.1912 0.0042 577.6081 0.1912 0.0042 Solusi ke - 2 258.634 0.2241 0.0015 260.3508 0.2238 0.0015 Iterasi 23 20

(35)

(36)

Eksponen Pembobot (m) Perfor mansi _1.1 _1.2 _1.3 _1.4 _1.5 _1.6 _1.7 _1.8 _1.9 _2.0 Jml iterasi 42 106 145 104 112 111 127 115 131 175 Error (E_v) 8.4025 E-08 8.6798 E-08 9.3600 E-08 9.4268 E-08 8.8803 E-08 9.3413 E-08 9.822 0 E-08 9.2199 E-08 9.8523 E-08 9.9190 E-08 Eksponen Pembobot (m) Perfor mansi _2.5 ₃ _3.5 ₄ _4.5 ₅ _5.5 ₆ _6.5 ₇ Jml iterasi 248 209 169 185 238 160 273 422 278 272 Error (E_v) 9.4517 E-08 9.9728 E-08 9.2421 E-08 9.5793 E-08 9.3631 E-08 9.1406 E-08 9.637 2 E-08 9.6808 E-08 9.5774 E-08 9.3614 E-08

Tabel 5.6 Hasil performansi dari Fuzzy C-means untuk mencari nilai optimal bagi 5 klaster dengan 3 fungsi obyektif

(37)

(38)

Eksponen Pembobot awal (m_i) Perfor mansi 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0 Jml iterasi 94 74 75 74 78 84 93 104 116 127 Error (E_v) 4.8716 E-08 7.6088 E-08 9.3572 E-08 8.8134 E-08 7.6587 E-08 8.8018 E-08 8.8749 E-08 9.0919 E-08 9.2758 E-08 9.9095 E-08 Eksponen Pembobot awal (m_i)

Perfor mansi 2.5 3 3.5 4 4.5 5 5.5 6 6.5 7 Jml iterasi 155 148 123 118 136 152 234 407 186 92 Error (E_v) 9.9968 E-08 9.2389 E-08 9.4676 E-08 9.5306 E-08 9.1046 E-08 8.8146 E-08 9.7628 E-08 9.1562 E-08 6.2146 E-08 9.7139 E-08

(39)

(40)

Parameter dari metode Pengklasteran Keterangan FCM (m=1.1) FLVQ (m_i=1.1) Pusat Klaster Fuel Cost ($/hr) Emission (ton/hr) TL (p.u) Fuel Cost ($/hr) Emission (ton/hr) TL (p.u) Solusi ke - 1 645.1701 0.1885 0.0051 645.1702 0.1885 0.0051 Solusi ke - 2 527.7062 0.1927 0.0032 527.7064 0.1927 0.0032 Solusi ke - 3 415.6776 0.2004 0.0026 415.6777 0.2004 0.0026 Solusi ke - 4 298.4910 0.2155 0.0017 298.4911 0.2155 0.0017 Solusi ke - 5 184.7776 0.2378 0.0012 184.7777 0.2378 0.0012 Iterasi 42 94

(41)

(42)

SCENARIO GENERATOR UNTUK PERMASALAHAN EED PADA GAME SERIUS

Jam Daya Listrik Permintaan (p.u)

1 2.057 2 1.941 3 1.564 4 1.903 5 1.574 6 1.873 7 2.834 8 2.635

Tabel 6.1 Daya listrik permintaan untuk seluruh

(43)

Profit = ((PDtot10010000.0928)-FCtot-Devtotπ-Penalty) $/h

PDtot = Daya Total Permintaan (p.u perunit =MW/100); FCtot = Total Biaya Bahan Bakar ($/h);

Devtot = Total Selisih Emisi (ton/h); π (harga emisi perunit ) = $ 100/ton;

(44)

if (Devtot>=2) Penalty=Devtot*10000; elseif(Devtot<1.8)&&(Devtot>=1.6); Penalty=Devtot*10000*1.8; elseif(Devtot<1.6)&&(Devtot>=1.4); Penalty=Devtot*10000*1.6; elseif(Devtot<1.4)&&(Devtot>=1.2); Penalty=Devtot*10000*1.4; elseif(Devtot<1.2)&&(Devtot>=1.0); Penalty=Devtot*10000*1.2; elseif(Devtot<1.2)&&(Devtot>=1); Penalty=Devtot*10000; elseif(Devtot<1)&&(Devtot>=0.8); Penalty=Devtot*10000*0.8; elseif(Devtot<0.8)&&(Devtot>=0.6); Penalty=Devtot*10000*0.6; elseif(Devtot<0.6)&&(Devtot>=0.4); Penalty=Devtot*10000*0.4; elseif(Devtot<0.4)&&(Devtot>=0.2); Penalty=Devtot*10000*0.2; elseif(Devtot<0.2)&&(Devtot>=0); Penalty=Devtot*10000*0.1; elseif(Devtot<0); Penalty=0; end

Gambar 6.1 Listing Program Penentuan Penalty

(45)

Skenario Berorientasi Keuntungan

Gambar 6.2 Scenario Generator untuk skenario berorientasi

(46)

Gambar 6.3 Solusi Pilihan dengan Emisi Reduksi (R) = 0.3 dan Emisi yang diijinkan (G) = 0.3

(47)

Solusi pilihan Emisi Reduksi (R) Emisi Yang Diijinkan (G) Total Biaya Bahan Bakar Total Selisih Emisi Penalty Profit [1,1,1,1,1,1,1,1] 0.3 0.3 5276.5896 -1.3513 0 146974.2204 [1,3,1,3,1,3,1,3] 0.3 0.3 4289.3149 -1.3134 0 147857.7051 [3,1,3,1,3,1,3,1] 0.3 0.3 4317.2362 -1.3140 0 147829.8437 [3,3,3,3,3,3,3,3] 0.3 0.3 3329.9616 -1.2761 0 148813.3284 [5,5,5,5,5,5,5,5] 0.3 0.3 1440.3953 -1.0627 0 150681.5547 [4,5,4,5,4,5,4,5] 0.3 0.3 1880.9195 -1.1226 0 150247.0205 [5,4,5,4,5,4,5,4] 0.3 0.3 1896.3668 -1.1258 0 150231.8932

Tabel 6.3 Hubungan Solusi Pilihan dengan Emisi Reduksi (R) = 0.3 dan Emisi yang diijinkan (G) = 0.3 terhadap Profit

(48)

Gambar 6.4 Scenario Generator untuk skenario berorientasi keuntungan dengan Emisi Reduksi (R) = 0.3 dan Emisi yang diijinkan (G) = 0.1

(49)

Solusi pilihan Emisi Reduksi (R) Emisi Yang Diijinkan (G) Total Biaya Bahan Bakar Total Selisih Emisi Penalty Profit [1,1,1,1,1,1,1,1] 0.3 0.1 5276.5896 0.2487 497.48 146216.7364 [1,3,1,3,1,3,1,3] 0.3 0.1 4289.3149 0.2866 573.22 147124.4841 [3,1,3,1,3,1,3,1] 0.3 0.1 4317.2362 0.2860 571.96 147097.8857 [3,3,3,3,3,3,3,3] 0.3 0.1 3329.9616 0.3239 647.70 148005.6334 [5,5,5,5,5,5,5,5] 0.3 0.1 1440.3953 0.5373 2149.12 148372.4367 [4,5,4,5,4,5,4,5] 0.3 0.1 1880.9195 0.4774 1909.44 148177.5845 [5,4,5,4,5,4,5,4] 0.3 0.1 1896.3668 0.4742 1896.84 148175.0522

(50)

Gambar 6.6 Scenario Generator untuk skenario berorientasi keuntungan dengan Emisi Reduksi (R) = 0.1 dan Emisi yang diijinkan (G) = 0.05

(51)

Solusi pilihan Emisi Reduksi (R) Emisi Yang Diijinkan (G) Total Biaya Bahan Bakar Total Selisih Emisi Penalty Profit [1,1,1,1,1,1,1,1] 0.1 0.05 5276.5896 0.9484 7587.04 139057.2124 [1,3,1,3,1,3,1,3] 0.1 0.05 4289.3149 0.9971 7976.56 139650.0981 [3,1,3,1,3,1,3,1] 0.1 0.05 4317.2362 0.9963 7970.08 139628.7377 [3,3,3,3,3,3,3,3] 0.1 0.05 3329.9616 1.0450 12540.0 136041.2184 [5,5,5,5,5,5,5,5] 0.1 0.05 1440.3953 1.3194 18471.6 131971.7447 [4,5,4,5,4,5,4,5] 0.1 0.05 1880.9195 1.2423 17392.2 132618.3305 [5,4,5,4,5,4,5,4] 0.1 0.05 1896.3668 1.2383 17336.2 132659.2832

(52)

Skenario Berorientasi Lingkungan

Gambar 6.8 Scenario Generator untuk Skenario Berorientasi Lingkungan dengan Emisi Reduksi (R) = 0.1 dan Emisi yang diijinkan (G) = 0.03

(53)

Gambar 6.9 Solusi Pilihan dengan Emisi Reduksi (R) = 0.1 dan Emisi yang diijinkan (G) = 0.03

(54)

(55)

Gambar 6.10 Scenario Generator untuk Skenario Berorientasi Lingkungan dengan Emisi Reduksi (R) = 0.1 dan Emisi yang diijinkan (G*) = 0.01

(56)

(57)

Skenario Dengan Mengatur Parameter Sendiri Solusi pilihan Emisi Reduksi (R) Emisi Yang Diijinkan (G) Total Biaya Bahan Bakar Total Selisih Emisi Penalty Profit [3,3,3,3,3,3,3,3] 0.1 0.05 3329.9616 1.045 12540 136041.2184 [3,3,3,3,3,3,3,3] 0.3 0.05 3329.9616 0.72385 4343.1 144270.2334 [3,3,3,3,3,3,3,3] 0.5 0.05 3329.9616 0.40275 1611 147034.4434 [3,3,3,3,3,3,3,3] 0.7 0.05 3329.9616 0.08165 81.65 148595.9034 [3,3,3,3,3,3,3,3] 0.9 0.05 3329.9616 -0.23945 0 148709.6634

Tabel 6.8 Pengaruh Hubungan Emisi yang diijinkan (G) dengan Nilai Tetap Terhadap Emisi Reduksi (R) yang Berubah – ubah Terhadap Profit Jika Solusi Pilihannya Tetap

(58)

Solusi pilihan Emisi Reduksi (R) Emisi Yang Diijinkan (G) Total Biaya Bahan Bakar Total Selisih Emisi Penalty Profit [3,3,3,3,3,3,3,3] 0.6 0.01 3329.9616 0.5622 2248.8 146380.6984 [3,3,3,3,3,3,3,3] 0.6 0.05 3329.9616 0.2422 484.4 148177.0984 [3,3,3,3,3,3,3,3] 0.6 0.10 3329.9616 -0.1578 0 148701.4984 [3,3,3,3,3,3,3,3] 0.6 0.15 3329.9616 -0.5578 0 148741.4984 [3,3,3,3,3,3,3,3] 0.6 0.2 3329.9616 -0.9578 0 148781.4984

Tabel 6.9 Pengaruh Hubungan Emisi Reduksi (R) dengan Nilai Tetap Terhadap Emisi yang diijinkan (G)