PENERAPAN ALGORITMA GENETIK UNTUK OPTIMASI TRANSFER DAYA PADA SISTEM SENSOR GAS. Muthmainnah

TESIS

PENERAPAN ALGORITMA GENETIK UNTUK OPTIMASI TRANSFER DAYA PADA SISTEM SENSOR GAS

Muthmainnah 1108201008

DOSEN PEMBIMBING

Dr. Melania Suweni Muntini, MT

PENDAHULUAN

 Sensor gas yang sering ditemui dipasaran kebanyakan belum dapat langsung digunakan, karena harus dirangkai dengan komponen elektronik lain.

 Komponen-komponen yang dimaksud adalah

pengkondisi sinyal, mikrokontroler dan display sebagai tampilan hasil sensing.

 Pemilihan pengkondisi sinyal sangat penting karena

menentukan efektifitas transfer daya yang terjadi antara sensor dan pengkondisi sinyal.

 Optimasi transfer daya akan dilakukan menggunakan

algoritma genetik dengan parameter nilai tegangan dan

resistansi beban (R _L )

TUJUAN

 Mengetahui Kondisi optimum transfer daya menggunakan algoritma genetik

 Mencari Fungsi fitness yang sesuai dengan permasalahan optimasi transfer daya

 Mengetahui (R) yang sesuai

 Menerapkan R dalam rangkaian sensor

 Mengetahui perubahan tegangan

RUMUSAN MASALAH

 Bagaimana mengetahui Kondisi optimum

transfer daya menggunakan algoritma genetik

 Bagaimana mencari Fungsi fitness yang sesuai dengan permasalahan optimasi transfer daya

 Bagaimana mengetahui (R) yang sesuai

 Bagaimana menerapkan R dalam rangkaian sensor

 Bagaimana mengetahui perubahan tegangan

BATASAN MASALAH

 Optimasi dilakukan pada sistem sensor TGS 3870, TGS 2611, dan TGS 2444.

 Optimasi dilakukan dengan menggunakan metode algoritma genetik.

 Algoritma genetik dibentuk dengan menggunakan Matlab.

 Perubahan data tegangan diukur pada konsentrasi gas yang tetap.

 Tidak membahas bahan material sensor.

 Tidak membahas reaksi kimia sensor saat sensing.

MANFAAT

 Mengetahui hasil optimasi dengan menggunakan metode algoritma genetik.

 Menerapkan algoritma genetik di bidang instrumentasi.

 Menambah pengetahuan di dunia instrumentasi.

 Menambah pengetahuan di dunia komputasi.

TINJAUAN PUSTAKA

 PENGKONDISI SINYAL

 KARAKTERISTIK SISTEM SENSOR

 OPTIMASI DAYA

 ALGORITMA GENETIK

PENGKONDISI SINYAL

 Pengkondisi sinyal adalah rangkaian elektronik yang

dapat digunakan untuk mendapatkan parameter fisik dan kemudian diubah menjadi sinyal keluaran yang

diperlukan

PENGKONDISI SINYAL

INVERTING

NON-INVERTING

Penguat sinyal dengan tegangan keluaran yang sefase dengan sinyal masukan

Penguat sinyal dengan tegangan keluaran

yang berlawanan fase dengan sinyal masukan

NON-INVERTING

Pemilihan pengkondisi sinyal

 Tegangan keluaran sensor kecil

 Tegangan keluaran sensor +

 Masukan untuk mikrokontroler +

in

out xV

R R V R

1

1

2

PERBEDAAN

KARAKTERISTIK SENSOR

No Karakteristik CO CH

₄

NH

₃

1 Tegangan V

_H

=0,2 V ; V

_C

=5 V V

_H

=5 V; V

_C

=5 V V

_H

=5 V; V

_C

=5V

2 Daya

3 R esistansi

4 Cycle 20 sec Kontinyu 250 msec

5 Jumlah pin 3 4 4

6 Cara kerja

V

_H

dipasang seri dengan sensor untuk pemanasan, kemudian V

_C

diterapkan antara R

_S

dan R

_L

yang dihu- bungkan berurutan untuk mengukur V

_RS

V

_H

dan V

_C

diterapkan melalui R

_L

yang dipasang seri dengan sensor untuk mengukur V

_RS

V

_C

dipasang menyilang antara R

_S

dan R

_L

yang dihubungkan seri untuk mengukur V

_RS

s RS

s

R

P V

)

2

(

S RL C

S

R

V P V

)

2

(

L S

L C

S

R R

xR P V

2

L RS C

H RS

S

xR

V V

V R V 0 , 5

L RL

RL C

S xR

V V R V

L out

L C

s

R

V

xR

R V

OPTIMASI DAYA

 Transfer daya akan maksimum jika tahanan dalam (R _L ) sama dengan tahanan sensor (R _S ) dan P merupakan

fungsi R _S , maka untuk mencari nilai maksimum P adalah

2 2 2

2

2 ( )

L S

L S

RS S

L S

L S

RS

S R R

R R

R V

R R

R R R V

i P

) 0 (

4 2

4 2

2 2

L S

L L

S RS

S R R

R R

R V

dR dP

S

L R

R

2

ALGORITMA GENETIK

Suatu algoritma pencarian (searching) yang didasarkan pada mekanisme seleksi alam

 Pengkodean

 Fungsi fitness

 Seleksi

 Operasi genetik

 Elitisme

PENGKODEAN

Tiga cara yang paling umum digunakan dalam pengkodean, yaitu:

 Binary encoding, setiap gen diberi nilai 0 atau 1.

 Real number, nilai gen berada dalam interval (0,R) dengan R adalah bilangan real positif dan biasanya R=1.

 Discreet decimal decoding. Setiap gen bernilai

salah satu bilangan bulat dalam interval (0,9)

CARA PENGKODEAAN

0,2390 1,0000 0,0131

2 3 6 9 9 4 6 7 5

1 0 1 1 0 1 0 0 1

g1 g2 g3

g1

g1 g2 g2

g3

g3 g4 g5 g6 g7 g8 g9

g9 g8

g7 g6

g5 g4

A

B

C

x1 x2 x3

FUNGSI FITNESS

 Fungsi fitness bermanfaat untuk mengevaluasi kandidat solusi sistem yang dimodelkan.

 Pada evolusi alam, individu yang memiliki nilai fitness rendah akan mati. Hal ini disebabkan

adanya aturan bahwa individu yang memiliki nilai

fitness tinggi lebih mampu bertahan hidup pada

generasi berikutnya

SELEKSI

Ada dua macam seleksi:

 Roda roulette digunakan untuk menentukan individu orang tua yang akan dikenai operasi genetik.

 Rank based fitness biasanya digunakan untuk menentukan generasi baru setelah proses

operasi genetik. Pada metode ini populasi

diurutkan menurut ranking nilai fitness masing-

masing individu.

OPERASI GENETIK

 Crossover

Crossover adalah operasi pindah silang antar kromosom yang dilakukan untuk membentuk individu baru yang lebih baik

 Mutasi

Operator mutasi digunakan untuk melakukan modifikasi satu atau lebih nilai gen dalam

kromosom yang sama

ELITISME

 Untuk menjaga agar individu bernilai fitness tidak hilang selama evolusi, maka perlu dibuat satu

atau beberapa kopinya. Prosedur ini disebut

dengan elitisme.

VALIDASI

 Menentukan seberapa baik model yang dihasilkan

 Validasi autokorelasi

i=1,2,3....N

N= jumlah data

RN = autokorelasi

METODOLOGI

Pengambilan data tegangan 1

Penyesuaian R

L

Pengambilan data tegangan 2

Analisa data

Algoritma genetik

PENGAMBILAN DATA 1

TUJUAN mengetahui besar tegangan sensor gas dalam kotak yang terisolasi pada konsentrasi yang tetap

PROSEDUR

 -memanaskan sistem sensor selama 35 menit untuk menghilangkan atau membersihkan gas-gas yang ada dalam sensor sebelumnya

 -Sensor dimasukkan pada tabung plastik yang telah diisolasi untuk

mengukur konsentrasi gas yang terdapat didalamnya

ALGORITMA GENETIK

 TUJUAN mengetahui kondisi transfer daya optimum yang terjadi antara sensor dan

pengkondisi sinyal

 PROSEDUR

 -menggunakan program matlab

 -inisialisasi populasi

 -Evaluasi

 -operasi genetik

 -penentuan generasi

ALUR ALGORITMA GENETIK

POPULASI AWAL

FUNGSI FITNESS

CROSSOVER

POPULASI AKHIR -populasi awal

-populasi hasil crossover

POPULASI AWAL

PENYESUAIAN RL

 TUJUAN untuk mendapatkan transfer daya optimum

 PROSEDUR Nilai resistansi beban ( ) yang diperoleh dari algoritma genetik akan

dipasangkan pada rangkaian sistem sensor

PENGAMBILAN DATA 2

 TUJUAN mengetahui perubahan nilai tegangan yang ditunjukkan oleh sistem sensor setelah

dilakukan pergantian

 PROSEDUR

- Pengambilan data tegangan dilakukan setelah penyesuaian resistansi beban () dalam

rangkaian sistem sensor.

-Perubahan tegangan yang terjadi diamati dan

dicatat selama 30 menit

ANALISA DATA DAN PEMBAHASAN

 ALGORITMA GENETIK

 IMPLEMENTASI ALGORITMA GENETIK

 VALIDASI

 PERUBAHAN TEGANGAN

ALGORITMA GENETIK

 INISIALISASI POPULASI

 FUNGSI FITNESS

 OPERASI GENETIK

 EVALUASI

 CROSSOVER

 MUTASI

 POPULASI BARU

Populasi Awal

 Inisialisasi kromosom

kromosom terdiri dari 2 gen dengan nilai V dan R yang dibangkitkan sebanyak 5 kali.

 Pengkodean dilakukan dengan pengkodean real karena solusi yang akan dicari bernilai real.

 Jumlah populasi awal yang dibangkitkan adalah 1000.

Semakin panjang range kromosom maka jumlah populasi yang dibangkitkan harus semakin besar.

R31 V31

R21 V21 V11 R11

Gambar Representasi Pengkodean dalam

Optimasi Transfer Daya

TABEL REPRESENTASI GEN DALAM SATU POPULASI

Krom V1n R1n V2n R2n V3n R3n fitness

1 _{4.015596 4240.052 0.184821 4179.222 2.698932 8621.716 0.992088}

2 1.384776 3133.62 4.513971 4135.092 0.396634 8762.692 0.989395

3 4.351746 3015.176 1.60228 8718.267 4.723194 7639.423 0.98814

4 3.401456 5747.173 4.754646 9373.296 2.279774 2208.513 0.99214

5 2.108717 5438 1.44279 3157.395 4.716397 4139.577 0.989404

6 2.84437 9462.261 2.583341 5000.327 0.477091 5444.943 0.991393

7 2.773603 6220.329 2.451067 9614.079 1.698332 3441.563 0.988759

Evaluasi

 Evaluasi bertujuan untuk mencari individu-

individu yang baik sebelum dilakukan operasi genetik.

 Evaluasi yang digunakan adalah Rhoulette whell.

Probabilitas individu yang akan menjadi orang tua ditentukan oleh nilai fitness.

 Fungsi fitness

) 1 (

1

f E

Tabel Evaluasi dengan Metode Rhoulette Whell

Krom fitness Pi Ci Ri Krom Baru

1 0.962088 0.123309 0.123309 0.188024 2'

2 0.989395 0.126809 0.250117 0.180689 2'

3 0.98814 0.126648 0.376765 0.04044 1'

4 0.97914 0.125494 0.502259 0.024475 1'

5 0.989404 0.12681 0.629069 0.770951 7'

6 0.947393 0.121425 0.750494 0.803248 8'

7 0.958759 0.122882 0.873377 0.597223 1'

Operasi Genetik

 Tidak semua individu dikenai operasi genetik karena operasi genetik berkerja pada

probabilitas tertentu.

 Pada penelitian ini ditentukan probabilitas crossover (P ^C ) antara 0.8 sampai 0.9 dan probabilitas mutasi (P ^M ) 0.1 sampai 0.2

 Hal ini disesuaikan dengan situasi alam, bahwa untuk mendapatkan generasi yang lebih baik

manusia cenderung melakukan perkawinan dari

pada mutasi.

Crossover

 Pada pengkodean real crossover dilakukan dengan mengkombinasi dua buah kromosom yang terpilih.

 Pada penelitian ini proses crossover dilakukan dengan

 Nilai a pada penelitian ini dipilih 0.4

t t

t av a v

v ₁ ¹ ₂ ( 1 ) ₁

t t

t av a v

v ₂ ¹ ₁ ( 1 ) ₂

Tabel pemilihan orang tua yang akan crossover dan proses crossover

Krom baru Rc Pc =0.8 2’=1 0.888024 tidak 2’=2 0.980689 tidak 1’=3 0.804044 tidak 1’=4 0.824475 tidak 7’=5 0.970951 tidak 8’=6 0.603248 cross 1’=7 0.297223 cross 1’=8 0.093322 cross

crossover Pc=0.8

krom vros krom baru

6 6x7 v67(9) v76(12)

7 7x8 v78(10) v87(13)

8 6x8 v68(11) v86(14)

Mutasi

 Mutasi dilakukan dengan mengganti nilai gen pada suatu kromosom yang terpilih.

 Pergantian gen dilakukan dengan

Untuk

b = Parameter yang menunjukkan tingkat ketergantungan pada iterasi; r = Bilangan acak; t = Generasi; T =

) ,

(

) ,

' (

lv v

t v

v uv t v v

k k

k k

k

) 1

.(

) ,

( ^{( 1 )}

b

T t

r y

y

t

Tabel pemilihan orang tua yang akan dimutasi

Krom Rm Pm=0.2

1 0.51903372 tidak 2 0.21744533 Tidak 3 0.15948827 Mutasi 4 0.9175115 Tidak 5 0.95173212 Tidak 6 0.99806094 Tidak 7 0.10583171 Mutasi 8 0.0053372 Mutasi 9 0.49144127 Tidak 10 0.56720133 Tidak 11 0.21355803 Tidak 12 0.42743074 Tidak 13 0.97439228 Tidak

Mutasi krom baru

3* 15

7* 16

8* 17

Penentuan populasi untuk generasi berikutnya

 Setelah operasi genetik dilakukan maka terbentuklah individu-individu baru.

 Dalam menentukan populasi yang akan diproses selanjutnya harus dilakukan evaluasi.

 Evaluasi dilakukan dengan menggunakan metode ranking nilai fitness.

 Individu yang mempunyai nilai fitness tinggi akan dipilih sebagai individu pada generasi selanjutnya.

 Individu yang mempunyai nilai fitness rendah akan

dibuang.

IMPLEMENTASI ALGORITMA GENETIK

 Sist em sensor gas CO

 Batasan

 Hasil V= 4,727 R= 753,17

 Daya = 0,1188

 Generasi ke-42

Gambar grafik optimasi algoritma genetik 0

L 750 5 R

0 V _RS

IMPLEMENTASI ALGORITMA GENETIK

 Sistem sensor gas metana

 Batasan

 Hasil V= 4,746 R= 458,5

 Daya = 0,1965

 Generasi ke-43

0

L 450 5 R

0 V _RS

IMPLEMENTASI ALGORITMA GENETIK

 Sistem sensor gas amonia

 Batasan

 Hasil V= 4,746 R= 458,5

 Daya = 0,1965

 Generasi ke-43

Gambar grafik optimasi algoritma genetik 0

L 8000 5 R

0 V _RS

VALIDASI

 Pada grafik validasi dengan metode autokorelasi terlihat bahwa nilai autokorelasinya berada pada kisaran 0.999615

0.99945 0.9995 0.99955 0.9996 0.99965 0.9997 0.99975 0.9998

0 0.5 1 1.5 2 2.5 3 3.5

A u to k o re la s i

Jenis Sistem Sensor

CO Metana Amonia

PENYESUAIAN RL

 Rangkaian

RS

RL

R1 RH

R2

VC

VRS VH

SENSOR

CO

 RL awal = 809

 RL algoritma genetik = 754

 Konsentrasi gas 957,967 ppm

 perubahan V =0,105 volt

0 0.5 1 1.5 2 2.5 3 3.5 4

tegangan (V)

METANA

 RL awal = 610 ohm

 RL algoritma genetik = 459 ohm

 Konsentrasi gas 560,23 ppm

 perubahan 0,095 volt

0 0.05 0.1 0.15 0.2 0.25

0 5 10 15

Tegangan (V)

waktu ke-

AMONIA

 RL awal = 10000 ohm

 RL algoritma genetik = 8006 ohm

 Konsentrasi gas 0,21 ppm

 perubahan V = 0,095 volt

0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8

0 5 10 15

tegangan (Volt)

TABEL PERBANDINGAN

Jenis sensor

Resistansi beban (Ω) Tegangan (volt) Daya (watt)

CO 809 754 3.102 3.2045 0.047576781 0.0544765

Metana 610 459 0.1082 0.203 7.67688E-05 0.000359

Amonia 10000 8006 1.472 1.518 0.000866714 0.001151514

Keterangan: 1= Sebelum perubahan resistansi beban ( )

G

= Setelah perubahan resistansi beban ( )

KESIMPULAN

1.Transfer daya optimum:

 CO: V= 4,73 volt, RL=753,2 ohm, P=0,1188 watt.

 metana: V= 4,75 volt, RL= 458,5 ohm, P=0,1965 watt.

 amonia: V=4,74 volt, RL= 8003,9 ohm, P=0,01121 watt.

2.Fungsi fitness yang digunakan berbanding terbalik

dengan error data. Karena kondisi optimum diwakili pada error data yang kecil.

3.Resistansi beban yang digunakan pada sistem sensor gas adalah resistansi variabel dengan pengaturan nilai yang dikehendaki.

4. Perubahan tegangan CO =0,105 volt, metana = 0,094

volt, amonia = 0,055 volt

KESIMPULAN

3.Resistansi beban adalah resistansi variabel dengan pengaturan nilai yang dikehendaki.

4 . Perubahan tegangan CO =0,105 volt, metana = 0,094 volt, amonia = 0,055 volt

5. Perubahan daya CO = 0,0069 watt, metana =

0,00028 watt, amonia = 0,00029 watt

LOGO

Perbandingan konstanta a pada proses crossover

 a=0.1

anak yang terbentuk salah satu ada yang lemah.

 a=0.5

kedua anak yang terbentuk akan sama

 a= 0.4

kedua anak yang terbentuk tidak sama dan perbedaannya tidak telalu banyak

orang tua 0.1

0.4

0.5

1.715164 3797.123 3.602648 2106.404 7178.561 2.973486 2.763766 4360.696

3.812368 4924.269 1.924885 6614.988 1542.831 2.554046 2.763766 4360.696