Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kecelakaan listrik statis banyak terjadi pada industri minyak dan kimia, serta banyak juga terjadi pada pompa bensin, tangki peternakan, dan kilang minyak. Pengendalian yang kurang tepat menyebabkan kecelakaan listrik statis. Penelitian ini menggunakan metode kajian literatur sistematis dengan pendekatan kualitatif yang meninjau dua belas literatur sesuai kriteria penelitian. Penelitian ini menunjukkan pengendalian bahaya listrik statis dengan tiga metode, yaitu metode mengurangi pembentukan muatan statis, mengurangi akumulasi muatan statis, dan menghilangkan atmosfer mudah terbakar. Pengendalian berdasarkan metode mengurangi pembentukan muatan statis adalah mengontrol gesekan, menggunakan partikel dalam ukuran besar, mengurangi kecepatan gesekan, mengurangi jumlah kontak pada kain, memberi anti statis pada kain poliester dan kain nilon, menggunakan peralatan transfer saat memindahkan material ke dalam vessel. Pengendalian berdasarkan metode mengurangi akumulasi muatan statis adalah melakukan bonding dan grounding, meningkatkan kelembaban relatif, menggunakan alas kaki disipatif, sarung tangan konduktor, lantai penghantar, pakaian anti statis, memberi anti statis pada cairan atau benda padat, membatasi penggunaan bahan isolasi, dan ionisasi. Pengendalian berdasarkan metode menghilangkan atmosfer mudah terbakar adalah menambahkan gas inert dan menerapkan ventilasi. Pengendalian bahaya listrik statis merupakan satu-kesatuan antar ketiga metode dan masing-masing pengendalian memiliki keterbatasannya sehingga penerapannya perlu disesuaikan dengan kondisi lapangan.

---

Static ectricity accidents mostly occur in the oil and chemical industries, and also many occur in gas stations, farm tanks, and oil refineries. Improperly control was caused static electricity accident. This study using systematic review method with a qualitative approach that review twelve literature in accordance with research criteria. This study is shown static electricity hazard control by three method, reducing charge generation, reducing charge accumulation, and remove flammable atmospheres. The control based on reducing charge generation method is friction control, using particles in large sizes, reduce the speed of friction, reduce the number of contacts on the fabric, adding anti-statistics for polyester and nylon fabrics, and use transfer equipment when transferring material to vessel. The control based on reducing charge accumulation method is done bonding and grounding, increase relative humidity, use static-dissipative footwear, conductor gloves, static-dissipative floor, anti-static clothing, adding anti-static to liquids or solid objects, limitation to use insulation materials, and ionization. The control based on removing flammable atmospheres method is adding inert gas and applying ventilation. Static electricity hazard control is a unity between the three methods and each control has its limitations, so the application needs to adjust in field conditions."

"Seiring dengan semakin ketatnya persaingan global dan berfluktuasinya tarif tenaga listrik PLN, banyak perusahaan industri besar pelanggan PLN yang berkeinginan untuk membangun dan mengoperasikan pembangkit sendiri. Meski demikian, perusahaan industri tersebut merasa bahwa pasokan tenaga listrik PLN tetap dibutuhkan karena tidak mungkin pembangkit sendiri mereka bisa beroperasi secara terus-menerus tanpa gangguan sepanjang waktu, sehingga bermaksud melakukan interkoneksi pembangkit sendiri milik mereka dengan jaringan PLN. Penelitian ini bertujuan untuk membuat aplikasi model perhitungan biaya layanan daya listrik cadangan untuk selanjutnya diusulkan menjadi referensi bagi Pemerintah. Hasil perhitungan menggunakan aplikasi model menunjukkan bahwa pada kondisi tertentu, biaya pembangkit sendiri ditambah biaya layanan daya listrik cadangan yang lebih murah daripada tarif tenaga listrik PLN dapat diperoleh. Berdasarkan asumsi-asumsi yang digunakan pada kondisi PLN menyiapkan daya cadangan sebesar 10% dari kebutuhan, tarif layanan daya cadangan minimal sebesar Rp 9.300/kW/bulan dan tarif kWh cadangan sebesar minimal Rp 2.007/kWh

---

As global competition becoming more and more tighten while PLN?s tariff fluctuate monthly, some PLN?s big industrial customers are willing to construct and operate their own power plants. However, those customer realize that they still need PLN?s support because it it impossible their power plants can operate continuously and outage-free all the time, so they want to interconnect their power plants to PLN?s grid. This research?s goal is to create model application to calculate back-up electric power service charge which can be proposed as a reference to the Government. Calculation using the model application shows that in certain condition captive power plant?s cost plus back-up electric power service charge that is less than PLN?s tariff can be achieved. Based on assumptions used in condition PLN prepares back-up power at 10% of total required, back-up power service charge at minimum is Rp 9.300/kW/month and back-up energy charge at minimum is Rp 2.007/kWh."

"Saat ini terjadi kelebihan pasokan listrik di Jawa-Bali seiring beroperasinya PLTU dari program 35.000 Mega Watt. Untuk itu dibutuhkan prediksi kebutuhan energi listrik yang lebih akurat sebagai dasar perencanaan dan pengoperasian sistem tenaga listrik, serta peningkatan efisiensi sistem tenaga listrik. Mengembangkan model yang mencapai presisi peramalan tertinggi dalam konteks tenaga listrik telah menjadi objek studi di beberapa negara. Penelitian ini berusaha menemukan model prediksi konsumsi energi listrik di Indonesia menggunakan LSTM (Long Short Term Memory). LSTM merupakan jenis jaringan syaraf berulang (Recurrent Neural Network) yang sering digunakan untuk mengidentifikasi pola periodik dalam deret waktu (time series) karena merekam hubungan antara nilai yang berurutan. Pelatihan dan pengujian model menggunakan data konsumsi energi listrik dari Januari 2013 hingga Februari 2023 yang diperoleh dari laporan penjualan tenaga listrik PT PLN. Dilakukan percobaan dengan berbagai kombinasi nilai hyperparameter jumlah unit neuron dan jumlah epoch untuk masing-masing model prediksi konsumsi energi listrik Nasional, segmen Rumah Tangga, Bisnis, dan Industri. Evaluasi kinerja model diukur dengan MAPE (rata-rata persentase kesalahan absolut). Model prediksi konsumsi energi listrik nasional dapat memprediksi dengan baik dilihat dari nilai MAPE sebesar 2,212%. Dengan membandingkan akurasi model LSTM yang dibangun dengan prediksi manual yang dilakukan PLN per bulan, maka model LSTM yang dibangun mampu melakukan prediksi lebih akurat.

---

Currently, there is excess power or oversupply of power generation capacity in Jawa-Bali in line with the operation of the PLTU from the 35,000 Mega Watt program. For this reason, a more accurate prediction of electricity demand is needed as a basis for planning and operating the electric power system, as well as increasing the efficiency of the electric power system. Developing a model that achieves the highest forecasting precision in the context of electric power has been the object of study in several countries. This research seeks to find a predictive model of electricity consumption in Indonesia using LSTM (Long Short Term Memory). LSTM is a type of recurrent neural network (RNN) that is often used to identify periodic patterns in a time series because it records the relationship between successive values. Model training and testing uses electricity consumption data from January 2013 to February 2023 obtained from PT PLN's electricity sales report. Experiments were carried out with various combinations of hyperparameter values for the number of neuron units and the number of epochs for each prediction model for the National electricity consumption, the Household, Business and Industrial segments. Model performance evaluation is measured by MAPE (Mean Absolute Percentage Error). The National electricity consumption prediction model can predict well with MAPE value of 2.212%. By comparing the accuracy of the built LSTM model with manual predictions made by PLN per month, LSTM model was able to make more accurate predictions."