BAB I PENDAHULUAN

1.1 Latar Belakang Algoritma Genetika adalah suatu algoritma pencarian yang bertujuan untuk mencari solusi dari suatu masalah, baik dengan satu variabel ataupun dengan multivariabel. Metode ini meniru mekanisme dari genetika alam, yaitu untuk menemukan susunan-susunan gen yang terbaik di dalam tubuh makhluk hidup. Setiap solusi pada algoritma genetika diwakili oleh suatu individu atau satu kromosom. Keuntungan dari algoritma genetika adalah sifat metode searchnya yang lebih optimal, tanpa terlalu memperbesar ruang pencarian dan tanpa kehilangan completeness. Sudah banyak

permasalahan optimasi yang telah diselesaikan dengan menggunakan algoritma genetika, dan hasil yang diperoleh biasanya lebih baik dari metode sebelumnya (Desiani dan Muhammad, 2006). Sejak tahun 1960-an, peningkatan minat para ilmuwan yang

memfokuskan kepada bidang pengimitasian kehidupan telah menghasilkan berbagai teknik atau pendekatan optimisasi yang dapat disebut juga sebagai algoritma evolusioner, sehingga memungkinkan untuk menyelesaikan

permasalahan-permasalahan optimisasi yang kompleks secara lebih mudah dan akurat. Ada tiga wilayah utama yang tercakup di dalam algoritma evolusioner : algoritma genetik (GA), pemrograman evolusioner (EP), dan strategi evolusi (ES). Di antara ketiga pendekatan ini, algoritma genetik yang lebih populer digunakan pada berbagai permasalahan optimisasi (Fadlisyah, dkk, 2009). 1.2 Batasan Masalah Adapun batasan masalah pada penelitian ini adalah 1. Penelitian ini menggunaan Algoritma Genetika untuk optimasi pemesinan pada mesin Sekrap (shaping). 2. Parameter pemesinan yang dioptimasi adalah kecepatan potong (V), kecepatan makan (Vf), dan waktu pemotongan (tc) . 3. Pengujian pemesinan dilakukan di Laboratorium Teknologi Mekanik dan Laboratorium Ilmu Logam Fisik Universitas Sumatera Utara.

4. Data eksperimental pemesinan yang digunakan telah tersedia sebelumnya. 5. Perancangan dan analisis sistem yang dibuat menggunakan program bantu MATLAB 6. Metode algoritma genetik yang digunakan adalah model SGA (Simple Genetic Algorithm).

1.3

Tujuan Penelitian Adapun tujuan penelitian adalah sebagai berikut 1. Untuk memahami tentang pemesinan pada mesin Sekrap (shaping) dan menentukan solusi optimasi dari pemesinan yang terbaik. 2. Dapat menggunakan algoritma genetik untuk mencari parameter terbaik dari variabel pemesinan, kecepatan potong, kecepatan makan, dan waktu pemotongan.

1.4

Manfaat Penelitian Adapun manfaat penelitian adalah sebagai berikut 1. Bagi peneliti, dapat menerapkan apa yang dipelajari di buku dengan melakukan langsung proses optimasi parameter pemesinan dengan menggunakan algoritma genetika. 2. Bagi universitas, dapat menambah pengetahuan tentang hasil penelitian yang telah dilakukan, guna referensi penelitian selanjutnya. 3. Bagi industri manufaktur, dapat meningkatkan keoptimalan proses produksi khususnya dibagian pemesinan produk, sehingga menghasilkan produk yang lebih berkualitas.

1.5

Sistematika Penulisan Adapun sistematika penulisan adalah sebagai berikut:

Bab I Pendahuluan Bab ini menjelaskan pendahuluan tentang studi kasus dan pemecahan masalah yang berisi antara lain : latar belakang, batasan masalah, tujuan penelitan, manfaat penelitian, dan sistematika penulisan.

Bab II Tinjauan Pustaka Bab ini berisikan tinjauan pustaka, diantaranya mengenai teori yang berhubungan dengan penelitian, yaitu teori dasar algoritma genetik, prosedur pelaksanaan algoritma genetik, teori dasar pemesinan pada mesin sekrap, dan parameter proses pemesinan mesin sekrap.

Bab III Metodologi Bab ini berisi tata cara penelitian yang akan dilakukan, dimulai dari peralatan, bahan, dan optimasi pemesinan mesin Sekrap (shaping) dengan menggunakan algoritma genetik.

Bab IV Analisa Data Bab ini berisi hasil analisis penggunaan algoritma genetik untuk optimasi pemesinan pada mesin Sekrap (shaping).

Bab V Kesimpulan dan Saran Bab ini berisi kesimpulan dari analisa berdasarkan tujuan skripsi dan saran untuk penelitian lanjutan di mesa depan.

pemrograman otomatis. tidak tersedianya analisis matematika yang memadai. algoritma genetik diterima pada berbagai kalangan dan telah diaplikasikan pada berbagai bidang Algoritma genetik merupakan metode pencarian stokastik yang diilhami oleh proses biologi yang dapat diterapkan pada sebagian besar permasalahan. John Holland bersama murid-murid serta rekan kerjanya lalu mempublikasikan tulisannya berjudul “Adapted in Natural and Artificial System”. model ekonomi. terdapat batasan waktu. dan sulit dipahami. ketika metodemetode konvensional sudah tidak mampu menyelesaikan masalah yang dihadapi. perbedaan tersebut adalah sebagai berikut : .1.BAB II TINJAUAN PUSTAKA 2.1 2. seperti: permasalah optimasi. solusi yang diharapkan tidak harus paling optimal. dan model ekologis. misalnya dalam real time system atau sistem waktu nyata. Algoritma genetika banyak diaplikasikan untuk berbagai macam permasalahan. Algoritma genetik memodelkan mekanisme seleksi alam dan proses genetik untuk menuntun suatu pencarian seperti cara-cara alam dalam menyelesaikan permasalahan adaptasi organisme untuk mempertahankan kelangsungan hidupnya. machine learning. Dalam tulisan tersebut dijelaskan bahwa algoritma genetik sangat cocok digunakan untuk memecahkan masalah optimasi kompleks dan juga untuk aplikasi yang membutuhkan pemecahan masalah adaptif. model sistem imunisasi. Algoritma genetika juga sangat berguna dan efisien untuk mengatasi masalah dengan karakteristik sebagai berikut : Ruang masalah sangat besar. Algoritma genetik memiliki perbedaan yang mendasar dengan metode pencarian solusi optimal berbasis model matematika kalkulus.1 Algoritma Genetika Pengenalan Algoritma Genetika Algoritma genetik pertama kali diperkenalkan oleh John Holland dari Universitas Michigan pada tahun 1975. kompleks. tetapi cukup “bagus” atau bisa diterima. Sehingga dengan beberapa keunggulan tersebut.

Proses pencarian solusi optimal menggunakan metode algoritma genetik menggunakan titik acuan sembarang.2 Struktur Umum Algoritma Genetika Algoritma genetika dimulai dengan suatu himpunan penyelesaian acak awal yang disebut populasi. rekombinasi dan mutasi untuk memperoleh solusi optimal. tetapi tidak mutlak. pencarian terbimbing diberikan melalui penilaian terhadap kualitas kode atau kromosom yang dimiliki oleh setiap individu dalam suatu generasi. Mekanisme genetik digunakan dalam pemrosesan kode parameter suatu permasalahan. melalui proses seleksi. string tersebut berupa sederetan bit-bit biner 0 dan 1. tetapi pada sekumpulan titik pencarian. didalam penerapan Algoritma genetika akan melibatkan beberapa operator. Proses pencarian solusi optimal pada mekanisme algoritma genetik tidak dilakukan pada satu titik pencarian. Untuk ini maka titik solusi dalam ruang permasalahan dikodekan dalam bentuk kromosom. 3. dan biasanya. dimana setiap kromosom menyimpan informasi parameter-parameter tersebut. Pada masing-masing generasi. 6. berbagai kromosom yang dihasilkan akan dievaluasi menggunakan suatu pengukuran fitness.1. Sebuah kromosom terdiri dari sebuah string yang terdiri dari berbagai symbol. Masing-masing individu didalam populasi disebut kromosom. Sebelum Algoritma genetika dapat dijalankan. Algoritma genetik tidak membutuhkan prosedurprosedur matematis dalam mencari solusi optimal tetapi algoritma genetik menggunakan informasi langsung dari hasil transfer tiap-tiap parameternya ke suatu fungsi yang dapat mewakili tujuan dari proses optimasi yang sedang dilakukan. 2. maka sebuah kode yang sesuai (representatif) untuk persoalan harus dirancang. Mekanisme optimasi algoritma genetik bekerja berdasarkan kromosom.1. untuk menghindari solusi optimal lokal. 2. 4. Dengan teori evolusi dan teori genetika. 5. Kromosom tumbuh tumbuh melalui berbagai literasi yang berulang-ulang yang disebut juga generasi. yaitu: .

pindah silang. Menentukan proses pindah silang (crossover) dan mutasi gen yang akan digunakan. 2. dan mutasi untuk menciptakan keturunan. Operasi genetika yang melibatkan operator pindah silang (crossover) dan mutasi (mutation). gen ini bias bernilai biner. float. Mendefinisikan individu. integer maupun karakter. adalah gabungan gen-gen yang membentuk nilai tertentu. 2. perlu dilakukan prosedur sebagai berikut: 1. yang merupakan ukuran baik tidaknya sebuah individu atau baik tidaknya solusi yang didapatkan. Genotype (Gen). 2. 2. adalah sebuah nilai yang menyatakan satuan dasar yang membentuk suatu arti tertentu dalam satu kesatuan gen yang dinamakan kromosom.2. dan kombinatorial. Operasi evolusi yang melibatkan proses seleksi (selection) didalamnya. yang merupakan kumpulan gen. 3. induk harus digunakan untuk reproduksi. 3. Menentuka proses pembangkitan populasi awal. Hal ini biasanya dilakukandengan menggunakan pembangkitan acak seperti random-walk. dimana individu menyatakan salah satu solusi (penyelesaian) yang mungkin dari permasalahan yang diangkat. Menentukan proses seleksi yang akan digunakan. yang menandakan gambaran hasil (solusi) yang sudah dikodekan. Beberapa definisi penting yang perlu diperhatikan dalam mendefinisikan individu untuk membangun penyelesaian permasalahan dengan Algoritma genetika adalah sebagai berikut: 1. 2. Gen ini bisa biner. Untuk memeriksa hasil optimasi. 5. kita membutuhkan fungsi fitness. adalah nilai dari gen.1 Pengertian Individu Individu merupakan salah satu solusi yang mungkin.2 Prosedur Algoritma Genetika Untuk menggunakan Algoritma genetika. Mendefinisikan nilai fitness. Selama berjalan. 4. Individu bias dikatakan sama dengan kromosom. .1. Allele. pecahan (float). Kromosom. Dalam Algoritma genetika. atau kombinatorial.

6. atau representasi lainnya yang dapat diimplementasikan untuk operator genetika.65 . 5. daftar aturan.4. Individu. adalah satu siklus proses evolusi atau satu literasi didalam Algoritma genetika. adalah sekumpulan individu yang akan diproses bersama dalam satu siklus proses evolusi. 77. elemen permutasi. Dengan demikian. bilangan real. elemen program. kromosom dapat direpresentasikan dengan menggunakan:    String bit Array bilangan real Elemen permutasi : 10011… : 65. adalah suatu nilai atau keadaan yang menyatakan salah satu solusi yang mungkin dari permasalahan yang diangkat.98 .1 Ilustrasi representasi penyelesaian permasalahan dalam Algoritma genetika Satu gen biasanya akan mewakili satu variabel. Gen dapat irepresentasikan dalam bentuk bit. Generasi. Gambar 2. E10.34 dan seterusnya : E2. Populasi. -67. E5 dan seterusnya .

dalam penentuan nilai maksimal dari F(x. Hamilton. Ukuran untuk populasi tergantung pada masalah yang akan diselesaikan dan jenis operator genetika yang akan diimplementasikan. Algoritma genetika bertujuan mencari individu dengan nilai fitness yang paling tinggi.3 Pembangkitan Populasi Awal Membangkitkan populasi awal adalah proses membangkitkan sejumlah individu secara acak atau melalui prosedur tertentu. Cara melakukan invers bisa menggunakan rumus 1/x atau 100000-x. karena TSP bertujuan meminimalkan jarak.R.2.y).2.2 diilustrasikan dua kemungkinan jalur yang ditempuh dalam TSP dan bagaimana representasinya dalam individu.   Daftar aturan Elemen program Struktur lainnya : R1. 2. R2. TSP merupakan salah satu ilmu dibidang manajemen untuk mencari solusi jarak tempuh dan waktu tercepat dari beberapa kota(W. Individu menyatakan jalur yang ditempuh. R3 dan seterusnya : pemograman genetika Misalnya didalam kasus Travelling Salesman Problem (TSP). dimana x adalah total jarak dari jalur yang digunakan. Pada gambar 2. Gambar 2. Setelah ukuran populasi ditentukan. Dalam TSP. kemudian dilakukan .y) individu menyatakan nilai (x. maka nilai fitnessnya adalah inversi dari total jarak dari jalur yang didapatkan. Nilai fitness ini yang dijadikan acuan dalam mencapai nilai optimal dalam Algoritma genetika.2 Nilai Fitness Nilai fitness adalah nilai yang menyatakan baik tidaknya suatu solusi (individu).2 Kemungkinan jalur dalam TSP dan representasi dalam individu 2. 1832).

kita dapat menentukan bahwa nilai 0. salah satu contoh penggunaan random generator adalah penggunaan rumus berikut untuk pembangkitan populasi awal: IPOP = round{random(Nipop. 0. Sehingga dengan demikian. Syarat-syarat yang harus dipenuhi untuk menunjukkan suatu solusi harus benar-benar diperhatikan dalam pembangkitan setiap individunya.82 0. Contoh lain penggunaan random generator dalam representasi permutasi adalah pada saat dibangkitkan populasi awal untuk penyelesaian permasalahan Traveling Salesman Problem. Pendekatan Tertentu . sehingga kota ke-1 menempati urutan kedua dan seterusnya. yaitu: 1. sebuah kromosom untuk sembilan kota bisa direpresentasikan: [0.11 0. Nilai acak dalam posisi i menentukan urutan didatanginya kota i dalam lintasan TSP.74 0. Dengan kuncikunci random diatas. Jika menggunakan representasi biner.56 0.11 adalah yang paling kecil. Teknik dalam pembangkitan populasi awal ada beberapa cara.45 0.pembangkitan populasi awal. sehingga kota ke-6 menempati urutan pertama. Random Generator Inti dari cara ini adalah melibatkan pembangkitan bilangan random untuk nilai setiap gen sesuai dengan representasi kromosom yang digunakan.87 0.23 0.23 adalah nilai terkecil kedua. dari kunci-kunci random diatas kita dapat menentukan lintasan: 6-1-3-7-8-4-9-2-5 2.69 0.78] Dimana posisi I dalam list menunjukkan kota i. Sebagai contoh.Nbits)} Dimana IPOP adalah gen yang nantinya berisi pembulatan dari bilangan random yang dibangkitkan sebanyak Nipop (jumlah populasi) dikali Nbits (jumlah gen dalam tiap kromosom).

3. Masing-masing individu dalam wadah seleksi akan menerima probabilitas reproduksi yang tergantung pada nilai objektif dirinya sendiri terhadap nilai objektif dari semua individu dalam wadah seleksi tersebut.1 Seleksi Dengan Mesin Roulette Metode seleksi dengan mesin roulette ini merupakan metode yang paling sederhana dan sering dikenal dengan nama Stochastic Sampling With Replacement. Seleksi digunakan untuk mendapatkan calon induk yang baik. Maka lintasan berangkat dari kota 6. Langkah pertama yang dilakukan dalam seleksi ini adalah pencarian nilai fitness.4. Mutasi Gen Salah satu permutasi gen dalam pembangkitan populasi awal adalah penggunaan permutasi Josephus dalam permasalahan kombinatorial seperti TSP. Permutasi dari lintasan dapat dilakukan dengan menentukan titik awal dan selang.4 Seleksi Seleksi digunakan untuk memilih individu-individu mana saja yang akan dipilih untuk proses pindah silang dan mutasi. selang 5 dari kota 6 adalah kota 2 (dengan asumsi kota 1 sampai 9 membentuk circular list). Hasildari permutasi ini adalah 2-7-3-8-4-9-5-1-6. Semakin tinggi nilai fitness suatu individu. Kota 2 dihapus dari list. Misalkan ada kota dari 1 sampai 9.Cara ini adalah dengan memasukkan nilai tertentu kedalam gen dari populasi awal yang dibentuk. Terdapat beberapa metode seleksi. Dihitung nilai fitness dari masing-masing individu (fi. Proses seleksi akan menentukan individu-individu mana saja yang akan dipilih untuk dilakukan rekombinasi dan bagaimana offspring terbentuk dari individu . dimana i adalah individu ke-1 sampai ke-n). Selang 5 kemudian adalah kota 7. 2. Cara kerja metode ini adalah sebagai berikut: 1. . Misalnya titik awal adalah 6 dan selang adalah 5. semakin besar kemungkinannnya untuk terpilih.individu terpilih tersebut. diantaranya metode mesin roulette dan metode turnamen.2. 2. Nilai fitness ini yang nantinya akan digunakan pada tahap-tahap seleksi berikutnya. Proses ini diulang hingga ada satu lintasan dalam list.2.

2 Seleksi Dengan Turnamen Pada metode seleksi dengan turnamen. Dihitung pobabilitas masing-masing individu. Parameter yang digunakan pada metode ini adalah ukuran tour yang bernilai antara 2 sampai N (jumlah individu dalam suatu populasi). Gambar 2. 5.2. Dari probabilitas tersebut.3 Ilustrasi seleksi dengan mesin roulette 2. Dihitung total fitness semua individu.4. ditentukan individu mana yang terpilih dalam proses seleksi. Dari bilangan random yang dihasilkan. Dibangkitkan bilangan random antara 1 sampai 100. dihitung jatah masing-masing individu pada angka 1 sampai 100. Individuindividu yang terbaik dalam kelompok ini akan diseleksi sebagai induk. 4. 3.2. . ditetapkan suatu nilai tour untuk individu-individu yang dipilih secara random dari suatu populasi.

95. aritmatika) pada gen-gen yang bersesuaian dari dua induk untuk menghasilkan individu baru.maka nilai dari induk akan diturunkan kepada keturunan.1 Crossover satu titik Crossover satu titik dan banyak titik biasanya digunakan untuk representasi kromosom dalam biner.2. Operator crossover ini bergantung pada representasi kromosom yang dilakukan.4 diilustrasikan diagram alir penggunaan probabilitas crossover pada proses crossover. Operasi ini tidak selalu dilakukan pada semua individu yang ada. Pada gambar 2. Pada crossover satu titik.5. Proses crossover dilakukan pada setiap individu dengan probabilitas crossover yang ditentukan. Gambar 2.4 Diagram alir proses crossover 2.6 sampai 0.2. Prinsip dari pindah silang ini adalah melakukan operasi (pertukaran. Individu dipilih secara acak untuk dilakuakn crossing dengan Pc antara 0.2. Pindah silang menghasilkan titik baru dalam ruang pencarian yang siap untuk diuji. Jika pindah silang tidak dilakukan.5 Pindah Silang (Crossover) Pindah silang (Crossover) adalah operator dari Algoritma genetika yang melibatkan dua induk untuk membentuk kromosom baru. posisi crossover k .

.(k=1.. Pada gambar 2. m posisi penyilangan ki (k=1.N-1) dengan N sebagai panjang kromosom diseleksi secara random.5 Ilustrasi crossover satu titik 2. Gambar 2.5.2. N-1.5 diilustrasikan crossover satu titik.2 Crossover banyak titik Pada crossover banyak titik.2. Variabel-variabel ditukar antara kromosom pada titik tersebut untuk menghasilkan anak.….2.m) dengan N = panjang kromosom diseleksi secara randomdan tidak diperbolehkan ada posisi yang sama.2.7 diilustrasikan crossover lebih dari dua titik. Variabel-variabel ditukar antara kromosom pada titik tersebut untuk menghasilkan anak. Pada gambar 2. serta diurutkan naik. i=1.6 diilustrasikan crossover dua titik dan pada gambar 2.….….

Nilai baru dari gen pada anak mengikuti rumus berikut: ( ) ( ) ( ) ( ) ( ( ) ) ( )….2.1) ( )…. (2.7 Ilustrasi Crossover lebih dari dua titik 2.6 Ilustrasi Crossover dua titik Gambar 2. Selain itu juga ditentukan posisi dari gen yang dilakukan crossover menggunakan bilangan random.Gambar 2.2) . Crossover ini dilakukan dengan menentukan nilai r sebagai bilangan random lebih dari 0 dan kurang dari 1.3 Crossover aritmatika Crossover aritmatika digunakan untuk representasi kromosom berupa bilangan float (pecahan). (2.8 diilustrasikan bagaimana crossover aritmatika bekerja.5. Pada gambar 2.

Tentukan dua posisi pada kromosom dengan aturan acak. seperti partial-mapped crossover. Beberapa metode pindah silang tersebut dijelaskan seperti dibawah ini. 4. position based crossover. Tukar dua substring antar induk untuk menghasilkan proto-child. order based crossover. 2. Partial-Mapped Crossover (PMX). order crossover. Substring yang berada dalam dua posisi ini dinamakan daerah pemetaan. Hal yang penting dari PMX adalah pindah silang 2-poin ditambah dengan beberapa prosedur tambahan. PMX diciptakan oleh Goldberg dan Lingle. PMX merupakan rumusan modifikasi dari pindah silang dua poin.2.Gambar 2.4 Crossover untuk representasi kromosom permutasi Sejak pertengahan tahun 80-an. Tentukan kromosom keturunan mengacu pada hubungan pemetaan. cycle crossover. . Tentukan hubungan pemetaan diantara dua daerah pemetaan. 3. PMX mempunyai langkah kerja sebagai berikut: Prosedur PMX 1. heuristic crossover. beberapa metode operator pindah silang diciptakan untuk representasi permutasi.8 Crossover aritmatika 2. dan lain-lain.5.

Pilih substring dari sebuah induk secara acak.Proses diatas dapat digambarkan sebagai berikut: Gambar 2. Metode ini merupakan variasi dari PMX dengan prosedur tambahan. 2. 3. 4.9 Ilustrasi dari PMX operator Order Crossover (OX). SHR allele dari substring pada tempat yang bersesuaian. Bangkitkan sebuah proto-child dengan mengosongkan tempat substring induk 2 pada induk 1. OX diciptakan oleh Davis. Tukar substring antara 2 induk . OX bekerja sebagai berikut: Prosedur OX: 1.

Salin kota-kota dalam cycle pada proto-child dengan relasi posisi dari sebuah induk. Isi keturunan dengan kota-kota yang diingat tadi . CX diciptakan oleh Oliver. 2. dengan mengingat pola cycle. Tentukan kota-kota diingat yang berasal dari induk lain. 4.Proses OX dapat digambarkan sebagai berikut: Gambar 2. Tentukan cycle yang didefinisikan dari relasi kota-kota antar induk. Smith dan Holland.10 Ilustrasi OX operator Cycle Crossover (CX). 3. Metode ini mengkopi kota-kota dari satu induk dan memilih kota-kota yang lain dari induk yang lain. Cara kerja CX adalah sebagai berikut: Prosedur CX: 1.

Tetapi bila .6 Mutasi Operator berikutnya pada Algoritma genetika adalah mutasi gen. Operator ini berperan untuk menggantikan gen yang hilang dari populasi akibat proses seleksi yang memungkinkan munculnya kembali gen yang tidak muncul pada inisialisasi populasi.Proses CX dapat digambarkan sebagai berikut: Gambar 2.11 Ilustrasi CX operator 2. Peluang mutasi mengendalikan banyaknya gen baru yang akan dimunculkan untuk dievaluasi. banyak gen yang mungkin berguna tidak pernah dievalusi. dengan probabilitas yang rendah. Peluang mutasi (Pm) didefinisikan sebagai persentasi dari jumlah total gen pada populasi yang mengalami mutasi.2. Kromosom anak dimutasi dengan menambahkan nilai random yang sangat kecil (ukuran langkah mutasi). Jika peluang mutasi terlalu kecil.

dan bila perlu bias dilakukan perbaikan.12 Diagram alir proses mutasi Proses diatas menggambarkan cara mudah untuk melakukan mutasi.peluang mutasi ini terlalu besar. Ada yang berpendapat bahwa laju mutasi sebesar 1/n akan memberikan hasil yang cukup baik. Gambar 2. maka akan terlalu banyak gangguan acak. . Ada juga yang beranggapan bahwa laju mutasi tidak tergantung pada ukuran populasinya. Ada beberapa pendapat mengenai laju mutasi ini. dimana posisi gen yang akan dilakukan mutasi dipilih secara acak. Proses yang lain bias dengan melakukan mutasi pada gen sebanyak probabilitas mutasi dikalikan jumlah gen. Kromosom hasil mutasi harus diperiksa apakah masih berada pada domain solusi. sehingga anak akan kehilangan kemiripan dari induknya. dan juga algoritma kehilangan kemampuan untuk belajar dari history pencarian. Proses mutasi yang dilakukan tidak harus seperti pada proses tersebut.

Langkah-langkah mutasi adalah: 1. Pilih secara acak gen yang akan dimutasi. Ganti nilai gen (0 ke 1.3 Siklus Algoritma Genetika Siklus dari Algoritma genetika pertama kali diperkenalkan oleh David Goldberg.14 Siklus Algoritma genetika oleh David Goldberg .6. atau 1 ke 0) dari kromosom yang akan dimutasi tersebut.2 Mutasi kromosom permutasi Gambar 2. 4. dimana gambaran siklus tersebut dapat dilihat pada gambar dibawah ini: Gambar 2.2.2. Tentukan kromosom dari gen yang terpilih untuk dimutasi. 2. Hitung jumlah gen pada populasi (panjang kromosom dikalikan dengan ukuran populasi).6.13 Proses dan hasil mutasi 2.1 Mutasi biner Cara sederhana untuk mendapatkan mutasi biner adalah dengan mengganti satu atau beberapa nilai gen dari kromosom.2. 3. 2.

Algoritma genetika adalah algoritma yang dikembangkan dari proses pencarian solusi menggunakan pencarian acak.4 Hal Penting Dalam Pemakaian Algoritma Genetika Beberapa Hal yang harus diperhatikan genetika adalah: 1. Pada Algoritma genetika dapat digunakan nilai biner. dapat digunakan nilai biner atau float.15 Siklus Algoritma genetika yang diperbaharui oleh Michalewicz 2.Siklus ini kemudian diperbaiki oleh beberapa ilmuwan yang mengembangkan Algoritma genetika.5. 2. Ini terlihat pada proses pembangkitan populasi awal yang menyatakan sekumpulan solusi yang dipilih secara acak. yaitu Zbigniew Michalewicz dengan menambahkan operator elitism dan membalik proses seleksi setelah proses reproduksi. sehingga dalam proses evolusi dapat diharapkan diperoleh individu yang terbaik dalam pemakaian Algoritma 2. Fungsi diatas bila digambarkan akan menjadi: . Gambar 2.5 2. Dalam mendefinisikan nilai x sebagai individu. Berikutnya pencarian dilakukan berdasarkan proses-proses teori genetika yang memperhatikan pemikiran bagaimana memperoleh individu yang lebih baik.1 Contoh Penggunaan Algoritma Genetika Algoritma Genetika Untuk Mencari Nilai Maksimal Fungsi ( ) ( ) Individu menyatakan nilai x.

dengan batas 0 sampai 1.5. berarti 1 bit setara dengan 2-8. Sebagai contoh: 10001001 = (128+8+1)/256 = 0.3203 .2031 01010010 = (2+16+64)/256 = 0.2 Definisi individu Individu dinyatakan dalam 8 gen biner.16 fungsi ( ) ( ) Dari gambar diatas terlihat bahwa penyelesaian berada pada titik 0<x<1. Jadi dengan menggunakan 8 bit biner didefinisikan: 2.Gambar 2.5352 00110100 = (4+16+32)/256 = 0.

Seleksi dilakukan dengan menggunakan prosentasi fitness setiap individu mendapatkan luas bagian sesuai dengan prosentase nilai fitness-nya.4 Membangkitkan populasi awal Membangkitkan sejumlah individu. dan Tournament.5. karena yang dicari adalah nilai maksimum.5. Competition. maka dibangkitkan 10 individu dangan 8 gen biner yang dibangkitkan secara acak.5. dalam proses seleksi ini terdapat beberapa metode yang bias digunakan antara lain: Mesin Roullete. Gambar 2.17 Contoh populasi awal 2.3 Fungsi Fitness Fungsi fitness adalah fungsi F(x). 2. misalkan satu populasi terdiri dari 10 individu. Dalam contoh ini digunakan metode Mesin Roullete yang memang merupakan metode paling dasar dan model acaknya uniform.2.5 Seleksi Seleksi adalah proses pemilihan calon induk. .

Banyaknya pasangan induk yang mengalami crossover ditentukan dengan nilai probabilitas crossover. Tidak semua pasangan induk mengalami proses crossover.Gambar 2.19 Contoh crossover 2.6 Crossover Crossover merupakan proses mengkombinasikan dua individu untuk memperoleh individu-individu baru yang diharapkan mempunyai fitness lebih baik.7 Mutasi Mutasi gen adalah proses penggantian gen dengan nilai invers-nya.5. yaitu gen 0 menjadi 1 dan gen 1 menjadi 0. Proses ini dilakukan secara acak pada posisi .5.18 Contoh seleksi mesin roulette 2. Gambar 2.

gen tertentu pada individu-individu yang terpilih untuk dimutasikan. Gambar 2. Banyaknya individu yang mengalami mutasi ditentukan oleh besarnya probabilitas mutasi.21 Contoh hasil akhir Algoritma genetika .5.8 Hasil Akhir Algoritma Genetik Contoh hasil Algoritma genetika dari permasalahan diatas adalah: Gambar 2.20 Contoh mutasi 2.

7 Jenis – Jenis Pemesinan Mesin Sekrap Jenis mesin sekrap yang umum digunakan adalah sebagai berikut: 1. Gambar 2. dengan gerakan ini dihasilkan pekerjaan meratakan bidang. Benda kerja didukung pada rel silang sehingga memungkinkan benda kerja untuk digerakkan ke arah menyilang atau vertikal dengan tangan atau penggerak daya.Pada mesin ini pahat melakukan gerakan bolak-balik. membuat alur. 2.000 mm. sedangkan benda kerja melakukan gerakan ingsutan. Mesin Sekrap Datar atau Horizontal (Shaper) Mesin jenis ini umum dipakai untuk produksi dan pekerjaan serbaguna terdiri atas rangka dasar dan rangka yang mendukung lengan horizontal.6 Pemesinan mesin sekrap (shaping) Mesin sekrap (Shaping) adalah mesin perkakas yang mempunyai gerak utama bolak-balik horizontal dan berfungsi untuk merubah bentuk dan ukuran benda kerja sesuai dengan yang dikehendaki.Prinsip kerja mesin sekrap adalah gerakan berputar dari motor diubah menjadi gerak lurus/gerak bolak-balik melalui blok geser dan lengan penggerak. cocok untuk benda pendek dan tidak terlalu berat. Possisi langkah dapat diatur dengan spindle posisi dan untuk mengatur panjang langkah dengan bantuan blok geser.2. Panjang langkah maksimum sampai 1.22 Mesin Sekrap Datar atau Horizontal (Shaper) . membuat bidang bersudut atau bertingkat dan membentuk bidang-bidang yang tidak beraturan. Pahat bekerja pada saat gerakan maju.

000 mm. Panjang langkah mesin jenis ini ada yang mencapai 200 sampai 1. Gerakan pahat dari mesin ini naik turun secara vertikal.23 Mesin Sekrap Vertikal (Slotter) 3.2. Selain itu mesin ini juga bisa digunakan untuk operasi yang memerlukan pemotongan vertikal. Gambar 2. Benda kerja dipasang pada eretan yang melakukan gerak bolak-balik. menyerut dan bersudut serta untuk pengerjaan permukaan-permukaan yang sukar dijangkau. Mesin Sekrap Vertikal (Slotter) Mesin sekrap jenis ini digunakan untuk pemotongan dalam. Lebar benda ditentukan oleh jarak antartiang mesin. sedangkan benda kerja bisa bergeser ke arah memanjang dan melintang. Mesin Sekrap Planner Digunakan untuk mengerjakan benda kerja yang panjang dan besar (berat). sehingga dengan mesin ini bisa dilakukan pengerjaan pembagian bidang yang sama besar. sedangkan pahat membuat gerakan ingsutan dan gerak penyetelan. . Mesin jenis ini juga dilengkapi dengan meja putar.

yaitu: kekerasan dari bahan yang akan dipotong dan jenis alat potong yang digunakan.24 Mesin Sekrap Planner 2.1 Parameter . Untuk keperluan ini digunakan persamaan sebagai berikut: ( Dimana: V np lt = Kecepatan Potong (m/menit) = Jumlah langkah per menit (langkah/menit) = Panjang pemesinan (mm) ) Rs = Perbandingan kecepatan Berikut ini adalah tabel mengenai kecepatan potong beberapa bahan logam. Kecepatan potong dipengaruhi oleh dua faktor. yaitu kecepatan dimana pahat melintasi benda kerja untuk mendapatkan hasil yang paling baik pada kecepatan yang sesuai.Gambar 2.8.Parameter Pemesinan Mesin Sekrap Kecepatan potong (Cutting Speed) Kecepatan potong biasanya dinyatakan dalam isitilah m/menit.8 2. .

3. a (mm2) = Gerak makan (mm) = Kedalaman potong (mm) Dimana : A f a . Dalam proses sekrap. yang dapat diukur dengan persamaan : tc = w / ν f Dimana : w = lebar pemotongan benda kerja (mm) ν f = Kecepatan makan (mm/min) 2.R.8.1 Kecepatan potong beberapa logam Sumber George Love dan Harus A.V = f . Cutting Time Cutting time adalah waktu pemotongan dalam pemesinan mesin sekrap.Tabel 2. Pemakanan (Feed) Pemakanan (Feed) adalah pergerakan titik sayat alat potong per satu putaran benda kerja.5 Material Removal Rate Material Removal Rate adalah kecepatan penghasilan geram ( cm3/min) Z=A. feed dinyatakan dalam mm/min dan dapat di hitung dengan menggunakan persamaan berikut: ƒ ƒ p Dimana : ƒ = gerak makan (mm/langkah) 2. (1986:190) 2.8.8.2.

secara acak. P(generasi).BAB III METODOLOGI 3.1 Model Optimasi Model optimasi yang digunakan pada pengujian ini adalah SGA (Simple Genetic Algorithm) dengan cara : 6. Inisialisasi populasi awal. Mendefinisikan individu. Generasi = 0 (generasi awal) 7. 8. Kerjakan langkah-langkah berikut hingga generasi mencapai maksimum generasi: Generasi = generasi +1 (tambah generasi) Seleksi populasi tersebut untuk mendapatkan kandidat induk.1 bagan alir Simple Genetic Algorithm . P’(generasi) Lakukan crossover pada P’(generasi) Lakukan mutasi pada P’(generasi) Lakukan evaluasi fitness setiap inidividu pada P’(generasi) Bentuk populasi baru : P(generasi) = {P(generasi-1) yang survive. dimana individu menyatakan salah satu solusi (penyelesaian) yang mungkin dari permasalahan yang diangkat. P’(generasi)} Gambar 3.

Kedalaman Pemotongan (Depth of Cut) Kedalaman pemotongan adalah dalamnya masuk alat potong menuju sumbu sumbu benda.3.3 = Gerak makan (mm) = Putaran poros utama (benda kerja) Peralatan Pengujian . Feeding Speed Feeding Speed adalah kecepatan makan dalam pemesinan mesin sekrap (mm/min) vf = f . Dalam proses pembubutan depth of cut dapat diukur dengan menggunakan persamaan : ( Dimana: V np lt = Kecepatan Potong (m/menit) = Jumlah langkah per menit (langkah/menit) = Panjang pemesinan (mm) ) Rs = Perbandingan kecepatan 3.2 Parameter yang Digunakan Adapun parameter yang digunakan adalah: 1. yaitu kecepatan dimana pahat melintasi benda kerja untuk mendapatkan hasil yang paling baik pada kecepatan yang sesuai. n Dimana : f n 3. Kecepatan potong (Cutting Speed) Kecepatan potong biasanya dinyatakan dalam isitilah m/menit. Kecepatan potong dipengaruhi oleh dua faktor. yaitu: kekerasan dari bahan yang akan dipotong dan jenis alat potong yang digunakan. Untuk keperluan ini digunakan persamaan sebagai berikut: ( Dimana: V np lt = Kecepatan Potong (m/menit) = Jumlah langkah per menit (langkah/menit) = Panjang pemesinan (mm) ) Rs = Perbandingan kecepatan 2.

2 Notebook Asus A43S Dengan spesifikasi: 1. Notebook Digunakan untuk menyimpan dan mengolah data eksperimen. Mesin Sekrap (Shaping) Mesin sekrap yang digunakan adalah mesin bubut jenis horizontal. .Adapun peralatan yang dipakai dalam pengujian adalah sebagai beikut: 1. Processor type Intel® core i3 processor. 2x SO-DIMM 3. Gambar 3. display resolution 1366x768 4. Processor Onboard Intel® core i3 2330M 2. VGA Mobile Intel® NVIDIA GeForce GT 520Mdengan 1GB DDR3 VRAM. RAM Up to 2 GB of DDR3 1333 MHz SDRAM. Hard disk drive 160 GB 2.

c. d. Panjang Lebat Tingggi Tipe baja Jumlah = 50 mm = 12 mm = 12 mm = persegi panjang = 1 buah . Baja lunak (mild steel) Gambar 3. b.3 Mesin Sekrap Horizontal 3.4 Bahan Bahan yang digunakan adalah baja lunak yang diperutukan untuk pengujian yomini test 1.4 Baja lunak (mild steel) Dengan spesifikasi: a. e.Gambar 3.

Graha Ilmu: Yogyakarta Suyanto. Teori dan teknologi proses pemesinan. Universitas Malikussaleh Fadlisyah. 2009. Laboratorium teknik produksi dan metrologi industri jurusan teknik mesin Fakultas industri institut teknologi bandung : bandung http://www. Algoritma Genetika dalam MATLAB. 2005. Algoritma Genetik.rider-system. 1993. Diktat Kuliah Artificial Intelligence.DAFTAR PUSTAKA Fadlisyah. 2005.html . Algoritma Genetik.net/2011/10/mesin-sekrap-shaping-machine. ANDI: Yogyakarta Taufiq Rochim.

Sign up to vote on this title
UsefulNot useful

Master Your Semester with Scribd & The New York Times

Special offer: Get 4 months of Scribd and The New York Times for just $1.87 per week!

Master Your Semester with a Special Offer from Scribd & The New York Times