SIMULASI — ANGKA DUMMY UNTUK EVALUASI JURI, BUKAN REALISASI

Early Warning System PLN — JTM 20 kV

Monitoring & mitigasi gangguan cuaca dan vegetasi untuk jaringan distribusi tegangan menengah di wilayah Surabaya / Jawa Timur, berbasis radar WOFI BMKG Juanda dan lapisan vegetasi Global Nature Watch. Rantai nilai: Cuaca BMKG → Kerapuhan Fisik JTM → Durasi Padam → kWh Hilang → Rupiah.

Buka Radar WOFI BMKG Juanda (Live) Buka Global Nature Watch

1. Panel Monitoring — Level Peringatan & Aksi Mitigasi Ambang bersifat usulan desain [DESAIN], dikalibrasi dari skala reflektivitas resmi BMKG (ringan 25–35 dBZ, sedang 35–45, lebat 45–55, sangat lebat >55 dBZ) dan harus dikalibrasi ulang dengan histori gangguan APKT setempat.

NORMAL

Radar < 45 dBZ di koridor penyulang; angin < 40 km/jam.

Operasi rutin
Rabas terjadwal berbasis skor ROW

WASPADA

Radar ≥ 45 dBZ atau angin ≥ 40 km/jam mendekati koridor.

Notifikasi ULP terkait
Cek kesiapan regu & material

SIAGA

Radar ≥ 55 dBZ, angin ≥ 50 km/jam, atau hujan ≥ 50 mm/hari.

Regu siaga di titik rawan
Siapkan manuver LBS/Recloser
Rabas darurat span zona merah

AWAS

Radar ≥ 60 dBZ persisten atau gust ≥ 65 km/jam.

Pre-positioning regu PDKB/Harwat
Load transfer preventif
Info pelanggan proaktif

Peran dua sumber data (hasil riset, jujur): WOFI adalah pemicu nowcasting (citra radar terbit tiap ±10 menit) — tetapi tidak ada API publik resmi untuk radar WOFI; API terbuka BMKG hanya prakiraan cuaca per desa/kelurahan. Jalur produksi yang benar adalah kerja sama/MoU data dengan BMKG. Global Nature Watch (Hansen/UMD v1.13, 2000–2025, resolusi 30 m, CC BY 4.0) dipakai sebagai skor kerentanan vegetasi historis per segmen (ROW) — bukan deteksi pohon tumbang real-time, karena ia tidak melihat pohon individu di koridor perkotaan.

2. Komparator Finansial YoY — Kalkulator Interaktif Baseline 2025 per UP3 acuan: 65 penyulang, beban puncak 280 MW, 184 kali trip cuaca, ENS gangguan cuaca 3.420.000 kWh, ENS padam terencana 1.950.000 kWh, biaya kerusakan aset & OPEX ROW Rp2.150 jt. Geser parameternya — semua hasil dihitung ulang langsung. Skenario mengikuti validasi riset: klaim penurunan 63% adalah stretch case, bukan janji tahun pertama.

Jumlah penyulang (per UP3) 65 penyulang

Beban rata-rata per penyulang 4,3 MW

Tarif blended Rp 1.520/kWh

Efektivitas: ENS gangguan cuaca turun 40%

Efektivitas: ENS padam terencana turun 60%

Efektivitas: OPEX & kerusakan aset turun 25%

Investasi per UP3 Rp 950 jt

TCO = platform + integrasi SCADA/GIS/APKT + cloud/server tahunan + pelatihan + pemeliharaan. BCR dari CAPEX saja adalah BCR bruto — tampilkan keduanya agar juri tidak menembak balik.

Total Manfaat Finansial YoY (1 UP3)

—

Penyelamatan & Panen Energi YoY

—

Benefit-Cost Ratio

—

Proyeksi Replikasi Skala UID (16 UP3)

—

Perbandingan skenario pada parameter saat ini

Replikasi 16 UP3 adalah potensi setara-16-UP3 (mengabaikan perbedaan karakter antar-UP3), bukan proyeksi linear pasti. Perbandingan YoY mentah juga dipengaruhi perbedaan tahun cuaca (ENSO) — presentasikan sebagai skenario, bukan realisasi.

3. Bedah Kasus Mikro — 3 Penyulang Prioritas (Terkoreksi) Rumus dummy asli ENS = beban puncak × durasi mengeklaim berlebih: formula ENS dalam literatur PLN memakai beban rata-rata saat kejadian. Faktor koreksi k = faktor beban saat kejadian × fraksi segmen yang benar-benar padam. Tarif di bawah sudah dikoreksi ke golongan resminya.

Faktor koreksi ENS (k) 0,50

Penyulang (dummy)	Kejadian	Klaim dummy asli	Terkoreksi (k × tarif resmi)
Industri “Gajahmada” 8,4 MW · I-3/I-4	45 hari tanpa hujan + polutan → risiko flashover isolator, padam 3 jam. Aksi: cuci isolator via PDKB. Catatan: flashover terpicu saat pembasahan pertama (kabut/gerimis) setelah akumulasi polutan — probabilitas “82%” pada dummy tidak berdasar literatur, perlakukan sebagai asumsi.	25.200 kWh Rp 37.296.000	— tarif I-3/TM Rp1.114,74/kWh
Komersial “Majapahit” 6,2 MW · B-2/B-3	Suhu 36,5°C, lonjakan beban AC (asumsi skenario puncak +14%), rencana padam Harwat 4 jam. Aksi: load transfer via LBS SCADA + tunda padam.	24.800 kWh Rp 42.135.200	— tarif B-2 Rp1.444,70/kWh (di B-3 Rp1.114,74 hasilnya lebih rendah lagi)
Agrikultur “Wonosalam” 3,8 MW · campuran	La Niña: hujan 115 mm/hari (kategori sangat lebat) + gust 52 km/jam (di atas indikator peringatan BMKG >45 km/jam) → risiko pohon tumbang Span 42–68, padam 4,5 jam. Aksi: rabas ROW 26 titik H-5.	17.100 kWh Rp 24.692.400	— tarif campuran realistis ±Rp1.252/kWh

4. Empat Metode Statistika di Balik Platform Setiap metode memetakan sumber data ke keputusan operasional dan nilai Rupiah.

Two-Part Hurdle MGTWR

Memodelkan peluang trip sekaligus besaran kerugian kWh/Rupiah secara spasiotemporal. Input: curah hujan & angin BMKG, hari tanpa hujan, kerapatan pohon ROW (GNW), beban penyulang, komposisi tarif. Output: prediksi frekuensi gangguan dan ekspektasi kehilangan Rupiah per segmen JTM.

GAM / Spatiotemporal Quantile Regression

Mengestimasi elastisitas konsumsi kWh terhadap anomali suhu (Cooling Degree Days), El Niño & La Niña. Input: suhu & kelembapan, histori beban per jam. Output: proyeksi target kWh harian yang memisahkan efek cuaca pada beban dari efek gangguan. Rujukan: qgam (Fasiolo), HESS 2023 perbandingan Quantile Regression Forest vs LSTM.

Copula-Based Extreme Value Theory (EVT)

Menghitung risiko bencana ekstrem pada ekor distribusi gabungan. Input: gust maksimum, hujan ekstrem, kerapatan petir, waktu pemulihan (MTTR). Output: metrik Revenue-at-Risk (RaR 99%) dalam Rupiah saat cuaca ekstrem.

Stochastic Knapsack / Markov Decision Process

Mengoptimalkan alokasi regu Harwat & PDKB yang terbatas. Input: skor RaR per segmen, ketersediaan regu, durasi kerja. Output: urutan prioritas kerja harian yang menyelamatkan Rupiah dan kWh paling maksimal.

Sumber & Rujukan

WOFI Stamet Juanda BMKG — halaman radar dan tutorial resmi WOFI (produk CMAX, PPI 0,4°/0,8°/1,8°, Himawari EH, METAR).
Skala reflektivitas radar BMKG — BBMKG Wilayah 3: Citra Radar.
API prakiraan cuaca resmi BMKG — data.bmkg.go.id/prakiraan-cuaca.
Global Nature Watch (dulu Global Forest Watch, WRI) — globalnaturewatch.org; dataset Hansen/UMD Global Forest Change v1.13 (2000–2025, 30 m, CC BY 4.0) via Google Earth Engine UMD/hansen/global_forest_change_2025_v1_13 dan Data API data-api.globalforestwatch.org.
Zhang et al. (2023), Comparing quantile regression forest and mixture density LSTM, HESS 27:4529–4550 — hess.copernicus.org.
Seluruh angka kinerja dan finansial di halaman ini adalah simulasi dummy untuk evaluasi juri inovasi PLN (baseline 2025 vs skenario implementasi 2026, skala 1 UP3), sudah dicek ulang aritmetikanya dan dikoreksi parameternya berdasarkan riset 7 November 2026.