P. 1
proposal skripsi

proposal skripsi

|Views: 112|Likes:
Published by Gio Chaniago
ramadhan
ramadhan

More info:

Categories:Types, School Work
Published by: Gio Chaniago on Feb 02, 2013
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOCX, PDF, TXT or read online from Scribd
See more
See less

10/25/2015

pdf

text

original

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.

Dalam tulisan tersebut dijelaskan bahwa algoritma genetik sangat cocok digunakan untuk memecahkan masalah optimasi kompleks dan juga untuk aplikasi yang membutuhkan pemecahan masalah adaptif. misalnya dalam real time system atau sistem waktu nyata. perbedaan tersebut adalah sebagai berikut : . Algoritma genetik memiliki perbedaan yang mendasar dengan metode pencarian solusi optimal berbasis model matematika kalkulus. seperti: permasalah optimasi. solusi yang diharapkan tidak harus paling optimal. dan model ekologis.1.BAB II TINJAUAN PUSTAKA 2. terdapat batasan waktu. John Holland bersama murid-murid serta rekan kerjanya lalu mempublikasikan tulisannya berjudul “Adapted in Natural and Artificial System”. ketika metodemetode konvensional sudah tidak mampu menyelesaikan masalah yang dihadapi. 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. tidak tersedianya analisis matematika yang memadai.1 Algoritma Genetika Pengenalan Algoritma Genetika Algoritma genetik pertama kali diperkenalkan oleh John Holland dari Universitas Michigan pada tahun 1975. pemrograman otomatis. model sistem imunisasi. Sehingga dengan beberapa keunggulan tersebut. model ekonomi. Algoritma genetika juga sangat berguna dan efisien untuk mengatasi masalah dengan karakteristik sebagai berikut : Ruang masalah sangat besar. machine learning. kompleks. tetapi cukup “bagus” atau bisa diterima.1 2. Algoritma genetika banyak diaplikasikan untuk berbagai macam 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. dan sulit dipahami.

berbagai kromosom yang dihasilkan akan dievaluasi menggunakan suatu pengukuran fitness. didalam penerapan Algoritma genetika akan melibatkan beberapa operator. 4. Pada masing-masing generasi. Sebelum Algoritma genetika dapat dijalankan. tetapi tidak mutlak. Mekanisme genetik digunakan dalam pemrosesan kode parameter suatu permasalahan. dan biasanya. tetapi pada sekumpulan titik pencarian. 3.2 Struktur Umum Algoritma Genetika Algoritma genetika dimulai dengan suatu himpunan penyelesaian acak awal yang disebut populasi. 2. 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. 6. Sebuah kromosom terdiri dari sebuah string yang terdiri dari berbagai symbol. Mekanisme optimasi algoritma genetik bekerja berdasarkan kromosom. Untuk ini maka titik solusi dalam ruang permasalahan dikodekan dalam bentuk kromosom. Dengan teori evolusi dan teori genetika. 2. Proses pencarian solusi optimal pada mekanisme algoritma genetik tidak dilakukan pada satu titik pencarian. melalui proses seleksi.1.1. yaitu: . dimana setiap kromosom menyimpan informasi parameter-parameter tersebut. untuk menghindari solusi optimal lokal. maka sebuah kode yang sesuai (representatif) untuk persoalan harus dirancang. Kromosom tumbuh tumbuh melalui berbagai literasi yang berulang-ulang yang disebut juga generasi. Proses pencarian solusi optimal menggunakan metode algoritma genetik menggunakan titik acuan sembarang. Masing-masing individu didalam populasi disebut kromosom. rekombinasi dan mutasi untuk memperoleh solusi optimal. 5. string tersebut berupa sederetan bit-bit biner 0 dan 1. pencarian terbimbing diberikan melalui penilaian terhadap kualitas kode atau kromosom yang dimiliki oleh setiap individu dalam suatu generasi.

2. dan kombinatorial. yang merupakan ukuran baik tidaknya sebuah individu atau baik tidaknya solusi yang didapatkan. adalah gabungan gen-gen yang membentuk nilai tertentu. Individu bias dikatakan sama dengan kromosom.1. Kromosom. Operasi evolusi yang melibatkan proses seleksi (selection) didalamnya. .1 Pengertian Individu Individu merupakan salah satu solusi yang mungkin.2 Prosedur Algoritma Genetika Untuk menggunakan Algoritma genetika. adalah nilai dari gen.2. Beberapa definisi penting yang perlu diperhatikan dalam mendefinisikan individu untuk membangun penyelesaian permasalahan dengan Algoritma genetika adalah sebagai berikut: 1. 2. Menentuka proses pembangkitan populasi awal. 2. dan mutasi untuk menciptakan keturunan. Genotype (Gen). 3. Selama berjalan. integer maupun karakter. pindah silang. adalah sebuah nilai yang menyatakan satuan dasar yang membentuk suatu arti tertentu dalam satu kesatuan gen yang dinamakan kromosom. dimana individu menyatakan salah satu solusi (penyelesaian) yang mungkin dari permasalahan yang diangkat. 2. perlu dilakukan prosedur sebagai berikut: 1. gen ini bias bernilai biner. pecahan (float). induk harus digunakan untuk reproduksi. 3. Gen ini bisa biner. 4. kita membutuhkan fungsi fitness. Untuk memeriksa hasil optimasi. Allele. Operasi genetika yang melibatkan operator pindah silang (crossover) dan mutasi (mutation). yang merupakan kumpulan gen. Hal ini biasanya dilakukandengan menggunakan pembangkitan acak seperti random-walk. Mendefinisikan nilai fitness. Menentukan proses seleksi yang akan digunakan. float. atau kombinatorial. 2. Mendefinisikan individu. yang menandakan gambaran hasil (solusi) yang sudah dikodekan. 5. Dalam Algoritma genetika. Menentukan proses pindah silang (crossover) dan mutasi gen yang akan digunakan.

98 . Dengan demikian. elemen permutasi. atau representasi lainnya yang dapat diimplementasikan untuk operator genetika. daftar aturan.4. elemen program. E5 dan seterusnya . E10. adalah satu siklus proses evolusi atau satu literasi didalam Algoritma genetika. adalah sekumpulan individu yang akan diproses bersama dalam satu siklus proses evolusi.34 dan seterusnya : E2. 5.1 Ilustrasi representasi penyelesaian permasalahan dalam Algoritma genetika Satu gen biasanya akan mewakili satu variabel. kromosom dapat direpresentasikan dengan menggunakan:    String bit Array bilangan real Elemen permutasi : 10011… : 65. 6. Populasi. 77. Individu. adalah suatu nilai atau keadaan yang menyatakan salah satu solusi yang mungkin dari permasalahan yang diangkat. Generasi. Gen dapat irepresentasikan dalam bentuk bit.65 . bilangan real. Gambar 2. -67.

R. maka nilai fitnessnya adalah inversi dari total jarak dari jalur yang didapatkan.2 Nilai Fitness Nilai fitness adalah nilai yang menyatakan baik tidaknya suatu solusi (individu). 2.2. R2. Pada gambar 2. 1832). Cara melakukan invers bisa menggunakan rumus 1/x atau 100000-x. Ukuran untuk populasi tergantung pada masalah yang akan diselesaikan dan jenis operator genetika yang akan diimplementasikan. karena TSP bertujuan meminimalkan jarak. TSP merupakan salah satu ilmu dibidang manajemen untuk mencari solusi jarak tempuh dan waktu tercepat dari beberapa kota(W. dalam penentuan nilai maksimal dari F(x.2 diilustrasikan dua kemungkinan jalur yang ditempuh dalam TSP dan bagaimana representasinya dalam individu. Gambar 2.   Daftar aturan Elemen program Struktur lainnya : R1. Nilai fitness ini yang dijadikan acuan dalam mencapai nilai optimal dalam Algoritma genetika.3 Pembangkitan Populasi Awal Membangkitkan populasi awal adalah proses membangkitkan sejumlah individu secara acak atau melalui prosedur tertentu.y). R3 dan seterusnya : pemograman genetika Misalnya didalam kasus Travelling Salesman Problem (TSP).2.2 Kemungkinan jalur dalam TSP dan representasi dalam individu 2. Hamilton.y) individu menyatakan nilai (x. Algoritma genetika bertujuan mencari individu dengan nilai fitness yang paling tinggi. kemudian dilakukan . Setelah ukuran populasi ditentukan. Individu menyatakan jalur yang ditempuh. Dalam TSP. dimana x adalah total jarak dari jalur yang digunakan.

Random Generator Inti dari cara ini adalah melibatkan pembangkitan bilangan random untuk nilai setiap gen sesuai dengan representasi kromosom yang digunakan.23 0. Sehingga dengan demikian. sebuah kromosom untuk sembilan kota bisa direpresentasikan: [0. sehingga kota ke-6 menempati urutan pertama.11 0. Sebagai contoh.45 0.69 0. kita dapat menentukan bahwa nilai 0. Pendekatan Tertentu . sehingga kota ke-1 menempati urutan kedua dan seterusnya. Teknik dalam pembangkitan populasi awal ada beberapa cara. 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). Syarat-syarat yang harus dipenuhi untuk menunjukkan suatu solusi harus benar-benar diperhatikan dalam pembangkitan setiap individunya. Dengan kuncikunci random diatas.78] Dimana posisi I dalam list menunjukkan kota i.11 adalah yang paling kecil. yaitu: 1.74 0. 0. dari kunci-kunci random diatas kita dapat menentukan lintasan: 6-1-3-7-8-4-9-2-5 2.pembangkitan populasi awal.82 0.23 adalah nilai terkecil kedua.56 0.87 0. Contoh lain penggunaan random generator dalam representasi permutasi adalah pada saat dibangkitkan populasi awal untuk penyelesaian permasalahan Traveling Salesman Problem. Jika menggunakan representasi biner. Nilai acak dalam posisi i menentukan urutan didatanginya kota i dalam lintasan TSP.

2. . semakin besar kemungkinannnya untuk terpilih. Proses ini diulang hingga ada satu lintasan dalam list. Misalnya titik awal adalah 6 dan selang adalah 5. Dihitung nilai fitness dari masing-masing individu (fi.4. 2.1 Seleksi Dengan Mesin Roulette Metode seleksi dengan mesin roulette ini merupakan metode yang paling sederhana dan sering dikenal dengan nama Stochastic Sampling With Replacement.individu terpilih tersebut.4 Seleksi Seleksi digunakan untuk memilih individu-individu mana saja yang akan dipilih untuk proses pindah silang dan mutasi. selang 5 dari kota 6 adalah kota 2 (dengan asumsi kota 1 sampai 9 membentuk circular list). Kota 2 dihapus dari list. Permutasi dari lintasan dapat dilakukan dengan menentukan titik awal dan selang.2. Seleksi digunakan untuk mendapatkan calon induk yang baik.Cara ini adalah dengan memasukkan nilai tertentu kedalam gen dari populasi awal yang dibentuk. Selang 5 kemudian adalah kota 7. Maka lintasan berangkat dari kota 6. Terdapat beberapa metode seleksi. Semakin tinggi nilai fitness suatu individu. 2. diantaranya metode mesin roulette dan metode turnamen. Nilai fitness ini yang nantinya akan digunakan pada tahap-tahap seleksi berikutnya. Hasildari permutasi ini adalah 2-7-3-8-4-9-5-1-6. Proses seleksi akan menentukan individu-individu mana saja yang akan dipilih untuk dilakukan rekombinasi dan bagaimana offspring terbentuk dari individu . dimana i adalah individu ke-1 sampai ke-n). 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. Cara kerja metode ini adalah sebagai berikut: 1. Langkah pertama yang dilakukan dalam seleksi ini adalah pencarian nilai fitness. 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.

2. ditetapkan suatu nilai tour untuk individu-individu yang dipilih secara random dari suatu populasi. 5.2 Seleksi Dengan Turnamen Pada metode seleksi dengan turnamen.2. Dibangkitkan bilangan random antara 1 sampai 100. dihitung jatah masing-masing individu pada angka 1 sampai 100. Gambar 2. Dihitung pobabilitas masing-masing individu.3 Ilustrasi seleksi dengan mesin roulette 2. Dari bilangan random yang dihasilkan. ditentukan individu mana yang terpilih dalam proses seleksi. 4. Dari probabilitas tersebut. Dihitung total fitness semua individu.4. 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). 3.

4 diilustrasikan diagram alir penggunaan probabilitas crossover pada proses crossover. Individu dipilih secara acak untuk dilakuakn crossing dengan Pc antara 0. Pada gambar 2.1 Crossover satu titik Crossover satu titik dan banyak titik biasanya digunakan untuk representasi kromosom dalam biner. Operasi ini tidak selalu dilakukan pada semua individu yang ada.95.maka nilai dari induk akan diturunkan kepada keturunan.2. posisi crossover k . Operator crossover ini bergantung pada representasi kromosom yang dilakukan.5. aritmatika) pada gen-gen yang bersesuaian dari dua induk untuk menghasilkan individu baru.4 Diagram alir proses crossover 2. Pada crossover satu titik. Jika pindah silang tidak dilakukan. Pindah silang menghasilkan titik baru dalam ruang pencarian yang siap untuk diuji. Prinsip dari pindah silang ini adalah melakukan operasi (pertukaran. Proses crossover dilakukan pada setiap individu dengan probabilitas crossover yang ditentukan.2.5 Pindah Silang (Crossover) Pindah silang (Crossover) adalah operator dari Algoritma genetika yang melibatkan dua induk untuk membentuk kromosom baru.2.6 sampai 0. Gambar 2.

. i=1. serta diurutkan naik. N-1.7 diilustrasikan crossover lebih dari dua titik.2. Pada gambar 2.2.5 diilustrasikan crossover satu titik.…. Variabel-variabel ditukar antara kromosom pada titik tersebut untuk menghasilkan anak.N-1) dengan N sebagai panjang kromosom diseleksi secara random.6 diilustrasikan crossover dua titik dan pada gambar 2.5.m) dengan N = panjang kromosom diseleksi secara randomdan tidak diperbolehkan ada posisi yang sama.2. Gambar 2. m posisi penyilangan ki (k=1.…. Pada gambar 2.2.(k=1..2 Crossover banyak titik Pada crossover banyak titik.…. Variabel-variabel ditukar antara kromosom pada titik tersebut untuk menghasilkan anak.5 Ilustrasi crossover satu titik 2.

Selain itu juga ditentukan posisi dari gen yang dilakukan crossover menggunakan bilangan random.5. Nilai baru dari gen pada anak mengikuti rumus berikut: ( ) ( ) ( ) ( ) ( ( ) ) ( )….6 Ilustrasi Crossover dua titik Gambar 2.3 Crossover aritmatika Crossover aritmatika digunakan untuk representasi kromosom berupa bilangan float (pecahan). (2. Pada gambar 2.2) .1) ( )….2.8 diilustrasikan bagaimana crossover aritmatika bekerja.Gambar 2. Crossover ini dilakukan dengan menentukan nilai r sebagai bilangan random lebih dari 0 dan kurang dari 1. (2.7 Ilustrasi Crossover lebih dari dua titik 2.

Gambar 2. Tentukan dua posisi pada kromosom dengan aturan acak. Tukar dua substring antar induk untuk menghasilkan proto-child.5. position based crossover. Substring yang berada dalam dua posisi ini dinamakan daerah pemetaan. Tentukan kromosom keturunan mengacu pada hubungan pemetaan.4 Crossover untuk representasi kromosom permutasi Sejak pertengahan tahun 80-an. Partial-Mapped Crossover (PMX).2. dan lain-lain. beberapa metode operator pindah silang diciptakan untuk representasi permutasi. Hal yang penting dari PMX adalah pindah silang 2-poin ditambah dengan beberapa prosedur tambahan. 4. . 2. heuristic crossover.8 Crossover aritmatika 2. seperti partial-mapped crossover. order based crossover. PMX merupakan rumusan modifikasi dari pindah silang dua poin. cycle crossover. PMX mempunyai langkah kerja sebagai berikut: Prosedur PMX 1. Tentukan hubungan pemetaan diantara dua daerah pemetaan. Beberapa metode pindah silang tersebut dijelaskan seperti dibawah ini. order crossover. 3. PMX diciptakan oleh Goldberg dan Lingle.

SHR allele dari substring pada tempat yang bersesuaian. 2. Pilih substring dari sebuah induk secara acak.Proses diatas dapat digambarkan sebagai berikut: Gambar 2. OX diciptakan oleh Davis. OX bekerja sebagai berikut: Prosedur OX: 1. 3. 4. Tukar substring antara 2 induk .9 Ilustrasi dari PMX operator Order Crossover (OX). Bangkitkan sebuah proto-child dengan mengosongkan tempat substring induk 2 pada induk 1. Metode ini merupakan variasi dari PMX dengan prosedur tambahan.

Metode ini mengkopi kota-kota dari satu induk dan memilih kota-kota yang lain dari induk yang lain. Isi keturunan dengan kota-kota yang diingat tadi . CX diciptakan oleh Oliver. dengan mengingat pola cycle. Tentukan kota-kota diingat yang berasal dari induk lain. Tentukan cycle yang didefinisikan dari relasi kota-kota antar induk. 2. Cara kerja CX adalah sebagai berikut: Prosedur CX: 1. Smith dan Holland. 3.10 Ilustrasi OX operator Cycle Crossover (CX). 4.Proses OX dapat digambarkan sebagai berikut: Gambar 2. Salin kota-kota dalam cycle pada proto-child dengan relasi posisi dari sebuah induk.

banyak gen yang mungkin berguna tidak pernah dievalusi. Peluang mutasi mengendalikan banyaknya gen baru yang akan dimunculkan untuk dievaluasi.6 Mutasi Operator berikutnya pada Algoritma genetika adalah mutasi gen. Jika peluang mutasi terlalu kecil.2. Kromosom anak dimutasi dengan menambahkan nilai random yang sangat kecil (ukuran langkah mutasi). Tetapi bila . dengan probabilitas yang rendah.11 Ilustrasi CX operator 2. Peluang mutasi (Pm) didefinisikan sebagai persentasi dari jumlah total gen pada populasi yang mengalami mutasi.Proses CX dapat digambarkan sebagai berikut: Gambar 2. Operator ini berperan untuk menggantikan gen yang hilang dari populasi akibat proses seleksi yang memungkinkan munculnya kembali gen yang tidak muncul pada inisialisasi populasi.

dan bila perlu bias dilakukan perbaikan. Kromosom hasil mutasi harus diperiksa apakah masih berada pada domain solusi. .12 Diagram alir proses mutasi Proses diatas menggambarkan cara mudah untuk melakukan mutasi. Proses yang lain bias dengan melakukan mutasi pada gen sebanyak probabilitas mutasi dikalikan jumlah gen. Ada yang berpendapat bahwa laju mutasi sebesar 1/n akan memberikan hasil yang cukup baik. maka akan terlalu banyak gangguan acak. dimana posisi gen yang akan dilakukan mutasi dipilih secara acak. dan juga algoritma kehilangan kemampuan untuk belajar dari history pencarian. Ada juga yang beranggapan bahwa laju mutasi tidak tergantung pada ukuran populasinya. Ada beberapa pendapat mengenai laju mutasi ini. sehingga anak akan kehilangan kemiripan dari induknya. Proses mutasi yang dilakukan tidak harus seperti pada proses tersebut. Gambar 2.peluang mutasi ini terlalu besar.

atau 1 ke 0) dari kromosom yang akan dimutasi tersebut.6. 4. Pilih secara acak gen yang akan dimutasi.6. Langkah-langkah mutasi adalah: 1.2.14 Siklus Algoritma genetika oleh David Goldberg . Tentukan kromosom dari gen yang terpilih untuk dimutasi.1 Mutasi biner Cara sederhana untuk mendapatkan mutasi biner adalah dengan mengganti satu atau beberapa nilai gen dari kromosom. Hitung jumlah gen pada populasi (panjang kromosom dikalikan dengan ukuran populasi). 3.2.2 Mutasi kromosom permutasi Gambar 2. Ganti nilai gen (0 ke 1. 2. dimana gambaran siklus tersebut dapat dilihat pada gambar dibawah ini: Gambar 2.13 Proses dan hasil mutasi 2.3 Siklus Algoritma Genetika Siklus dari Algoritma genetika pertama kali diperkenalkan oleh David Goldberg. 2.2.

Berikutnya pencarian dilakukan berdasarkan proses-proses teori genetika yang memperhatikan pemikiran bagaimana memperoleh individu yang lebih baik.5. Dalam mendefinisikan nilai x sebagai individu. 2. Fungsi diatas bila digambarkan akan menjadi: . yaitu Zbigniew Michalewicz dengan menambahkan operator elitism dan membalik proses seleksi setelah proses reproduksi. Ini terlihat pada proses pembangkitan populasi awal yang menyatakan sekumpulan solusi yang dipilih secara acak. dapat digunakan nilai biner atau float. Pada Algoritma genetika dapat digunakan nilai biner.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.5 2.1 Contoh Penggunaan Algoritma Genetika Algoritma Genetika Untuk Mencari Nilai Maksimal Fungsi ( ) ( ) Individu menyatakan nilai x.Siklus ini kemudian diperbaiki oleh beberapa ilmuwan yang mengembangkan Algoritma genetika. Gambar 2. sehingga dalam proses evolusi dapat diharapkan diperoleh individu yang terbaik dalam pemakaian Algoritma 2.

berarti 1 bit setara dengan 2-8.5352 00110100 = (4+16+32)/256 = 0.2031 01010010 = (2+16+64)/256 = 0.5.16 fungsi ( ) ( ) Dari gambar diatas terlihat bahwa penyelesaian berada pada titik 0<x<1. Sebagai contoh: 10001001 = (128+8+1)/256 = 0.3203 . dengan batas 0 sampai 1.2 Definisi individu Individu dinyatakan dalam 8 gen biner.Gambar 2. Jadi dengan menggunakan 8 bit biner didefinisikan: 2.

5. dalam proses seleksi ini terdapat beberapa metode yang bias digunakan antara lain: Mesin Roullete. dan Tournament.2.3 Fungsi Fitness Fungsi fitness adalah fungsi F(x). .5 Seleksi Seleksi adalah proses pemilihan calon induk. Gambar 2.17 Contoh populasi awal 2. misalkan satu populasi terdiri dari 10 individu. maka dibangkitkan 10 individu dangan 8 gen biner yang dibangkitkan secara acak. Competition.5.4 Membangkitkan populasi awal Membangkitkan sejumlah individu. karena yang dicari adalah nilai maksimum. 2. 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.5.

19 Contoh crossover 2.5. Gambar 2. Banyaknya pasangan induk yang mengalami crossover ditentukan dengan nilai probabilitas crossover.Gambar 2. yaitu gen 0 menjadi 1 dan gen 1 menjadi 0. Tidak semua pasangan induk mengalami proses crossover.6 Crossover Crossover merupakan proses mengkombinasikan dua individu untuk memperoleh individu-individu baru yang diharapkan mempunyai fitness lebih baik.18 Contoh seleksi mesin roulette 2. Proses ini dilakukan secara acak pada posisi .7 Mutasi Mutasi gen adalah proses penggantian gen dengan nilai invers-nya.5.

gen tertentu pada individu-individu yang terpilih untuk dimutasikan.20 Contoh mutasi 2. Banyaknya individu yang mengalami mutasi ditentukan oleh besarnya probabilitas mutasi.5. Gambar 2.21 Contoh hasil akhir Algoritma genetika .8 Hasil Akhir Algoritma Genetik Contoh hasil Algoritma genetika dari permasalahan diatas adalah: Gambar 2.

Possisi langkah dapat diatur dengan spindle posisi dan untuk mengatur panjang langkah dengan bantuan blok geser.Pada mesin ini pahat melakukan gerakan bolak-balik.22 Mesin Sekrap Datar atau Horizontal (Shaper) . Gambar 2. cocok untuk benda pendek dan tidak terlalu berat. Panjang langkah maksimum sampai 1.6 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. 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.2. membuat alur.7 Jenis – Jenis Pemesinan Mesin Sekrap Jenis mesin sekrap yang umum digunakan adalah sebagai berikut: 1. dengan gerakan ini dihasilkan pekerjaan meratakan bidang. Pahat bekerja pada saat gerakan maju.Prinsip kerja mesin sekrap adalah gerakan berputar dari motor diubah menjadi gerak lurus/gerak bolak-balik melalui blok geser dan lengan penggerak. Benda kerja didukung pada rel silang sehingga memungkinkan benda kerja untuk digerakkan ke arah menyilang atau vertikal dengan tangan atau penggerak daya.000 mm. membuat bidang bersudut atau bertingkat dan membentuk bidang-bidang yang tidak beraturan. sedangkan benda kerja melakukan gerakan ingsutan. 2.

sedangkan pahat membuat gerakan ingsutan dan gerak penyetelan. Gambar 2. . Mesin jenis ini juga dilengkapi dengan meja putar. Gerakan pahat dari mesin ini naik turun secara vertikal.23 Mesin Sekrap Vertikal (Slotter) 3.000 mm. sehingga dengan mesin ini bisa dilakukan pengerjaan pembagian bidang yang sama besar. Mesin Sekrap Planner Digunakan untuk mengerjakan benda kerja yang panjang dan besar (berat). Panjang langkah mesin jenis ini ada yang mencapai 200 sampai 1. Selain itu mesin ini juga bisa digunakan untuk operasi yang memerlukan pemotongan vertikal. Lebar benda ditentukan oleh jarak antartiang mesin. Mesin Sekrap Vertikal (Slotter) Mesin sekrap jenis ini digunakan untuk pemotongan dalam. Benda kerja dipasang pada eretan yang melakukan gerak bolak-balik. sedangkan benda kerja bisa bergeser ke arah memanjang dan melintang. menyerut dan bersudut serta untuk pengerjaan permukaan-permukaan yang sukar dijangkau.2.

Kecepatan potong dipengaruhi oleh dua faktor.24 Mesin Sekrap Planner 2.1 Parameter .8. yaitu kecepatan dimana pahat melintasi benda kerja untuk mendapatkan hasil yang paling baik pada kecepatan yang sesuai. 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. yaitu: kekerasan dari bahan yang akan dipotong dan jenis alat potong yang digunakan. .Parameter Pemesinan Mesin Sekrap Kecepatan potong (Cutting Speed) Kecepatan potong biasanya dinyatakan dalam isitilah m/menit.Gambar 2.8 2.

feed dinyatakan dalam mm/min dan dapat di hitung dengan menggunakan persamaan berikut: ƒ ƒ p Dimana : ƒ = gerak makan (mm/langkah) 2.8. a (mm2) = Gerak makan (mm) = Kedalaman potong (mm) Dimana : A f a .R.3.2.V = f . Dalam proses sekrap.8. Cutting Time Cutting time adalah waktu pemotongan dalam pemesinan mesin sekrap.Tabel 2.5 Material Removal Rate Material Removal Rate adalah kecepatan penghasilan geram ( cm3/min) Z=A. (1986:190) 2. yang dapat diukur dengan persamaan : tc = w / ν f Dimana : w = lebar pemotongan benda kerja (mm) ν f = Kecepatan makan (mm/min) 2.1 Kecepatan potong beberapa logam Sumber George Love dan Harus A.8. Pemakanan (Feed) Pemakanan (Feed) adalah pergerakan titik sayat alat potong per satu putaran benda kerja.

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 . P(generasi). Kerjakan langkah-langkah berikut hingga generasi mencapai maksimum generasi: Generasi = generasi +1 (tambah generasi) Seleksi populasi tersebut untuk mendapatkan kandidat induk.BAB III METODOLOGI 3. Inisialisasi populasi awal.1 Model Optimasi Model optimasi yang digunakan pada pengujian ini adalah SGA (Simple Genetic Algorithm) dengan cara : 6. secara acak. 8. dimana individu menyatakan salah satu solusi (penyelesaian) yang mungkin dari permasalahan yang diangkat. Generasi = 0 (generasi awal) 7. Mendefinisikan individu.

Kecepatan potong dipengaruhi oleh dua faktor. 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. yaitu: kekerasan dari bahan yang akan dipotong dan jenis alat potong yang digunakan.2 Parameter yang Digunakan Adapun parameter yang digunakan adalah: 1.3. Feeding Speed Feeding Speed adalah kecepatan makan dalam pemesinan mesin sekrap (mm/min) vf = f . 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 2.3 = Gerak makan (mm) = Putaran poros utama (benda kerja) Peralatan Pengujian . Kecepatan potong (Cutting Speed) Kecepatan potong biasanya dinyatakan dalam isitilah m/menit. n Dimana : f n 3. Kedalaman Pemotongan (Depth of Cut) Kedalaman pemotongan adalah dalamnya masuk alat potong menuju sumbu sumbu benda. yaitu kecepatan dimana pahat melintasi benda kerja untuk mendapatkan hasil yang paling baik pada kecepatan yang sesuai.

Processor Onboard Intel® core i3 2330M 2. Mesin Sekrap (Shaping) Mesin sekrap yang digunakan adalah mesin bubut jenis horizontal. Hard disk drive 160 GB 2. Gambar 3. RAM Up to 2 GB of DDR3 1333 MHz SDRAM. display resolution 1366x768 4. VGA Mobile Intel® NVIDIA GeForce GT 520Mdengan 1GB DDR3 VRAM. 2x SO-DIMM 3. Notebook Digunakan untuk menyimpan dan mengolah data eksperimen.Adapun peralatan yang dipakai dalam pengujian adalah sebagai beikut: 1.2 Notebook Asus A43S Dengan spesifikasi: 1. Processor type Intel® core i3 processor. .

4 Bahan Bahan yang digunakan adalah baja lunak yang diperutukan untuk pengujian yomini test 1. Baja lunak (mild steel) Gambar 3. e. d. Panjang Lebat Tingggi Tipe baja Jumlah = 50 mm = 12 mm = 12 mm = persegi panjang = 1 buah .4 Baja lunak (mild steel) Dengan spesifikasi: a. b.Gambar 3.3 Mesin Sekrap Horizontal 3. c.

net/2011/10/mesin-sekrap-shaping-machine. Algoritma Genetik. Algoritma Genetika dalam MATLAB. ANDI: Yogyakarta Taufiq Rochim.rider-system.html . Universitas Malikussaleh Fadlisyah. 2009. Teori dan teknologi proses pemesinan. Algoritma Genetik.DAFTAR PUSTAKA Fadlisyah. Graha Ilmu: Yogyakarta Suyanto. Diktat Kuliah Artificial Intelligence. 1993. Laboratorium teknik produksi dan metrologi industri jurusan teknik mesin Fakultas industri institut teknologi bandung : bandung http://www. 2005. 2005.

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->