Hasil Pencarian  ::  Simpan CSV :: Kembali

"Microgrid dituntut untuk dapat mendeteksi kondisi islanding dalam waktu yang cepat untuk dapat mencegah memburuknya gangguan. Dan salah satu metode deteksinya yaitu deteksi pasif yang dapat mendeteksi secara cepat dan sistemnya sederhana tapi mengorbankan akurasi deteksinya. Sehingga digunakan machine learning pada metode pasif untuk meningkatkan akurasi deteksinya. Metode deteksi yang diajukan ini membaca sinyal tegangan yang kemudian diolah dengan Variational Mode Decomposition (VMD) untuk menjadi fitur masukkan machine learning Long Short Term Memory (LSTM) yang digunakan untuk mendeteksi keadaan Islanding. Simulasi metode deteksi ini yang dilakukan pada model microgrid PV-baterai menghasilkan deteksi dengan akurasi sebesar 97.6% dengan waktu deteksi sekitar 0.04 detik

---

Microgrid is required to be able to detect islanding conditions as fast as possible to prevent worsening the situation. And one of the detection methods is passive detection which can detect quickly and simple but have low detection accuracy and a non-detection zone (NDZ). Hence, machine learning is used in the passive method to improve the detection accuracy and remove NDZ. The proposed detection method reads grid voltage signal which is then processed with Variational Mode Decomposition (VMD) to become an input feature for Long Short-Term Memory (LSTM) machine learning which is used to detect the Islanding state. The simulation of this detection method on the PV-battery microgrid model resulted in detection with an accuracy of 97.6%, a detection time about 0.04 seconds and almost zero NDZ."

"

Nilai tukar Dolar AS terhadap Rupiah (USD/IDR) merupakan indikator penting dalam ekonomi yang dapat mempengaruhi berbagai keputusan bisnis dan investasi. Dalam penelitian ini, dikembangkan model hybrid Autoregressive Integrated Moving Average (ARIMA) dengan Long Short-Term Memory (LSTM) menggunakan filter Variational Mode Decomposition (VMD) untuk peramalan nilai tukar USD/IDR. Data yang digunakan dalam penelitian ini adalah data harian dari 1 Januari 2022 hingga 26 Februari 2024. Model hybrid ARIMA-LSTM memanfaatkan keunggulan masing-masing metode dalam menangani pola pada data runtun waktu. Filter VMD digunakan untuk mendekomposisi data menjadi beberapa mode yang masing-masing memiliki karakteristik frekuensi dan kompleksitas yang berbeda. Kompleksitas diukur menggunakan Sample Entropy (SE) untuk mengidentifikasi komponen untuk dimodelkan dengan LSTM atau ARIMA. Dalam penelitian ini, filter VMD menghasilkan 10 mode yang kemudian direduksi menjadi 4 komponen berdasarkan kemiripan nilai SE. Komponen dengan  nilai SE lebih kecil dari 1 dimodelkan menggunakan LSTM, sedangkan komponen dengan nilai SE lebih besar dari 1 dimodelkan dengan ARIMA. Hasil peramalan menunjukkan bahwa model hybrid ARIMA-LSTM dengan filter VMD memiliki nilai RMSE sebesar 35,4188, yang lebih kecil dibandingkan dengan model ARIMA, LSTM, maupun model hybrid ARIMA-LSTM tanpa filter VMD. Dengan demikian, model hybrid ARIMA-LSTM dengan filter VMD terbukti memberikan performa peramalan terbaik untuk data nilai tukar USD/IDR, serta penggunaan VMD meningkatkan akurasi peramalan.

---

The US Dollar exchange rate against the Rupiah (USD/IDR) is an important indicator in the economy that can influence various business and investment decisions. In this research, a hybrid Autoregressive Integrated Moving Average (ARIMA) with Long Short-Term Memory (LSTM) ARIMA-LSTM model using a Variational Mode Decomposition (VMD) filter was developed for forecasting the USD/IDR exchange rate. The data used in this research is daily data from January 1, 2022, to February 26, 2024. The ARIMA-LSTM hybrid model leverages the strengths of each method in handling patterns of time series data. The VMD filter is used to decompose the data into several modes, each of which has different frequency and complexity. Complexity is measured using Sample Entropy (SE) to identify components for modeling with LSTM or ARIMA. In this research, the VMD filter produces 10 modes which are then reduced to 4 components based on the similarity of SE values. Components with SE smaller than 1 are modeled using LSTM, while components with SE larger than 1 are modeled with ARIMA. The forecasting results show that the ARIMA-LSTM hybrid model with a VMD filter has an RMSE value of 35.4188, which is smaller than the ARIMA, LSTM, or the ARIMA-LSTM hybrid model without a VMD filter. Thus, the ARIMA-LSTM hybrid model with VMD filter is proven to provide the best forecasting performance for USD/IDR exchange rate data, and the use of VMD increases forecasting accuracy

"

"Indonesia dikenal dengan negara yang berada pada garis khatulistiwa yang memiliki potensi sinar matahari yang besar sehingga bisa di manfaatkan sebagai salah satu sumber energi baru terbarukan di Indonesia, yaitu PLTS Pembangkit Listrik Tenaga Surya. Guna meningkatkan perkembangan energi baru dan terbarukan, maka diperlukan pihak swasta untuk dapat menjalin kerjsama dan bersedia menanamkan modalnya atau investasi dalam pengembangan energi baru dan terbarukan. Penelitian ini secara umum secara analisis keekonomian menggunakan metode NPV, IRR, Payback Periode, dan WACC terhadap tiga skenario yang berbeda, skenario pertama sesuai dengan harga yang sesuai power purchase agreement PPA pada tahun 2014, skenario kedua melakukan financing scheme dengan diberikannya isentif terhadap perubahan harga beli listrik oleh pemerintah pada tahun 2017, dan skenario ketiga melakukan penyesuain terhadap teknologi solar panel terhadap fluktuatif itensitas radiasi matahari. Berdasarkan hasil perhitungan keekonomian diperoleh untuk skenario pertama didaptakan IRR sebesar 14,47 dan NPV sejumlah 2.821.177 dengan masa pengembalian selama 6,37 tahun, skenario kedua IRR sebesar 12,27 dan NPV sejumlah 1.304.373 dengan masa pengembalian selama 7,65 tahun, dan skema ketiga dengan IRR sebesar 14,89 dan NPV sejumlah 3.056.457 dengan masa pengembalian selama 6,23 tahun. Untuk Analisis risiko menggunakan metode analisis sensitivitas dan teridentifikasi risiko yang berpotensi dapat menggangu parameter resiko investasi IRR, NPV, dan Payback Periode adalah political risk dan natural and climate risk.

---

Indonesia is known as a country that is on the equator which has great sunlight potential so that it can be utilized as one of renewable energy source in Indonesia, that is Solar Power Plant. This study is generally analyzed economically using the NPV, IRR, Payback Period, and WACC methods against three different scenarios, the first scenario corresponds to the appropriate power purchase agreement PPA price in 2014, the second scenario financing scheme with the incentive Changes in electricity purchase price by the government in 2017, and the third scenario is adjusting the solar panel technology to fluctuating solar radiation itensity. Based on the economic calculations obtain for the first scenario is obtain IRR of 14.47 and NPV of 2,821,177 with a payback period of 6.37 years, the second scenario is obtain IRR of 12.27 and NPV of 1,304,373 with a payback period of 7.65 years and the third scenario is obtain IRR of 14.89 and NPV of 3,056,457 with a payback period of 6.23 years.For risk analysis using sensitivity analysis methods and identified risks that could potentially disrupt investment risk parameters IRR, NPV, and Payback Period are political risk and natural and climate risk."

"Microgrid (Jaringan Listrik Mikro/JLM) adalah system pembangkit terdistribusi menggunakan beberapa sumber energi sebagai sumber energi listrik, antara lain, dari sumber energi terbarukan, sehingga ramah lingkungan. JLM dapat bekerja terhubung dengan grid ataupun bekerja secara terpisah dari grid/isolated. Stabilitas sistem JLM memberikan reliabilitas, kualitas daya dan efesiensi daya listrik yang lebih baik. Pada JLM yang menggunakan sumber energi surya maka ada satu kondisi dimana pada saat kondisi islanding (tidak terhubung pada jaringan utilitas/PLN) dan pembangkit tidak mendapatkan pasokan energi surya, seperti pada saat malam hari, maka hanya menggunakan baterai sebagai sumber energinya. Hal ini menimbulkan permasalahan lain yaitu bagaimana melakukan pengaturan operasi baterai dari masing-masing pembangkit, dengan tetap dapat menjaga kontinuitas penyaluran daya ke beban sehingga setiap pembangkit tetap mampu menyalurkan daya tanpa harus dilakukan pemutusan beban karena kekurangan pasokan energi dari baterai atau jika dilakukan pemutusan beban maka dipastikan paling minimal. Dengan pola pengaturan operasi yang dilakukan pada saat pembangkit beroperasi menggunakan baterai, disetiap akhir siklus operasinya, selain seluruh beban dapat dipasok daya,juga tercapai kondisi level baterai maksimum. Untuk menyelesaikan permasalahan diatas maka dibuat metode pembagian daya antar inverter pada aplikasi manajemen energi di JLM-PV yang mengatur operasi penggunaan baterai cadangan di setiap pembangkit terdistribusi agar dapat menjaga kontinuitas pasokan daya atau minimalisasi besaran beban yang harus diputus, dengan menggunakan zero one integer programing. Pada setiap pembangkit guna memenuhi kebutuhan daya dari beban dengan mekanisme pengaturan pembagian penyaluran daya lisrik (power sharing) antar pembangkit serta melakukan pemanfaatan sumber energi yang berasal dari radiasi matahari secara maksimal, berdasarkan data perkiraan beban dan perkiraan radiasi. Dari hasil penelitian menunjukan penerapan mekanisme optimasi pemutusan beban menggunakan zero-one integer programming pada permasalahan diatas dapat meningkatkan IPD (indek penyaluran daya) dari 86,65% menjadi 95,75% pada simulasi 5 pembangkit dengan metode pembagian daya berdasarkan mode operasi kesamaan daya inverter. Sementara berdasarkan mode operasi kesamaan level baterai penerapan optimasi pemutusan beban meningkatkan IPD dari 95,86% menjadi 99,20%.

---

Microgrid is a distributed generation system using multiple energy sources, such as, renewable energy sources, that making it environmentally friendly. Microgrid is able to work connected to grid (on grid) or disconnected to grid (off grid/isolated). Microgrid system provides better reliability, power quality and power efficiency. On solar energy microgrid,during the islanding condition and no solar radiation, at night, it only use the battery as a source of energy. This condition raises another problem of how to manage battery operation of each generation to maintain the continuity of the power distribution to each load so that each generation is still able to distribute power without load shadding due to insufficient of energy supply from the battery or if load shedding is done, it must be done at the most minimum. By performing operation management of the generation when supplied using the battery, the entire load can be supplied with power and the battery reached the maximum level, at the end of every operation cycle.

To solve the aforementioned problem, the inverter power sharing method is developed in energy management application on PV-microgrid, which will manage the usage of back-up battery operation on each distributed generation in order to maintain the continuity of power distribution or to minimize the amount of load shedding, by using the zero one integer programming. To meet the load power requirements with generated power and to maximizing the use of solar radiation energy, each generation, using power sharing control mechanism based on data of load prediction and forecasting of solar radiation.

The result of the research shown that implementation of the load shedding optimization mechanism using zero-one integer programming on the aforementioned problem, can increase the PDI (Power Distribution Index) from 86,65% to 95,75% at 5 generation simulation, with power sharing method based on Equal Inverter Output Power Operation Mode. Meanwhile, power sharing method based on Equal Battery Level Operation Mode, the implementation of load shedding optimization increases PDI from 95,86% to 99,20%."

"

Pengawasan bawah air sangat penting untuk memantau ekosistem laut, melindungi infrastruktur kritis, dan memastikan keamanan maritim dengan pendeteksian anomali, pelacakan aktivitas bawah air, dan perlindungan area sensitif. Namun, Kendaraan Bawah Air yang Dioperasikan dari Jarak Jauh (ROV) memiliki beberapa tantangan, salah satunya adalah arus bawah air sehingga diperlukan pengendali yang kuat untuk menjaga stabilitas. Skripsi ini memodelkan hubungan antara input dari RPM motor dengan pitch rate dan yaw rate sebagai output. Model Sistem Dinamis didapat dengan menggunakan data-data yang diperoleh selama uji lapangan di salah satu kolam uji coba di kota Bandung. Sebanyak 57,788 titik data dikumpulkan selama lima menit dan diolah menggunakan aplikasi MATLAB dengan memanfaatkan jaringan neural LSTM. Hasilnya menunjukkan bahwa dari Model Sistem Dinamis pitch rate didapatkan hasil simulasi terbaik dengan hyperparameter di dua layer LSTM, 900 Hidden Units, 1700 Epochs, 100 mini-batch size, 0.001 Initial Learning Rate, 0.8 Gradient Threshold, dan rasio training : testing sebesar 55:45, Selain itu, didapatkan nilai Root Mean Square Error (RMSE) training dan testing sebesar 0.041248 dan 0.2517. Pada Model Sistem Dinamis yaw rate didapatkan hasil simulasi terbaik dengan hyperparameter di dua layer LSTM, 950 Hidden Units, 2000 Epochs, 120 mini-batch size, 0.0005 Initial Learning Rate, 0.8 Gradient Threshold, dan rasio training : testing sebesar 55:45 dengan perolehan nilai RMSE training dan testing sebesar 0.030847 dan 0.70734. Dari simulasi yang telah dilakukan, penulis berhipotesis bahwa hasil simulasi telah cukup optimal untuk  digunakan dalam pemodelan Sistem Dinamis pada Kendaraan Bawah Air yang Dioperasikan Jarak Jauh.

---

Underwater surveillance is crucial for monitoring marine ecosystems, protecting critical infrastructure, and ensuring maritime security through anomaly detection, underwater activity tracking, and safeguarding sensitive areas. However, Remotely Operated Underwater Vehicles (ROVs) face several challenges, including underwater currents, necessitating robust controllers to maintain stability. This thesis models the relationship between input from motor RPMs and pitch rate and yaw rate as output. The Dynamic System Model is obtained using data collected during field tests in one of the trial pools in Bandung. A total of 57,788 data points were gathered over five minutes and processed using the MATLAB application, leveraging a neural LSTM network. The results indicate that for the Dynamic System Model, the best simulation results for pitch rate were achieved with hyperparameters in a two-layer LSTM: 900 Hidden Units, 1700 Epochs, 100 mini-batch size, 0.001 Initial Learning Rate, 0.8 Gradient Threshold, and a training-to-testing ratio of 55:45. Additionally, the Root Mean Square Error (RMSE) values for training and testing were 0.041248 and 0.2517, respectively. For yaw rate, the best simulation results were obtained with hyperparameters in a two-layer LSTM: 950 Hidden Units, 2000 Epochs, 120 mini-batch size, 0.0005 Initial Learning Rate, 0.8 Gradient Threshold, and the same training-to-testing ratio. The corresponding RMSE values for yaw rate were 0.030847 (training) and 0.70734 (testing). Based on the conducted simulations, the author hypothesizes that the simulation results are sufficiently optimal for use in modelling the Dynamic System of Remotely Operated Underwater Vehicles.

"

"Dekomposisi spektral telah diaplikasikan pada data seismik dalam meningkatkan resolusi, visualisasi stratigrafi, memprediksi ketebalan lapisan tipis, dan mendeteksi langsung keberadaan hidrokarbon. Pada kasus ini, Metode Empirical Mode Decomposition digunakan untuk mendekomposisi suatu sinyal utama menjadi beberapa sub-sinyal yang bervariasi, yang memiliki berbagai macam frekuensi. Beberapa sub-sinyal tersebut biasa disebut IMF (Intrinsic Mode Function). Tahap selanjutnya dilakukan Transfromasi Hilbert untuk setiap IMF.Hasil yang didapatkan dari proses Spectral Decomposition dengan metode Empirical Mode Decomposition dan Transformasi Hilbert menunjukkan kemampuan yang bagus pada data sintetik. Sedangkan pada data riil mampu membedakan respon gas dan batu bara pada anomali brigth spot dengan melalui analisis Transformasi Hilbert berdasarkan respon amplitudo sesaat.

---

Spectral decomposition have been applied for seismic data to enhance resoution, improve stratigraphy visualization, thin bed prediction, and direct hydrocarbon indicator. In this case, the empirical mode decomposition method is used to decompose main signal into several variated sub-signal that have many types of frequencies. Some sub signal are usually called IMF (intrinsic mode function). Then do the Hilbert Transform to each IMF to get the time frequency section.

The result from the spectral decomposition method using empirical mode decomposition show good performance on syntethic data. While on real data can be clarified gas and coal response from the brigth spot anomaly by Hilbert-Huang transform method based on instantaneous amplitude."

"Peramalan beban listrik memegang peranan yang sangat penting bagi efisiensi dan kinerja dari PLN. Berbagai jenis metode dipakai untuk mendapatkan hasil peramalan beban yang akurat agar daya yang dikirimkan sesuai dengan kebutuhan listrik dari konsumen. Skripsi ini membahas peramalan beban jangka pendek satu minggu ke depan dengan menggunakan Jaringan Syaraf Tiruan (JST). Peramalan beban jangka pendek sangat dipengaruhi oleh faktor-faktor cuaca, yang dalam hal ini menjadi masukan JST, yaitu : Suhu, Kelembaban, Tekanan udara, dan Kecepatan angin. Data yang digunakan untuk pembelajaran adalah data sebenarnya sepanjang tahun 2011. Arsitektur yang digunakan adalah feed-forward dan algoritma yang dipakai adalah algoritma backpropagation. Berdasarkan hasil didapatkan nilai MAPE terbaik sebesar 1.8 % dan untuk 10 kali running sebesar 2.65 % sehingga berada di bawah ambang kesalahan peramalan.

---

Electrical load forecasting has an important role for efficiency and performance from PLN.Various types of methods have been used to provide an accurate load forecasting on purpose that the transmitted power appropriates the demand of consumers. This research will discuss short term load forecasting using Artificial Neural Network (ANN). Short term load is influenced by weather factors, those will become input of ANN, i.e. : Temperature, Humidity, Pressure, Wind speed, Data used for study are actual data in 2011. Architecture used for this research is feed-forward and Algorithm that is used is backpropagation. The final result shows that the best MAPE is 1.8 % and for 2.65 % for 10 iterations which are below the forecasting error limit."

"Machine Learning (ML) dan Deep Learning merupakan bidang yang populer pada masa kini. Salah satu ranah tersebut yang menantang untuk diteliti adalah tentang mendeteksi emosi pada teks. Interaksi antara komputer dan manusia dapat menjadi lebih baik apabila komputer dapat mendeteksi emosi, menginterpretasikan emosi tersebut, dan memberikan umpan balik yang sesuai dengan apa yang manusia inginkan. Oleh karena itu, penelitian ini bertujuan untuk membuat sistem pendeteksi emosi pada teks Bahasa Indonesia. Pada penelitian ini, terdapat 2 macam algoritma Deep Learning yang digunakan, yaitu Convolutional Neural Network (CNN) dan Long Short-Term Memory (LSTM). Convolutional Neural Network merupakan salah satu algoritma Deep Learning dimana karakteristik utamanya menggunakan operasi matriks konvolusi. Long ShortTerm Memory merupakan salah satu algoritma Deep Learning dimana merupakan perkembangan dari algoritma Recurrent Neural Network (RNN). Kedua algoritma tersebut akan didukung dengan Word Embedding Bahasa Indonesia dari fastText dan Polyglot. Package text2emotion akan digunakan sebagai data tambahan untuk evaluasi. Input dataset yang digunakan untuk Deep Learning adalah dataset cerita dongeng yang memiliki emosi "Senang", "Sedih", "Marah", "Takut", "Terkejut", dan "Jijik". Input dataset tersebut akan melalui tahap preprocessing berupa Case Normalization, Stopword Removal, Stemming, Tokenizer, dan Padding. Setelah itu, proses training dijalankan dengan menggunakan RandomizedSearchCV sebagai hyperparameter tuning. Hasil akan dibandingkan dan dianalisis berdasarkan nilai Evaluation Metrics Accuracy, Precision, Recall, dan F1-Score. Sistem berhasil dirancang dengan mencapai hasil Accuracy sebesar 91,60%, Precision sebesar 92,48%, Recall sebesar 91,60%, dan F1- Score sebesar 91,68%.

---

Machine Learning (ML) and Deep Learning is a popular region to be used right now. One of the scopes that challenging to research is about emotion recognition on text. Interaction between computer and human can be better if the computer can recognize the emotion, interpret it, and giving a suitable feedback with the human’s need. Therefore, this research has goal to make an emotion recognition on Indonesian text language. On this research, there’s 2 kind of Deep Learning algorithm that used, that is Convolutional Neural Network (CNN) and Long Short-Term Memory (LSTM). Convolutional Neural Network is one of Deep Learning algorithm that its main characteristic is using convolution matrix operation. Long Short-Term Memory is one of Deep Learning algorithm which is an improvement from Recurrent Neural Network (RNN) algorithm. Both algorithms will be supported with Indonesian Word Embedding from fastText and Polyglot. Text2emotion package is used for additional data for evaluation. The input dataset that will be used on this Deep Learning is a fairy tale dataset which have “Happy”, “Sad”, “Anger”, “Fear”, “Surprised”, and “Disgust” emotion. That input dataset will be passed to preprocessing stage that consist of Case Normalization, Stop-word Removal, Stemming, Tokenizer, and Padding. After that, training process started with using RandomizedSearchCV as hyperparameter tuning. The result will be compared and analyzed based on Accuracy, Precision, Recall, and F1- Score Evaluation Metrics. System is made with reaching 91.60% Accuracy, 92,48% Precision, 91,60% Recall, and 91,68% F1-Score."

"Sel surya merupakan teknologi yang mengubah energi matahari menjadi energi listrik secara langsung. Sel surya inilah yang popular dikembangkan sebagai solusi untuk mengurangi ketergantungan penggunaan sumber energi dari bahan bakar fosil untuk menghasilkan energi listrik dan pencemaran lingkungan yang diakibatkan penggunaan bahan bakar fosil. Untuk aplikasi yang sebenarnya, sel surya dalam jumlah yang banyak saling dihubungkan dan disatukan menjadi satu unit yang disebut sebagai modul surya. Modul surya yang beredar dipasaran memiliki spesifikasi tertentu. Spesifikasi tersebut dapat digunakan untuk pembuatan model modul surya dan memverifikasinya. Setelah dilakukan verifikasi, hasil menunjukkan bahwa model yang dibuat cukup bagus. Permasalahan yang muncul dalam penggunaan modul surya adalah kekontinyuan tegangan keluaran dari modul surya inilah yang menjadi masalah. Oleh karena itu, dibutuhkan simulasi untuk membuat tegangan keluaran dari modul surya menjadi kontinyu meskipun intensitas radiasi matahari berubah-ubah. Salah satunya dengan memakai konverter penaik tegangan. Dalam simulasi tegangan keluaran model modul surya yang dibuat memiliki nilai yang bervariasi yaitu diantara 13 sampai 18 volt. Sedangkan boost converter yang disimulasikan adalah konvertor yang menaikkan tegangan dari 12 volt ke 254 volt. Karena itu diperlukan pengatur tegangan yang dapat membuat tegangan keluaran dari modul surya menjadi 12 volt. Dengan adanya pengatur tegangan, boost converter memiliki tegangan keluaran yang konstan yaitu 254 volt meskipun tegangan keluaran dari modul surya yang merupakan masukan untuk boost converter berubah-ubah sebagai akibat pengaruh perubahan intensitas radiasi dan perubahan temperatur kerja.

---

Solar cell is a technology that converts solar energy into electrical energy directly. This is a popular solar cell was developed as a solution to reduce dependence on the use of energy sources from fossil fuels to generate electrical energy and environmental pollution caused by fossil fuel use. For actual applications, solar cells in large numbers are connected each other and incorporated into one unit called a solar module. Solar modules on the market have certain specifications. These specifications can be used for the manufacture of solar modules model and verify it. After verification, the results indicate that the model is very good.

The problems that arise in the use of solar module is continuity of output voltage of the solar modules. Therefore, simulation is necessary to make the output voltage of solar module to be continuous even though the intensity of solar radiation varies. One of them by using a voltage boost converter. In the simulation, output voltage of model of the solar module created has a value that varies between 13 to 18 volts. While the simulated boost converter is a 12 V to 254 V boost converter. Hence, a voltage regulator that can make the output voltage of the solar modules to 12 volts is needed. With the voltage regulator, boost converter has a constant output voltage is 254 volts even though the voltage input of boost converter varies due to the influence of changes in the intensity of radiation and work temperature."

"Umumnya, daerah terpencil di Indonesia mengaplikasikan pembangkit listrik tenaga Diesel untuk menyediakan energy listrik dikarenakan mahalnya biaya grid extension. Hal yang menjadi perhatian dari penggunaan standalone generator diesel adalah fluktuasi harga bahan bakar minyak, serta gas emisi yang dihasilkan dari sisa-sisa pembakaran. Dalam upaya mengurangi penggunaan bahan bakar fosil diperlukan penggunaan energy terbarukan yang memiliki potensi untuk dikonfigurasikan secara hibrida dengan generator diesel. Studi ini akan membahas tentang analisis dari segi techno dan economic pada konfigurasi hybrid diesel PV baterai system dan hybrid diesel PV wind baterai system dengan menggunakan perangkat lunak HOMER. Jika dibandingkan dengan system generator diesel existing yang mempunyai nilai COE sebesar $0.1968/kWh, hasil optimasi dari hybrid diesel PV battery system dan hybrid diesel PV wind battery system mendapatkan penurunan cost of energy menjadi $0,1554/kWh dan $0,1555/kWh. Kemudian didapatkan hasil berupa penurunan konsumsi bahan bakar untuk kedua konfigurasi hybrid systems sebesar 53,83% dan 53,58% jika dibandingkan dengan standalone generator diesel existing. Sehingga, kedua hybrid system memiliki nilai Net Present Cost yang lebih rendah 21,04% dan 20,99% apabila dibandingkan dengan standalone diesel generator system existing. Di sisi lain, emisi CO2 yang dihasilkan kedua konfigurasi hybrid system telah mengalami penurunan dibandingkan dengan standalone diesel generator yakni sebesar 53,83% dan 53,57%.

---

Generally, remote areas in Indonesia apply diesel power plants to provide electricity due to the high cost of grid extensions. The concern of the use of standalone diesel generators is fluctuations in the price of fuel oil, as well as gas emissions resulting from the remnants of combustion. To reduce the use of fossil fuels, it is necessary to use renewable energy which has the potential to be configured hybrid with a diesel generator. This study will discuss the techno and economic analysis of two different hybrid system configurations using the HOMER software. Those hybrid systems are consisting of diesel-PV-battery system and diesel-PV-wind turbine -battery system. There is a reduction in the cost of energy (COE) as the proposed hybrid system is compared with the existing diesel generator system. The COE of the existing system is $ 0.1968 / kWh, whereas the proposed hybrid diesel-PV-battery system and the hybrid diesel-PV-wind turbine-battery system are $0.1554/kWh and $0.1555/kWh, respectively. These optimized results show a reduction in fuel consumption for both hybrid systems configuration by 53.83% and 53.58% when compared to the existing standalone diesel generators. Thus, both hybrid systems have a lower Net Present Cost value of 21.04% and 20.99% when compared to the current standalone diesel generator system. On the other hand, CO2 emissions generated by the two-hybrid system configurations have decreased compared to standalone diesel generators, which were 53.83% and 53.57%, accordingly."