1. Pendahuluan

Provinsi Papua telah resmi dilakukan pemekaran wilayah menjadi tiga provinsi pada 25 Juli 2022 sesuai dengan Undang-undang (UU) Nomor 14 Tahun 2022 tentang Pembentukan Provinsi Papua Selatan, UU Nomor 15 Tahun 2022 tentang Pembentukan Provinsi Papua Tengah, dan UU Nomor 16 Tahun 2022 tentang Pembentukan Provinsi Papua Pegunungan. Tujuan dari pemekaran wilayah ini adalah untuk menciptakan pemerataan pembangunan. Adanya peningkatan pembangunan maka akan meningkatnya kebutuhan energi, hal tersebut juga selaras dengan peningkatan penduduk di Papua.

Di antara sumber energi yang terbarukan, energi matahari unik karena dapat menyediakan sumber listrik lokal untuk orang yang tinggal di daerah pedesaan tanpa akses langsung ke jaringan listrik [1]. Hal tersebut beriringan dengan Sustainable Development Goals (SDGs) yang di adopsi oleh United Nations untuk melindungi planet ini dari perubahan iklim. Namun salah satu masalah yang paling menantang dalam penggunaannya adalah bagaimana meningkatkan efisiensi produksi energi matahari. Sebelum memasang panel surya, menilai solar panel mana yang harus ditempatkan dapat secara signifikan menguntungkan kinerja panel [2].

Maka dari itu kami melakukan pemantauan lingkungan di provinsi Papua menggunakan Sistem Informasi Geografis. Kami menggunakan beberapa parameter lingkungan untuk melihat daerah yang prospek akan energi surya.

2. Metode

2.1 Diagram Alir

Dalam mengidentifikasi area yang cocok untuk pembangkit listrik tenaga surya (PLTS), digunakan perangkat lunak ArcGIS Pro 10.8.2. Perangkat lunak ArcGIS Pro digunakan untuk menyimpan data, menganalisis data dan menampilkan data hasil pengolahan dalam bentuk peta. Tiga tahapan utama yang dilakukan dalam mengidentifikasi area yang cocok untuk PLTS yaitu:

1. 1.
   Persiapan data spasial dan penyusunan kriteria berdasarkan literatur yang ada, tujuan studi, dan aksesibilitas ke database.

1. 2.
   Pengklasifikasian data spasial sesuai dengan kriteria menggunakan fitur Buffer

1. 3.
   Multi Criteria Analysis data menggunakan fitur Weighted Sum

Dalam beberapa tahun terakhir, metode Multicriteria Analysis (MCA) telah banyak digunakan untuk pemilihan lokasi pemasangan PLTS [1,2,3]. Pendekatan yang umum digunakan untuk melakukan MCA yaitu Weighted Product Method (WPM), Weighted Sum Method (WSM), Fuzzy Set Method, dan Analytical Hierarchy Process (AHP) [3,4,5].

Diagram alir penelitian dibuat untuk mengilustrasikan semua langkah penelitian, mulai dari persiapan dan pemprosesan data hingga analisis data menggunakan Weighted Sum. Data mentah yang diperlukan didapatkan dari beberapa sumber terbuka (open source) dan situs resmi lembaga pemerintah dalam format vektor seperti jaringan patahan, jaringan jalan, jaringan sungai, jaringan permukiman dan area terproteksi, maupun dalam format raster seperti Digital Elevation Model (DEM) dan Global Horizontal Irradiation (GHI). Kemudian data-data tersebut dilakukan klasifikasi ulang sesuai dengan kriteria yang telah dibuat.

Terakhir, kami membuat peta kesesuaian lahan untuk PLTS dengan melakukan Weighted Sum dan mengekstrak nilai PVOUT pada hasil Weighted Sum tersebut untuk mengetahui produksi elektrik yang didapatkan. Dengan demikian, hasil akhir yang didapatkan berupa data dalam format raster.

2.2 Area Studi

Identifikasi kesesuaian area untuk pembangkit listrik tenaga surya dilakukan di wilayah provinsi Indonesia yang telah dimekarkan dari provinsi Papua yaitu provinsi Papua Selatan, provinsi Papua Tengah dan provinsi Papua Pegunungan (Gambar 2.1). Provinsi-provinsi tersebut menjadi provinsi ke 35, 36, dan 37 di Indonesia [1, 12]. Sebagian besar kawasan pada ketiga provinsi tersebut terdiri dari hutan dengan rentang elevasi -40 hingga 5149 m. Kemudian provinsi Papua Selatan, provinsi Papua Tengah dan provinsi Papua Pegunungan memiliki rata-rata tahunan penyinaran matahari sebesar 54,2% tahun 2018, 54,3% tahun 2019, dan 54,5% tahun 2020 [13]. Berdasarkan data tersebut, terjadi kenaikan nilai penyinaran matahari setiap tahunnya. Angstrom menjelaskan bahwa terdapat suatu korelasi antara energi radiasi data LPM (lama penyinaran matahari) yaitu meningkatnya nilai LPM merupakan indikator meningkatnya energi radiasi matahari [15, 16].

Jumlah penduduk tahun 2021 (hasil penjumlahan pada setiap kabupaten) pada area provinsi Papua Selatan, provinsi Papua Tengah dan provinsi Papua Pegunungan secara berturut-turut yaitu 517.623 jiwa, 1.408.991 jiwa, dan 1.408.641 jiwa [9]. Secara keseluruhan jumlah penduduk tahun 2021 pada area penelitian ini yaitu 3.335.255 jiwa atau 60,5% dari total jumlah penduduk tahun 2021 di pulau Papua [14]. Kemudian pada area studi penelitian ini memiliki jumlah pelanggan listrik yang meningkat pada rentang tahun 2016-2017 yaitu provinsi Papua Selatan meningkat sebanyak 5391 pelanggan, provinsi Papua Tengah meningkat sebanyak 6087 pelanggan, dan provinsi Papua Pegunungan meningkat sebanyak 1386 pelanggan [10]. Berdasarkan jumlah penduduk tahun 2021, jumlah pelanggan listrik di provinsi Papua Selatan, provinsi Papua Tengah dan provinsi Papua Pegunungan memiliki peluang bertambah.

2.3 Kriteria Kesesuaian Lahan PLTS

Tabel 2.1 Kriteria dan Sub-kriteria untuk kesesuaian lahan PLTS

2.3.1 Ekonomi

aksesibilitas ke jaringan transportasi mengurangi biaya operasional instalasi pembangkit listrik. Oleh karena itu, konektivitas jalan merupakan faktor penting untuk mengurangi biaya instalasi PV [16].

2.3.2 Lingkungan

Kriteria lingkungan yang dipilih untuk penelitian ini adalah jarak dari kawasan lindung, karena instalasi pembangkit listrik membutuhkan area yang luas untuk menghindari dampak yang berpotensi membahayakan lingkungan lokal dan masyarakat sekitar. Oleh karena itu, identifikasi lokasi pembangkit listrik tenaga surya yang optimal harus mempertimbangkan pelestarian sumber daya lingkungan untuk mengurangi kemungkinan kerusakan lingkungan [17].

2.3.3 Iklim

Faktor iklim harus dipertimbangkan untuk pemilihan lokasi pembangkit tenaga surya. Faktor iklim meliputi suhu, kelembaban curah hujan, dan jam sinar matahari, karena faktor-faktor ini mempengaruhi radiasi yang diterima. Penelitian ini berfokus pada satu kriteria utama, yaitu global horizontal irradiation, untuk memilih lokasi dengan penyinaran matahari yang memadai untuk pembangkit listrik[17].

2.4 Pemrosesan dan Pemodelan Data

2.4.1 Jaringan Jalan

Jalan adalah kriteria penting yang harus diperhitungkan saat membangun pembangkit listrik tenaga surya karena jarak yang lebih dekat ke jaringan transportasi dan jalan berhubungan dengan biaya yang lebih rendah. Ada banyak penelitian yang menyarankan jarak penyangga sekecil mungkin. Namun, tidak ada gambaran yang valid secara umum tentang jarak minimum dan maksimum ke jalan raya dari energi matahari.

Tabel 2.2 Kelas dan bobot untuk parameter jaringan jalan.

2.4.2 Jaringan Permukiman

Implikasi sosial dari tenaga surya termasuk daerah perkotaan dan pedesaan biasanya dianggap sebagai pembatasan yang sangat signifikan. Pembatasan lahan energi terbarukan yang dekat dengan pusat perkotaan dan pedesaan berdampak pada masalah lingkungan. Oleh karena itu, untuk lokasi surya, jarak 500 m ke daerah pemukiman dipilih untuk memastikan perlindungan lingkungannya. Oleh karena itu, untuk meminimalkan biaya pengiriman dan energi kinerja, jarak pendek ke kawasan pemukiman cukup signifikan [17].

Tabel 2.3 Kelas dan bobot untuk parameter jaringan permukiman.

2.4.3 Jaringan Sungai

Untuk melindungi sumber air dari polusi, pembangkit listrik tenaga surya tidak boleh ditempatkan di dekat sumber air. Zona penyangga dengan jarak 800 m sesuai untuk menghindari pencemaran air, dan zona penyangga jarak 600 m sesuai untuk menjamin keamanan sumber daya air dari pencemaran. Selain itu, [17] percaya bahwa penyangga 500 m cocok untuk membangun pembangkit listrik tenaga surya. Studi ini mempertimbangkan zona penyangga 500–2000 m dari sungai. 

Tabel 2.4 Kelas dan bobot untuk parameter jaringan sungai.

2.4.4 Jaringan Patahan

Jarak ke patahan merupakan faktor yang harus diperhitungkan saat memilih lokasi yang cocok untuk lokasi solar power plant sites (SPPS). Situs yang lebih dekat ke garis patahan rentan terhadap risiko gempa bumi yang lebih tinggi dan kerusakan yang diakibatkannya. Ini dapat menimbulkan ancaman potensial atau aktual terhadap kegiatan proyek, dan karenanya harus dipertimbangkan.

Tabel 2.4 Kelas dan bobot untuk parameter jaringan patahan.

2.4.5 Kemiringan Lereng

Kemiringan merupakan salah satu faktor yang menentukan lokasi PLTS, karena penentuannya dilakukan berdasarkan persentase kemiringan, karena semakin besar kemiringan maka semakin tidak penting daerah tersebut untuk pendirian stasiun. Daerah datar lebih cocok untuk mendirikan stasiun dibandingkan dengan daerah dengan kemiringan yang curam. Kemiringan dan elevasi adalah kriteria utama lainnya untuk pemasangan pembangkit listrik tenaga surya.

Tabel 2.5 Kelas dan bobot untuk parameter kemiringan lereng.

2.4.6 Global Horizontal Irradiation (GHI)

Secara definisi, GHI mengacu pada energi dari radiasi matahari per jam per meter persegi. Elemen ini dianggap elemen yang paling penting dalam penelitian ini karena pentingnya dalam menentukan energi yang dapat diproduksi di suatu wilayah

Tabel 2.6 Kelas dan bobot untuk parameter GHI.

2.4.7 Area Terproteksi

Area terproteksi merupakan kawasan yang dilindungi karea area ini sangat penting untuk melestarikan keanekaragaman hayati, dan untuk memberikan layanan ekosistem yang vital, seperti melindungi daerah aliran sungai dan tanah serta melindungi komunitas manusia dari bencana alam. Banyak kawasan lindung penting bagi masyarakat lokal. Area terproteksi juga penting untuk penelitian dan pendidikan, dan berkontribusi secara signifikan terhadap ekonomi lokal dan regional, terutama dari pariwisata dan rekreasi. Maka dari itu area terproteksi ini sebaiknya dihindari untuk pembangunan-pembangunan gedung-gedung yang bersifat destruktif tanpa adanya reboisasi. 

2.5 Weighted Sum

Weighted Sum adalah fasilitas yang disediakan dalam ArcGIS dengan prinsip kerja mengkombinasikan berbagai input peta dengan bobot masing-masing peta. Jumlah bobot dari masing-masing parameter harus sama dengan 1. 

3. Hasil dan Pembahasan

Tujuan dari penelitian ini adalah untuk mengembangkan model berbasis GIS untuk melakukan analisis spasial untuk menemukan lokasi yang cocok untuk proyek energi surya dan untuk menemukan lokasi optimal untuk pembangunan pembangkit listrik tenaga surya, mulai dari lokasi yang paling cocok hingga yang terbatas. Selain itu, tujuan lain dibentuk, untuk menghitung jumlah PVOUT untuk setiap area yang dievaluasi kesesuaiannya. Untuk mencapai tujuan ini, kami mengandalkan tiga kriteria dasar: ekonomi, lingkungan, dan iklim. Semua kriteria ini dilapis dengan mempertimbangkan nilai bobotnya. Nilai bobot ini dihitung dengan menggunakan teknik weighted sum.

3.1 Peta Kesesuaian

Gambar 3.1 menunjukkan distribusi spasial tempat yang cocok untuk pendirian pembangkit listrik tenaga surya di wilayah provinsi Papua Selatan, provinsi Papua Tengah dan provinsi Papua Pegunungan, di mana kami membedakan dengan menggunakan peta antara tiga tingkat sesuai dengan tingkat kesesuaian (cocok, tidak cocok, sangat tidak cocok). Level-level ini muncul di peta secara berbeda dalam hal keberadaannya di wilayah tersebut, karena kami menemukan bahwa area yang paling cocok terkonsentrasi di ruang yang sangat terbatas, seperti di utara area yang dipelajari atau area provinsi Papua Pegunungan.

Demikian pula, daerah yang cocok ditemukan terutama di selatan (provinsi Papua Selatan) dan barat daya (provinsi Papua Tengah). Adapun area dengan kesesuaian sangat tidak cocok, kami menemukannya muncul di seluruh peta secara keseluruhan. Ini terutama karena mereka mewakili vegetasi dan kawasan lindung di mana jenis proyek ini tidak dapat dibangun.

Distribusi menurut tingkat kesesuaian sangat bergantung pada GHI. GHI mencatat kesesuaian tertinggi di wilayah Utara. Secara umum, dapat dikatakan bahwa nilai GHI di wilayah Utara ini cukup tinggi dibandingkan dengan wilayah lainnya, yang menyiratkan bahwa terdapat banyak peluang untuk menggunakan GHI untuk berinvestasi dalam produksi sejumlah besar energi matahari. Singkatnya, jelas bahwa distribusi tempat yang paling cocok untuk membangun pembangkit listrik tenaga surya sangat spesifik, dengan mempertimbangkan peringkat optimal dari semua kriteria. Ini menunjukkan validitas hasil kami, yang sejalan dengan penelitian sebelumnya yang semuanya menunjukkan area mikro yang 'paling cocok'. Menurut hal di atas, hasil ini didasarkan pada landasan ilmiah yang valid [1,2].

Tabel 3.1 menunjukkan distribusi tingkat kesesuaian di wilayah kajian, di mana kami menemukan bahwa zona bervariasi dalam tingkat kesesuaian menurut berbagai faktor. Tidak termasuk bagian yang dibatasi, bagian lainnya cocok untuk membangun stasiun pembangkit listrik tenaga surya, sesuai dengan prioritas yang diberikan oleh studi ini. Dengan demikian, sekitar 83% dari daerah yang diteliti cocok sebagai lokasi pembangunan pembangkit listrik. Ruas-ruas ini berbeda dalam hal luasnya, karena ruas yang cocok mewakili hanya 2%, ruas yang tidak cocok mewakili 21%, dan ruas yang sangat tidak cocok mewakili 77% dari wilayah studi.

Tabel 3.1 Tingkat kesesuaian PLTS di wilayah kajian

Adapun daerah terlarang, yang mewakili sekitar 17%, tidak mungkin untuk mendirikan pembangkit listrik tenaga surya karena beberapa faktor alam dan manusia yang telah disebutkan sebelumnya (yaitu kawasan lindung). Pengambil keputusan harus mempertimbangkan studi ini dan memutuskan untuk mendirikan stasiun di daerah yang paling cocok, yaitu sekitar 2%; studi ini kemudian menegaskan bahwa daerah yang paling cocok adalah situs yang paling tepat dalam hal semua kriteria lingkungan, ekonomi dan iklim.

3.2 Potensi Produksi Listrik Fotovoltaik

PVOUT adalah output dari algoritma dan data yang digunakan oleh (SolarGIS) untuk memastikan produksi energi potensial sistem energi matahari dari nilai tertinggi radiasi matahari. Kumpulan data utama yang digunakan untuk menghitung PVOUT menyediakan data Global Tilted Irradiance (GTI) dan suhu udara. Kumpulan data ini merupakan hasil perhitungan tahunan dari tahun 1999 hingga 2018 [3]. Gambar 3.1 menunjukkan potensi produksi energi matahari di setiap bagian. Area terlarang dikeluarkan dari perhitungan potensi produksi energi matahari karena area ini tidak direkomendasikan untuk pendirian stasiun. Jadi, tidak tepat untuk menunjukkan potensi hasil produksi mereka.

Apabila ditinjau nilai rata-rata perhari PVOUT di setiap bulannya pada tahun 2019 yang berada diatas 4 kwh/Kwp untuk area cocok yaitu bulan Januari, Februari, Maret, April, Mei, Agustus, September, Oktober dan November. Sedangkan bulan Juli dan Juni pada area cocok memiliki nilai dibawah 4 kwh/kwp. Pada data timerseries ini pun terlihat bahwa jumlah produksi energi potensial untuk setiap area menurun seiring dengan penurunan kesesuaian area yaitu area tidak cocok dan sangat tidak cocok memiliki nilai rata-rata dibawah 4 kwh/kwp.

Gambar 3.2 Nilai rata-rata perhari PVOUT di setiap bulannya pada tahun 2019

4. Kesimpulan

Prospek energi surya di provinsi Papua Selatan, provinsi Papua Tengah dan provinsi Papua Pegunungan melalui parameter slope, GHI, patahan, jalan, pemukiman dan sungai ditunjukan pada peta yang telah dilakukan weighted sum. Peta tersebut dibagi menjadi tiga tingkat kesesuaian (cocok, tidak cocok, sangat tidak cocok), dimana untuk daerah yang cocok ditemukan di selatan (provinsi Papua Selatan) dan barat daya (provinsi Papua Tengah) dengan area seluas 3850 km2. Potensi produksi listrik fotovoltaik ditinjau berdasarkan nilai PVOUT, diperoleh potensi diatas 4 kwh/Kwp untuk bulan Januari, Februari, Maret, April, Mei, Agustus, September, Oktober dan November.

Daftar Pustaka

[1] Kahraman, C., Kaya, I. and Cebi, S. (2009). A comparative analysis for multiattribute selection among renewable energy alternatives using fuzzy axiomatic design and fuzzy analytic hierarchy process. Energy, 34(10), 1603-1616.

[2] Ben Salah, C., Chaabene, M. and Ben Ammar, M. (2008). Multi-criteria fuzzy algorithm for energy management of a domestic photovoltaic panel. Renewable Energy, 33(5), 993-1001.

[3] Dongrong Li. (2013). Using GIS and Remote Sensing Techniques for Solar Panel Installation Site Selection. A thesis presented to the University of Waterloo in fulfillment of the thesis requirement for the degree of Master of Science in Geography. Waterloo, Ontario, Canada.

[4] Gastli, A. and Charabi, Y. (2010a). Solar electricity prospects in Oman using GIS-based solar radiation maps. Renewable and Sustainable Energy Reviews, 14, 790 - 797.

[5] Wang, J.-J., Jing, Y.-Y., Zhang, C.-F. and Zhao, J.-H. (2009). Review on multi-criteria decision analysis aid in sustainable energy decision-making. Renewable and Sustainable Energy Reviews, 13(9), 2263–2278. doi:10.1016/j.rser.2009.06.021

[6] Alhammad, A.; Sun, Q.; Tao, Y. Optimal Solar Plant Site Identification Using GIS and Remote Sensing: Framework and Case Study Energies 2022, 15, 312.

[7] Hassan Z. Al Garni⁎, Anjali Awasthi. 2017. Solar PV power plant site selection using a GIS-AHP based approach with application in Saudi Arabia. Concordia University, CIISE, 1455 De Maisonneuve Blvd. W., Montreal H3G 1M8, Quebec, Canada24. Applied Energy 206 (2017) 1225–1240.

[8] E. Aksoy and B. T. San, “Geographical information systems (GIS) and multi-criteria decision analysis (MCDA) integration for sustainable landfill site selection considering dynamic data source,” Bulletin of Engineering Geology and the Environment, vol. 78, no. 2, pp. 779–791, 2019.

[9] G. Villacreses, G. Gaona, J. Martínez-Gómez, and D. J. Jijón, “Wind farms suitability location using geographical information system (GIS), based on multi-criteria decision making (MCDM) methods: the case of continental Ecuador,” Renewable Energy, vol. 109, pp. 275–286, 2017.

[10] P. Gagnon, R. Margolis, J. Melius, C. Phillips, and R. Elmore, “Estimating rooftop solar technical potential across the US using a combination of GIS-based methods, lidar data, and statistical modeling,” Environmental Research Letters, vol. 13, no. 2, 2018.

[11] D. Assouline, N. Mohajeri, and J.-L. Scartezzini, “Large-scale rooftop solar photovoltaic technical potential estimation using Random Forests,” Applied Energy, vol. 217, pp. 189–

211, 2018.

[12] Abraham Hizkiel Nebey , Biniyam Zemene Taye, and Tewodros Gera Workineh. Site Suitability Analysis of Solar PV Power Generation in South Gondar, Amhara Region. Hindawi Journal of Energy Volume 2020, Article ID 3519257, 15 pages

[13] J. R. S. Doorga, S. D. D. V. Rughooputh, and R. Boojhawon, “Multi-criteria GIS-based modelling technique for identifying potential solar farm sites: a case study in Mauritius,” Renewable Energy, vol. 133, pp. 1201–1219, 2019.

[14] M. A. Nazari, A. Aslani, and R. Ghasempour, “Analysis of solar farm site selection based on TOPSIS approach,” International Journal of Social Ecology and Sustainable Development, vol. 9, no. 1, pp. 12–25, 2018.

[15] T. R. Ayodele, A. S. O. Ogunjuyigbe, O. Odigie, and J. L. Munda, “A multi-criteria GIS based model for wind farm site selection using interval type-2 fuzzy analytic hierarchy process: the case study of Nigeria,” Applied Energy, vol. 228, pp. 1853–1869, 2018.

[16] Ruiz, H.; Sunarso, A.; Ibrahim-Bathis, K.; Murti, S.; Budiarto, I. GIS-AHP Multi Criteria Decision Analysis for the optimal location of solar energy plants at Indonesia. Energy Rep. 2020, 6, 3249–3263. [CrossRef]

[17] Yousefi, H.; Hafeznia, H.; Yousefi-Sahzabi, A. Spatial site selection for solar power plants using a gis-based boolean-fuzzy logic model: A case study of Markazi Province, Iran. Energies 2018, 11, 1648. [CrossRef]

[18] Charabi, Y.; Gastli, A. PV site suitability analysis using GIS-based spatial fuzzy multi-criteria evaluation. Renew. Energy 2011, 36, 2554–2561. [CrossRef]

[19] Yushchenko, A.; de Bono, A.; Chatenoux, B.; Patel, M.K.; Ray, N. GIS-based assessment of photovoltaic (PV) and concentrated solar power (CSP) generation potential in West Africa. Renew. Sustain. Energy Rev. 2018, 81, 2088–2103. [CrossRef]

[20] Solargis. Longterm Yearly Average of Potential Photovoltaic Electricity Production2021, Global Solar Atlas 2.0, Indonesia.

1. 1.
   Tubagus Nur Rahmat Putra

1. 2.
   Farah Duta Umari Shadra

1. 3.
   Nada Farhani Rustiawan

�

1. 1.
   tubagus19001@mail.unpad.ac.id

1. 2.
   farah19017@mail.unpad.ac.id

1. 3.
   nada19003@mail.unpad.ac.id