2.5 Algoritma Genetika
2.5.1 Struktur Umum Algoritma Genetika
Pada algoritma ini, teknik pengkodean dilakukan sekaligus atas sejumlah solusi yang mungkin dikenal dengan istilah populasi. Individu yang terdapat dalam satu populasi disebut dengan istilah kromosom. Kromosom ini merupakan suatu solusi yang masih berbentuk simbol. Populasi awal dibangun secara acak, sedangkan populasi berikutnya merupakan hasil evolusi kromosom-kromosom melalui iterasi-iterasi yang disebut dengan istilah generasi. Pada setiap generasi, kromosom akan melalui proses evaluasi dengan menggunakan alat ukur yang disebut fungsi fitness. Nilai fitness dari suatu kromosom menunjukkan kualitas kromosom dari populasi tersebut. Generasi berikutnya dikenal dengan istilah anak
(offspring) terbentuk dari gabungan dua kromosom generasi sekarang yang
bertindak sebagai induk (parent) dengan menggunakan operator penyilangan
(crossover). Selain operator penyilangan, suatu kromosom juga dapat
dimodifikasi dengan menggunakan operator mutasi. Populasi generasi yang baru dibentuk dengan cara menyeleksi nilai fitness dari kromosom induk (parent) dan nilai kromosom anak (offspring), serta menolak kromosom-kromosom yang lainnya sehingga ukuran populasi (jumlah kromosom dalam suatu populasi) konstan. Setelah melalui beberapa generasi, maka algoritma ini akan konvergen ke kromosom terbaik (Hannawati, 2002).
commit to user
II-15
2.5.2 Siklus Algoritma Genetika
Menurut Hannawati dkk. (2002), Algoritma genetika sederhana memiliki siklus seperti pada Gambar 2.12.
Gambar 2.12 Siklus Algoritma Genetika
Sumber : Hannawati dkk. (2002)
Algoritma genetika dimulai dengan pembentukan sejumlah alternatif pemecahan yang disebut populasi. Pembentukan populasi awal dalam algoritma genetika dilakukan secara acak. Dalam populasi tersebut terdapat anggota populasi yang disebut dengan kromosom, yang berisikan informasi solusi dari sekian banyak alternatif solusi masalah yang dihadapi. Kromosom-kromosom akan mengalami evolusi melalui sejumlah iterasi yang disebut generasi.
Proses reproduksi merupakan suatu proses untuk membentuk keturunan baru dengan mewariskan sifat-sifat yang sama dari kromosom induk (Hannawati, dkk. 2002). Proses reproduksi sebenarnya merupakan proses duplikasi dengan tidak menghilangkan sifat kromosom induk yang lama.
Crossover adalah operator Algoritma Genetika yang utama karena beroperasi pada dua kromosom pada suatu waktu dan membentuk offspring
commit to user
II-16
dengan mengkombinasikan dua bentuk kromosom (Sanjoyo, 2006). Proses kawin silang dapat dilihat pada Gambar 2.13.
Gambar 2.13 Contoh Proses Kawin Silang
Sumber : Sanjoyo, 2006
Mutasi mengacu pada perubahan urutan atau penggantian elemen dari vector solusi, pemunculan nilai baru (Budi dan Paul, 2011). Elemen tersebut juga dipilih secara random seperti pada Gambar 2.14.
Gambar 2.14 Contoh Proses Mutasi
Sumber : Sanjoyo, 2006
Proses seleksi adalah proses evolusi yang menghasilkan generasi baru dari generasi-generasi sebelumnya. Metode seleksi pada algoritma genetika ada bermacam-macam, antara lain Roulette-Wheel, Elitism, Sigma Scaling, Boltzmann, Rank Selection. Pada penelitian ini digunakan Roulette-Wheel dimana masing-masing kromosom menempati potongan lingkaran pada roda roulette secara proporsional sesuai dengan nilai fitness-nya. Kromosom yang memiliki nilai fitness yang lebih besar menempati potongan lingkaran yang lebih besar dibandingkan dengan kromosom bernilai fitness rendah. Metode Roulette-Wheel diilustrasikan pada Gambar 2.15.
Gambar 2.15 Metode Roulette-Wheel
commit to user
II-17
2.6 FUNCTION TRANSFORMATION
Metode function transformation merupakan metode penyelesaian permasalahan multiobjektif dengan cara mengubah fungsi tujuan yang berbeda satuan menjadi fungsi tujuan yang tidak berdimensi atau tidak bersatuan (Arora, 2009).
(2.22) Kemudian dengan metode weighted sum diperoleh :
(2.23)
+ +…….
(2.24)dengan adalah vector bobot yang biasanya ditentukan oleh pembuat keputusan sehingga =1 dan > 0.
2.7 ANALISIS SENSITIVITAS
Analisis sensitivitas mengeksplorasi bagaimana solusi optimal merespon perubahan parameter input yang diberikan, saat semua input lainnya tidak berubah (Daellenbach dan McNickle, 2005). Analisis sensitivitas berkaitan dengan pertanyaan 'bagaimana jika'. Bagaimana solusi yang diinginkan atau solusi optimal dipengaruhi oleh perubahan input secara individual atau simultan ke dalam sistem? Bagaimana jika terjadi implementasi input yang salah, berapa besar kerugian yang ada? Keduanya disebut sebagai analisis sensitivitas. Pengetahuan yang diperoleh mungkin lebih berharga daripada menemukan solusi yang baik atau bahkan solusi optimal.
Daellenbach dan McNickle (2005) menjelaskan bahwa analisis sensitivitas memiliki dua tujuan utama:
1. Jika solusi optimal secara relatif tidak sensitif terhadap perubahan dalam parameter input, solusi dan model dikatakan kuat. Hal ini meningkatkan kredibilitas model. Pembuat keputusan dan pengguna dapat memberikan kepercayaan pada validitas dan kegunaan dari model.
2. Untuk sumber daya yang langka, analisis sensitivitas memberikan informasi tentang nilai setiap sumber daya tambahan.
Mungkin terdapat ketidakpastian yang tentang nilai dari beberapa data input. Analisis sensitivitas digunakan untuk mengetahui bagaimana solusi optimal
commit to user
II-18
mengubah fungsi dari data tersebut. Jika solusi terbaik tetap tidak berubah atau hanya sedikit terpengaruh maka pengambil keputusan dapat menaruh kepercayaan pada solusi yang dihasilkan. Di sisi lain, sensitivitas tinggi dari solusi terbaik untuk perubahan kecil dalam data ini akan menjadi sinyal untuk hati-hati.
commit to user
III-1 BAB III
METODOLOGI PENELITIAN
Metode penelitian menggambarkan langkah-langkah penelitian yang akan
dilakukan untuk memecahkan masalah. Langkah-langkah penyelesaian masalah
dalam penelitian ini dapat dilihat secara jelas pada diagram alir Gambar 3.1.
commit to user
III-2
Diagram alir metodologi penelitian pada Gambar 3.1 dapat diuraikan
sebagai berikut.
3.1TAHAP IDENTIFIKASI
Tahap identifikasi merupakan langkah paling awal dari proses penelitian
tugas akhir. Tahap ini merupakan tahap penentu dalam penelitian karena pada
tahap identifikasi arah pelaksanaan penelitian ditentukan.
3.1.1 Observasi Pendahuluan
Dilakukan observasi pendahuluan terhadap permasalahan yang diteliti.
Langkah ini bertujuan untuk dapat memperoleh gambaran riil permasalahan yang
ada sehingga hasil penelitian dapat menjadi solusi permasalahan. Dari hasil
observasi diketahui bahwa pegas pada lock case harus mampu menahan ratusan,
ribuan, bahkan jutaan kali siklus pembebanan tanpa mengalami kegagalan
(failure) sehingga fungsi natural frequency, energi storing, dan fungsi reliabiliti
pegas pada lock case sangat penting. Untuk mencari solusi dari fungsi tujuan
tersebut dilakukan dengan metode algoritma genetika untuk mencari feasible
solution kemudian dilanjutkan dengan optimalisasi menggunakan pareto frontier.
3.1.2 Perumusan Masalah
Dilakukan perumusan terhadap permasalahan yang terdapat pada pegas dan
sekaligus dilakukan penetapan tujuan penelitian. Langkah ini berguna agar
masalah yang dibahas bisa lebih terfokus, sehingga memudahkan dalam
pelaksanaan penelitian dan tidak terjadi penyimpangan dari tujuan diadakan
penelitian ini. Rumusan masalah dari hasil observasi adalah bagaimana model
pegas ulir tekan yang mempunyai keandalan yang tinggi dengan pertimbangan
natural frequency dan energi storing yang dimiliki oleh pegas dalam lock case.