OPTIMASI STRUKTUR FLAT-PLATE BETON
BERTULANG
Randi Primawan Nababan
NRP : 0221096
Pembimbing : Olga Pattipawaej, Ph.D
FAKULTAS TEKNIK JURUSAN TEKNIK SIPIL
UNIVERSITAS KRISTEN MARANATHA
BANDUNG
ABSTRAK
Beton bertulang, beton pra tegang dan lain sebagainya merupakan suatu
tehnik dalam pembangunan proyek. Beton bertulang merupakan suatu jenis lantai
yang umum tersusun dari konstruksi pelat-balok-gelagar (girder). Tulangan
sangat penting dalam sebuah struktur bangunan. Untuk itu diperlukan luas
tulangan yang seekonomis mungkin dalam sebuah pembangunan. Semuanya ini
didapatkan dari perhitungan optimasi struktur lantai beton bertulang dengan cara
metoda Rangka Ekuivalen untuk perhitungan manual dan menggunakan bahasa
pemograman komputer (bahasa pemograman MATLAB).
Metoda optimasi yang digunakan yaitu Algoritma Genetika. Algoritma
Genetika ini berasal dari proses genetika alam dan proses seleksi makhluk hidup.
Ternyata metoda ini dapat memecahkan masalah optimasi dalam banyak bidang
disamping metoda-metoda optimasi lain. Algoritma Genetika ini sangat sesuai
bila diimplementasikan dengan komputer.
Dari hasil perhitungan manual dan program optimasi, dimana optimasi
dilihat dari perbandingan luas tulangan yang didapat. Dengan kendala yang
dipakai adalah faktor kekakuan, pelat bujursangkar dengan ukuran 8-10 m dan
tinggi lantai 3-5 m. Diperoleh hasil yang optimum yaitu tinggi lantai 5 m dan
ukuran pelat 9 m. Hasil tersebut bukan merupakan hasil yang paling optimum
karena faktor kendala program tidak diperhitungkan.
DAFTAR ISI
Halaman
SURAT KETERANGAN TUGAS AKHIR...i
SURAT KETERANGAN SELESAI TUGAS AKHIR...ii
ABSTRAK...iii
PRAKATA...iv
DAFTAR ISI...vi
DAFTAR NOTASI DAN SINGKATAN...viii
DAFTAR GAMBAR...x
DAFTAR TABEL...xii
DAFTAR LAMPIRAN...xiii
BAB 1 PENDAHULUAN
1.1 Latar Belakang...1
1.2 Tujuan...2
1.3 Batasan Masalah...3
1.4 Sistematika Pembahasan...4
BAB 2 ANALISIS DAN DESAIN PELAT LANTAI DENGAN PORTAL
EKUIVALEN
2.1 Tipe Pelat...7
2.2 Sistem Pelat...9
2.2.1 Sistem Lantai Flat plate, Flat Slab & Flat Slab
with Colom Capital...9
2.2.2 Sistem Lantai Grid...10
Universitas Kristen Maranatha
2.2.3 Sistem Balok Pelat...11
2.3 Syarat Ketebalan Minimum Pelat...13
2.4 Rasio Kekakuan Balok-Pelat...14
2.5 Metoda Analisis Penulangan Pelat...15
2.6 Perhitungan Tulangan Lentur...27
2.7 Perencanaan Tulangan Geser...28
2.7.1 Geser Satu Arah...29
2.7.2 Geser Dua Arah...30
BAB 3 ALGORITMA GENETIKA
3.1 Perbandingan Terminologi Genetika dengan Algoritma Genetika...33
3.1.1 Pengertian Istilah dalam Algoritma Genetika...34
3.1.2 Struktur umum dari Algoritma Genetika...37
3.2 Representatif String/Kromosom dalam Algoritma Genetika...37
3.3 Algoritma Genetika Sederhana...39
3.4
Ilustrasi
Algoritma
Genetika Sederhana...41
BAB 4 STUDI KASUS
4.1 Perhitungan Manual...48
4.2 Optimasi flate plate dengan Algoritma Genetika...65
BAB 5 KESIMPULAN DAN SARAN
5.1 Kesimpulan...68
5.2
Saran...69
DAFTAR PUSTAKA...70
LAMPIRAN...71
Universitas Kristen Maranatha
DAFTAR NOTASI DAN SINGKATAN
A
= Luas penampang kolom, cm
2C
= Konstanta penampang untuk menentukan kekakuan puntir
1
c
= Ukuran kolom persegi atau kolom persegi ekuivalen, kepala kolom, atau
konsol pendek, diukur dalam arah bentang di mana momen lentur sedang
ditentukan, mm
2
c
= Ukuran kolom persegi atau kolom persegi ekuivalen, kepala kolom, atau
konsol pendek, diukur dalam arah transversal terhadap arah bentang di
mana momen lentur sedang ditentukan, mm
d
= Tebal pelat akibat selimut beton, cm
'
cf
= kuat tekan beton, kg/cm
2y
f
= tegangan luluh baja tulangan yang disyaratkan, kg/cm
2I
b= momen inersia terhadap sumbu pusat penampang bruto balok
K
b= Kekakuan lentur balok, momen per unit rotasi
K
c= Kekakuan lentur kolom, momen per unit rotasi
K
s= Kekakuan lentur pelat, momen per unit rotasi
K
t= Kekakuan puntir komponen torsi struktur, momen per unit rotasi
LL
= Beban Hidup, kg/cm
2l
n= panjang bentang bersih dalam arah momen yang ditinjau, diukur dari
muka ke tumpuan, mm
Universitas Kristen Maranatha
l
1= panjang bentang dalam arah momen yang ditinjau, diukur dari sumbu ke
sumbu tumpuan, mm
l
2= panjang bentang dalam arah transveersal terhadap
l
1, diukur dari sumbu
ke sumbu tumpuan, mm
ME
= Beban Mekanikal dan Elektrikal, kg/cm
2SDL = Beban Mati Tambahan, kg/cm
2V
c= Kapasitas Geser, kg/cm
2V
n= Kuat geser nominal
V
u= Gaya geser terfaktor pada penampang
Wbs
= Berat Beban Sendiri, kg/cm
2Wd
= Berat Beban Mati, kg/cm
2Wu
= Berat akibat beban luar. kg/cm
2β
= Rasio kekakuan puntir penampang balok tepi terhadap kekakuan lentur
dari suatu pelat dengan lebar yang sama dengan bentang balok, diukur dari
sumbu ke sumbu tumpuan
φ
= Faktor reduksi kekuatan
Universitas Kristen Maranatha
DAFTAR GAMBAR
Halaman
Gambar 2.1
Pelat satu arah (a) dan Pelat dua arah (b)...8
Gambar 2.2
Sistem Lantai (a) Flat Plate, (b) Flat Slab,
(c) Flat Slab with Colom Capital...10
Gambar 2.3
Sistem waffle slab...11
Gambar 2.4
Sistem balok pelat...11
Gambar 2.5
Lantai pelat dua arah dengan (a) drop panel,
dan (b) Lantai flat plate...13
Gambar 2.6
Balok Tepi...15
Gambar 2.7
Balok Interior...15
Gambar 2.8
Rangka Ekuivalen...18
Gambar 2.9
Jalur kolom dan jalur tengah pada portal ekuivalen (arah y)...20
Gambar 2.10 Portal Ekuivalen...22
Gambar 2.11 Momen sederhana Mo yang bekerja pada panel slab interior dua
arah, dalam arah x : (a) momen ; (b) diagram benda bebas...22
Gambar 2.12 Keruntuhan geser satu arah...30
Gambar 2.13 Keruntuhan geser dua arah...31
Gambar 3.1
Struktur umum Algoritma Genetika...37
Gambar 3.2
AG standar mencapai fitness maksimum...43
Gambar 3.3
AG standar dengan grafis 3 dimensi...44
Gambar 4.1
Struktur Flat Plate...48
Gambar 4.2
Tinjauan Pelat (Lebar Pelat)...49
Universitas Kristen Maranatha
Gambar 4.3
Pembebanan Kolom...51
Gambar 4.4
Aksi Searah...52
Gambar 4.5
Kekakuan Kolom...55
Gambar 4.6
Elemen Penahan Torsi...56
Gambar 4.7
Distribusi Kolom...57
Gambar 4.8
Portal Ekuivalen...58
Gambar 4.9
Hasil Perhitungan Portal Ekuivalen...59
Gambar 4.10 Denah Penulangan Pelat...63
Gambar 4.11 Algoritma Genetika dengan grafis 2 D...67
Universitas Kristen Maranatha
DAFTAR TABEL
Halaman
Tabel 2.1
Tebal minimum pelat tanpa balok interior……….…13
Tabel 2.2
Pembagian momen negatif terfaktor interior pada jalur kolom...23
Tabel 2.3
Pembagian momen negatif terfaktor ekterior pada jalur kolom...24
Tabel 2.4
Pembagian momen positif terfaktor...24
Tabel 2.5
Pembagian momen terhadap jalur kolom...24
Tabel 3.1
Perbandingan terminologi genetika sesungguhnya dengan
algoritma genetika [Goldberg, 1989]...34
Tabel 3.2
Perbandingan dari pengkodean binari dan gray codes...38
Tabel
3.3 Hasil observasi untuk mencari parameter AG yang
optimal...45
Tabel 4.1
Interpolasi Kekauan Kolom...56
Tabel 4.2
Analisis Portal Ekuivalen...59
Tabel 4.3
Perhitungan untuk ukuran pelat 8m x 8m...63
Tabel 4.4
Perhitungan untuk ukuran pelat 9m x 9m...64
Tabel 4.5
Perhitungan untuk ukuran pelat 10m x 10m...65
Tabel 4.6
Variasi Algoritma Genetika...66
Universitas Kristen Maranatha
DAFTAR LAMPIRAN
Halaman
Lampiran A Tabel konstanta untuk momen distribusi.………..…71
Lampiran B
Program algoritma contoh sederhana...74
Universitas Kristen Maranatha
71
LAMPIRAN A
74
LAMPIRAN B
75
%========================================================= =====
% Algoritma Genetika Standar (dengan grafis 2D) terdiri dari: %
% 1. Satu populasi dengan UkPop kromosom % 2. Binary encoding
% 3. Linear fitness ranking % 4. Roulette-wheel selection % 5. Pindah silang satu titik potong
% 6. Probabilitas pindah silang dan probabilitas mutasi bernilai tetap % 7. Elitisme, satu atau dua buah kopi dari individu bernilai fitness % tertinggi
% 8. Generational replacement : mengganti semua individu dengan individu % baru
%========================================================= =====
%
Clc % Me-refresh command window
clear all % Menghapus semua variabel yang sedang aktif
%
Nvar = 2; % Jumlah variabel pada fungsi yang dioptimasi
Nbit = 10; % Jumlah bit yang mengkodekan satu variabel
JumGen = Nbit*Nvar; % Jumlah gen dalam kromosom
Rb = -5.12; % Batas bawah interval
Ra = 5.12; % Batas atas interval
%
UkPop = 200; % Jumlah kromosom dalam populasi
Psilang = 0.8; % Probabilitas pindah silang
Pmutasi = 0.05; % Probabilitas mutasi
MaxG = 100; % Jumlah generasi
%
BilKecil = 10^-1; % Digunakan untuk menghindari pembagian dengan
0
Fthreshold = 1/BilKecil; % Threshold untuk nilai Fitness Bgraf = Fthreshold; % Untuk menangani tampilan grafis %
% Inisialisasi grafis 2D %
hfig = figure; hold on
title ('Optimasi fungsi menggunakan AG standar dengan grafis 2 dimensi') set(hfig, 'position', [50,50,600,400]);
set(hfig, 'DoubleBuffer', 'on'); axis([1 MaxG 0 Bgraf]);
hbestplot = plot(1:MaxG, zeros(1,MaxG));
76
htext4 = text(0.6*MaxG,0.10*Bgraf,sprintf('Nilai minimum : %5.4f', 0.0)); xlabel('Generasi');
ylabel('Fitness terbaik'); hold off
drawnow; %
% Inisialisasi Populasi %
Populasi = InisialisasiPopulasi(UkPop,JumGen); %
% Loop evolusi %
for generasi = 1:MaxG,
x = DekodekanKromosom(Populasi(1,:),Nvar,Nbit,Ra,Rb); Fitness(1) = EvaluasiIndividu(x,BilKecil);
MaxF = Fitness(1); MinF = Fitness(1);
IndeksIndividuTerbaik = 1; for ii = 2:UkPop,
Kromosom = Populasi(ii,:);
x = DekodekanKromosom(Kromosom,Nvar,Nbit,Ra,Rb); Fitness(ii) = EvaluasiIndividu(x,BilKecil);
if (Fitness(ii) > MaxF), MaxF = Fitness(ii);
IndeksIndividuTerbaik = ii; BestX = x;
end
if (Fitness(ii) < MinF), MinF = Fitness(ii); end
end %
% Penanganan grafis 2D %
plotvector = get(hbestplot, 'YData'); plotvector(generasi) = MaxF; set(hbestplot, 'YData', plotvector);
set(htext1, 'String', sprintf('Fitness terbaik : %7.4f', MaxF)); set(htext2, 'String', sprintf('Variabel X1 : %5.4f', BestX(1))); set(htext3, 'String', sprintf('Variabel X2 : %5.4f', BestX(2)));
set(htext4, 'String', sprintf('Nilai minimum : %5.4f', (1/MaxF)-BilKecil)); %
if MaxF >= Fthreshold, break;
end %
77
% Elitisme:
% - Buat satu kopi kromosom terbaik jika ukuran populasi ganjil % - Buat dua kopi kromosom terbaik jika ukuran populasi genap %
if mod(UkPop,2) == 0, % ukuran populasi genap
IterasiMulai = 3;
TemPopulasi(1,:) = Populasi(IndeksIndividuTerbaik,:); TemPopulasi(2,:) = Populasi(IndeksIndividuTerbaik,:); else
InterasiMulai = 2;
TemPopulasi(1,:) = Populasi(IndeksIndividuTerbaik,:); end
%
LinearFitness = LinearFitnessRanking(UkPop,Fitness,MaxF,MinF); %
% Roulette-wheel dan pindah silang %
for jj = IterasiMulai:2:UkPop,
IP1 = RouletteWheel(UkPop,LinearFitness); IP2 = RouletteWheel(UkPop,LinearFitness); if(rand < Psilang),
Anak = PindahSilang(Populasi(IP1,:),Populasi(IP2,:),JumGen); TemPopulasi(jj,:) = Anak(1,:);
TemPopupasi(jj+1,:) = Anak(2,:); else
TemPopulasi(jj,:) = Populasi(IP1,:); TemPopulasi(jj+1,:) = Populasi(IP2,:); end
end %
% Mutasi dilakukan pada semua kromosom for kk = IterasiMulai:UkPop,
TemPopulasi(kk,:) = Mutasi(TemPopulasi(kk,:),JumGen,Pmutasi); end
%
% Generational Replacement: mengganti semua kromosom sekaligus %
Populasi = TemPopulasi; end
%========================================================= =====
% Membangkitkan sejumlah UkPop kromosom, masing-masing kromosom % berisi bilangan biner (0 dan 1) sejumlah JumGen
%
% Masukkan
78
%
% Keluaran
% Populasi : kumpulan kromosom, matriks berukuran UkPop x JumGen
%========================================================= =====
function Populasi = Inisialisasi(UkPop,JumGen)
Populasi = fix(2*rand(UkPop,JumGen));
%========================================================= =====
% Mendekodekan kromosom yang berisi bilangan biner menjadi individu x yang % bernilai real dalam interval yang ditentukan (Ra,Rb)
%
% Masukan
% Kromosom : kromosom, matriks berukuran 1 x JumGen
% Nvar : jumlah variabel
% Nbit : jumlah bit yang mengkodekan satu variabel % Ra : batas atas interval
% Rb : batas bawah interval
%
% Keluaran
% x : individu hasil dekode kromosom
%========================================================= =====
function x = DekodekanKromosom(Kromosom,Nvar,Nbit,Ra,Rb)
for ii = 1:Nvar, x(ii) = 0; for jj = 1:Nbit,
x(ii) = x(ii) + Kromosom((ii-1)*Nbit + jj)*2^(-jj); end
x(ii) = Rb + (Ra-Rb)*x(ii); end
%========================================================= =====
% Mengevaluasi individu sehingga didapatkan nilai fitness-nya %
% Masukan
% x : individu
% BilKecil : bilangan kecil digunakan untuk menghindari pembagian % dengan 0
%
% Keluaran
79
%========================================================= =====
function fitness = EvaluasiIndividu(x, BilKecil)
fitness = 1/((1000*(x(1) - 2*x(2))^2 + (1 - x(1))^2) + BilKecil);
%========================================================= =====
% Menskalakan nilai fitness ke dalam ranking sehingga diperoleh % nilai-nilai fitness baru yang berada dalam rentang (MaxF,MinF) %
% Masukan
% UkPop : ukuran populasi atau jumlah kromosom dalam populasi % Fitness : nilai fitness, matriks ukuran 1 x UkPop
% MaxF : nilai fitness maximum % MinF : nilai fitness minimum %
% Keluaran
% LFR : Linear Fitness Ranking %
%========================================================= =====
function LFR = LinearFitnessRanking(UkPop,Fitness,MaxF,MinF)
[SF,IndF] = sort(Fitness);
for rr = 1:UkPop,
LFR(IndF(UkPop-rr+1)) = MaxF-(MaxF-MinF)*((rr-1)/(UkPop-1)); End
%========================================================= =====
% Memilih orang tua menggunakan LinearFitness, yaitu nilai fitness hasil % pen-skala-an. Pemilihan dilakukan secara proporsional sesuai dengan % nilai fitness-nya
%
% Masukan
% UkPop : ukuran populasi atau jumlah kromosom dalam populasi % LinearFitness : nilai fitness yang sudah di-skala-kan
%
% Keluaran
% Pindex : indeks dari kromosom yang terpilih (bernilai 1 sampai UkPop) %========================================================= =====
80
JumFitness = sum(LinearFitness); KumulatifFitness = 0;
RN = rand; ii =1;
while ii <= UkPop,
KumulatifFitness = KumulatifFitness + LinearFitness(ii); if (KumulatifFitness/JumFitness) > RN,
Pindex = ii; break; end ii = ii + 1; end
%========================================================= =====
% Memindah-silangkan bagian kromosom Bapak dan Ibu yang dipotong % secara random, sehingga dihasilkan dua buah kromosom Anak %
% Masukan
% Bapak : kromosom, matriks berukuran 1 x JumGen % Ibu : kromosom, matriks berukuran 1 x JumGen % JumGen : jumlah gen
%
% Keluaran
% Anak : kromosom hasil pindah silang, matriks berukuran 1 x JumGen
%========================================================= =====
function Anak = PindahSilang(Bapak,Ibu,JumGen);
TP = 1 + fix(rand*(JumGen-1));
Anak(1,:) = [Bapak(1:TP) Ibu(TP+1:JumGen)]; Anak(2,:) = [Ibu(1:TP) Bapak(TP+1:JumGen)];
%========================================================= =====
% Mutasi gen dengan probabilitas sebesar Pmutasi
% Gen-gen yang terpilih diubah nilainya: 0 menjadi 1, dan 1 menjadi 0 %
% Masukan
% Kromosom : kromosom, matriks berukuran 1 x JumGen % JumGen : jumlah gen
% Pmutasi : probabilitas mutasi %
% Keluaran
81
%========================================================= =====
function MutKrom = Mutasi(Kromosom,JumGen, Pmutasi);
MutKrom = Kromosom; for ii = 1:JumGen, if (rand < Pmutasi), if Kromosom(ii) == 0, MutKrom(ii) = 1; else
MutKrom(ii) = 0; end
end end
%========================================================= =====
% Mencari parameter optimal: ukuran populasi dan probabilitas mutasi %
% Pencarian parameter optimal dilakukan dengan mengkombinasikan kedua % parameter tersebut. Dalam observasi ini, digunakan empat nilai untuk % masing-masing parameter, sehingga diperoleh 16 kombinasi
% Nilai untuk kedua parameter adalah sebagai berikut: % - UkPop : 50, 100, 200 dan 400
% - Pmutasi : 0.01, 0.05, 0.1 dan 0.2 %
%========================================================= =====
%
clc % Me-refresh command window
clear all % Menghapus semua variabel yang sedang aktif %
Nvar = 2; % Jumlah variabel pada fungsi yang dioptimasi Nbit = 10; % Jumlah bit yang mengkodekan satu variabel JumGen = Nbit*Nvar; % Jumlah gen dalam kromosom
Rb = -5.12; % Batas bawah interval Ra = 5.12; % Batas atas interval %
Psilang = 0.8; % Probabilitas pindah silang MaxJumInd = 60000; % Jumlah generasi %
BilKecil = 10^-1; % Digunakan untuk menghindari pembagian dengan 0
82
ObUkPop = [50 100 200 400]; % Ukuran populasi yang diobservasi ObPmutasi = [0.01 0.05 0.1 0.2] % Probabilitas mutasi yang diobservasi %
ObData = []; % Data hasil observasi %
for ukp = 1:length(ObUkPop), UkPop = ObUkPop(ukp);
MaxG = fix(MaxJumInd/UkPop); for pm = 1:length(ObPmutasi), Pmutasi = ObPmutasi(pm); for observasi = 1:10,
UkPop, Pmutasi, observasi %
% Inisialisasi Populasi %
Populasi = InisialisasiPopulasi(UkPop,JumGen); %
% Loop evolusi %
for generasi = 1:MaxG,
x = DekodekanKromosom(Populasi(1,:),Nvar,Nbit,Ra,Rb); Fitness(1) = EvaluasiIndividu(x,BilKecil);
MaxF = Fitness(1); MinF = Fitness(1);
IndeksIndividuTerbaik = 1; for ii = 2:UkPop,
Kromosom = Populasi(ii,:);
x = DekodekanKromosom(Kromosom,Nvar,Nbit,Ra,Rb); Fitness(ii) = EvaluasiIndividu(x,BilKecil);
if (Fitness(ii) > MaxF), MaxF = Fitness(ii);
IndeksIndividuTerbaik = ii; BestX = x;
end
if (Fitness(ii) < MinF), MinF = Fitness(ii); end
end %
TemPopulasi = Populasi; %
% Elitisme:
% - Buat satu kopi kromosom terbaik jika ukuran populasi ganjil % - Buat dua kopi kromosom terbaik jika ukuran populasi genap %
if mod(UkPop,2) == 0, % ukuran populasi genap IterasiMulai = 3;
83
TemPopulasi(2,:) = Populasi(IndeksIndividuTerbaik,:); else
InterasiMulai = 2;
TemPopulasi(1,:) = Populasi(IndeksIndividuTerbaik,:); end
%
LinearFitness = LinearFitnessRanking(UkPop,Fitness,MaxF,MinF); %
% Roulette-wheel dan pindah silang %
for jj = IterasiMulai:2:UkPop,
IP1 = RouletteWheel(UkPop,LinearFitness); IP2 = RouletteWheel(UkPop,LinearFitness); if(rand < Psilang),
Anak = PindahSilang(Populasi(IP1,:),Populasi(IP2,:),JumGen); TemPopulasi(jj,:) = Anak(1,:);
TemPopupasi(jj+1,:) = Anak(2,:); else
TemPopulasi(jj,:) = Populasi(IP1,:); TemPopulasi(jj+1,:) = Populasi(IP2,:); end
end %
% Mutasi dilakukan pada semua kromosom %
for kk = IterasiMulai:UkPop,
TemPopulasi(kk,:) = Mutasi(TemPopulasi(kk,:),JumGen,Pmutasi); end
%
% Generational Replacement: mengganti semua kromosom sekaligus %
Populasi = TemPopulasi; %
if MaxF >= Fthreshold,
JumIndData(observasi) = generasi*UkPop; MaxFData(observasi) = MaxF;
break; else
if generasi == MaxG,
JumIndData(observasi) = MaxG*UkPop; MaxFData(observasi) = MaxF;
end end %
end % loop evolusi end % loop observasi %
84
mean(JumIndData)]]; end
end %
save ObData.mat ObData %
clc % me-refresh layar %
disp(['Mencari nilai optimal : Ukuran Populasi dan Prob. Mutasi']); disp(['Jumlah maksimum individu yang dievaluasi adalah ', ... num2str(MaxJumInd)]);
disp([' ']);
disp(['---']); disp(['Ukuran Probabilitas Rata-rata Rata-rata ']); disp(['Populasi mutasi Fitness Jumlah individu']); disp(['---']); %
for ii = 1:length(ObData(:,1)),
disp([' ', num2str(ObData(ii,1)), ' ', num2str(ObData(ii,2)), ... ' ', num2str(ObData(ii,3)), ' ', num2str(ObData(ii,4))]); end
BAB 1
PENDAHULUAN
1.1 Latar Belakang
Seiring pesatnya pembangunan gedung maupun bangunan lainnya, proses
perhitungan struktur dituntut menjadi cepat dan akurat. Memang kemajuan ilmu
pengetahuan dan teknologi telah membantu dalam perhitungan struktur yang
rumit dan tetap tidak mengabaikan faktor keamanan. Untuk mendapatkan
perhitungan yang ekonomis maka diperlukan alat bantu yang dapat mempercepat
perhitungan dengan tetap memperhitungkan kekuatan.
Bab 1 2
Salah satunya perencanaan pelat lantai beton bertulang mempunyai
batasan-batasan dari setiap pemakaiannya. Banyak pelat lantai didesain dan digunakan
tanpa memperhatikan faktor-faktor yang ada. Hal ini dapat menyebabkan
lenturan-lenturan yang berlebihan dan kadang-kadang dengan retak yang luas dan
berlebihan. Dengan demikian dirasakan perlu mengoptimasi pelat lantai beton
tersebut.
Metoda algoritma genetika adalah prosedur optimasi dengan penelusuran yang
didasarkan pada mekanisme seleksi alam, kawin silang, mutasi, inversi dan lain
sebagainya yang ada di dalam genetika. Metoda ini dapat digunakan untuk
mengoptimasi suatu struktur bangunan teknik sipil. Metoda optimasi ini
dikembangkan oleh John Holland dari University of Michigan, USA, pada tahun
1975 yang mengambil ide dari peristiwa seleksi alam dan genetika makhluk
hidup, seperti pada proses seleksi alam yang dicetuskan oleh seorang ilmuan
bernama Charles Darwin.
Metoda algoritma genetika ini dapat mengatur proses pemunculan generasi
yang baru, antara lain : metoda seleksi apa yang digunakan, metode kawin silang
yang dipakai, metoda pemilihan orang tua dan lain sebagainya, yang akan dibahas
pada bab selanjutnya secara khusus mengenai Algoritma Genetika ini (Suyanto,
2005).
1.2 Tujuan
Tujuan Tugas Akhir ini adalah :
1.
Membuat perhitungan manual pelat lantai flat plate (pelat datar) beton
bertulang dan optimasi program (Menggunakan bahasa program MatLab)
Bab 1 3
2.
Mendapatkan perbandingan perhitungan manual struktur dengan
perhitungan optimasi program
3.
Memperoleh luas tulangan pelat yang optimum
4.
Mendapatkan dimensi (ukuran) pelat sesuai dengan luas tulangan yang
diperoleh.
1.3 BATASAN MASALAH
Tugas Akhir ini akan membahas mengenai kemampuan program optimasi
struktur lantai beton bertulang. Adapun batasan masalahnya :
1.
Struktur lantai yang dioptimasi hanya lantai yang berbentuk bujursangkar
2.
Alternatif jenis lantai yang di pakai adalah flate-plate (pelat datar)
3.
Untuk pembebanan yang dipakai pembebanan merata untuk live load dan
dead load yang merupakan berat sendiri pelat
4.
Variabel yang dioptimasi adalah pemakaian tulangan pelat
5.
Proses optimasi yang digunakan adalah algoritma genetika
6.
Biaya struktur tidak diperhitungkan
7.
Transfer momen pada pelat tidak diperhitungkan
8.
Faktor-faktor kendala yang diambil adalah kriteria kekuatan dan
kekakuan.
Dalam perancangan suatu struktur sipil ada beberapa kriteria pokok yang harus
diperhatikan, yaitu :
1.
Kriteria kekuatan, setiap struktur yang dibangun harus memperhatikan
tingkat keamanan. Hal tersebut diperhitungkan agar bangunan terhindar
Bab 1 4
dari bahaya keruntuhan. Setiap penampang mempunyai keamanan ijin
berdasarkan TCPSB (Tata Cara Perencanaan Struktur Beton) yang
terdapat pada pasal 11.5
2.
Kriteria kekakuan, hal ini biasanya dalam bentuk membatasi lendutan
yang terjadi pada struktur sampai pada tingkat yang diijinkan.
1.4
SISTEMATIKA PEMBAHASAN
Laporan Tugas Akhir ini terdiri dari lima bab, yaitu :
Bab 1 : Membahas mengenai latar belakang masalah, tujuan optimasi,
batasan masalah dan sistematika pembahasan Tugas Akhir
Bab 2
: Membahas teori mengenai pelat, jenis-jenis pelat, batasan-batasan
yang ada dalam perencanaan pelat, juga dasar teori dengan metoda
portal ekuivalen
Bab
3 : Membahas algoritma genetika, memperkenalkan istilah-istilah
dalam algoritma genetika serta cara kerja dari setiap
elemen-elemen tersebut dan penjelasan dengan contoh sederhana
Bab 4
: Membahas studi kasus serta penjelasan dari hasil yang didapat
Bab 5
: Kesimpulan dan Saran.
BAB 5
KESIMPULAN DAN SARAN
5.1 KESIMPULAN
Dari tugas akhir yang dikerjakan maka dapat disimpulkan bahwa :
1.
Hasil optimasi dengan perhitungan manual berbeda. Pada perhitungan
manual diperoleh luas tulangan yang terkecil yaitu 44,7250 pada luas
tulangan jalur kolom dan 13,0567 pada luas tulangan jalur tengah dengan
ukuran pelat 9 m x 9m dan tinggi lantai 5 m
Bab 5 69
2.
Saat menggunakan Algoritma Genetika dengan merubah ukuran populasi,
probabilitas pindah silang dan probabilitas mutasi didapat hasil yang sama
3.
Perbedaan perhitungan disebabkan oleh faktor kendala pada program,
yaitu faktor kendala ukuran populasi, probabilitas pindah silang dan
probabilitas mutasi
4.
Hasil yang didapat bukan merupakan hasil yang paling optimum.
5.2 SARAN
Berikut beberapa saran yang dapat dikembangkan dari Tugas Akhir ini.
1.
Ukuran pelat struktur lantai bukan hanya persegi tetapi dengan ukuran
berbeda-beda panjang dan lebarnya
2.
Memperhatikan kendala pada program yang digunakan
3.
Kendala yang digunakan tidak hanya kekuatan dan kekakuan, tetapi
kendala dalam harga
4.
Beban dapat divariasikan dengan beban angin dan beban gempa
5.
Membuat perhitungan dari jenis lantai lain, seperti Plate slab dengan drop
panel, pelat dengan balok, dan lain sebagainya.
70
DAFTAR PUSTAKA
1.
Departemen Pekerjaan Umum (1987), Pedoman Perencanaan Pembebanan
Untuk Rumah dan Gedung, SKBI – 1.3.53.1987.
2.
Departemen Pekerjaan Umum (2002), Rancangan Standar Nasional Indonesia
: SNI No. 03 – 2847 – 2002, Tata Cara Perhitungan Struktur Beton Untuk
Bangunan Gedung. Badan Standardisasi Nasional, Jakarta.
3.
Dipohusodo, Istimawan (1999), Struktur Beton Bertulang, Gramedia Pustaka
Utama, Jakarta 1999
4.
Ferguson P.M., Sutanto, B., Setianto, K. (1986), Dasar-Dasar Beton
Bertulang, edisi keempat, Penerbit Erlangga
5.
Gen, Mitsuo & Runwei Cheng (1997), Genetic Algorithms and Engineering
Design, John Wiley & Sons,Inc. Canada
6.
Ghosh, S.K., Basile G.Rabbat (1990), Notes On ACI 318-89 Building Code
Requirements for Reinforced Concrete, Portland Cement Association, USA
7.
Golberg, David E. (1989), Genetic Algorithms in search optimization &
Machine Learning, Addison-Wesley Publishing Company, Inc.
8.
Hauput, Randy L. and Sue Ellen Hauput (1998), Practical Genetic
Algorithms, John Wiley & Sons,Inc. Canada
9.
L. Wahyudi,syahril A.Rahim (1997), Stuktur Beton Bertulang, Penerbit PT.
Gramedia Pustaka Utama, Jakarta
10. Schodek D. L. (1999), Struktur, edisi kedua, penerbit Erlangga
11. Suyanto (1995), Algoritma Genetika dalam Matlab, Penerbit ANDI
Yogyakarta
12. T. Gunawan, Ir. dan Margaret. S. Ir., ( 1992 ), Teori Soal dan Penyelesaian
Konstruksi Beton, jilid 1, Delta Teknik Group, Jakarta
13. Vis, W.C., Kusuma, G. (1993), Dasar-Dasar Perencanaan Beton Bertulang,