SISTEM PENDUKUNG KEPUTUSAN
SISTEM PENDUKUNG KEPUTUSAN
CERDAS UNTUK OPTIMISASI
CERDAS UNTUK OPTIMISASI
PERMASALAHAN MULTI
PERMASALAHAN MULTI
OBYEKTIF PADA
OBYEKTIF PADA
SERIOUS GAME:
SERIOUS GAME:
ECONOMIC AND EMISSION
ECONOMIC AND EMISSION
DISPATCH
DISPATCH
I.G.P. Asto Buditjahjanto
I.G.P. Asto Buditjahjanto
NRP : 2207 301 702
Latar Belakang
Perkembangan game tumbuh dengan
pesatnya, salah satu bentuk game adalah
Game serius berkenaan dengan produk yang
digunakan untuk rekayasa, perawatan
kesehatan, manajemen, pertahanan,
pendidikan, ekplorasi keilmuan, perencanaan
kota, politik dan agama.
Game serius mempunyai keuntungan karena
dengan cara mensimulasikan
permasalahannya maka resiko yang dihadapi
lebih minimal apabila dibandingkan dengan
melaksanakannya dalam sistem nyata
Latar Belakang
Kebanyakan perusahaan mempunyai
permasalahan multiobyektif. Permasalahan
multiobyektif pada produksi daya listrik
dikenal dengan permasalahan Economic and
Emission Dispatch
(EED).
Permasalahan multiobyektif mempunyai
beberapa kriteria atau obyektif untuk
dipenuhi secara bersamaan menjadi suatu
permasalahan yang komplek. Hal ini
disebabkan masing-masing obyektif akan
saling konflik antara satu obyektif dengan
obyektif yang lainnya.
Latar Belakang
Meskipun beberapa metode MOP telah
dikembangkan dan dipelajari namun hanya
sedikit dari mereka yang mengevaluasi hasil
hasil dari MOP.
Hal ini dikarenakan pemilihan sebuah solusi
untuk implementasi sistem dari
Pareto-optimal set dapat menjadi pekerjaan yang
sulit, hal ini karena Pareto-optimal sets dapat
berupa solusi-solusi dengan jumlah sangat
Latar Belakang
Pendekatan praktis digunakan untuk
membantu dalam menganalisa solusi dari
sebuah optimisasi multiobyektif dan
menyediakan kepada pengambil keputusan
sekumpulan solusi terukur yang dapat
digunakan untuk dianalisa.
Metode ini didasarkan pada metode clustering
di mana solusi solusi dari Pareto optimal set
dikelompokkan sehingga Pareto optimal front
dikurangi menjadi sekumpulan cluster (C.A.
Coello, 2007).
Perumusan Masalah
Bagaimana merencanakan dan membuat
Inteligent
Decision Support System
(IDSS) dalam mengatasi
Multi-objective Optimisation Problem
?.
Bagaimana mengimplementasikan
Inteligent
Decision Support System
(IDSS) pada
permasalahan
Economic and Emission Dispatch
(EED)?
Bagaimana membuat modul
Non Player Character
(NPC) untuk game serius yang berguna sebagai
Inteligent Decision Support System
(IDSS) yang
menggunakan gabungan metode NSGA2 dan
metode pengklasteran ?
Batasan Masalah
Pada tahap pemodelan digunakan model
matematis untuk fungsi obyektifnya yaitu fungsi
fuel cost
(biaya bahan bakar) fungsi
emission
(emisi) dan fungsi
transmission loss
(rugi-rugi
transmisi) yang diminimalkan.
Pada bagian optimasi digunakan metode NSGA2
untuk menyelesaikan permasalahan optimasi
multiobyektif
Metode pengklasteran yang digunakan adalah FCM
dan FLVQ untuk dibandingkan metode yang mana
yang paling tepat
Modul NPC yang dibuat hanya untuk permasalahan
EED pada produksi daya listrik dari pembangkit
listrik
Tujuan
Mensimulasikan
Multiobjective Optimization
Problem
(MOP) untuk permasalahan optimisasi dari
EED dalam bentuk modul NPC.
Menggabungkan metode yang dapat
menyelesaikan MOP (NSGA2) dengan metode
pengklasteran (FCM dan FLVQ) untuk memberikan
suatu keputusan yang cerdas bagi para
pengambilkeputusan.
Memberikan suatu media pembelajaran dengan
menggunakan konsep
Game Based Learning
dalam
bentuk modul NPC yang membahas permasalahan
EED dari pembangkit listrik.
Manfaat
Simulasi berbentuk
Serious Game
yang
menggunakan teknik optimasi dapat menjadikan
sebagai suatu pembanding bagi metode yang telah
digunakan.
Menggabungkan optimasi permasalahan
multiobyektif dengan teknik pengklasteran akan
memudahkan bagi pengambilkeputusan dalam
memutuskan suatu keputusan berdasarkan hasil
dari simulasi
Serious Game
.
Modul NPC menghasilkan solusi – solusi yang
dihasilkan dari simulasi game serius dalam bentuk
beberapa keputusan alternatif.
Kontribusi Penelitian
Mengembangkan IDSS yang berdasarkan MOP
untuk permasalahan EED.
Menghasilkan hibridisasi dari metode NSGA2 untuk
dan metode pengklasteran (FLVQ atau FCM) dalam
membentuk IDSS.
Menghasilkan modul
Non Playable Character
(NPC)
berdasarkan IDSS untuk serius game pada
permasalahan EED.
Menghasilkan suatu media pembelajaran yang
didasarkan pada penggunaan NPC untuk
Permasalahan Economic and Emission Dispatch NSGA2 Pengklasteran Keputusan oleh Pengambil Keputusan Beberapa Solusi Alternatif
Blok diagram Sistem Pendukung Keputusan Cerdas pada
permasalahan multiobyektif pada EED
Pengaturan Skenario Game
Permasalahan Multiobyektif pada Economic and Environment
Dispatch (EED)
Optimisasi dengan Metode NSGA2
Beberapa Solusi Alternatif
Pemilihan Solusi Berdasarkan Skenario
Keputusan
Penentuan Jumlah Klaster dan Pengklasteran Solusi Optimal dalam
Jumlah Banyak TAHAP 1 TAHAP 2 TAHAP 4 PEMODELAN OPTIMISASI PENGAMBILAN KEPUTUSAN TAHAP 3 PENGKLASTERAN TAHAP 5 SCENARIO GENERATOR Penentuan Jumlah Fungsi Obyektif Penentuan Jumlah Populasi yang dibangkitkan Penentuan Jumlah Klaster untuk Solusi Perubahan Pilihan Solusi Berdasarkan Skenario yang dihadapi
NPC
Diagram Alir
Sistem
Pendukung
Keputusan Cerdas
pada
permasalahan
multiobyektif
pada EED
Pemodelan Optimasi Pengklasteran ScenGen Pengambilan Keputusan• Minimalkan [F, E]
Keterangan
Nilai
Populasi 200
Generasi 1000
Probabilitas
Crossover
0.9
Probabilitas Mutasi
0.1
Tabel 4.3 Parameter masukan NSGA2
PENGKLASTERAN SOLUSI OPTIMAL DARI
PENGKLASTERAN SOLUSI OPTIMAL DARI
PERMASALAHAN OPTIMISASI MULTIOBYEKTIF
PERMASALAHAN OPTIMISASI MULTIOBYEKTIF
DENGAN 2 FUNGSI OBYEKTIF
Perbandingan FCM dan FLVQ untuk 2 fungsi obyektif
Perbandingan FCM dan FLVQ untuk 2 fungsi obyektif
pada EED
pada EED
Jumah Klaster 2 3 4 5 6 7 8 9 10 PC 0.8586 0.8044 0.7771 0.7591 0.7443 0.7412 0.7348 0.7345 0.7318 PE 0.1039 0.1552 0.1861 0.2078 0.2254 0.2322 0.2422 0.2461 0.2521Tabel 4.4 Cluster validity untuk jumlah klaster optimal dari 2 fungsi obyektif
Gambar 4.2 Hasil Cluster Validity untuk 2 fungsi obyektif
Eksponen Pembobot (m) Perfor mansi 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0 Jml iterasi 25 25 24 24 25 25 26 26 27 28 Error 7.2104 E-08 4.7016 E-08 6.7133 E-08 6.4997 E-08 8.4580 E-08 9.6730 E-08 5.3970 E-08 6.1608 E-08 6.4712 E-08 7.6726 E-08 Eksponen Pembobot (m) Perfor mansi 2.5 3 3.5 4 4.5 5 5.5 6 6.5 7 Jml iterasi 30 36 38 48 45 50 52 56 62 64 Error 7.0735 E-08 9.1239 E-08 7.0064 E-08 6.6606 E-08 9.8412 E-08 7.0103 E-08 7.3716 E-08 9.4546 E-08 8.9199 E-08 7.9886 E-08
Tabel 4.5 Hasil performansi FCM untuk mencari nilai optimal bagi 2 klaster dengan 2 fungsi obyektif
Eksponen Pembobot awal (mi) Perfor mansi 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0 Jml iterasi 20 20 20 20 21 21 21 21 22 22 Error 2.8752 E-08 3.5901 E-08 5.5661 E-08 8.7969 E-08 2.9659 E-08 4.1367 E-08 5.7744 E-08 8.2681 E-08 3.3085 E-08 5.1303 E-08 Eksponen Pembobot awal (mi)
Perfor mansi 2.5 3 3.5 4 4.5 5 5.5 6 6.5 7 Jml iterasi 24 26 28 29 31 32 35 37 39 40 Error 4.8394 E-08 5.0505 E-08 4.7660 E-08 8.4788 E-08 6.2053 E-08 9.4834 E-08 5.3266 E-08 6.0898 E-08 6.7632 E-08 9.6699 E-08
Tabel 4.6 Hasil performansi FLVQ untuk mencari nilai optimal bagi 2 klaster dengan 2 fungsi obyektif
Parameter dari metode Pengklasteran Keterangan FCM(m=1.2) FLVQ(mi=1.1) Nilai pusat klaster Fuel Cost ($/hr) Emission (ton/hr) Fuel Cost ($/hr) Emission (ton/hr) Solusi ke -1 509.4706 0.1935 508.7295 0.1935 Solusi ke -2 234.0859 0.2280 234.3716 0.2279 Iterasi 25 20 Toleransi
Error 4.7016 E-08 2.8752 E-08 Tabel 4.7 Perbandingan Hasil Pengklasteran antara FCM dengan FLVQ
Eksponen Pembobot (m) Perfor mansi 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0 Jml iterasi 220 427 308 191 151 120 117 112 89 130 Error 9.3964 E-08 9.7172 E-08 9.8927 E-08 9.9756 E-08 9.9030 E-08 9.7107 E-08 9.3319 E-08 9.2032 E-08 9.7262 E-08 9.5390 E-08 Eksponen Pembobot (m) Perfor mansi 2.5 3 3.5 4 4.5 5 5.5 6 6.5 7 Jml iterasi 197 223 303 218 324 154 315 149 216 193 Error 9.5082 E-08 9.7576 E-08 9.7622 E-08 9.8196 E-08 9.9098 E-08 9.9727 E-08 9.6695 E-08 9.4809 E-08 9.4695 E-08 9.8427 E-08
Tabel 4.8 Hasil performansi FCM untuk mencari nilai optimal bagi 5 klaster dengan 2 fungsi obyektif
Eksponen Pembobot awal (mi) Perfor mansi 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0 Jml iterasi 49 177 181 131 109 99 94 92 92 94 Error 6.2580 E-08 9.7943 E-08 9.7371 E-08 8.9686 E-08 9.9203 E-08 9.0008 E-08 8.5247 E-08 8.3776 E-08 8.8072 E-08 9.0524 E-08 Eksponen Pembobot awal (mi)
Perfor mansi 2.5 3 3.5 4 4.5 5 5.5 6 6.5 7 Jml iterasi 134 177 328 211 233 236 453 110 114 142 Error 8.9690 E-08 9.9289 E-08 9.2495 E-08 8.3365 E-08 9.3950 E-08 9.8144 E-08 9.1593 E-08 8.9343 E-08 6.4206 E-08 6.6722 E-08
Tabel 4.9 Hasil performansi dari FLVQ untuk mencari nilai optimal bagi 5 klaster dengan 2 fungsi obyektif
Parameter dari metode Pengklasteran Keterangan FCM(m=1.8) FLVQ(mi=1.1) Nilai pusat klaster Fuel Cost ($/hr) Emission (ton/hr) Fuel Cost ($/hr) Emission (ton/hr) Solusi ke -1 625.9815 0.1872 627.0382 0.1872 Solusi ke -2 502.9355 0.1926 510.2026 0.1921 Solusi ke -3 390.4892 0.2026 399.4639 0.2016 Solusi ke -4 274.5854 0.2192 284.6583 0.2175 Solusi ke -5 169.8937 0.2409 176.3579 0.2394 Iterasi 112 49
Toleransi Error 9.2032 E-08 6.2580E-08
Minimalkan [F, E, PL]
Gambar 5.1 Hasil output dari NSGA 2 untuk 3 fungsi
menggunakan populasi sebesar 200 dan generasi sebesar 100
PENGKLASTERAN SOLUSI OPTIMAL DARI PERMASALAHAN
OPTIMISASI MULTIOBYEKTIF DENGAN 3 FUNGSI OBYEKTIF
Perbandingan FCM dan FLVQ untuk 3 fungsi obyektif pada EED Jumlah Klaster 2 3 4 5 6 7 8 9 10 PC 0.8648 0.8186 0.7894 0.7604 0.7504 0.7460 0.7397 0.7383 0.7376 PE 0.0997 0.1447 0.1769 0.2072 0.2205 0.2285 0.2375 0.2417 0.2441
Tabel 5.2 Cluster validity untuk 3 fungsi obyektif
Gambar 5.2 Hasil Cluster Validity untuk 3 fungsi obyektif
Eksponen Pembobot (m) Perfor mansi 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0 Jml iterasi 26 23 23 22 23 22 24 23 24 22 Error (Ev) 5.4483 E-08 8.7806 E-08 5.7478 E-08 8.5324 E-08 9.4455 E-08 7.1575 E-08 5.1838 E-08 5.1805 E-08 5.8356 E-08 6.5866 E-08 Eksponen Pembobot (m) Perfor mansi 2.5 3 3.5 4 4.5 5 5.5 6 6.5 7 Jml iterasi 25 27 30 34 38 42 44 48 51 56 Error (Ev) 9.0430 E-08 9.0541E-08 6.5092E-08 9.4482 E-08 7.6428 E-08 7.6151 E-08 7.3607 E-08 8.6011 E-08 9.7320 E-08 9.0270 E-08
Tabel 5.3 Hasil performansi dari FCM untuk mencari nilai optimal bagi 2 klaster dengan 3 fungsi obyektif
Eksponen Pembobot awal (mi) Perfor mansi 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0 Jml iterasi 22 20 20 20 20 20 20 20 20 20 Error (Ev) 3.2878 E-08 4.9544 E-08 3.5800 E-08 3.0561 E-08 2.6337 E-08 2.5102 E-08 2.7535 E-08 3.4439 E-08 4.7721 E-08 7.1024 E-08 Eksponen Pembobot awal (mi)
Perfor mansi 2.5 3 3.5 4 4.5 5 5.5 6 6.5 7 Jml iterasi 22 24 26 28 30 32 33 35 37 38 Error (Ev) 5.8079 E-08 6.4911 E-08 7.0567 E-08 7.0557 E-08 6.3457 E-08 5.4496 E-08 9.3175 E-08 7.0888 E-08 5.7256 E-08 7.8320 E-08
Tabel 5.4 Hasil performansi dari FLVQ untuk mencari nilai optimal bagi 2 klaster dengan 3 fungsi obyektif
Parameter dari metode Pengklasteran Keterangan FCM (m=1.8) FLVQ (mi=1.6) Pusat Klaster Fuel Cost ($/hr) Emissio n (ton/hr) TL (p.u) Fuel Cost ($/hr) Emission (ton/hr) TL (p.u) Solusi ke - 1 580.1288 0.1912 0.0042 577.6081 0.1912 0.0042 Solusi ke - 2 258.634 0.2241 0.0015 260.3508 0.2238 0.0015 Iterasi 23 20
Error 5.1805 E-08 2.5102 E-08 Tabel 5.5 Perbandingan Hasil Pengklasteran antara FCM dengan FLVQ
Eksponen Pembobot (m) Perfor mansi 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0 Jml iterasi 42 106 145 104 112 111 127 115 131 175 Error (Ev) 8.4025 E-08 8.6798 E-08 9.3600 E-08 9.4268 E-08 8.8803 E-08 9.3413 E-08 9.822 0 E-08 9.2199 E-08 9.8523 E-08 9.9190 E-08 Eksponen Pembobot (m) Perfor mansi 2.5 3 3.5 4 4.5 5 5.5 6 6.5 7 Jml iterasi 248 209 169 185 238 160 273 422 278 272 Error (Ev) 9.4517 E-08 9.9728 E-08 9.2421 E-08 9.5793 E-08 9.3631 E-08 9.1406 E-08 9.637 2 E-08 9.6808 E-08 9.5774 E-08 9.3614 E-08
Tabel 5.6 Hasil performansi dari Fuzzy C-means untuk mencari nilai optimal bagi 5 klaster dengan 3 fungsi obyektif
Eksponen Pembobot awal (mi) Perfor mansi 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0 Jml iterasi 94 74 75 74 78 84 93 104 116 127 Error (Ev) 4.8716 E-08 7.6088 E-08 9.3572 E-08 8.8134 E-08 7.6587 E-08 8.8018 E-08 8.8749 E-08 9.0919 E-08 9.2758 E-08 9.9095 E-08 Eksponen Pembobot awal (mi)
Perfor mansi 2.5 3 3.5 4 4.5 5 5.5 6 6.5 7 Jml iterasi 155 148 123 118 136 152 234 407 186 92 Error (Ev) 9.9968 E-08 9.2389 E-08 9.4676 E-08 9.5306 E-08 9.1046 E-08 8.8146 E-08 9.7628 E-08 9.1562 E-08 6.2146 E-08 9.7139 E-08
Tabel 5.7 Hasil performansi dari FLVQ untuk mencari nilai optimal bagi 5 klaster dengan 3 fungsi obyektif
Parameter dari metode Pengklasteran Keterangan FCM (m=1.1) FLVQ (mi=1.1) Pusat Klaster Fuel Cost ($/hr) Emission (ton/hr) TL (p.u) Fuel Cost ($/hr) Emission (ton/hr) TL (p.u) Solusi ke - 1 645.1701 0.1885 0.0051 645.1702 0.1885 0.0051 Solusi ke - 2 527.7062 0.1927 0.0032 527.7064 0.1927 0.0032 Solusi ke - 3 415.6776 0.2004 0.0026 415.6777 0.2004 0.0026 Solusi ke - 4 298.4910 0.2155 0.0017 298.4911 0.2155 0.0017 Solusi ke - 5 184.7776 0.2378 0.0012 184.7777 0.2378 0.0012 Iterasi 42 94
Error 8.4025 E-08 4.8716 E-08 Tabel 5.8 Perbandingan Hasil Pengklasteran antara FCM dengan FLVQ
SCENARIO GENERATOR UNTUK PERMASALAHAN EED PADA GAME SERIUS
Jam Daya Listrik Permintaan (p.u)
1 2.057 2 1.941 3 1.564 4 1.903 5 1.574 6 1.873 7 2.834 8 2.635
Tabel 6.1 Daya listrik permintaan untuk seluruh
Profit = ((PDtot*100*1000*0.0928)-FCtot-Devtot*π-Penalty) $/h
PDtot = Daya Total Permintaan (p.u perunit =MW/100); FCtot = Total Biaya Bahan Bakar ($/h);
Devtot = Total Selisih Emisi (ton/h); π (harga emisi perunit ) = $ 100/ton;
if (Devtot>=2) Penalty=Devtot*10000; elseif(Devtot<1.8)&&(Devtot>=1.6); Penalty=Devtot*10000*1.8; elseif(Devtot<1.6)&&(Devtot>=1.4); Penalty=Devtot*10000*1.6; elseif(Devtot<1.4)&&(Devtot>=1.2); Penalty=Devtot*10000*1.4; elseif(Devtot<1.2)&&(Devtot>=1.0); Penalty=Devtot*10000*1.2; elseif(Devtot<1.2)&&(Devtot>=1); Penalty=Devtot*10000; elseif(Devtot<1)&&(Devtot>=0.8); Penalty=Devtot*10000*0.8; elseif(Devtot<0.8)&&(Devtot>=0.6); Penalty=Devtot*10000*0.6; elseif(Devtot<0.6)&&(Devtot>=0.4); Penalty=Devtot*10000*0.4; elseif(Devtot<0.4)&&(Devtot>=0.2); Penalty=Devtot*10000*0.2; elseif(Devtot<0.2)&&(Devtot>=0); Penalty=Devtot*10000*0.1; elseif(Devtot<0); Penalty=0; end
Gambar 6.1 Listing Program Penentuan Penalty
Skenario Berorientasi Keuntungan
Gambar 6.2 Scenario Generator untuk skenario berorientasi
Gambar 6.3 Solusi Pilihan dengan Emisi Reduksi (R) = 0.3 dan Emisi yang diijinkan (G) = 0.3
Solusi pilihan Emisi Reduksi (R) Emisi Yang Diijinkan (G) Total Biaya Bahan Bakar Total Selisih Emisi Penalty Profit [1,1,1,1,1,1,1,1] 0.3 0.3 5276.5896 -1.3513 0 146974.2204 [1,3,1,3,1,3,1,3] 0.3 0.3 4289.3149 -1.3134 0 147857.7051 [3,1,3,1,3,1,3,1] 0.3 0.3 4317.2362 -1.3140 0 147829.8437 [3,3,3,3,3,3,3,3] 0.3 0.3 3329.9616 -1.2761 0 148813.3284 [5,5,5,5,5,5,5,5] 0.3 0.3 1440.3953 -1.0627 0 150681.5547 [4,5,4,5,4,5,4,5] 0.3 0.3 1880.9195 -1.1226 0 150247.0205 [5,4,5,4,5,4,5,4] 0.3 0.3 1896.3668 -1.1258 0 150231.8932
Tabel 6.3 Hubungan Solusi Pilihan dengan Emisi Reduksi (R) = 0.3 dan Emisi yang diijinkan (G) = 0.3 terhadap Profit
Gambar 6.4 Scenario Generator untuk skenario berorientasi keuntungan dengan Emisi Reduksi (R) = 0.3 dan Emisi yang diijinkan (G) = 0.1
Solusi pilihan Emisi Reduksi (R) Emisi Yang Diijinkan (G) Total Biaya Bahan Bakar Total Selisih Emisi Penalty Profit [1,1,1,1,1,1,1,1] 0.3 0.1 5276.5896 0.2487 497.48 146216.7364 [1,3,1,3,1,3,1,3] 0.3 0.1 4289.3149 0.2866 573.22 147124.4841 [3,1,3,1,3,1,3,1] 0.3 0.1 4317.2362 0.2860 571.96 147097.8857 [3,3,3,3,3,3,3,3] 0.3 0.1 3329.9616 0.3239 647.70 148005.6334 [5,5,5,5,5,5,5,5] 0.3 0.1 1440.3953 0.5373 2149.12 148372.4367 [4,5,4,5,4,5,4,5] 0.3 0.1 1880.9195 0.4774 1909.44 148177.5845 [5,4,5,4,5,4,5,4] 0.3 0.1 1896.3668 0.4742 1896.84 148175.0522
Tabel 6.4 Hubungan Solusi Pilihan dengan Emisi Reduksi (R) = 0.3 dan Emisi yang diijinkan (G) = 0.1 terhadap Profit
Gambar 6.6 Scenario Generator untuk skenario berorientasi keuntungan dengan Emisi Reduksi (R) = 0.1 dan Emisi yang diijinkan (G) = 0.05
Solusi pilihan Emisi Reduksi (R) Emisi Yang Diijinkan (G) Total Biaya Bahan Bakar Total Selisih Emisi Penalty Profit [1,1,1,1,1,1,1,1] 0.1 0.05 5276.5896 0.9484 7587.04 139057.2124 [1,3,1,3,1,3,1,3] 0.1 0.05 4289.3149 0.9971 7976.56 139650.0981 [3,1,3,1,3,1,3,1] 0.1 0.05 4317.2362 0.9963 7970.08 139628.7377 [3,3,3,3,3,3,3,3] 0.1 0.05 3329.9616 1.0450 12540.0 136041.2184 [5,5,5,5,5,5,5,5] 0.1 0.05 1440.3953 1.3194 18471.6 131971.7447 [4,5,4,5,4,5,4,5] 0.1 0.05 1880.9195 1.2423 17392.2 132618.3305 [5,4,5,4,5,4,5,4] 0.1 0.05 1896.3668 1.2383 17336.2 132659.2832
Tabel 6.5 Hubungan Solusi Pilihan dengan Emisi Reduksi (R) = 0.1 dan Emisi yang diijinkan (G) = 0.05 terhadap Profit
Skenario Berorientasi Lingkungan
Gambar 6.8 Scenario Generator untuk Skenario Berorientasi Lingkungan dengan Emisi Reduksi (R) = 0.1 dan Emisi yang diijinkan (G) = 0.03
Gambar 6.9 Solusi Pilihan dengan Emisi Reduksi (R) = 0.1 dan Emisi yang diijinkan (G) = 0.03
Solusi pilihan Emisi Reduksi (R) Emisi Yang Diijinkan (G) Total Biaya Bahan Bakar Total Selisih Emisi Penalty Profit [1,1,1,1,1,1,1,1] 0.1 0.03 5276.5896 1.1084 13300.8 133327.4504 [1,3,1,3,1,3,1,3] 0.1 0.03 4289.3149 1.1571 13885.2 133725.4551 [3,1,3,1,3,1,3,1] 0.1 0.03 4317.2362 1.1563 13875.6 133707.2137 [3,3,3,3,3,3,3,3] 0.1 0.03 3329.9616 1.2050 16870.0 131695.2184 [5,5,5,5,5,5,5,5] 0.1 0.03 1440.3953 1.4794 23670.4 126756.9447 [4,5,4,5,4,5,4,5] 0.1 0.03 1880.9195 1.4023 22436.8 127557.7305 [5,4,5,4,5,4,5,4] 0.1 0.03 1896.3668 1.3983 19576.2 130403.2832
Tabel 6.6 Hubungan Solusi Pilihan dengan Emisi Reduksi (R) = 0.1 dan Emisi yang diijinkan (G) = 0.03 terhadap Profit
Gambar 6.10 Scenario Generator untuk Skenario Berorientasi Lingkungan dengan Emisi Reduksi (R) = 0.1 dan Emisi yang diijinkan (G*) = 0.01
Solusi pilihan Emisi Reduksi (R) Emisi Yang Diijinkan (G) Total Biaya Bahan Bakar Total Selisih Emisi Penalty Profit [1,1,1,1,1,1,1,1] 0.1 0.01 5276.5896 1.2684 17757.6 128854.6504 [1,3,1,3,1,3,1,3] 0.1 0.01 4289.3149 1.3171 18439.4 129155.2551 [3,1,3,1,3,1,3,1] 0.1 0.01 4317.2362 1.3163 18428.2 129138.6137 [3,3,3,3,3,3,3,3] 0.1 0.01 3329.9616 1.3649 19108.6 129440.6284 [5,5,5,5,5,5,5,5] 0.1 0.01 1440.3953 1.6394 29509.2 120902.1447 [4,5,4,5,4,5,4,5] 0.1 0.01 1880.9195 1.5623 24996.8 124981.7305 [5,4,5,4,5,4,5,4] 0.1 0.01 1896.3668 1.5583 24932.8 125030.6832
Tabel 6.7 Hubungan Solusi Pilihan dengan Emisi Reduksi (R) = 0.1 dan Emisi yang diijinkan (G) = 0.01 terhadap Profit
Skenario Dengan Mengatur Parameter Sendiri Solusi pilihan Emisi Reduksi (R) Emisi Yang Diijinkan (G) Total Biaya Bahan Bakar Total Selisih Emisi Penalty Profit [3,3,3,3,3,3,3,3] 0.1 0.05 3329.9616 1.045 12540 136041.2184 [3,3,3,3,3,3,3,3] 0.3 0.05 3329.9616 0.72385 4343.1 144270.2334 [3,3,3,3,3,3,3,3] 0.5 0.05 3329.9616 0.40275 1611 147034.4434 [3,3,3,3,3,3,3,3] 0.7 0.05 3329.9616 0.08165 81.65 148595.9034 [3,3,3,3,3,3,3,3] 0.9 0.05 3329.9616 -0.23945 0 148709.6634
Tabel 6.8 Pengaruh Hubungan Emisi yang diijinkan (G) dengan Nilai Tetap Terhadap Emisi Reduksi (R) yang Berubah – ubah Terhadap Profit Jika Solusi Pilihannya Tetap
Solusi pilihan Emisi Reduksi (R) Emisi Yang Diijinkan (G) Total Biaya Bahan Bakar Total Selisih Emisi Penalty Profit [3,3,3,3,3,3,3,3] 0.6 0.01 3329.9616 0.5622 2248.8 146380.6984 [3,3,3,3,3,3,3,3] 0.6 0.05 3329.9616 0.2422 484.4 148177.0984 [3,3,3,3,3,3,3,3] 0.6 0.10 3329.9616 -0.1578 0 148701.4984 [3,3,3,3,3,3,3,3] 0.6 0.15 3329.9616 -0.5578 0 148741.4984 [3,3,3,3,3,3,3,3] 0.6 0.2 3329.9616 -0.9578 0 148781.4984
Tabel 6.9 Pengaruh Hubungan Emisi Reduksi (R) dengan Nilai Tetap Terhadap Emisi yang diijinkan (G)
KESIMPULAN
z
Metode FCM dan FLVQ dapat mengurangi jumlah solusi
optimal menjadi beberapa klaster untuk menjadi solusi yang
ditawarkan dari NSGA2.
z
Hasil simulasi dengan 2 fungsi obyektif dan 2 klaster
menunjukkan bahwa FCM mempunyai error lebih besar yaitu
4.7016 E-08 dibandingkan FLVQ dengan error sebesar
2.8752 E-08.
z
Hasil simulasi dengan 2 fungsi obyektif dan 5 klaster
menunjukkan bahwa FCM mempunyai error lebih besar yaitu
9.2032 E-08 dibandingkan FLVQ dengan error sebesar
z
Hasil simulasi dengan 3 fungsi obyektif dan 2 klaster
menunjukkan bahwa FCM mempunyai error lebih besar yaitu
5.1805 E-08 dibandingkan dengan error FLVQ yaitu sebesar
2.5102 E-08.
z
Hasil simulasi dengan 3 fungsi obyektif dan 5 klaster
menunjukkan bahwa FCM mempunyai error lebih besar yaitu
8.4025 E-08 dibandingkan dengan error FLVQ yaitu sebesar
4.8716 E-08.
z
Hasil simulasi menunjukkan bahwa FLVQ lebih baik daripada
FCM. Sehingga FLVQ digunakan untuk membangun NPC pada
penelitian ini.
z
Gabungan dari metode metaheuristik dan pengklasteran ini
membentuk suatu Sistem Pendukung Keputusan Cerdas bagi
pengambil keputusan pada permasalahan EED .
z
NPC dibangun dengan menggunakan IDSS dengan
menggunakan parameter lain yang dapat diubah-ubah untuk
memberikan pembelajaran kepada pengambil keputusan
terhadap permasalahan EED .
z
Simulasi game serius dengan menggunakan NPC sebagai
pendukung keputusan dapat membantu untuk mempelajari
skenario yang diberikan berdasarkan konsep GBL.
Saran
1.