Simulasi Permasalahan Multiobyektif Berbasis Agen Pada Kasus Economic dan Emission Dispatch (EED) Dengan Metode Neuro Fuzzy System di Power Plant

1

Simulasi Permasalahan Multiobyektif Berbasis Agen Pada Kasus

Economic dan Emission Dispatch (EED) Dengan

Metode Neuro Fuzzy System di Power Plant

Fressy Nugroho1, Supeno Mardi2, Moch. Hariadi3

1,2,3 _{Pasca Sarjana Jaringan Cerdas Multimedia (Game Technology)}

Teknik elektro, Teknologi Industri ITS Jl. Keputih Sukolilo – Surabaya 60111

email : fressy@elect-eng.its.ac.id

ABSTRAK

Manajemen operasi listrik telah banyak diteliti, salah satunya adalah permasalahan Economic and Emission Dispatch (EED). Dimana pada permasalahan EED ini berkenaan dengan tingkat emisi yang dihasilkan dari produksi energi listrik yang mencemari lingkungan hidup. Dengan tingkat pencemaran udara yang tinggi, menyebabkan pemanasan global yang dapat mengubah siklus cuaca di dunia ini. Sehingga tiap pembangkit listrik diharapkan dapat melakukan perhitungan dari produksi listrik yang dihasilkan dan tingkat pencemaran yang dihasilkan pula. Permasalahan EED ini terdapat pada bagian produksi dan penjadualan. Dari beberapa penelitian yang telah dilakukan, model yang diajukan belum memiliki kemampuan pembelajaran. Oleh karena itu masih dibutuhkan modul yang mampu melakukan pembelajaran, dengan harapan apabila terjadi perubahan pada sisi masukan akan menyebabkan modul mengenali kondisi baru berdasarkan hasil pembelajaran yang telah dilakukan.

Pada penelitian ini akan dipelajari penggunaan Multiobjective Optimization Problem (MOP) dengan metode Neuro Fuzzy System (NFS) karena kemampuannya dalam meng-akuisisi pengetahuan dan kemampuan pembelajaran. Metode hybrid ini akan diujikan pada kasus penjadualan pada pembangkit listrik yang membahas minimalisasi dari permasalahan Economic and Emission Dispatch (EED).

Kata kunci : simulasi, EED, neuro fuzzy system PENDAHULUAN

1.1 Latar Belakang

Game yang tepat untuk melatih kemampuan dalam mengambil sebuah keputusan diantaranya adalah game bisnis. Dengan game bisnis dapat meminimalkan efek kerugian akibat keputusan yang salah di dunia nyata. Pada penelitian ini, game bisnis yang digunakan sebagai contoh kasus ber-genre Role Play Game (RPG), dimana player berperan sebagai pimpinan sebuah perusahaan listrik independen.

Sebagai pimpinan perusahaan listrik, player dapat berlatih dalam mengambil keputusan dengan menetapkan solusi terbaik dari sejumlah solusi yang diberikan, berdasarkan beberapa kriteria (objective) tertentu. Dengan beberapa kriteria atau multiobjective untuk dipenuhi secara bersamaan, menjadi suatu permasalahan yang kompleks. Hal ini disebabkan masing-masing objective akan saling konflik antara satu objective dengan objective yang lainnya. Untuk itu diperlukan suatu cara

untuk mengatasi permasalahan ini dengan menggunakan pencarian solusi terbaik yang akan memenuhi objective yang berkompetisi dibawah skenario trade-off yang berbeda. Dengan mempertimbangkan multiobjective dan kendala-kendala yang membatasinya, maka formulasi dapat ditentukan.

Manajemen operasi listrik telah banyak diteliti, salah satunya adalah permasalahan Economic and Emission Dispatch (EED). Dimana pada permasalahan EED ini berkenaan dengan tingkat emisi yang dihasilkan dari produksi energi listrik yang mencemari lingkungan hidup. Dengan tingkat pencemaran udara yang tinggi, menyebabkan pemanasan global yang dapat mengubah siklus cuaca di dunia ini. Sehingga tiap pembangkit listrik diharapkan dapat melakukan perhitungan dari produksi listrik yang dihasilkan dan tingkat pencemaran yang dihasilkan pula. Permasalahan EED ini terdapat pada bagian produksi dan penjadualan. Beberapa penelitian tentang EED yang telah dilaksanakan antara lain : Bo Zhao dkk,

2

(2005) menggunakan metode Multi Objective Particle Swarm Optimization (MOPSO) dalam menyelesaikan permasalahan tersebut dan membandingkannya dengan metode Multi Objective Evolutionary Algorithm (MOEA). Hasil penelitiannya menunjukkan keunggulan metode MOPSO dibandingkan MOEA.

Sedangkan I.G.P. Asto dkk (2008), menggunakan Simulated Annealing (SA) dalam menyelesaikan permasalahan single objective yang membahas Economic Dispatch dan membandingkannya dengan metode Linear Programming. Pada penelitian tersebut, Simulated Annealing lebih optimum dibandingkan metode Linear Programming. Dari beberapa penelitian yang telah dilakukan tersebut, model yang diajukan belum memiliki kemampuan pembelajaran. Oleh karena itu masih dibutuhkan modul yang mampu melakukan pembelajaran, dengan harapan apabila terjadi perubahan pada sisi masukan akan menyebabkan modul mengenali kondisi baru berdasarkan hasil pembelajaran yang telah dilakukan.

Pada penelitian ini akan dipelajari penggunaan Multiobjective Optimization Problem (MOP) dengan metode Neuro Fuzzy System (NFS) dalam hal ini Multiple ANFIS, karena kemampuannya dalam beradaptasi dengan perubahan data dan kemampuan pembelajaran. Metode hybrid ini akan diujikan pada kasus penjadualan pada pembangkit listrik yang membahas minimalisasi dari permasalahan Economic and Emission Dispatch (EED). Permasalahan yang dikerjakan merupakan kelanjutan dari penelitian yang telah dilakukan I.G.P. Asto dkk, (2008).

2.5 Sistem Neuro Fuzzy

Salah satu kombinasi yang dilakukan adalah NN-FS (Neural Network dengan Fuzzy System) atau biasa disebut Sistem Neuro Fuzzy (SNF). Pendekatan hibridisasi SNF merupakan realisasi fungsional sistem fuzzy menggunakan jaringan saraf tiruan, dimana bobot koneksi dari JST sesuai dengan parameter sistem fuzzy. Pendekatan ini bertujuan mendesain metode sistem fuzzy menggunakan algoritma pembelajaran yang dimiliki JST. Metode yang termasuk dalam SNF diantaranya adalah ANFIS (Adaptive Neuro Fuzzy Inference System)

ANFIS adalah arsitektur yang secara fungsional sama dengan fuzzy berbasis aturan model Sugeno. Dapat dikatakan bahwa ANFIS adalah suatu metode dimana dalam melakukan penyetelan aturan digunakan algoritma pembelajaran terhadap sekumpulan data. Pada ANFIS, memungkinkan aturan-aturan untuk beradaptasi.

Gambar 2.1 Detail arsitektur ANFIS Sumber : Jang, 199

Lapisan 1 : Masukan tiap neuron berupa data yang akan dilatih. Keluaran tiap neuron berupa derajat keanggotaan yang diberikan oleh fungsi keanggotaan masukan, yaitu :

)

1

(

1

x

A

µ

,

µ

_A

₁

(

x

₁

)

,

µ

_A

₁

(

x

₁

)

atau

)

1

(

1

x

A

µ

. Misalkan fungsi keanggotaan adalah : b a c x x 2 1 1 ) ( − + = µ

2.1

Lapisan 2 : Setiap neuron i pada lapisan kedua berupa neuron tetap yang diberi label Π. Masukan tiap neuron merupakan derajat keanggotaan yang diberikan oleh lapisan pertama. Operator yang digunakan biasanya berupa operator AND. Keluaran lapisan kedua berupa firing strength dari aturan ke-i, yaitu: wi= ( ). (y) i B x i A µ µ ,i=1,2 2.2 Lapisan 3 : Setiap neuron i pada lapisan ketiga berupa neuron tetap yang diberi label N. Masukan tiap neuron merupakan firing strength yang diberikan oleh lapisan kedua.. Keluaran lapisan ketiga berupa rasio perbandingan firing strength aturan ke-i terhadap jumlah firing strength seluruh aturan. Dikenal sebagai firing strength yang dinormalisasi, yang didefinisikan sebagai :

2 1 w w i w i w + = ,i=1,2 2.3 Lapisan 4 : Setiap neuron i pada lapisan ke-empat berupa neuron adaptif terhadap

∏ ∏ 1 A 2 A ∑ 2 B 1 B N N X Y X Y

Lapisan 1 Lapisan 2 Lapisan 3 Lapisan 4 Lapisan 5

11 A µ 12 A µ 11 B µ 12 B µ 1 w 2 w 1 w 2 w 1 1 f w 2 2 f w 2 2 1 1f wf w f= +

3

keluaran. Masukan tiap neuron merupakan firing strength yang dinormalisasi dari lapisan ketiga.. Keluaran lapisan ke-empat berupa parameter-parameter pada neuron tersebut. Parameter-parameter pada lapisan ini disebut sebagai parameter konsekuen, yang didefinisikan sebagai :

) 0 2 2 1 1 (c_i x c_i x c_i w i y i w = + + ,i=1,2 2.5

dimana :

w

_i

adalah firing strength yang dinormalisasi

c

_i

₁

,

c

_i

₂

,

c

_i

₀

adalah parameter konsekuen (bagian THEN)

Lapisan 5 : Setiap neuron i pada lapisan kelima berupa neuron tetap yang diberi label Σ. Masukan tiap neuron merupakan parameter konsekuen yang diberikan oleh lapisan ke-empat.. Keluaran lapisan kelima berupa hasil penjumlahan dari seluruh keluaran lapisan ke-empat, yang didefinisikan sebagai : 2 1 2 2 1 1 w w f w f w w f w f w f i i i i i i i i = = +₊ =∑ ∑ ∑ _{,i = 1,2} 2.10 Tabel 2.1 Prosedur Pembelajaran Hybrid

untuk ANFIS

Arah Maju Arah Mundur

Parameter Premis Tetap Gradient Descent Parameter Konsekuen Least Square Estimator Tetap Sinyal Simpul Keluaran Sinyal Error Sumber : Jang, 1997 2.5.1. MANFIS

MANFIS merupakan perluasan dari ANFIS, untuk menghasilkan keluaran multiple. Sebuah sistem neuro fuzzy dapat berfungsi sebagai tool nonparametric regression, yang memodelkan hubungan regresi secara nonparametrik tanpa referensi terhadap bentuk fungsional yang ditetapkan sebelumnya. Pada dasarnya, ANFIS hanya menghasilkan satu keluaran saja. Sedangkan MANFIS merupakan agregasi terhadap beberapa ANFIS yang tidak tergantung satu sama lain, sebagai satu kesatuan untuk menghasilkan keluaran multiple.Cheng (2004) dan Gomathi (2009) Arsitektur MANFIS, diperlihatkan dalam gambar 2.2 berikut :

Gambar 2.2 Arsitektur MANFIS

Sumber : Cheng, 2004 dan Gomathi, 2009 .

3 Desain penelitian

Pada bab ini akan dijelaskan metode dan cara kerja yang dikerjakan pada penelitian ini untuk menghasilkan fungsi biaya bahan bakar, fungsi emisi dan fungsi kerugian daya sesuai dengan konstrain setiap pembangkit listrik. Fungsi biaya bahan bakar, fungsi emisi dan fungsi kerugian daya ini dapat digunakan untuk menghasilkan diagram pareto sebagai proses berikutnya, dalam tujuan memberikan informasi (yang dilakukan oleh NPC) kepada player, untuk memilih unit pembangkit mana yang akan di aktifkan.

Secara garis besar, desain modul NPC dalam produksi pembangkit listrik pada penelitian ini dapat dilihat pada gambar 3.1, Modul NPC terdapat dalam kotak berwarna biru. Desain modul NPC dalam produksi pembangkit listrik ini merupakan bagian kecil dari penelitian yang dilakukan Asto, dkk (2009).

Gambar 3.1. Desain modul NPC dalam produksi pembangkit listrik Sumber : Asto, dkk (2009) dan perencanaan

Player Aturan Pemerintah untuk mengurangi Polusi Penurunan Biaya Produksi Pemilihan Skenario Fluktuasi Biaya BBM Kebutuhan Daya Listrik Profit Lebih Besar untuk Perusahaan

Pemilihan Power Plant

Power Loss dari Power Plant Kapasitas Produksi Power Plant

Emisi dari Power Plant

Player memilih Power Plant yang akan

diaktifkan

Player memutuskan Solusi yang akan

diambil Total Biaya BBM Total Emisi Power Plant

Total Power Loss

Biaya Total Scoring Keputusan Ranking Score Player - Penalti Polusi - Pemenuhan Kapasitas Produksi - Biaya Produksi - Profit yang diperoleh - Biaya Operasional Pegawai

- Biaya Awal untuk Operasi Power Plant - Biaya Spin Reverse

Wilayah Penelitian Asto, dkk X1 X2 X3 X4 X5 X6 ANFIS-1 ANFIS-2 ANFIS-3 Biaya Bahan Bakar Emisi Kerugian Daya Kerugian Daya E m is i Biaya Bahan Bakar E m is i Biaya Bahan Bakar K e ru g ia n D a ya Modul NPC

4

3.1 Modul NPC

Modul NPC bertugas memberikan informasi berupa hasil perhitungan berdasarkan fungsi biaya bahan bakar, fungsi emisi dan fungsi kerugian daya (Power Loss) kepada player dalam bentuk diagram pareto. Sehingga player dapat menentukan unit pembangkit yang akan diaktifkan. Permasalahan tersebut, dikenal sebagai permasalahan Economic dan Emission Dispatch (EED) yang merupakan permasalahan multi obyektif. Permasalahan multi obyefktif ini berfungsi untuk meminimalkan biaya bahan bakar, meminimalkan emisi serta meminimalkan kerugian daya yang dihasilkan oleh Power Plant. Pada penelitian ini digunakan data kebutuhan daya listrik dalam 24 jam, data daya yang dihasilkan tiap pembangkit, serta biaya bahan bakar, jumlah emisi dan kerugian daya yang merupakan hasil penelitian Indriati dkk, (2007)

Minimalisasi biaya bahan bakar. Biaya bahan bakar dari sistem dapat dihubungkan sebagai kriteria penting untuk kelayakan ekonomi. Kurva biaya bahan bakar diasumsikan untuk diperkirakan dengan fungsi kuadratik dari output daya real generator sebagai berikut :

) / ($ ) ( ) ( 1 2 1 P a bP cP h F N i Gi i Gi i i G

∑

= + + = (3.1)

dimana, PGi merupakan output daya real dari

generator ke-i; N merupakan jumlah total generator; ai (dalam Rp), bi (dalam Rp/MW),

ci (dalam Rp/MW2) adalah koefisien kurva

biaya bahan bakar dari generator ke-i, seperti tampak dalam tabel 3.1 berikut ini : Tabel 3.1 Karakteristik fungsi biaya bahan

bakar

Minimalisasi emisi. Emisi yang dihasilkan dari generator ini antara lain Sulphur Oksida (Sox) dan Nitrogen Oksida (Nox) diberikan sebagai sebuah fungsi dari keluaran generator yang merupakan jumlah kuadratik : ) / ( ) ( ) ( 1 2 2P P P ton h F N i Gi i Gi i i G ∑ = + + = α β γ (3.2)

dimana, PGi merupakan output daya real dari

generator ke-i; N merupakan jumlah total generator; αi (dalam Kg), βi (dalam Kg/MW)

dan γi (dalam Kg/MW2) adalah koefisien

dari generator ke-i, terlihat dalam tabel 3.2 Tabel 3.2 Karakteristik fungsi emisi.

Minimalisasi kerugian daya (power loss). Kerugian daya yang dihasilkan dari generator ini diberikan sebagai sebuah fungsi jumlah perkalian antara daya pembangkit dengan koefisien B :

∑ = ∑ = = N i N j j ij i G PB P P F 1 1 ) ( 3 (3.3)

dimana, Pi dan Pj merupakan output daya

real dari generator ke-i dan transpose daya real dari generator ke-i; N merupakan jumlah total generator; Bij adalah koefisien

dari generator ke-i dan generator ke-j, yang menggambarkan karakter kerugian daya dengan dimensi matrik NxN. Diperlihatkan dalam tabel 3.3.

Tabel 3.3 Masukan Karakteristik Pembangkit Termal untuk fungsi Kerugian Daya berupa Koefisien B sistem 6 unit pembangkit (dalam 10 -4 ) 1.4 .17 .15 .19 .26 .22 .17 .6 .13 .16 .15 .2 .15 .13 .65 .17 .24 .19 .19 .16 .17 .71 .3 .25 .26 .15 .24 .3 .69 .32 .2 .2 .19 .25 .32 .85
Kendala-kendala

1) Kendala Kapasitas Pembangkit

Untuk operasi stabil, keluaran daya nyata dari tiap-tiap generator dibatasi oleh batas atas dan batas bawah sebagai berikut : PGimin ≤ PGi ≤ PGi max (3.3) ) / ( ) ( ) ( 1 2 2P P P ton jam F N i iGi iGi i G ∑ = + + = γ β α Generator No.

γ

_β

α

PLTU Paiton (P1) 4.091 -5.554 6.490 PLTU Gresik (P2) 2.543 -6.047 5.638 PLTGU Grati (P3) 4.258 -5.094 4.586 PLTG Gresik (P4) 5.326 -3.550 3.380 PLTGU Gresik 1 (P5) 4.258 -5.094 4.586 PLTGU Gresik 2 (P6) 6.131 -5.555 5.151 F = ai + bi.PG +ci. PG2 (Rp/jam) Generator No. ai bi ci PLTU Paiton (P1) 9387957.545 37590.684 97.930 PLTU Gresik (P2) 20168950.107 95569.430 47.030 PLTGU Grati (P3) 19112340.476 35437.812 88.993 PLTG Gresik (P4) 625000.000 419000 17.700 PLTGU Gresik 1 (P5) 43100000.000 121000 30.100 PLTGU Gresik 2 (P6) 14400000.000 271000 10.100

5

Perbandingan Emisi Target dengan Emisi NFS

0 2000 4000 6000 8000 10000 12000 1 3 5 7 9 11 13 15 17 19 21 23 Jam E m is i (d a la m M W ) Target emisi Emisi dg NFS

Perbandingan P Loss dengan PL dan NFS

0 5 10 15 20 25 1 3 5 7 9 11 13 15 17 19 21 23 Jam P L o s s ( M W /j a m ) Target P Loss Keluaran P Loss dengan NFS Perbandingan Fungsi Biaya Target dengan Keluaran ANFIS per jam

0.00 100000000.00 200000000.00 300000000.00 400000000.00 500000000.00 600000000.00 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Jam B ia y a B a h a n B a k a r (R u p ia h /j a m )

Target Fungsi Biaya Keluaran ANFIS Tabel 3.3 Masukan Karakteristik

Pembangkit Termal untuk fungsi Kerugian Daya berupa Koefisien B sistem 6 unit pembangkit (dalam 10 -4 ) 1.4 .17 .15 .19 .26 .22 .17 .6 .13 .16 .15 .2 .15 .13 .65 .17 .24 .19 .19 .16 .17 .71 .3 .25 .26 .15 .24 .3 .69 .32 .2 .2 .19 .25 .32 .85

2) Kendala Keseimbangan Daya

Total pembangkitan daya listrik PGi harus

memenuhi total daya permintaan listrik PD

dan total kerugian transmisi PL , sehingga : ∑P_Gi−P_D−P_L=0 (3.4)

Formulasi Model Matematika

Permasalahan pada EED dapat dirumuskan secara matematika sebagai optimasi permasalahan multiobyektif sebagai berikut Minimalkan [F1(PG), F2(PG), F3(PG)] (3.5)

Berikutnya dilakukan proses untuk mencari keluaran tiap fungsi menggunakan metode adaptive neuro fuzzy inference system (ANFIS) yang terpisah. Dimana tiap metode ANFIS tidak saling tergantung dengan metode ANFIS lain. Kemudian, keluaran ANFIS digunakan untuk membentuk diagram solusi pareto Secara garis besar, modul NPC ini dapat dilihat dalam gambar 3.2 sebagai berikut :

Gambar 3.2 Modul NPC

3.2 Data kapasitas terpasang

Data masukan merupakan data fungsi biaya bahan bakar, fungsi emisi dan fungsi kerugian daya yang merupakan hasil penelitian Indrati, dkk (2007) dengan menggunakan metode pemrograman linear . Dalam penelitian ini, tidak semua data tersebut digunakan karena yang digunakan sebagai acuan adalah sistem standar IEEE 6

generator 30 bus, seperti yang terlihat pada tabel 4.1 berikut ini :

Tabel 4.1 Data Kapasitas Terpasang Unit Pembangkit Termal di Jawa Bali area IV yang digunakan dalam penelitian ini

Sumber : Indrati, 2007

4 Hasil penelitian

Dari penelitian yang telah dilakukan, didapat grafik – grafik yang menggambarkan hasil metode ANFIS dengan metode pemrograman linear, sebagai berikut :

Grafik 4.1 Perbandingan fungsi biaya bahan bakar target dengan keluaran ANFIS.

Grafik 4.2 Perbandingan fungsi emisi target dengan keluaran ANFIS.

Grafik 4.3 Perbandingan fungsi emisi target dengan keluaran ANFIS.

Kapasitas Uni

t

Nama Unit Tipe

Bahan Bakar Max Min

1 PLTU Paiton (P1) Batubara 800 250

2 PLTU Gresik (P2) Gas 500 45

3 PLTGU Grati (P3) Gas 500 145

4 PLTG Gresik (P4) Gas 101.75 25

5 PLTGU Gresik 1 (P5) Gas 526.26 45

6 PLTGU Gresik 2 (P6) Gas 526.26 45

X1 X2 X3 X4 X5 X6 ANFIS-1 ANFIS-2 ANFIS-3

Biaya Bahan Bakar

Emisi Kerugian Daya Kerugian Daya E m is i Biaya Bahan Bakar E m is i Biaya Bahan Bakar K e ru g ia n D a y a

6

150 200 250 300 350 9 9.5 10 10.5 1450 1500 1550 1600

Bahan Bakar (juta Rupiah/jam) Diagram Pareto multiobyektif 3 dimensi

Kerugian Daya (MW/jam)

E m is i (T o n /j a m )

Berikutnya diperlihatkan diagram pareto yang didapat dalam format tiga dimensi, karena terdiri dari tiga fungsi obyektif, dalam gambar 4.1 sebagai berikut :

Gambar 4.1 Diagram pareto 3 dimensi Bentuk FSM, untuk NPC dalam simulasi berbasis agen ini diperlihatkan dalam gambar 4.2 sebagai berikut :

Gambar 4.2 FSM untuk simulasi game bisnis

5 Konklusi

Dari diagram pareto tersebut, dapat dibuat behaviour untuk NPC, sebagai pemberi informasi kepada player.

Biblografi

Abido.M.A.Multiobjective

EvolutionaryAlgorithms for Electric Power Dispatch Problem, IEEE Transaction On Evolutionary Computation, Vol.10, No 3, June 2006. Balasubramanian, N., Brent G.

WilsonGamesand

Simulations.(2005).Dari

http://site.aace.org/pubs/foresite/Games AndSimulations1.pdf

Chi-Bin Cheng,” Process Optimization by Soft Computing and Its Application to a Wire Bonding Problem”, International Journal of Applied Science and Engineering. 2, 1: 59-71 2004

Christopher A. Chung. Simulation Modeling Handbook A Practical Approach.CRC Press LLC, 2000 N.W. Corporate Blvd., Boca Raton, Florida, 2004.

Chu-Yun Chen and Shih-Ming Yang. A DSP-Based Neuro-Fuzzy MIMO System for Identification and Control.Master Thesis. 2006.

Gerhard Weiss. Multiagent Systems A Modern Approach to Distributed Modern Approach to Arti_cial Intelligence. The MIT Press, Cambridge, Massachusetts, London, England, 1999.

Indrati Agustinah and Unit Three.(2007). Development Model Optimisation Fuel Scheduling with Method Linear Programming for minimalisation of Production Cost Electrical System at Java Bali. Technical Report 007/SP2H/PP/DP2M/III/2007, Faculty of Engineering, Electrical Engineering, State University of Surabaya.

I.G.P. Asto Buditjahjanto, Mochammad Hariadi,Mauridhi Hery Purnomo,.Using Simulated Annealing for Simulated Based Optimization on Power Plant Schedulling, The 4th International Congress on Logistic and SCM Systems, Effective Supply Chain and Logistic Management for Sustainable Development, Bangkok, Thailand 26-28 November, 2008

Jerry Banks. Handbook Of Simulation, Principles, Methodology, Advances, Applications, And Practice. A Wiley-Interscience Publication, John Wiley &Sons, Inc., 1998.

Jyh-Shing Roger Jang, Chuen-Tsai Sun dan Eiji Mizutani. Neuro-Fuzzy and Soft Computing, A Computational Approach to Learning and Machine Intelligence. Prentice Hall, Inc, 1997

Lakhmi Jain Ajith Abraham and Robert Goldberg. Evolutionary Multiobjective Optimization Theoretical Advances and Applications. Springer-Verlag London Limited, 2005. Idle Be rt emu pe mb_an gk it li st rik L an j ut k a n p e r j a l a n a n Hitung EED Buat Klasifikasi pembangkit listrik berdasar EED Berjalan Beli pembangkit

listrik Tidak Beli

La_nj ut kan pe_rj al_an an E E D r e n d a h EED ti ngg i Jual Emission Dispatch Emission >>> K_uota Negara Total Pendapatan Ter ima Ke untun gan Penambahan Pembangkit Listrik Lab_{a >} >> L a n j u t k a n p e r j a l a n a n T i d a k L a k u Donasikan Emission Dispatch Ke Negara Miskin

P e m b a n g k i t L i s t r i k h a b i s Ke level berikutnya Penghitungan Kebutuhan Listrik Pend ataa n Kebu tuha n List rik

7

Stijn-Pieter A. van Houten. A suite of

services for interactive distributed simulations. PhD thesis, Delft University of Technology Faculty of Technology, Policy and Management Systems Engineering Group, 2004. Stuart J. Russell and Peter Norvig. Arti_cial

Intelligence A Modern Approach. Prentice Hall, Englewood Cli_s, New Jersey 07632, 1995. ISBN 0-13-103805-2.

V. Gomathi, Dr. K. Ramar, and A. Santhiyaku Jeevakumar,” Human Facial Expression Recognition using MANFIS Model”, World Academy of Science, Engineering and Technology 50, 2009 Woods. Allen J. and Bruce F. Wollenberg,

1996, Power Generation, Operation and Control, John Willy and Son Inc Zhao Bo, Cao Yi-jian, 2005,

Multiple-obyektif particle swarm optimization technique for economic load dispatch, Journal of Zhejiang University SCIENCE, 2005, 6A(5), hal 420-427.