TESIS

PENERAPAN ALGORITMA GENETIK UNTUK OPTIMASI

TRANSFER DAYA PADA SISTEM SENSOR GAS

Muthmainnah

1108201008

DOSEN PEMBIMBING

Dr. Melania Suweni Muntini, MT

www.iyn_m@physics.its.ac.id

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 (RL)

www.iyn_m@physics.its.ac.id

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

www.iyn_m@physics.its.ac.id

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

www.iyn_m@physics.its.ac.id

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.

www.iyn_m@physics.its.ac.id

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.

www.iyn_m@physics.its.ac.id

TINJAUAN PUSTAKA

PENGKONDISI SINYAL

KARAKTERISTIK SISTEM SENSOR

OPTIMASI DAYA

ALGORITMA GENETIK

www.iyn_m@physics.its.ac.id

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

www.iyn_m@physics.its.ac.id

NON-INVERTING

Pemilihan pengkondisi sinyal

Tegangan keluaran sensor kecil

Tegangan keluaran sensor +

Masukan untuk mikrokontroler +

Gambar Rangkaian Penguat Non Inverting

www.iyn_m@physics.its.ac.id

inout xVR

RRV

1

12

PERBEDAAN

KARAKTERISTIK SENSOR

No Karakteristik CO CH4 NH3

1 Tegangan VH =0,2 V ; VC=5 V VH =5 V; VC=5 V VH =5 V; VC=5V

2 Daya

3 R esistansi

4 Cycle 20 sec Kontinyu 250 msec

5 Jumlah pin 3 4 4

6 Cara kerja

VH dipasang seri dengan

sensor untuk pemanasan,

kemudian VC diterapkan

antara RS dan RL yang

dihu- bungkan berurutan

untuk mengukur VRS

VH dan VC

diterapkan melalui

RL yang dipasang

seri dengan sensor

untuk mengukur VRS

VC dipasang menyilang

antara RS dan RL yang

dihubungkan seri untuk

mengukur VRS

www.iyn_m@physics.its.ac.id

s

RS

sR

VP

2)(

S

RLC

SR

VVP

2)(

LS

LC

SRR

xRVP

2

L

RSC

HRS

S xRVV

VVR

5,0L

RL

RLC

S xRV

VVR

L

out

LC

s RV

xRVR

OPTIMASI DAYA

Transfer daya akan maksimum jika tahanan dalam (RL)

sama dengan tahanan sensor (RS) dan P merupakan

fungsi RS, maka untuk mencari nilai maksimum P adalah

2

22

2

2 )(

LS

LSRS

S

LS

LS

RS

SRR

RRVR

RR

RR

VRiP

0)(

42

4222

LS

LLSRS

S RR

RRRV

dR

dPSL RR

L

RS

SR

VP

24

www.iyn_m@physics.its.ac.id

ALGORITMA GENETIK

Suatu algoritma pencarian (searching) yang

didasarkan pada mekanisme seleksi alam

Pengkodean

Fungsi fitness

Seleksi

Operasi genetik

Elitisme

www.iyn_m@physics.its.ac.id

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)

www.iyn_m@physics.its.ac.id

CARA PENGKODEAAN

0,2390 1,0000 0,0131

www.iyn_m@physics.its.ac.id

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

g9g8g7g6g5g4

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

www.iyn_m@physics.its.ac.id

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.

www.iyn_m@physics.its.ac.id

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

www.iyn_m@physics.its.ac.id

ELITISME

Untuk menjaga agar individu bernilai fitness tidak

hilang selama evolusi, maka perlu dibuat satu

atau beberapa kopinya. Prosedur ini disebut

dengan elitisme.

www.iyn_m@physics.its.ac.id

VALIDASI

Menentukan seberapa baik model yang

dihasilkan

Validasi autokorelasi

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

N= jumlah data

RN = autokorelasi

= fitness data ke-t

= fitness data ke-(t+1)

www.iyn_m@physics.its.ac.id

METODOLOGI

www.iyn_m@physics.its.ac.id

Pengambilan data

tegangan 1

Penyesuaian RL

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

www.iyn_m@physics.its.ac.id

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

www.iyn_m@physics.its.ac.id

ALUR ALGORITMA

GENETIK

www.iyn_m@physics.its.ac.id

POPULASI AWAL

FUNGSI FITNESS

CROSSOVER

POPULASI AKHIR

-populasi awal

-populasi hasil crossover

-populas hasil mutasi

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

www.iyn_m@physics.its.ac.id

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

www.iyn_m@physics.its.ac.id

ANALISA DATA DAN

PEMBAHASAN

ALGORITMA GENETIK

IMPLEMENTASI ALGORITMA GENETIK

VALIDASI

PERUBAHAN TEGANGAN

www.iyn_m@physics.its.ac.id

ALGORITMA GENETIK

INISIALISASI POPULASI

FUNGSI FITNESS

OPERASI GENETIK

EVALUASI

CROSSOVER

MUTASI

POPULASI BARU

www.iyn_m@physics.its.ac.id

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.

www.iyn_m@physics.its.ac.id

R31V31

R21V21

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

8 0.085461 1771.762 1.608714 2757.059 1.005578 9879.881 0.96795

www.iyn_m@physics.its.ac.id

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

Ef

www.iyn_m@physics.its.ac.id

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'

8 0.98795 0.126623 1 0.693322 1'

www.iyn_m@physics.its.ac.id

Operasi Genetik

Tidak semua individu dikenai operasi genetik

karena operasi genetik berkerja pada

probabilitas tertentu.

Pada penelitian ini ditentukan probabilitas

crossover (PC) antara 0.8 sampai 0.9 dan

probabilitas mutasi (PM) 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.

www.iyn_m@physics.its.ac.id

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

v1t dan v2

t adalah kromosom orang tua

ttt vaavv 12

1

1 )1(

ttt vaavv 21

1

2 )1(

www.iyn_m@physics.its.ac.id

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)

www.iyn_m@physics.its.ac.id

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 =

Generasi maksimum; lv = Batas bawah; uv = Batas atas

),(

),('

lvvtv

vuvtvv

kk

kk

k

)1.(),()1( b

T

t

ryyt

www.iyn_m@physics.its.ac.id

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

14 0.23435767 Tidak

Mutasi krom baru

3* 15

7* 16

8* 17

www.iyn_m@physics.its.ac.id

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.

www.iyn_m@physics.its.ac.id

IMPLEMENTASI ALGORITMA

GENETIK

Sistem sensor gas CO

Batasan

Hasil V= 4,727 R= 753,17

Daya = 0,1188

Generasi ke-42

Gambar grafik optimasi algoritma genetik

0750LR50 RSV

www.iyn_m@physics.its.ac.id

IMPLEMENTASI ALGORITMA

GENETIK

Sistem sensor gas metana

Batasan

Hasil V= 4,746 R= 458,5

Daya = 0,1965

Generasi ke-43

Gambar grafik optimasi algoritma genetik

0450LR50 RSV

www.iyn_m@physics.its.ac.id

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

08000LR50 RSV

www.iyn_m@physics.its.ac.id

VALIDASI

Pada grafik validasi dengan metode autokorelasi

terlihat bahwa nilai autokorelasinya berada pada

kisaran 0.999615

www.iyn_m@physics.its.ac.id

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

Au

toko

rela

si

Jenis Sistem Sensor

CO Metana Amonia

PENYESUAIAN RL

Rangkaian

www.iyn_m@physics.its.ac.id

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

www.iyn_m@physics.its.ac.id

0

0.5

1

1.5

2

2.5

3

3.5

4

0 5 10 15

teg

an

ga

n (

V)

waktu ke-

METANA

RL awal = 610 ohm

RL algoritma genetik = 459 ohm

Konsentrasi gas 560,23 ppm

perubahan 0,095 volt

www.iyn_m@physics.its.ac.id

0

0.05

0.1

0.15

0.2

0.25

0 5 10 15

Te

ga

ng

an

(V

)

waktu ke-

AMONIA

RL awal = 10000 ohm

RL algoritma genetik = 8006 ohm

Konsentrasi gas 0,21 ppm

perubahan V = 0,095 volt

www.iyn_m@physics.its.ac.id

0

0.2

0.4

0.6

0.8

1

1.2

1.4

1.6

1.8

0 5 10 15

teg

an

ga

n (

Vo

lt)

waktu ke-

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

www.iyn_m@physics.its.ac.id

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

www.iyn_m@physics.its.ac.id

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

www.iyn_m@physics.its.ac.id

LOGO

www.iyn_m@physics.its.ac.id

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 danperbedaannya tidak telalu banyak

orang tua 0.10.4

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