digilib@itb.ac.id +62 812 2508 8800

ABSTRAK Muhammad Akhsanul Farhan
PUBLIC Alice Diniarti

COVER Muhammad Akhsanul Farhan
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan

BAB 1 Muhammad Akhsanul Farhan
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan

BAB 2 Muhammad Akhsanul Farhan
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan

BAB 3 Muhammad Akhsanul Farhan
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan

BAB 4 Muhammad Akhsanul Farhan
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan

BAB 5 Muhammad Akhsanul Farhan
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan

PUSTAKA Muhammad Akhsanul Farhan
Terbatas  Alice Diniarti
» Gedung UPT Perpustakaan

Seiring perkembangan zaman serta meningkatnya jumlah penduduk manusia di bumi, kebutuhan akan energi pun semakin besar. Saat ini, sebagian besar sumber energi listrik yang digunakan di Indonesia berasal dari energi fossil dan hanya berasal dari satu sumber yaitu PLN. Oleh karena itu diperlukan adanya pengembangan sistem yang bertujuan untuk meningkatkan efisiensi pemakaian energi dengan mendorong terjadinya pengurangan kebutuhan (demand) konsumen terhadap energi listrik sehingga dapat menurunkan jumlah energi yang dibangkitkan serta mengontrol perilaku pemakaian listrik untuk menghindari lonjakan beban pada periode-periode tertentu. Penelitian ini dilakukan untuk menganalisis rancangan sistem kontrol dan manajemen beban (demand side management) yang berada di gedung Labtek XIV atau Freeport Indonesia Business Research Centre Sekolah Bisnis Manajemen Institut Teknologi Bandung (FIBRC SBM ITB). Dilakukan simulasi dan pengujian untuk memodelkan perilaku beban gedung serta load shifting pada beban air conditioner menggunakan perangkat Python serta pengukuran beban dengan beberapa kondisi uji sebelum dan sesudah implementasi sistem kontrol dan manajemen beban. Pada tahap awal dilakukan pemodelan produksi photovoltaic (PV) dengan menggunakan library PVLIB dan pemodelan profil beban dilakukan dengan tiga metode yaitu Support Vector Regression (SVR), Artificial Neural Network (ANN), dan Deep Neural Network (DNN). Load shifting dilakukan mengacu pada hasil pemodelan dengan nilai eror paling rendah. Nilai load cover factor (LCF) sebelum dilakukan load shifting sebesar 46% dan nilai supply cover factor (SCF) sebesar 89%. Setelah dilakukan load shifting nilai LCF menjadi 49% dan nilai SCF menjadi 90% sedangkan ketika memasukkan sistem baterai, nilai LCF menjadi 77,5% dan nilai SCF 94,6%.