PENERAPAN ALGORITMA GENETIK UNTUK OPTIMASI...
50
TESIS PENERAPAN ALGORITMA GENETIK UNTUK OPTIMASI TRANSFER DAYA PADA SISTEM SENSOR GAS Muthmainnah 1108201008 DOSEN PEMBIMBING Dr. Melania Suweni Muntini, MT [email protected]
Transcript of PENERAPAN ALGORITMA GENETIK UNTUK OPTIMASI...
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 (RL)
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 +
Gambar Rangkaian Penguat Non Inverting
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
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
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
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
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
= fitness data ke-t
= fitness data ke-(t+1)
METODOLOGI
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
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
-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
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.
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
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
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'
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.
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(
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 =
Generasi maksimum; lv = Batas bawah; uv = Batas atas
),(
),('
lvvtv
vuvtvv
kk
kk
k
)1.(),()1( b
T
t
ryyt
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
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
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
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
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
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
Au
toko
rela
si
Jenis Sistem Sensor
CO Metana Amonia
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
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
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
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
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
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
