MAKALAH HILL CLIMBING Optimising Maintenance Intervals for a Component using a New HillClimbing Algorithm

Disusun Oleh : 1. 2. 3. 4. 5. Anggito Abimanyu Aldiansyah Zuriati Samuel Sitohang Rikky Saputra

YAYASAN KOMPUTASI RIAU STMIK AMIK RIAU 2014

BAB I. PENDAHULUAN 1.1 Latar Belakang Masalah Ada pemberitahuan untuk perubahan dalam budaya manufaktur setelah pengenalan perundang-undangan internasional dan nasional tentang produksi industri dan pengelolaan limbah. Peraturan menunjukkan bahwa produsen peralatan bertanggung jawab atas pembuangan produk mereka yang diproduksi. Hal ini menyimpulkan bahwa produsen diminta untuk memasukkan dalam desain produk (atau komponen) bagaimana komponen tersebut akan dibuang. Pembuangan tersebut baik dalam bentuk daur ulang atau benar-benar memusnakan komponen tersebut. Karena tidak semua bagian dari komponen mungkin didaur ulang, karena itu akan lebih tepat jika waktu pembuangannya diperpanjang. Hal ini akan menunjukkan tingkat pembuangan akan berkurang. Sebuah karya sebelumnya pada green komputasi menunjukkan bahwa hal ini dapat dicapai melalui pemeliharaan. Secara khusus, sebuah interval berbasis perawatan juga disebut sebagai pemeliharaan yang preventif. Itu diasumsikan bahwa tindakan perawatan tidak membuat komponen seperti baru dan kebijakan pemeliharaan preventif dianggap dapat menangani permasalahan tersebut. Dalam mempertimbangkan pembuangan komponen dari tahap desain awal, produsen dapat mempertimbangkan interval perawatan untuk komponen sedemikian rupa sehingga akan meningkatkan baik yang diperpanjang masa manfaat dan biaya. Set ini berisi interval pemeliharaan yang non-didominasi atau hanya trade-off antara diperpanjang masa manfaat dan biaya. Dalam hal optimasi memperpanjang masa kegunaan dan biaya yang disebut fungsi sebagai tujuan. Jika x dan y adalah dua interval pemeliharaan di mana x mendominasi y, maka ini berarti bahwa x tidak kalah dengan y dalam salah satu tujuan fungsi tapi x lebih unggul y dalam setidaknya salah satu fungsi

obyektif. Komponen pemeliharaan dapat dilakukan pada interval waktu yang berbeda, misalnya 10, 30, 50, dll. Pemeliharaan komponen dapat mengurangi terjadinya kegagalan komponen (produk IT) dan juga memperpanjang masa manfaatnya. Dengan cara ini waktu untuk membuang komponen tersebut mungkin tertunda dan ini mengurangi tingkat di mana gas rumah kaca masuk ke dalam rantai makanan dan suasana. Ini akan sangat membantu untuk menghasilkan set interval pemeliharaan untuk komponen seperti di mana yang diperpanjang masa manfaat dan biaya yang paling baik.

1.2 Rumusan masalah

1. Apa yang dimaksud dengan optimasi masa pemakaian komponen? 2. Apa yang dimaksud dengan simulasi annealing, genetic algoritma, hill climbing dan steady surface hill-climbing (SSHC).
1.3 Maksud dan tujuan

Dalam makalah ini akan ditekankan kepada steady surface hillclimbing(permukaan stabil hill climbing), dimana untuk mencari algoritma pencarian dalam hal optimasi komponen dan untuk mendapatkan solusi potensial.

BAB II. PEMBAHASAN Sebelum membahas lebih lanjut mengenai permukaan stabil hill-climbing (SSHC), kita akan membahas mengenai simulasi annealing, algoritma genetic dan hill-climbing dibahas secara singkat. Simulated annealing (SA) adalah salah satu algoritma untuk untuk optimisasi yang bersifat generik. Berbasiskan probabilitas dan mekanika statistik, algoritma ini dapat digunakan untuk mencari pendekatan terhadap solusi optimum global dari suatu permasalahan. Masalah yang membutuhkan pendekatan SA adalah masalah-masalah optimisasi kombinatorial, di mana ruang pencarian solusi yang ada terlalu besar, sehingga hampir tidak mungkin ditemukan solusi eksak terhadap permasalahan itu. Publikasi tentang pendekatan ini pertama kali dilakukan oleh S. Kirkpatrick, C. D. Gelatt dan M. P. Vecchi, diaplikasikan pada desain optimal hardware komputer, dan juga pada salah satu masalah klasik ilmu komputer yaitu Traveling Salesman Problem. Annealing adalah satu teknik yang dikenal dalam bidang metalurgi, digunakan dalam mempelajari proses pembentukan kristal dalam suatu materi. Agar dapat terbentuk susunan kristal yang sempurna, diperlukan pemanasan sampai suatu tingkat tertentu, kemudian dilanjutkan dengan pendinginan yang perlahan-lahan dan terkendali dari materi tersebut. Pemanasan materi di awal proses annealing, memberikan kesempatan pada atom-atom dalam materi itu untuk bergerak secara bebas, mengingat tingkat energi dalam kondisi panas ini cukup tinggi. Proses pendinginan yang perlahan-lahan memungkinkan atom-atom yang tadinya bergerak bebas itu, pada akhirnya menemukan tempat yang optimum, di mana energi internal yang dibutuhkan atom itu untuk mempertahankan posisinya adalah minimum. Contoh lainnya yaitu misalnya ketika logam dipanaskan pada suhu tinggi, itu bisa dibentuk untuk bertanggung diinginkan bentuk. Sebagai suhu mendingin, itu menjadi kaku. Anil Simulasi menggunakan ini analogi dalam proses optimasi. Pada awal optimasi, simulasi anil menetapkan nilai suhu dan metode di mana mendingin. Proses ini fleksibel di awal tahap dan menerima solusi berkualitas buruk dengan tujuan agar solusi menjadi lebih baik sebagai suhu mendingin. Penerimaan solusi menjadi lebih ketat atau kaku sebagai suhu mendingin. Anil Simulasi dikenal cocok untuk tujuan tunggal masalah optimasi, namun varian lain itu seperti simulasi annealing klasik berbasis algoritma multi-tujuan dapat mengatasi masalah optimasi multi-tujuan.

Algoritma genetika (GA) adalah algoritma pencarian yang didasarkan pada mekanisme alami seleksi dan genetika alam. Hal ini banyak digunakan dalam aplikasi teknik dan itu adalah cocok untuk masalah optimasi multi-tujuan. GA juga efisien dan efektif untuk masalah optimasi dengan ruang solusi yang sangat besar. Ia juga dikenal untuk berkumpul ke global optimum. GA mendefinisikan pemetaan antara masalah (misalnya model sistem yang dioptimalkan) dan representasi digital yang dapat dengan mudah dimanipulasi. The digital representasi dapat menjadi dalam bentuk biner atau integer string dan disebut sebagai encoding. GA dimulai dengan secara acak menghasilkan solusi potensial (encoding) dalam daerah feasible dipandu oleh kendala didefinisikan untuk masalah optimasi. Oleh karena itu di GA, daerah feasible adalah didefinisikan oleh kendala dikenakan pada masalah optimasi. Kebugaran setiap solusi di GA dievaluasi sesuai dengan fungsi tujuan optimasi. GA menggunakan gagasan "survival of the fittest" dan dari waktu ke waktu mempromosikan solusi fittest untuk melewati mereka ciri-ciri kepada generasi berikutnya. Hal ini juga mendefinisikan operator bergerak seperti crossover dan mutasi. Dalam crossover, dua orang tua secara acak dipilih untuk rekombinasi (breeding) untuk menghasilkan off-musim semi sementara mutasi menyuntikkan sifat baru ke dalam off-musim semi dengan harapan menanamkan keragaman dalam populasi. Pelaksanaan algoritma genetika tidak mudah tapi itu adalah layak dalam menangani masalah optimasi yang kompleks. Mengenai hill-climbing, yaitu teknik pencarian analog dengan tindakan mendaki bukit. Dalam sebuah berbukit lingkungan disana mungkin ada beberapa puncak bukit. Tujuan dari hill-climbing adalah untuk mencapai puncak bukit bukit tertinggi dalam lingkungan tertentu. Jika seorang pendaki dimulai dari titik mengatakan Pi, yang posisi berikutnya atau baru pemanjat akan menjadi titik Pi +1. Posisi baru diterima jika itu lebih baik dibandingkan saat ini. Proses ini berlanjut sampai posisi tidak lagi ditemukan untuk menjadi lebih baik daripada saat ini. Gambar 2 adalah ilustrasi dari konsep hill-climbing.

Dimana: A, C dan D yang optima lokal B adalah global optimum

Dalam Gambar 2, tiga optima lokal ditunjukkan (A, C dan D) dan ini menyimpulkan bahwa adalah mungkin untuk pencarian untuk terjebak dalam salah satu optima ini dan untuk menyajikan solusi pada optimum yang sebagai optimal. Salah satu jalan keluar dari masalah lokal optima adalah dengan menggunakan iterasi hill-climbing. Di iterasi hill-climbing, bukitpendaki restart dengan posisi start awal yang berbeda (Pi) ketika optimum lokal memiliki atau dicurigai telah ditemukan. Salah satu tantangan namun dalam mendefinisikan metode yang konvergensi ke optimum lokal dapat dideteksi. Sebuah bentuk rumit algoritma bukitmendaki tradisional yang ditemukan di [9] dijelaskan di bawah ini. Ini algoritma akan digunakan untuk membangun permukaan stabil algoritma hill-climbing.

(i) (ii) (iii) (iv) (v) (vi)

Pilih solusi Sc dari ruang pencarian X Evaluasi Sc Pilih solusi Sn di lingkungan Sc Evaluasi Sn Jika Sn lebih baik dari Sc maka Sc = Sn, yang lain membuang Sn Kembali ke langkah ii sampai berhenti kriteria berlaku

Selanjutnya mengenai Teknik permukaan stabil Hill-Climbing(SSHC). Algoritma hillclimbing tradisional cocok untuk masalah optimasi tujuan tunggal dan maka mengembalikan solusi optimal tunggal. Konsep permukaan stabil adalah bahwa solusi ada di permukaan seperti yang sendiri tidak lebih baik dari satu sama lain tetapi semua lebih baik daripada solusi lain di puncak-puncak bukit tempat lain dalam lingkungan. Dalam istilah sederhana dataran tinggi atau permukaan stabil terdiri dari non-didominasi solusi. Tujuan dari algoritma hill-climbing baru "permukaan stabil hill-climbing" adalah untuk menemukan daerah tinggi ini (atau daerah paling tinggi) dan untuk mengembalikan set solusi optimal yang dikandungnya.

Dimana: Q dan S adalah contoh optima lokal R adalah global optimum (set optimal) Permukaan mantap algoritma hill-climbing mencoba untuk menutupi mendalam lingkungan digunakan tergantung untuk pada maju nilai ke ini parameter posisi bergerak. Parameter Langkah ini iteratif berikutnya ini dengan dua menambahkan parameter untuk

ke parameter berikutnya. Algoritma

menggunakan

menghasilkan P populasi solusi potensial untuk optimasi. Masing-masing solusi dalam populasi dievaluasi untuk kebugaran, yaitu melawan mengatur fungsi tujuan dari optimasi. Solusi dalam populasi tersebut kemudian dibandingkan untuk dominasi. A ditemukan non- solusi didominasi kemudian ditambahkan ke populasi arsip PA. Hasil akhir adalah satu set non-solusi didominasi terkandung dalam populasi arsip PA . Berdasarkan algoritma tradisional hill-climbing, permukaan algoritma hill-climbing stabil disajikan di bawah ini. (i) Mengatur nilai parameter bergerak (ii) Set parameter langkah selanjutnya ke nol, next = 0 (iii) Mengatur langkah counter; n = 0 (iv) Set populasi P ke null; P = (v) Inisialisasi populasi arsip P A null; PA= (vi) Untuk menghasilkan populasi P, ulangi langkah ke bawah c sampai lingkungan tercakup (a) next = berikutnya + bergerak (b) P = P berikutnya (c) n = n + 1 (vii) p P, mengevaluasi p untuk kebugaran (viii)

(d) Set kontra k = 0

(e) Mengatur q = pj (f) Ulangi langkah g ke i sampai k = n atau q didominasi (g) k = k + 1 (h) Jika q didominasi oleh pk kemudian pergi ke langkah viii (i) Jika k = n dan q tidak didominasi maka PA= PA q (ix) Kembali set non-didominasi pada populasi arsip PA sebagai solusi optimal. Berikut representasinya kedalam bentuk flowchart

Setelah menetapkan bukit-mendaki algoritma permukaan stabil, masalah optimasi untuk interval perawatan sekarang dapat didefinisikan sebagai berikut. sehingga sebagai berikut: Tp X, dimana : L adalah masa manfaat diperpanjang komponen C adalah komponen biaya keseluruhan per satuan waktu di bawah pemeliharaan adalah interval perawatan

X adalah ruang solusi F adalah fungsi yang mengembalikan sebuah solusi optimal Masalah optimasi mengejar maksimalisasi perpanjangan umur komponen dan minimalisasi biaya total per satuan waktu.
Dengan menggunakan parameter memindahkan nilai 10 menunjukkan bahwa jumlah

pemeliharaan potensial. Interval dalam populasi adalah 30 (yaitu 300/10). Populasi ini adalah segelintir dan evaluasi setiap solusi disajikan pada Tabel 1 yang terdiri dari solusi non dioptimalkan. Di istilah pemeliharaan parameter bergerak mendefinisikan interval perawatan Tp. Hasil penelitian menunjukkan bahwa masa manfaat diperpanjang komponen tidak membaik ketika interval perawatan melampaui 160. Hal ini karena faktor perbaikan tidak konstan dan karena terlambat pemeliharaan tidak dianjurkan. Tabel 1. Solusi Lengkap untuk Ukuran Kecil Penduduk (skala waktu 300)

Tabel 2 berisi solusi optimal terkandung dalam Tabel 1. Berikut adalah beberapa solusi yang non-didominasi dalam populasi. Dengan algoritma ini menemukan 7 solusi yang non-didominasi dan karenanya solusi optimal atau optimal interval perawatan untuk komponen di bawah skala waktu 300 unit.

Tabel 2. Solusi optimal untuk Skala Waktu 300 Unit

Untuk melihat solusi non-didominasi pada Tabel 2 dalam bentuk perbatasan Pareto, Gambar 5 disajikan. Hal ini dapat diamati dari gambar bahwa solusi yang membentuk kurva pola yang dikenal sebagai front Pareto. Ini berarti bahwa sisa 23 solusi pada Tabel 1 muncul di bagian dalam depan Pareto dan karenanya mendominasi.

BAB III PENUTUP 3.1. Kesimpulan Algoritma hill-climbing tradisional dikenal cocok untuk satu tujuan masalah optimasi yang menghasilkan solusi optimal tunggal. Makalah ini telah membentuk algoritma hillclimbing baru yang disebut permukaan stabil hill-climbing yang terbukti melakukan optimasi multi-tujuan dan dengan demikian menghasilkan set solusi optimal. Juga, mantap algoritma permukaan stabil hill-climbing ditunjukkan untuk memperpanjang karya sebelumnya umur panjang komponen (produk IT) [2]. Oleh karena itu, optimasi interval pemeliharaan untuk komponen dilakukan sehubungan dengan masa manfaat diperpanjang dan biaya dengan mempertimbangkan efek pemeliharaan. Set optimal interval perawatan untuk populasi ukuran kecil dan besar diperoleh. Hasil yang diperoleh menunjukkan bahwa adalah mungkin untuk mengoptimalkan pemeliharaan interval komponen dan bukit-mendaki algoritma permukaan stabil cukup untuk mencapai hal ini.