BAB I PENDAHULUAN

1.1 Latar Belakang Algoritma Genetika adalah suatu algoritma pencarian yang bertujuan untuk mencari solusi dari suatu masalah, baik dengan satu variabel ataupun dengan multivariabel. Metode ini meniru mekanisme dari genetika alam, yaitu untuk menemukan susunan-susunan gen yang terbaik di dalam tubuh makhluk hidup. Setiap solusi pada algoritma genetika diwakili oleh suatu individu atau satu kromosom. Keuntungan dari algoritma genetika adalah sifat metode searchnya yang lebih optimal, tanpa terlalu memperbesar ruang pencarian dan tanpa kehilangan completeness. Sudah banyak

permasalahan optimasi yang telah diselesaikan dengan menggunakan algoritma genetika, dan hasil yang diperoleh biasanya lebih baik dari metode sebelumnya (Desiani dan Muhammad, 2006). Sejak tahun 1960-an, peningkatan minat para ilmuwan yang

memfokuskan kepada bidang pengimitasian kehidupan telah menghasilkan berbagai teknik atau pendekatan optimisasi yang dapat disebut juga sebagai algoritma evolusioner, sehingga memungkinkan untuk menyelesaikan

permasalahan-permasalahan optimisasi yang kompleks secara lebih mudah dan akurat. Ada tiga wilayah utama yang tercakup di dalam algoritma evolusioner : algoritma genetik (GA), pemrograman evolusioner (EP), dan strategi evolusi (ES). Di antara ketiga pendekatan ini, algoritma genetik yang lebih populer digunakan pada berbagai permasalahan optimisasi (Fadlisyah, dkk, 2009). 1.2 Batasan Masalah Adapun batasan masalah pada penelitian ini adalah 1. Penelitian ini menggunaan Algoritma Genetika untuk optimasi pemesinan pada mesin Sekrap (shaping). 2. Parameter pemesinan yang dioptimasi adalah kecepatan potong (V), kecepatan makan (Vf), dan waktu pemotongan (tc) . 3. Pengujian pemesinan dilakukan di Laboratorium Teknologi Mekanik dan Laboratorium Ilmu Logam Fisik Universitas Sumatera Utara.

4. Data eksperimental pemesinan yang digunakan telah tersedia sebelumnya. 5. Perancangan dan analisis sistem yang dibuat menggunakan program bantu MATLAB 6. Metode algoritma genetik yang digunakan adalah model SGA (Simple Genetic Algorithm).

1.3

Tujuan Penelitian Adapun tujuan penelitian adalah sebagai berikut 1. Untuk memahami tentang pemesinan pada mesin Sekrap (shaping) dan menentukan solusi optimasi dari pemesinan yang terbaik. 2. Dapat menggunakan algoritma genetik untuk mencari parameter terbaik dari variabel pemesinan, kecepatan potong, kecepatan makan, dan waktu pemotongan.

1.4

Manfaat Penelitian Adapun manfaat penelitian adalah sebagai berikut 1. Bagi peneliti, dapat menerapkan apa yang dipelajari di buku dengan melakukan langsung proses optimasi parameter pemesinan dengan menggunakan algoritma genetika. 2. Bagi universitas, dapat menambah pengetahuan tentang hasil penelitian yang telah dilakukan, guna referensi penelitian selanjutnya. 3. Bagi industri manufaktur, dapat meningkatkan keoptimalan proses produksi khususnya dibagian pemesinan produk, sehingga menghasilkan produk yang lebih berkualitas.

1.5

Sistematika Penulisan Adapun sistematika penulisan adalah sebagai berikut:

Bab I Pendahuluan Bab ini menjelaskan pendahuluan tentang studi kasus dan pemecahan masalah yang berisi antara lain : latar belakang, batasan masalah, tujuan penelitan, manfaat penelitian, dan sistematika penulisan.

Bab II Tinjauan Pustaka Bab ini berisikan tinjauan pustaka, diantaranya mengenai teori yang berhubungan dengan penelitian, yaitu teori dasar algoritma genetik, prosedur pelaksanaan algoritma genetik, teori dasar pemesinan pada mesin sekrap, dan parameter proses pemesinan mesin sekrap.

Bab III Metodologi Bab ini berisi tata cara penelitian yang akan dilakukan, dimulai dari peralatan, bahan, dan optimasi pemesinan mesin Sekrap (shaping) dengan menggunakan algoritma genetik.

Bab IV Analisa Data Bab ini berisi hasil analisis penggunaan algoritma genetik untuk optimasi pemesinan pada mesin Sekrap (shaping).

Bab V Kesimpulan dan Saran Bab ini berisi kesimpulan dari analisa berdasarkan tujuan skripsi dan saran untuk penelitian lanjutan di mesa depan.

BAB II TINJAUAN PUSTAKA

2.1 2.1.1 Algoritma Genetika Pengenalan Algoritma Genetika Algoritma genetik pertama kali diperkenalkan oleh John Holland dari Universitas Michigan pada tahun 1975. John Holland bersama murid-murid serta rekan kerjanya lalu mempublikasikan tulisannya berjudul Adapted in Natural and Artificial System. Dalam tulisan tersebut dijelaskan bahwa algoritma genetik sangat cocok digunakan untuk memecahkan masalah optimasi kompleks dan juga untuk aplikasi yang membutuhkan pemecahan masalah adaptif. Sehingga dengan beberapa keunggulan tersebut, algoritma genetik diterima pada berbagai kalangan dan telah diaplikasikan pada berbagai bidang Algoritma genetik merupakan metode pencarian stokastik yang diilhami oleh proses biologi yang dapat diterapkan pada sebagian besar permasalahan. Algoritma genetik memodelkan mekanisme seleksi alam dan proses genetik untuk menuntun suatu pencarian seperti cara-cara alam dalam menyelesaikan permasalahan adaptasi organisme untuk mempertahankan kelangsungan hidupnya. Algoritma genetika banyak diaplikasikan untuk berbagai macam permasalahan, seperti: permasalah optimasi, pemrograman otomatis, machine learning, model ekonomi, model sistem imunisasi, dan model ekologis. Algoritma genetika juga sangat berguna dan efisien untuk mengatasi masalah dengan

karakteristik sebagai berikut : Ruang masalah sangat besar, kompleks, dan sulit dipahami, tidak tersedianya analisis matematika yang memadai, ketika metodemetode konvensional sudah tidak mampu menyelesaikan masalah yang dihadapi, solusi yang diharapkan tidak harus paling optimal, tetapi cukup bagus atau bisa diterima, terdapat batasan waktu, misalnya dalam real time system atau sistem waktu nyata. Algoritma genetik memiliki perbedaan yang mendasar dengan metode pencarian solusi optimal berbasis model matematika kalkulus, perbedaan tersebut adalah sebagai berikut :

1. Mekanisme optimasi algoritma genetik bekerja berdasarkan kromosom, dimana setiap kromosom menyimpan informasi parameter-parameter tersebut. 2. Proses pencarian solusi optimal pada mekanisme algoritma genetik tidak dilakukan pada satu titik pencarian, tetapi pada sekumpulan titik pencarian. 3. Algoritma genetik tidak membutuhkan prosedurprosedur matematis dalam mencari solusi optimal tetapi algoritma genetik menggunakan informasi langsung dari hasil transfer tiap-tiap parameternya ke suatu fungsi yang dapat mewakili tujuan dari proses optimasi yang sedang dilakukan. 4. Mekanisme genetik digunakan dalam pemrosesan kode parameter suatu permasalahan, melalui proses seleksi, rekombinasi dan mutasi untuk memperoleh solusi optimal. 5. Proses pencarian solusi optimal menggunakan metode algoritma genetik menggunakan titik acuan sembarang, untuk menghindari solusi optimal lokal. 6. pencarian terbimbing diberikan melalui penilaian terhadap kualitas kode atau kromosom yang dimiliki oleh setiap individu dalam suatu generasi.

2.1.2

Struktur Umum Algoritma Genetika Algoritma genetika dimulai dengan suatu himpunan penyelesaian acak

awal yang disebut populasi. Masing-masing individu didalam populasi disebut kromosom. Sebelum Algoritma genetika dapat dijalankan, maka sebuah kode yang sesuai (representatif) untuk persoalan harus dirancang. Untuk ini maka titik solusi dalam ruang permasalahan dikodekan dalam bentuk kromosom. Sebuah kromosom terdiri dari sebuah string yang terdiri dari berbagai symbol, dan biasanya, tetapi tidak mutlak, string tersebut berupa sederetan bit-bit biner 0 dan 1. Kromosom tumbuh tumbuh melalui berbagai literasi yang berulang-ulang yang disebut juga generasi. Pada masing-masing generasi, berbagai kromosom yang dihasilkan akan dievaluasi menggunakan suatu pengukuran fitness. Dengan teori evolusi dan teori genetika, didalam penerapan Algoritma genetika akan melibatkan beberapa operator, yaitu:

1. Operasi evolusi yang melibatkan proses seleksi (selection) didalamnya. 2. Operasi genetika yang melibatkan operator pindah silang (crossover) dan mutasi (mutation). Untuk memeriksa hasil optimasi, kita membutuhkan fungsi fitness, yang menandakan gambaran hasil (solusi) yang sudah dikodekan. Selama berjalan, induk harus digunakan untuk reproduksi, pindah silang, dan mutasi untuk menciptakan keturunan.

2.2

Prosedur Algoritma Genetika Untuk menggunakan Algoritma genetika, perlu dilakukan prosedur sebagai berikut: 1. Mendefinisikan individu, dimana individu menyatakan salah satu solusi (penyelesaian) yang mungkin dari permasalahan yang diangkat. 2. Mendefinisikan nilai fitness, yang merupakan ukuran baik tidaknya sebuah individu atau baik tidaknya solusi yang didapatkan. 3. Menentuka proses pembangkitan populasi awal. Hal ini biasanya dilakukandengan menggunakan pembangkitan acak seperti random-walk. 4. Menentukan proses seleksi yang akan digunakan. 5. Menentukan proses pindah silang (crossover) dan mutasi gen yang akan digunakan.

2.2.1

Pengertian Individu Individu merupakan salah satu solusi yang mungkin. Individu bias

dikatakan sama dengan kromosom, yang merupakan kumpulan gen. Gen ini bisa biner, pecahan (float), dan kombinatorial. Beberapa definisi penting yang perlu diperhatikan dalam mendefinisikan individu untuk membangun penyelesaian permasalahan dengan Algoritma genetika adalah sebagai berikut: 1. Genotype (Gen), adalah sebuah nilai yang menyatakan satuan dasar yang membentuk suatu arti tertentu dalam satu kesatuan gen yang dinamakan kromosom. Dalam Algoritma genetika, gen ini bias bernilai biner, float, integer maupun karakter, atau kombinatorial. 2. Allele, adalah nilai dari gen. 3. Kromosom, adalah gabungan gen-gen yang membentuk nilai tertentu.

4. Individu, adalah suatu nilai atau keadaan yang menyatakan salah satu solusi yang mungkin dari permasalahan yang diangkat. 5. Populasi, adalah sekumpulan individu yang akan diproses bersama dalam satu siklus proses evolusi. 6. Generasi, adalah satu siklus proses evolusi atau satu literasi didalam Algoritma genetika.

Gambar 2.1 Ilustrasi representasi penyelesaian permasalahan dalam Algoritma genetika

Satu gen biasanya akan mewakili satu variabel. Gen dapat irepresentasikan dalam bentuk bit, bilangan real, daftar aturan, elemen permutasi, elemen program, atau representasi lainnya yang dapat diimplementasikan untuk operator genetika. Dengan demikian, kromosom dapat direpresentasikan dengan menggunakan: String bit Array bilangan real Elemen permutasi : 10011 : 65,65 ; -67,98 ; 77,34 dan seterusnya : E2, E10, E5 dan seterusnya

Daftar aturan Elemen program Struktur lainnya

: R1, R2, R3 dan seterusnya : pemograman genetika

Misalnya didalam kasus Travelling Salesman Problem (TSP). TSP merupakan salah satu ilmu dibidang manajemen untuk mencari solusi jarak tempuh dan waktu tercepat dari beberapa kota(W.R. Hamilton, 1832). Individu menyatakan jalur yang ditempuh, dalam penentuan nilai maksimal dari F(x,y) individu menyatakan nilai (x,y). Pada gambar 2.2 diilustrasikan dua kemungkinan jalur yang ditempuh dalam TSP dan bagaimana representasinya dalam individu.

Gambar 2.2 Kemungkinan jalur dalam TSP dan representasi dalam individu

2.2.2

Nilai Fitness Nilai fitness adalah nilai yang menyatakan baik tidaknya suatu solusi

(individu). Nilai fitness ini yang dijadikan acuan dalam mencapai nilai optimal dalam Algoritma genetika. Algoritma genetika bertujuan mencari individu dengan nilai fitness yang paling tinggi. Dalam TSP, karena TSP bertujuan meminimalkan jarak, maka nilai fitnessnya adalah inversi dari total jarak dari jalur yang didapatkan. Cara melakukan invers bisa menggunakan rumus 1/x atau 100000-x, dimana x adalah total jarak dari jalur yang digunakan.

2.2.3

Pembangkitan Populasi Awal Membangkitkan populasi awal adalah proses membangkitkan sejumlah

individu secara acak atau melalui prosedur tertentu. Ukuran untuk populasi tergantung pada masalah yang akan diselesaikan dan jenis operator genetika yang akan diimplementasikan. Setelah ukuran populasi ditentukan, kemudian dilakukan

pembangkitan populasi awal. Syarat-syarat yang harus dipenuhi untuk menunjukkan suatu solusi harus benar-benar diperhatikan dalam pembangkitan setiap individunya. Teknik dalam pembangkitan populasi awal ada beberapa cara, yaitu: 1. Random Generator Inti dari cara ini adalah melibatkan pembangkitan bilangan random untuk nilai setiap gen sesuai dengan representasi kromosom yang digunakan. Jika menggunakan representasi biner, salah satu contoh penggunaan random generator adalah penggunaan rumus berikut untuk pembangkitan populasi awal:

IPOP = round{random(Nipop,Nbits)} Dimana IPOP adalah gen yang nantinya berisi pembulatan dari bilangan random yang dibangkitkan sebanyak Nipop (jumlah populasi) dikali Nbits (jumlah gen dalam tiap kromosom). Contoh lain penggunaan random generator dalam representasi permutasi adalah pada saat dibangkitkan populasi awal untuk penyelesaian permasalahan Traveling Salesman Problem. Sebagai contoh, sebuah kromosom untuk sembilan kota bisa direpresentasikan:

[0.23 0.82 0.45 0.74 0.87 0.11 0.56 0.69 0.78]

Dimana posisi I dalam list menunjukkan kota i. Nilai acak dalam posisi i menentukan urutan didatanginya kota i dalam lintasan TSP. Dengan kuncikunci random diatas, kita dapat menentukan bahwa nilai 0.11 adalah yang paling kecil, sehingga kota ke-6 menempati urutan pertama, 0.23 adalah nilai terkecil kedua, sehingga kota ke-1 menempati urutan kedua dan seterusnya. Sehingga dengan demikian, dari kunci-kunci random diatas kita dapat menentukan lintasan: 6-1-3-7-8-4-9-2-5

2. Pendekatan Tertentu

Cara ini adalah dengan memasukkan nilai tertentu kedalam gen dari populasi awal yang dibentuk.

3. Mutasi Gen Salah satu permutasi gen dalam pembangkitan populasi awal adalah penggunaan permutasi Josephus dalam permasalahan kombinatorial seperti TSP. Misalkan ada kota dari 1 sampai 9. Permutasi dari lintasan dapat dilakukan dengan menentukan titik awal dan selang. Misalnya titik awal adalah 6 dan selang adalah 5. Maka lintasan berangkat dari kota 6, selang 5 dari kota 6 adalah kota 2 (dengan asumsi kota 1 sampai 9 membentuk circular list). Kota 2 dihapus dari list. Selang 5 kemudian adalah kota 7. Proses ini diulang hingga ada satu lintasan dalam list. Hasildari permutasi ini adalah 2-7-3-8-4-9-5-1-6.

2.2.4

Seleksi Seleksi digunakan untuk memilih individu-individu mana saja yang akan

dipilih untuk proses pindah silang dan mutasi. Seleksi digunakan untuk mendapatkan calon induk yang baik. Semakin tinggi nilai fitness suatu individu, semakin besar kemungkinannnya untuk terpilih. Langkah pertama yang dilakukan dalam seleksi ini adalah pencarian nilai fitness. Nilai fitness ini yang nantinya akan digunakan pada tahap-tahap seleksi berikutnya. Masing-masing individu dalam wadah seleksi akan menerima probabilitas reproduksi yang tergantung pada nilai objektif dirinya sendiri terhadap nilai objektif dari semua individu dalam wadah seleksi tersebut. Proses seleksi akan menentukan individu-individu mana saja yang akan dipilih untuk dilakukan rekombinasi dan bagaimana offspring terbentuk dari individu - individu terpilih tersebut. Terdapat beberapa metode seleksi, diantaranya metode mesin roulette dan metode turnamen.

2.2.4.1 Seleksi Dengan Mesin Roulette Metode seleksi dengan mesin roulette ini merupakan metode yang paling sederhana dan sering dikenal dengan nama Stochastic Sampling With Replacement. Cara kerja metode ini adalah sebagai berikut: 1. Dihitung nilai fitness dari masing-masing individu (fi, dimana i adalah individu ke-1 sampai ke-n).

2. Dihitung total fitness semua individu. 3. Dihitung pobabilitas masing-masing individu. 4. Dari probabilitas tersebut, dihitung jatah masing-masing individu pada angka 1 sampai 100. 5. Dibangkitkan bilangan random antara 1 sampai 100. Dari bilangan random yang dihasilkan, ditentukan individu mana yang terpilih dalam proses seleksi.

Gambar 2.3 Ilustrasi seleksi dengan mesin roulette

2.2.4.2 Seleksi Dengan Turnamen Pada metode seleksi dengan turnamen, ditetapkan suatu nilai tour untuk individu-individu yang dipilih secara random dari suatu populasi. Individuindividu yang terbaik dalam kelompok ini akan diseleksi sebagai induk. Parameter yang digunakan pada metode ini adalah ukuran tour yang bernilai antara 2 sampai N (jumlah individu dalam suatu populasi).

2.2.5

Pindah Silang (Crossover) Pindah silang (Crossover) adalah operator dari Algoritma genetika yang

melibatkan dua induk untuk membentuk kromosom baru. Pindah silang menghasilkan titik baru dalam ruang pencarian yang siap untuk diuji. Operasi ini tidak selalu dilakukan pada semua individu yang ada. Individu dipilih secara acak untuk dilakuakn crossing dengan Pc antara 0.6 sampai 0.95. Jika pindah silang tidak dilakukan,maka nilai dari induk akan diturunkan kepada keturunan. Prinsip dari pindah silang ini adalah melakukan operasi (pertukaran, aritmatika) pada gen-gen yang bersesuaian dari dua induk untuk menghasilkan individu baru. Proses crossover dilakukan pada setiap individu dengan probabilitas crossover yang ditentukan. Pada gambar 2.4 diilustrasikan diagram alir penggunaan probabilitas crossover pada proses crossover. Operator crossover ini bergantung pada representasi kromosom yang dilakukan.

Gambar 2.4 Diagram alir proses crossover

2.2.5.1 Crossover satu titik Crossover satu titik dan banyak titik biasanya digunakan untuk representasi kromosom dalam biner. Pada crossover satu titik, posisi crossover k

(k=1,2,,N-1) dengan N sebagai panjang kromosom diseleksi secara random. Variabel-variabel ditukar antara kromosom pada titik tersebut untuk menghasilkan anak. Pada gambar 2.5 diilustrasikan crossover satu titik.

Gambar 2.5 Ilustrasi crossover satu titik

2.2.5.2 Crossover banyak titik Pada crossover banyak titik, m posisi penyilangan ki (k=1,2,., N-1; i=1,2,,m) dengan N = panjang kromosom diseleksi secara randomdan tidak diperbolehkan ada posisi yang sama, serta diurutkan naik. Variabel-variabel ditukar antara kromosom pada titik tersebut untuk menghasilkan anak. Pada gambar 2.6 diilustrasikan crossover dua titik dan pada gambar 2.7 diilustrasikan crossover lebih dari dua titik.

Gambar 2.6 Ilustrasi Crossover dua titik

Gambar 2.7 Ilustrasi Crossover lebih dari dua titik

2.2.5.3 Crossover aritmatika Crossover aritmatika digunakan untuk representasi kromosom berupa bilangan float (pecahan). Crossover ini dilakukan dengan menentukan nilai r sebagai bilangan random lebih dari 0 dan kurang dari 1. Selain itu juga ditentukan posisi dari gen yang dilakukan crossover menggunakan bilangan random. Pada gambar 2.8 diilustrasikan bagaimana crossover aritmatika bekerja. Nilai baru dari gen pada anak mengikuti rumus berikut: ( ) ( ) ( ) ( ) ( ( ) ) ( ). (2.1) ( ). (2.2)

Gambar 2.8 Crossover aritmatika

2.2.5.4 Crossover untuk representasi kromosom permutasi Sejak pertengahan tahun 80-an, beberapa metode operator pindah silang diciptakan untuk representasi permutasi, seperti partial-mapped crossover, order crossover, cycle crossover, position based crossover, order based crossover, heuristic crossover, dan lain-lain. Beberapa metode pindah silang tersebut dijelaskan seperti dibawah ini. Partial-Mapped Crossover (PMX). PMX diciptakan oleh Goldberg dan Lingle. PMX merupakan rumusan modifikasi dari pindah silang dua poin. Hal yang penting dari PMX adalah pindah silang 2-poin ditambah dengan beberapa prosedur tambahan. PMX mempunyai langkah kerja sebagai berikut: Prosedur PMX 1. Tentukan dua posisi pada kromosom dengan aturan acak. Substring yang berada dalam dua posisi ini dinamakan daerah pemetaan. 2. Tukar dua substring antar induk untuk menghasilkan proto-child. 3. Tentukan hubungan pemetaan diantara dua daerah pemetaan. 4. Tentukan kromosom keturunan mengacu pada hubungan pemetaan.

Proses diatas dapat digambarkan sebagai berikut:

Gambar 2.9 Ilustrasi dari PMX operator

Order Crossover (OX). OX diciptakan oleh Davis. Metode ini merupakan variasi dari PMX dengan prosedur tambahan. OX bekerja sebagai berikut:

Prosedur OX: 1. Pilih substring dari sebuah induk secara acak. 2. Bangkitkan sebuah proto-child dengan mengosongkan tempat substring induk 2 pada induk 1. 3. SHR allele dari substring pada tempat yang bersesuaian. 4. Tukar substring antara 2 induk

Proses OX dapat digambarkan sebagai berikut:

Gambar 2.10 Ilustrasi OX operator

Cycle Crossover (CX). CX diciptakan oleh Oliver, Smith dan Holland. Metode ini mengkopi kota-kota dari satu induk dan memilih kota-kota yang lain dari induk yang lain, dengan mengingat pola cycle. Cara kerja CX adalah sebagai berikut:

Prosedur CX: 1. Tentukan cycle yang didefinisikan dari relasi kota-kota antar induk. 2. Salin kota-kota dalam cycle pada proto-child dengan relasi posisi dari sebuah induk. 3. Tentukan kota-kota diingat yang berasal dari induk lain. 4. Isi keturunan dengan kota-kota yang diingat tadi

Proses CX dapat digambarkan sebagai berikut:

Gambar 2.11 Ilustrasi CX operator

2.2.6

Mutasi Operator berikutnya pada Algoritma genetika adalah mutasi gen. Operator

ini berperan untuk menggantikan gen yang hilang dari populasi akibat proses seleksi yang memungkinkan munculnya kembali gen yang tidak muncul pada inisialisasi populasi. Kromosom anak dimutasi dengan menambahkan nilai random yang sangat kecil (ukuran langkah mutasi), dengan probabilitas yang rendah. Peluang mutasi (Pm) didefinisikan sebagai persentasi dari jumlah total gen pada populasi yang mengalami mutasi. Peluang mutasi mengendalikan banyaknya gen baru yang akan dimunculkan untuk dievaluasi. Jika peluang mutasi terlalu kecil, banyak gen yang mungkin berguna tidak pernah dievalusi. Tetapi bila

peluang mutasi ini terlalu besar, maka akan terlalu banyak gangguan acak, sehingga anak akan kehilangan kemiripan dari induknya, dan juga algoritma kehilangan kemampuan untuk belajar dari history pencarian. Ada beberapa pendapat mengenai laju mutasi ini. Ada yang berpendapat bahwa laju mutasi sebesar 1/n akan memberikan hasil yang cukup baik. Ada juga yang beranggapan bahwa laju mutasi tidak tergantung pada ukuran populasinya. Kromosom hasil mutasi harus diperiksa apakah masih berada pada domain solusi, dan bila perlu bias dilakukan perbaikan.

Gambar 2.12 Diagram alir proses mutasi

Proses diatas menggambarkan cara mudah untuk melakukan mutasi. Proses mutasi yang dilakukan tidak harus seperti pada proses tersebut. Proses yang lain bias dengan melakukan mutasi pada gen sebanyak probabilitas mutasi dikalikan jumlah gen, dimana posisi gen yang akan dilakukan mutasi dipilih secara acak.

2.2.6.1 Mutasi biner Cara sederhana untuk mendapatkan mutasi biner adalah dengan mengganti satu atau beberapa nilai gen dari kromosom. Langkah-langkah mutasi adalah: 1. Hitung jumlah gen pada populasi (panjang kromosom dikalikan dengan ukuran populasi). 2. Pilih secara acak gen yang akan dimutasi. 3. Tentukan kromosom dari gen yang terpilih untuk dimutasi. 4. Ganti nilai gen (0 ke 1, atau 1 ke 0) dari kromosom yang akan dimutasi tersebut.

2.2.6.2 Mutasi kromosom permutasi

Gambar 2.13 Proses dan hasil mutasi

2.3

Siklus Algoritma Genetika Siklus dari Algoritma genetika pertama kali diperkenalkan oleh David

Goldberg, dimana gambaran siklus tersebut dapat dilihat pada gambar dibawah ini:

Gambar 2.14 Siklus Algoritma genetika oleh David Goldberg

Siklus

ini

kemudian

diperbaiki

oleh

beberapa

ilmuwan

yang

mengembangkan Algoritma genetika, yaitu Zbigniew Michalewicz dengan menambahkan operator elitism dan membalik proses seleksi setelah proses reproduksi.

Gambar 2.15 Siklus Algoritma genetika yang diperbaharui oleh Michalewicz

2.4

Hal Penting Dalam Pemakaian Algoritma Genetika Beberapa Hal yang harus diperhatikan genetika adalah: 1. Algoritma genetika adalah algoritma yang dikembangkan dari proses pencarian solusi menggunakan pencarian acak. Ini terlihat pada proses pembangkitan populasi awal yang menyatakan sekumpulan solusi yang dipilih secara acak. 2. Berikutnya pencarian dilakukan berdasarkan proses-proses teori genetika yang memperhatikan pemikiran bagaimana memperoleh individu yang lebih baik, sehingga dalam proses evolusi dapat diharapkan diperoleh individu yang terbaik dalam pemakaian Algoritma

2.5 2.5.1

Contoh Penggunaan Algoritma Genetika Algoritma Genetika Untuk Mencari Nilai Maksimal Fungsi ( ) ( )

Individu menyatakan nilai x. Dalam mendefinisikan nilai x sebagai individu, dapat digunakan nilai biner atau float. Pada Algoritma genetika dapat digunakan nilai biner. Fungsi diatas bila digambarkan akan menjadi:

Gambar 2.16 fungsi ( )

Dari gambar diatas terlihat bahwa penyelesaian berada pada titik 0<x<1. Jadi dengan menggunakan 8 bit biner didefinisikan:

2.5.2

Definisi individu Individu dinyatakan dalam 8 gen biner, dengan batas 0 sampai 1, berarti 1

bit setara dengan 2-8. Sebagai contoh: 10001001 = (128+8+1)/256 = 0.5352 00110100 = (4+16+32)/256 = 0.2031 01010010 = (2+16+64)/256 = 0.3203

2.5.3

Fungsi Fitness Fungsi fitness adalah fungsi F(x), karena yang dicari adalah nilai

maksimum.

2.5.4

Membangkitkan populasi awal Membangkitkan sejumlah individu, misalkan satu populasi terdiri dari 10

individu, maka dibangkitkan 10 individu dangan 8 gen biner yang dibangkitkan secara acak.

Gambar 2.17 Contoh populasi awal

2.5.5

Seleksi Seleksi adalah proses pemilihan calon induk, dalam proses seleksi ini

terdapat beberapa metode yang bias digunakan antara lain: Mesin Roullete, Competition, dan Tournament. Dalam contoh ini digunakan metode Mesin Roullete yang memang merupakan metode paling dasar dan model acaknya uniform. Seleksi dilakukan dengan menggunakan prosentasi fitness setiap individu mendapatkan luas bagian sesuai dengan prosentase nilai fitness-nya.

Gambar 2.18 Contoh seleksi mesin roulette

2.5.6

Crossover Crossover merupakan proses mengkombinasikan dua individu untuk

memperoleh individu-individu baru yang diharapkan mempunyai fitness lebih baik. Tidak semua pasangan induk mengalami proses crossover. Banyaknya pasangan induk yang mengalami crossover ditentukan dengan nilai probabilitas crossover.

Gambar 2.19 Contoh crossover

2.5.7

Mutasi Mutasi gen adalah proses penggantian gen dengan nilai invers-nya, yaitu

gen 0 menjadi 1 dan gen 1 menjadi 0. Proses ini dilakukan secara acak pada posisi

gen tertentu pada individu-individu yang terpilih untuk dimutasikan. Banyaknya individu yang mengalami mutasi ditentukan oleh besarnya probabilitas mutasi.

Gambar 2.20 Contoh mutasi

2.5.8

Hasil Akhir Algoritma Genetik Contoh hasil Algoritma genetika dari permasalahan diatas adalah:

Gambar 2.21 Contoh hasil akhir Algoritma genetika

2.6

Pemesinan mesin sekrap (shaping) Mesin sekrap (Shaping) adalah mesin perkakas yang mempunyai gerak

utama bolak-balik horizontal dan berfungsi untuk merubah bentuk dan ukuran benda kerja sesuai dengan yang dikehendaki. Pahat bekerja pada saat gerakan maju, dengan gerakan ini dihasilkan pekerjaan meratakan bidang, membuat alur, membuat bidang bersudut atau bertingkat dan membentuk bidang-bidang yang tidak beraturan.Prinsip kerja mesin sekrap adalah gerakan berputar dari motor diubah menjadi gerak lurus/gerak bolak-balik melalui blok geser dan lengan penggerak. Possisi langkah dapat diatur dengan spindle posisi dan untuk mengatur panjang langkah dengan bantuan blok geser. 2.7 Jenis Jenis Pemesinan Mesin Sekrap Jenis mesin sekrap yang umum digunakan adalah sebagai berikut: 1. Mesin Sekrap Datar atau Horizontal (Shaper) Mesin jenis ini umum dipakai untuk produksi dan pekerjaan

serbaguna terdiri atas rangka dasar dan rangka yang mendukung lengan horizontal. Benda kerja didukung pada rel silang sehingga memungkinkan benda kerja untuk digerakkan ke arah menyilang atau vertikal dengan tangan atau penggerak daya.Pada mesin ini pahat melakukan gerakan bolak-balik, sedangkan benda kerja melakukan gerakan ingsutan. Panjang langkah maksimum sampai 1.000 mm, cocok untuk benda pendek dan tidak terlalu berat.

Gambar 2.22 Mesin Sekrap Datar atau Horizontal (Shaper)

2. Mesin Sekrap Vertikal (Slotter) Mesin sekrap jenis ini digunakan untuk pemotongan dalam, menyerut dan bersudut serta untuk pengerjaan permukaan-permukaan yang

sukar dijangkau. Selain itu mesin ini juga bisa digunakan untuk operasi yang memerlukan pemotongan vertikal. Gerakan pahat dari mesin ini naik turun secara vertikal, sedangkan benda kerja bisa bergeser ke arah memanjang dan melintang. Mesin jenis ini juga dilengkapi dengan meja putar, sehingga dengan mesin ini bisa dilakukan pengerjaan pembagian bidang yang sama besar.

Gambar 2.23 Mesin Sekrap Vertikal (Slotter)

3. Mesin Sekrap Planner Digunakan untuk mengerjakan benda kerja yang panjang dan besar (berat). Benda kerja dipasang pada eretan yang melakukan gerak bolak-balik, sedangkan pahat membuat gerakan ingsutan dan gerak penyetelan. Lebar benda ditentukan oleh jarak antartiang mesin.

Panjang langkah mesin jenis ini ada yang mencapai 200 sampai 1.000 mm.

Gambar 2.24 Mesin Sekrap Planner

2.8 2.8.1

Parameter - Parameter Pemesinan Mesin Sekrap Kecepatan potong (Cutting Speed) Kecepatan potong biasanya dinyatakan dalam isitilah m/menit, yaitu

kecepatan dimana pahat melintasi benda kerja untuk mendapatkan hasil yang paling baik pada kecepatan yang sesuai. Kecepatan potong dipengaruhi oleh dua faktor, yaitu: kekerasan dari bahan yang akan dipotong dan jenis alat potong yang digunakan. Untuk keperluan ini digunakan persamaan sebagai berikut: ( Dimana: V np lt = Kecepatan Potong (m/menit) = Jumlah langkah per menit (langkah/menit) = Panjang pemesinan (mm) )

Rs = Perbandingan kecepatan Berikut ini adalah tabel mengenai kecepatan potong beberapa bahan logam.

Tabel 2.1 Kecepatan potong beberapa logam

Sumber George Love dan Harus A.R. (1986:190)

2.8.2. Pemakanan (Feed) Pemakanan (Feed) adalah pergerakan titik sayat alat potong per satu putaran benda kerja. Dalam proses sekrap, feed dinyatakan dalam mm/min dan dapat di hitung dengan menggunakan persamaan berikut:
p

Dimana :

= gerak makan (mm/langkah)

2.8.3. Cutting Time Cutting time adalah waktu pemotongan dalam pemesinan mesin sekrap, yang dapat diukur dengan persamaan : tc = w / f Dimana : w = lebar pemotongan benda kerja (mm) f = Kecepatan makan (mm/min)

2.8.5

Material Removal Rate Material Removal Rate adalah kecepatan penghasilan geram ( cm3/min) Z=A.V = f . a (mm2) = Gerak makan (mm) = Kedalaman potong (mm)

Dimana :

A f a

BAB III

METODOLOGI

3.1

Model Optimasi Model optimasi yang digunakan pada pengujian ini adalah SGA (Simple

Genetic Algorithm) dengan cara : 6. Mendefinisikan individu, dimana individu menyatakan salah satu solusi (penyelesaian) yang mungkin dari permasalahan yang diangkat. Generasi = 0 (generasi awal) 7. Inisialisasi populasi awal, P(generasi), secara acak. 8. Kerjakan langkah-langkah berikut hingga generasi mencapai maksimum generasi: Generasi = generasi +1 (tambah generasi) Seleksi populasi tersebut untuk mendapatkan kandidat induk, P(generasi) Lakukan crossover pada P(generasi) Lakukan mutasi pada P(generasi) Lakukan evaluasi fitness setiap inidividu pada P(generasi) Bentuk populasi baru : P(generasi) = {P(generasi-1) yang survive, P(generasi)}

Gambar 3.1 bagan alir Simple Genetic Algorithm

3.2

Parameter yang Digunakan Adapun parameter yang digunakan adalah: 1. Kecepatan potong (Cutting Speed) Kecepatan potong biasanya dinyatakan dalam isitilah m/menit, yaitu

kecepatan dimana pahat melintasi benda kerja untuk mendapatkan hasil yang paling baik pada kecepatan yang sesuai. Kecepatan potong dipengaruhi oleh dua faktor, yaitu: kekerasan dari bahan yang akan dipotong dan jenis alat potong yang digunakan. Untuk keperluan ini digunakan persamaan sebagai berikut: ( Dimana: V np lt = Kecepatan Potong (m/menit) = Jumlah langkah per menit (langkah/menit) = Panjang pemesinan (mm) )

Rs = Perbandingan kecepatan 2. Kedalaman Pemotongan (Depth of Cut) Kedalaman pemotongan adalah dalamnya masuk alat potong menuju sumbu sumbu benda. Dalam proses pembubutan depth of cut dapat diukur dengan menggunakan persamaan : ( Dimana: V np lt = Kecepatan Potong (m/menit) = Jumlah langkah per menit (langkah/menit) = Panjang pemesinan (mm) )

Rs = Perbandingan kecepatan

3. Feeding Speed

Feeding Speed adalah kecepatan makan dalam pemesinan mesin sekrap (mm/min) vf = f . n Dimana : f n 3.3 = Gerak makan (mm) = Putaran poros utama (benda kerja)

Peralatan Pengujian

Adapun peralatan yang dipakai dalam pengujian adalah sebagai beikut:

1. Notebook Digunakan untuk menyimpan dan mengolah data eksperimen.

Gambar 3.2 Notebook Asus A43S Dengan spesifikasi: 1. Processor type Intel core i3 processor, Processor Onboard Intel core i3 2330M 2. RAM Up to 2 GB of DDR3 1333 MHz SDRAM, 2x SO-DIMM 3. VGA Mobile Intel NVIDIA GeForce GT 520Mdengan 1GB DDR3 VRAM, display resolution 1366x768 4. Hard disk drive 160 GB

2. Mesin Sekrap (Shaping) Mesin sekrap yang digunakan adalah mesin bubut jenis horizontal.

Gambar 3.3 Mesin Sekrap Horizontal

3.4

Bahan Bahan yang digunakan adalah baja lunak yang diperutukan untuk

pengujian yomini test 1. Baja lunak (mild steel)

Gambar 3.4 Baja lunak (mild steel)

Dengan spesifikasi: a. b. c. d. e. Panjang Lebat Tingggi Tipe baja Jumlah = 50 mm = 12 mm = 12 mm = persegi panjang = 1 buah

DAFTAR PUSTAKA

Fadlisyah. 2005. Algoritma Genetik. Diktat Kuliah Artificial Intelligence, Universitas Malikussaleh

Fadlisyah. 2009. Algoritma Genetik. Graha Ilmu: Yogyakarta

Suyanto. 2005. Algoritma Genetika dalam MATLAB. ANDI: Yogyakarta Taufiq Rochim. 1993. Teori dan teknologi proses pemesinan. Laboratorium teknik produksi dan metrologi industri jurusan teknik mesin Fakultas industri institut teknologi bandung : bandung
http://www.rider-system.net/2011/10/mesin-sekrap-shaping-machine.html