Ario Bintang Koesalamwardi-Tesis-FT-Naskah Ringkas-2014 PDF

Preview

Summary

DESAIN OPTIMUM BIAYA NEAR ZERO ENERGY HOUSE DENGAN MENGGUNAKAN ALGORITMA GENETIKA Ario Bintang Koesalamwardi1, M. Ali Berawi2, Yugo Kartono Isal3 1. Departemen Teknik Sipil, Fakultas Teknik, Universitas Indonesia, Depok 16424, Indonesia 2. Departemen Teknik Sipil, Fakultas Teknik, Universitas Indone...

Description

DESAIN OPTIMUM BIAYA NEAR ZERO ENERGY HOUSE DENGAN MENGGUNAKAN ALGORITMA GENETIKA Ario Bintang Koesalamwardi1, M. Ali Berawi2, Yugo Kartono Isal3 1. Departemen Teknik Sipil, Fakultas Teknik, Universitas Indonesia, Depok 16424, Indonesia 2. Departemen Teknik Sipil, Fakultas Teknik, Universitas Indonesia, Depok 16424, Indonesia 3. Fakultas Ilmu Komputer, Universitas Indonesia, Depok 16424, Indonesia e-mail: [email protected] [email protected] [email protected]

Abstrak Desain optimal dari bangunan hemat energi menghadapi dua kebutuhan yang saling bertentangan, yaitu biaya yang seekonomis mungkin dan dampak lingkungan yang seminimal mungkin. Tingginya biaya bangunan hemat energi seperti near Zero Energy House disebabkan oleh tingginya harga peralatan dan material yang diaplikasikan seperti panel surya, insulasi dan lain-lain. Tujuan dari penelitan ini adalah menemukan desain yang optimal dari sebuah near Zero Energy House, dengan studi kasus terhadap rumah 1 tingkat. Sasaran dari optimasi desain ini adalah kinerja biaya siklus hidup yang lebih ekonomis jika dibandingkan dengan bangunan konvensional. Metode optimasi dengan algoritma genetika adalah metode optimasi paling sesuai untuk permasalahan optimasi desain yang memiliki banyak variabel. Sangat sulit untuk menemukan solusi tunggal, atau solusi terbaik untuk optimasi desain. Dengan menggunakan algoritma genetika, perancang bangunan dapat memilih salah satu dari solusi terbaik hasil optimasi yang sesuai dengan permintaan dan batasan-batasan yang ada. Kata kunci: optimasi desain, optimasi, algoritma genetika, Near Zero Energy House

Abstract Optimal design of energy efficient buildings facing two conflicting requirements, namely costs as economical as possible and minimal environmental impact. The high cost of energy efficient buildings as near Zero Energy House due to the high price of equipment and materials that are applied as solar panels, insulation and others. The purpose of this research is to find the optimal design of a near Zero Energy House, with a case study on the first level. The goal of this design is the optimization of life cycle cost performance is more economical when compared to conventional buildings. Optimization method with genetic algorithm optimization is the most suitable method for design optimization problem that has many variables. It is very difficult to find a single solution, or the best solution for design optimization. By using genetic algorithms, building designer can choose one of the best results of the optimization solution according to the demand and constraints that exist. Keywords:

design optimization, optimization, genetic alogorithm, near Zero Energy House

Pendahuluan Indonesia adalah negara berkembang yang dalam beberapa tahun ini terus menggiatkan proses pembangunannya baik secara fisik, sosial dan ekonomi. Permbangunan perekonomian ini harus didukung oleh ketersediaan energi agar pembangunan dapat berjalan secara berkelanjutan. Proyeksi pada tahun 2025 kebutuhan energi nasional akan mencapai

440 GWh, dimana 83 persen di antaranya akan ditopang oleh sumber LNG dan batubara. Energi terbarukan hanya akan berkontribusi sebanyak 13,1 persen. Konsumsi listrik tertinggi akan berasal dari sektor industri, yaitu 55 persen. Rumah tangga mengkonsumsi 29,2 persen dari total konsumsi listrik nasional. pada tahun 2025, Pengkajian Energi Universitas Indonesia (PEUI) memproyeksikan akan dibutuhkan pembangkit listrik tambahan sebesar 70.000 MW untuk mendukung pertumbuhan ekonomi dan sosial. Percepatan pembangunan ekonomi juga harus memperhatikan aspek lingkungan. Produk sampingan dan pembangunan adalah emisi gas karbon, menurut data PEUI tahun 2006, ada peningkatan emisi gas karbon yang signifikan dari sektor industri, perumahan, komersial, transportasi, dan listrik. Kinerja energi dari sebuah bangunan menjadi elemen kunci untuk pengurangan emisi karbon dioksida dan penghematan energi. Konservasi energi di sektor bangunan menjadi sangat menarik minat masyarakat dunia sehubungan dengan pelestarian lingkungan Bumi. Net Zero Energy Building (NZEB) adalah bangunan perumahan (Zero Energy House) atau perkantoran yang kebutuhan energinya sudah sangat dikurangi melalui peningkatan efisiensi sehingga keseimbangan kebutuhan energi dapat dipenuhi dari teknologi energi terbarukan (Torcellini, Pless, & Deru, 2006). Bangunan yang dapat menghasilkan energi biasanya menggunakan panel surya pada atap dan fasadnya. Dengan mengumpulkan energi dari matahari, bangunan nZEH dapat menggunakan energi yang dihasilkannya sendiri dan meminimalisir pemakaian energi dari sumber di luar bangunan. Indonesia adalah negara yang dilewati oleh garis khatulistiwa yang sepanjang tahun disinari oleh sinar matahari. Hal ini menjadikan potensi pengembangan energi terbarukan dari sinar matahari dan nZEH menjadi sangat besar. Akan tetapi potensi ini belum tergali sepenuhnya dikarenakan oleh mahalnya teknologi sistem pembangkit tenaga surya (Dhany, 2013). Desain bangunan hemat energi biasanya menggunakan material dan teknologi yang mahal, yang secara langsung mempengaruhi biaya keseluruhan konstruksi (Milajic, Milosevic, & Belkovic, 2013). Hal ini mengharuskan adanya kompromi dan optimasi penggunaan teknologi “hijau” dan biaya konstruksi, agar teknologi bangunan hemat energi dapat digunakan oleh seluruh lapisan masyarakat. Algoritma Genetis (Genetic Algorithm) adalah bagian dari algoritma evolusioner, telah terbukti menjadi alat bantu yang paling tepat untuk menyelesaikan masalah ini (Caldas & Norfolk, 2003). Metode ini memungkinkan perancang bangunan untuk membuat pilihan yang paling mudah untuk diaplikasikan atau yang paling sesuai di antara beberapa solusi yang optimal mempertimbangkan beberapa objektif yang berbeda dan tetap tidak dapat saling dibandingkan (Pareto Optimum).

Penelitian ini mencari variabel-variabel desain yang dapat dioptimasi dan mencari kombinasi optimum dari variabel-variabel desain yang sudah ditemukan tersebut. Penelitian ini membutuhkan sebuah desain konseptual bangunan yang dijadikan sampel untuk simulasi optimasi menggunakan metode dan logika dari algoritma genetika (genetic algortihm). Desain bangunan yang digunakan hanya desain skematik untuk permodelan energi, sehingga tidak memerlukan data desain sistem struktur. Model sampel akan berupa rumah tinggal untuk keluarga beranggotakan maksimal 4 orang, seluas 90 m2, dan satu lantai. Model rumah akan dianggap berada dalam satu zona energi untuk menyederhanakan perhitungan dan simulasi energi. Variabel-variabel yang akan dioptimasi dibatasi hanya penggunaan panel PV, arah orientasi (azimuth) bangunan, rasio luas jendela, dan penggunaan glazur. Near Zero Energy House Zero Energy House (ZEH) adalah bangunan rumah yang dapat memenuhi kebutuhan energinya dari sumber-sumber yang murah, bersih, mudah didapat, dan terbarukan. Definisi yang lebih tegas menyatakan sebuah ZEH menghasilkan energi terbarukan di tempat (on-site) yang cukup hingga sama bahkan melebihi konsumsi energi tahunannya. Ketika bangkitan onsite lebih besar daripada kebutuhan bangunan, listrik berlebih yang dihasilkan dapat diekspor ke jaringan listrik pusat. Akan sangat sulit mencapai ZEH tanpa bisa mengekspor kelebihan bangkitan ke jaringan pusat. ZEH yang tidak terhubung dengan jaringan listrik pusat tidak dapat mengekspor kelebihan produksi energi mereka, sehingga, pada musim-musim tertentu (seperti musim panas), kelebihan energi listrik yang dihasilkan tidak dapat digunakan. Teknologi Near Zero Energy House umumnya jauh lebih mahal daripada bangunanbangunan konvensional selain near Zero Energy House (nZEH). Teknologi-teknologi itu antara lain sistem pencahayaan alami, solar PV, turbin angin, lampu light emitting diode (LED), sistem HVAC otomatis, dan lain-lain. Akan tetapi teknologi yang digunakan ZEB dapat menghemat energi lebih banyak, dan memiliki biaya operasional dan perawatan yang lebih rendah. Penghematan energi, biaya operasional dan perawatan terjadi selama masa pakai bangunan, manfaat (benefit) diperoleh selama umur bangunan. Oleh karena itu, penting untuk menggunakan metode analisa yang dapat mengetahui penghematan biaya yang terjadi selama umur pakai bangunan (Hartungi & Pye, 2009). Insentif energi adalah mekanisme kebijakan yang dapat mendorong perkembangan energi terbarukan dengan pemberian insentif bagi produsen energi terbarukan, atau pengelola gedung yang memiliki instalasi pembangkit listrik tenaga terbarukan. Kebijakan ini diperlukan selain untuk mendorong masyarakat untuk menggunakan energi terbarukan, juga dapat meringankan beban biaya investasi bagi investor.

Kebijakan insentif energi ini memerlukan dukungan kuat dari pemerintah. Bentuk dari insentif energi dapat berupa subsidi modal, pembelian listrik yang dihasilkan dengan harga di atas harga pasar, atau pembelian sesuai dengan harga pasar (Campoccia, Dusonchet, Telaretti, & Zizzo, 2007). Biaya siklus hidup bangunan Near Zero Energy House (nZEH) dipengaruhi oleh fungsi biaya awal konstruski, dan biaya operasional tahunan nZEH (Wang, Rivard, & Zmeureanu, 2006). Biaya awal konstruksi dipengaruhi oleh pengaplikasian dan pemilihan teknologi-teknologi yang digunakan untuk mencapai Zero Energy Building, sampul bangunan, instalasi, dan utilitas bangunan (Marszal, et al., 2010). Sedangkan biaya operasional bangunan dipengaruhi oleh efisiensi dan kinerja masing-masing teknologi Zero Energy House (ZEH), dan konsumsi energi utilitas serta instalasi. Beberapa variabel desain yang dapat mempengaruhi kinerja biaya siklus hidup nZEH antara lain: 1. Arah orientasi bangunan Posisi relatif Matahari merupakan faktor utama dalam panas yang diperoleh pada bangunan, yang membuat orientasi akurat dari bangunan pertimbangan mendasar dalam pembangunan nZEH (Gromicko, 2014). Sebagai contoh, jendela menghadap ke utara dan selatan umumnya memiliki akses yang baik ke siang hari dan harus didorong sementara jendela menghadap ke barat umumnya memiliki keuntungan panas matahari yang berlebihan dan karena itu harus diminimalkan (Architectural Services Department, 2013). 2. Panel Photovoltaic (PV) Near Zero Energy House (nZEH) menggunakan energi dari sumber terbarukan untuk memenuhi kebutuhan energinya (Torcellini, et al., 2006). Radiasi sinar matahari untuk pembangkitan listrik ditangkap dengan menggunakan panel Photovoltaic (PV) yang terbuat dari kristal silikon. Pemasangan panel surya dapat memanfaatkan ruang kosong atap bangunan. Dengan digunakannya panel PV pada sebuah nZEH, diharapkan listrik yang dihasilkan dan diekspor ke jaringan listrik pusat dapat mengurangi biaya pemakaian listrik bangunan. Sistem ini yang disebut sistem PV yang terhubung ke grid (jaringan) listrik pusat. 3. Fenestrasi Pada umumnya lebih dikenal dengan fenestrasi, jendela, pintu eksterior, dan skylight mempengaruhi kondisi pencahayaan suatu bangunan dan kebutuhan pemanasan,pendinginan ruangan dan ventilasi sebuah bangunan. Selain pertimbangan desain

(penempatan jendela dan skylight mempengaruhi kondisi pencahayaan alami), material dan pemasangan dapat mempengaruhi energi yang tersalurkan melalui jendela, pintu, atau skylight, sama dengan aliran udara di komponen jendela. Material baru, pelapis, dan desain semua telah berkontribusi terhadap peningkatan efisiensi energi dari jendela berkinerja tinggi, pintu, dan bangunan. a. Jenis glazur Dalam bangunan perumahan, menggunakan desain jendela dan spesifikasi glazur yang optimal diperkirakan dapat mengurangi konsumsi energi 10 sampai 50 persen pada pengerjaan di sebagian besar kondisi iklim. Pada bangunan komersial, pengurangan biaya pencahayaan dan pengudaraan diperkirakan bisa mencapai 10 persen hingga 40 persen dengan perbaikan fenestrasi (Ander, 2010). b. Rasio Luas Jendela-Dinding (Window-to-Wall Ratio, WWR) WWR adalah rasio dari luas area jendela (kaca) ke dinding fasad. Hubungan ini juga dapat dinyatakan sebagai persentase luas area jendela ke dinding. Rasio yang terlalu besar dapat mengakibatkan bangunan yang terlalu dingin di musim dingin dari panas yang hilang melalui jendela, dan terlalu panas di musim panas dari semua sinar matahari dan panas masuk (Autodesk Education Community, 2011). Algoritma Genetika Algoritma Genetika adalah teknik yang digunakan untuk mengotomatisasi proses pencarian solusi optimal. Algoritma Genetika memulai pencarian dengan memilih sampel acak di dalam ruang solusi optimasi, lalu menggunakan operator stokastik untuk mengarahkan proses berdasarkan pada nilai fungsi objektif (Goldberg, 1989). Algoritma genetika terinspirasi oleh sistem biologi meningkatkan kemampuan dengan evolusi (Holland, 1975). Dalam terminologi Algoritma Genetika, solusi sebuah permasalahan adalah sebuah individu dan sekelompok individu disebut sebuah populasi. Sebuah generasi adalah populasi baru. Dalam binari algoritma genetika, setiap individual diwakili oleh string biner yang disebut kromosom, yang mengkodekan semua parameter kepentingan kepada individu tersebut. Sebuah kromosom terbentuk atas alel-alel, bit pengkodean biner. Kemampuan tiap individu tertentu berhubungan dengan nilai dari fungsi objektifnya. Operator genetik mengontrol evolusi dari generasi-generasi berikutnya. Tiga operator genetik dasar adalah

reproduksi, penyilangan (cross-over), dan mutasi. Kemungkinan dari solusi yang diberikan yang dipilih untuk reproduksi sebanding dengan kemampuan solusi itu. Persilangan menunjukkan sebagian dari dua kromosom yang dipilih acak akan ditukar untuk menciptakan individu baru. Mutasi melibatkan perubahan alel secara acak dalam solusi untuk mencari titik-titik baru dalam ruang solusi. Meskipun ada versi yang lebih rumit dari operator ini, prinsip-prinsip dasar tetap sama untuk sebagian besar algoritma genetika. (Caldas & Norfolk, 2003). Sebuah algoritma genetika dimulai dengan membuat beberapa kemungkinan sebuah solusi yang disebut populasi pertama (parent), mengevaluasi mereka dan mengaplikasikan operator genetik dasar kepada populasi awal sesuai dengan kemampuan individu dari tiap individual. Proses ini menghasilkan populasi baru dengan kemampuan rata-rata yang lebih tinggi daripada populasi sebelumnya, yang pada gilirannya akan dievaluasi. Siklus ini diulangi sebanyak beberapa kali regenerasi yang diatur oleh pengguna, yang bergantung kepada kerumitan permasalahan.

Gambar 1. Gambaran Dari Siklus Optimasi dengan Genetic Algorithm Sumber: (Bucking, et al., 2013)

Dari tiap variabel akan membentuk satu string (rangkaian) alel yang membentuk sebuah individu, yang dapat diintepretasikan sebagai model sampel rumah yang akan dioptimasi dalam penelitian ini. Model sampel dasar, dapat dianggap sebagai Parent dan

kemudian dikawinkan dengan individu yang lain sehingga menghasilkan individu-individu yang baru yang disebut children, seperti dijelaskan oleh gambar berikut.

Gambar 2. Rekombinasi Variabel Desain Sumber: (Bucking, et al., 2013)

Metodologi Penelitian Sesuai dengan strategi penelitian yang telah ditetapkan, maka peneliti menetapkan kerangka proses penelitian yang telah dilakukan oleh peneliti yaitu sebagai berikut: Mulai Tujuan Penelitian Variabel desain

Optimasi

Tidak Terima? Ya Desain optimum

Analisa LCC

Selesai Gambar 3. Bagan Alur Penelitian Sumber: olahan pribadi, 2013

Rumah yang dijadikan sampel untuk optimasi desain near Zero Energy House ditunjukkan oleh gambar 3.4. berikut. Rumah 2 lantai ini akan mengaplikasikan teknologi Energi Baru Terbarukan (EBT), seperti panel PV pada atapnya dan teknologi efisiensi energi lainnya, seperti material insulasi dinding, lampu LED, dan lain-lain.

Gambar 4. Sampel Rumah Sumber: Olahan pribadi, 2014

Model rumah akan berupa rumah tipe 90, satu lantai yang akan dihuni oleh satu keluarga beranggotakan maksimal 4 orang. Rumah disimulasikan berada di Bekasi, Jawa Barat, Indonesia yang beriklim tropis. Pembuatan model skematik rumah menggunakan SketchUp dan OpenStudio

Model dikonversi menjadi file IDF (Input Data File) EnergyPlus

File IDF dan data cuaca disimulasikan dalam EnergyPlus

Input variabel desain dioptimasi menggunakan metode Brute Force

Gambar 5. Langkah-langkah Penelitian Sumber: Olahan pribadi, 2014

Tujuan utama dari simulasi ini adalah untuk mengetahui nilai Net Present Value dari sebuah sistem near Zero Energy House. Selain komponen biaya Initial Cost, M-O Cost, dan biaya lainnya, dengan EnergyPlus biaya energi listrik yang dikeluarkan dapat diketahui dan diperhitungkan dalam analisa Life Cycle-Cost (LCC). Selain itu, dengan digunakannya sistem pembangkit listrik tenaga surya, akan menghasilkan penghematan biaya listrik yang didapat dari penjualan listrik yang bersumber dari sumber Energi Baru Terbarukan (EBT) ke jaringan listrik nasional. Harga beli yang ditetapkan Kementerian ESDM untuk PT. PLN adalah Rp. 1.004,00 dikalikan faktor insentif (F=1 untuk pulau Jawa dan Bali). Penjualan listrik yang bersumber dari EBT ini diatur dalam Peraturan Menteri ESDM nomor 4 tahun 2012. Penelitian ini akan mengoptimasi 4 variabel utama. Dari 4 variabel utama tersebut, variabel-variabel tersebut kemudian dibagi lagi menjadi beberapa sub-sub variabel. dari tiap sub-variabel akan dibentuk beberapa variasi dimana tiap sub variabel akan dikombinasikan dengan sub variabel lainnya untuk membentuk satu individu yang kemudian akan diuji dengan fungsi sasaran dan fungsi batas. Tabel 1. Variabel Desain No.

Subvariabel

Kode

Satuan

Jumlah variasi

1.

Azimuth

Azi

derajat

8

PV

-

2

WWR GT

persen -

5 5

2. 3. 4.

Pemakaian PV WWR Jenis glazur

Deskripsi Arah orientasi bangunan / azimuth. Pemakaian PV pada atap (ya/tidak). Window-to-wall ratio . Jenis glazur jendela

Tujuan dari optimasi adalah untuk meminimalisir konsumsi energi netto dari bangunan rumah. Pemakaian listrik untuk peralatan rumah tangga, bangkitan dari panel PV, dan beban listrik untuk penerangan disimulasikan dengan perangkat lunak EnergyPlus (Crawley, et al., 2000). Fungsi sasaran yang digunakan dalam penelitian ini adalah konsumsi listrik netto tahunan dari bangunan, yaitu: ........................................................................ (1) Dimana Eelec adalah konsumsi listrik tahunan bangunan untuk penerangan (kWh), dan peralatan rumah tangga lainnya yang menggunakan listrik; EPV adalah listrik yang dihasilkan oleh panel PV dalam satu tahun (kWh); x = (x1, x2, ..., xn)T adalah vektor variabel

desain. Ketika f(x) < 0 makan dapat disimpulkan terdapat surplus energi listrik yang dihasilkan oleh bangunan tersebut. Menetapkan sebuah sasaran biaya memastikan algortima mengidentifikasi kombinasi dari variabel-variabel desain yang efektif-biaya. Biaya ditinjau dalam satu siklus hidup sebuah bangunan rumah menggunakan rumus Net Present Value (NPV) dari tiap desain. .............................................................. (2) Dimana CNPV adalah biaya awal pembangunan rumah, E NPV adalah biaya operasional rumah dari konsumsi energi, dan SNPV adalah nilai sisa (Salvage) setelah terdepresiasi linier. Biaya siklus hidup diperhitungkan dalam periode 30 tahun. NPV untuk tiap biaya diperhitungkan dengan rumus: ......................................................................... (3) dimana Ct biaya netto (Cashout – Cashin) yang ada pada tahun ke t, a adalah nilai Minimum Acceptable Rate of Return (MARR), dan N adalah nilai waktu (tahun) yang digunakan untuk evaluasi. Nilai a (MARR) ditentukan dengan rumus: ....................................................................... (4) dimana r adalah nilai suku bunga bank yang dikeluarkan oleh Bank Indonesia, i adalah nilai inflasi rata-rata tahunan. Hasil dan Diskusi Simulasi percobaan awal akan mensimulasikan 2 model sampel bangunan rumah. Kedua bangunan rumah ini memiliki luas yang sama dan diberi beban energi dari pencahaayan, alat rumah tangga, pendingin ruangan, dan okupansi yang bernilai sama juga. Yang membedakan kedua sampel ini adalah salah satunya dilengkapi dengan sistem pembangkit listrik tenaga...