i
OPTIMASI PARAMETER PEMESINAN PADA MESIN
SEKRAP MODEL L-450 MENGGUNAKAN
ALGORITMA GENETIKA
SKRIPSI
Skripsi Yang Diajukan Untuk Melengkapi Syarat Memperoleh Gelar Sarjana Teknik
RAMADHAN
NIM. 080401058
DEPARTEMEN TEKNIK MESIN
FAKULTAS TEKNIK
UNIVERSITAS SUMATERA UTARA
MEDAN
i
KATA PENGANTAR
Puji syukur penulis panjatkan kehadiran Tuhan Yang Maha Esa karena atas
rahmat dan karunia-Nya lah penulis akhirnya dapat menyelesaikan skripsi ini
dengan judul “OPTIMASI PARAMETER PEMESINAN PADA MESIN SEKRAP
MENGGUNAKAN ALGORITMA GENETIKA ”.
Skripsi ini disusun untuk memenuhi syarat menyelesaikan pendidikan
Strata-1 (S1) pada Departemen Teknik Mesin Sub Bidang Konversi Energi,
Fakultas Teknik, Universitas Sumatera Utara.
Dalam menyelesaikan skripsi ini tidak sedikit kesulitan yang dihadapi
penulis, namun berkat dorongan, semangat, doa dan bantuan baik materiil, moril,
maupun spirit dari berbagai pihak akhirnya kesulitan itu dapat teratasi. Untuk itu
sebagai manusia yang harus tahu berterima kasih, degan penuh ketulusan hati
penulis mengucapkan terima kasih kepada :
1. Bapak Ir. Alfian Hamsi, M.Sc selaku dosen pembimbing, yang dengan penuh
kesabaran telah memberikan bimbingan dan motivasi kepada penulis.
2. Bapak Dr. Eng. Himsar Ambarita, ST., MT. dan Bapak Tulus Burhanuddin
Sitorus ST., MT selaku dosen pembanding I dan II yang telah memberikan
masukan dan saran dalam menyelesaikan skripsi ini.
3. Bapak Dr. Ing. Ir Ikhwansyah Isranuri selaku Ketua Departemen Teknik Mesin
Universitas Sumatera Utara.
4. Bapak Ir. M. Syahril Gultom MT. Selaku Sekretaris Departemen Teknik Mesin
Universitas Sumatera Utara.
5. Kedua orang tua penulis, Idham dan Lamiyem yang tidak pernah
purus-putusnya memberikan dukungan, doa serta kasih sayangnya yang tak terhingga
kepada penulis.
6. Seluruh staf pengajar dan staf tata usaha Departemen Teknik Mesin yang telah
membimbing serta membantu segala keperluan penulis selama penulis kuliah.
7. Bapak Ir. Tugiman MT. selaku dosen wali.
8. Seluruh saudara penulis, Marwan, Lia, Irfan Sugiarto, M. Adil Khairi yang
ii 9. Rekan-rekan satu tim kerja, Ficky Hamdhani, Gio Saputra, Rudi Martin dan
Roby Mulyadi yang telah meluangkan waktunya untuk memberikan saran dan
kritik.
10. Rekan-rekan di Laboratorium Menggambar Mesin / CAD yaitu Putra Setiawan,
Munawir Rosyadi Siregar, Syahrul Ramadhan, Zuhdi Mahendra, Tri Septian
Marsah, Juliono, Zulvia Chara Nosa Ginting.
11. Seluruh rekan mahasiswa angkatan 2008 khususnya Zulfadhli, Putra Setiawan,
Rahman dan Indra Rukamana yang telah bersama-sama melewati masa kerja
praktek di PT. Perkebunan Nusantara III – PKS Rambutan.
12. Teman-teman dari HORAS TEAM seperti Munawir R. Siregar, Rio Arinedo Sembiring, Sepvinolist T. Pardede, Fernando B. Siagian, Irham Fadillah,
Ekawira Napitupulu, Hotlan Nababan, Ary Fadila, Sony A. Sembiring,
Robertus Simanungkalit, Zulfadhli, Putra Setiawan, dan Nehemia Sembiring,
13. Teman-Teman geng kerupuk apem yaitu, Ikram, Syahrul Ramadhan, Fahrul
Rozzy, Felix Asade, Maraghi Muttaqin, Gio sahputra dan Harry Pramana.
14. Teman-Teman lain yaitu, Daniansyah, Ismail Husin Tanjung, Aldiansyah Leo,
Maujan yudika, Royyan Nst, Sahir B. Rangkuti, Parulian Siahaan, Ferdinan
Lubis, Joshua Surbakti, Daniel Ortega panjaitan, Indra Gunawan Purba,
Fransiscus Sitompul, rekan-rekan mahasiswa 2008 yang tidak mungkin
disebutkan satu-persatu, para abang senior dan adik-adik junior semua yang
telah mendukung dan memberi semangat kepada penulis.
Penulis menyadari bahwa masih banyak kesalahan dan kekeliruan dalam
penulisan skripsi ini. Oleh karena itu penulis akan sangat berterima kasih dan
dengan senang hati menerima saran dan kritik yang membangun demi tercapainya
tulisan yang lebih baik. Akhir kata penulis berharap semoga tulisan ini dapat
memberi manfaat kepada pembaca. Terima kasih.
Medan, Mei 2013
iii
ABSTRAK
Algoritma genetika merupakan suatu metode pencarian yang sangat efektif untuk menyelesaikan permasalahan optimasi pada dunia industri atau manufaktur yang memiliki permasalahan–permasalahan kompleks secara lebih mudah dan lebih akurat. Metode pencarian ini didasarkan oleh mekanisme evolusi. Evolusi akan mengakibatkan perubahan yang terus–menerus untuk menuju suatu kesempurnaan atau keseimbangan. Fungsi optimasi pada pengujian ini dibuat dari persamaan waktu permesinan dimana parameter yang digunakan adalah kecepatan potong dengan ambang batas antara 24 m/min sampai dengan 30 m/menit dan gerak makan berkisar antara 0,1 mm sampai dengan 0,5 mm. Proses optimasi dimulai dari membangkitkan populasi awal secara acak kemudian dilakukan seleksi dengan metode roda roulette lalu proses genetika yaitu rekombinasi (crossover) dan mutasi, selanjutnya dievaluasi nilai fitness dari individu baru. Parameter terbaik ditentukan oleh nilai fitness terkecil karena fungsi optimasinya diturunkan dari waktu permesinan sehingga akan diperoleh nilai yang paling optimal dengan kecepatan potong 29,1026 m/menit, gerak makan 0,4556 mm dan waktu pemotongan 0,1885 min.
iv
ABSTRACT
Genetic algorithm is a method of search that very efective to solve the problems of optimation in the world of industries or manufactures are possess any complex of problems be more easily and accurate. This method of search based on the mechanism of evolution. Evolution will effected the change continiously to aim a perfect or balance. The function of optimation at these trials are made from equality of time of machinery where the parameters be used are velocity of slice with range between 24 m/min up to 30 m/menit and eat moving with range between 0,1 mm up to 0,5 mm. The Process of optimation began from awaken of first population randomly then do selection with method of wheel of roulette then the process of genetic that is recombination (crossover) and mutation, furthermore evaluated the value of fitness from new individual. The best of parameter a given by the value of least fitness because the function of that optimation generate from time of machinery so that will obtainable the best optimal of values with velocity of slice 29,1026 m/menit, eat moving 0,4556 mm and time of slicing 0,1885 min.
v
2.2.2 Metode OptimasiModern ... 6
vi
2.3.7 Elemen Dasar dan Perencanaan Proses Sekrap ... 13
2.3.8 Proses Sekrap ... 15
2.4 Algoritma Genetika ... 17
2.4.1 Pengenalan Algoritma Genetika ... 17
2.4.2 Aplikasi Algoritma Genetika ... 18
2.4.3 Struktur umum Algoritma Genetika ... 19
2.5 Komponen-Komponen utama Algoritma Genetika ... 20
2.5.1 Teknik Penyandian ... 20
2.6.1 Rank-Based Fitness Assignment ... 23
2.6.2 Seleksi Roda Roulette ... 24
2.6.3 Stochastic universal sampling ... 25
2.6.4 Seleksi Local ... 25
2.6.5 Seleksi Dengan Pemotongan ... 26
2.6.6 Seleksi Dengan Turnamen ... 27
2.7 Rekombinasi ... 27
2.7.2.4Crossover dengan permutasi ... 30
2.8 Mutasi ... 30
2.8.1 Mutasi Bilangan Real ... 31
2.8.2 Mutasi Bilangan Biner ... 32
2.8.3 Mutasi Kromosom Permutasi ... 32
2.9 Siklus Algoritma Genetika ... 32
vii
2.11 Algoritma Genetika Dalam Matlab ... 45
BAB III METODOLOGI PENELITIAN... 50
4.1 Perhitungan Algoritma Genetika Secara Manual ... 55
4.1.1 Fungsi Optimasi ... 55
4.1.2 Penentuan parameter ... 57
4.1.3 Inisialisasi Populasi Awal Secara Acak ... 57
viii
DAFTAR TABEL
Tabel 2.1 Klasifikasi proses pemesinan menurut Jenis gerakan relative pahat
perkakas potog terhadap benda kerja ... 5
Tabel 2.2 kecepatan potog beberapa logam ... 14
Tabel 4.1 kecepatan potog beberapa logam ntuk pahat HSS ... 56
Tabel 4.2 Populasi acak awal ... 58
Tabel 4.3 Hasil Konversi bilangan biner kebilangan desimal ... 59
Tabel 4.4 Konversi bilangan biner menjadi bilangan riil ... 61
Tabel 4.5 Nilai fitness dari masing–masing kromosom ... 62
Tabel 4.6 Nilai probabilitas seleksi ... 64
Tabel 4.7 Nilai probabilitas kumulatif (qk) ... 65
Tabel 4.8 Kromosom baru ... 67
Tabel 4.9 Induk terpilih ... 69
Tabel 4.10 Populasi baru ... 71
Tabel 4.11 Pemilihan kromosom terpilih ... 72
Tabel 4.12 Hasil mutasi ... 73
Tabel 4.13 Konversi bilangan biner menjadi bilangan desimal ... 74
Tabel 4.14 Konversi bilangan decimal menjadi bilangan riil ... 75
Tabel 4.15 Nilaifitness masing–masing kromosom ... 76
Tabel 4.16 Hasil akhir setelah mutasi (populasi akhir generasi pertama) ... 77
Tabel 4.17 Populasi awal generasi kedua ... 78
Tabel 4.18 Hasil akhir populasi kedua ... 79
ix
DAFTAR GAMBAR
Gambar 2.1 Mesin sekrap datar atau horizontal (Shaper) ... 8
Gambar 2.2 Mesin sekrap vertikal (slotter) ... 8
Gambar 2.3 Mesin sekrap planner ... 9
Gambar 2.4 Mekanisme mesin sekrap ... 9
Gambar2.5 bagian utama mesin sekrap ... 10
Gambar2.6 Bentuk pahat sekrap ... 12
Gambar2.7 Sudut asah pahat ... 12
Gambar 2.8 Jenis bahan pahat ... 13
Gambar 2.9 Penyekrapan alur terus luar ... 16
Gambar2.10 Representasi string bit dan pohon ... 20
Gambar 2.11 Ilustrasi seleksi dengan mesin roulette ... 24
Gambar 2.12 Lingkungan linear ... 25
x
Gambar 2.22 Siklus Algoritma genetika oleh Zbigniew ... 33
Gambar 2.23 Diagram alir algoritma genetika sederhana ... 36
Gambar 2.24 Visualisai gen, allele, kromosom, individu, dan populasi ... 40
Gambar 2.25 pindah silang satu titik ... 43
Gambar 3.7 Diagram alir proses pengerjaan ... 54
Gambar 4.1 Converter binary ... 58
xi
n Jumlah langkag/menit Langkah/min
Probabilitas crossover -
