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

Transkripsi

1 TESIS PENEAPAN ALGOITMA GENETIK UNTUK OPTIMASI TANSFE DAYA PADA SISTEM SENSO GAS Muthmainnah DOSEN PEMBIMBING Dr. Melania Suweni Muntini, MT

2 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 ( L )

3 TUJUAN Mengetahui Kondisi optimum transfer daya menggunakan algoritma genetik Mencari Fungsi fitness yang sesuai dengan permasalahan optimasi transfer daya Mengetahui () yang sesuai Menerapkan dalam rangkaian sensor Mengetahui perubahan tegangan

4 UMUSAN MASALAH Bagaimana mengetahui Kondisi optimum transfer daya menggunakan algoritma genetik Bagaimana mencari Fungsi fitness yang sesuai dengan permasalahan optimasi transfer daya Bagaimana mengetahui () yang sesuai Bagaimana menerapkan dalam rangkaian sensor Bagaimana mengetahui perubahan tegangan

5 BATASAN MASALAH Optimasi dilakukan pada sistem sensor TGS 3870, TGS 2611, dan TGS 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.

6 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.

7 TINJAUAN PUSTAKA PENGKONDISI SINYAL KAAKTEISTIK SISTEM SENSO OPTIMASI DAYA ALGOITMA GENETIK

8 PENGKONDISI SINYAL Pengkondisi sinyal adalah rangkaian elektronik yang dapat digunakan untuk mendapatkan parameter fisik dan kemudian diubah menjadi sinyal keluaran yang diperlukan INVETING PENGKONDISI SINYAL Penguat sinyal dengan tegangan keluaran yang berlawanan fase dengan sinyal masukan NON-INVETING Penguat sinyal dengan tegangan keluaran yang sefase dengan sinyal masukan

9 NON-INVETING Pemilihan pengkondisi sinyal Tegangan keluaran sensor kecil Tegangan keluaran sensor + Masukan untuk mikrokontroler + V 2 1 out xv in 1 Gambar angkaian Penguat Non Inverting

10 PEBEDAAN KAAKTEISTIK SENSO 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 P s ( V S s ) 2 P S ( V C V S L ) 2 P S V 2 C S x L L 3 esistansi S V S V C 0,5V V S H x L S V C V L V L x L s V C V x out L L 4 Cycle 20 sec Kontinyu 250 msec 5 Jumlah pin Cara kerja V H dipasang seri dengan sensor untuk pemanasan, kemudian V C diterapkan antara S dan L yang dihu- bungkan berurutan untuk mengukur V S V H dan V C diterapkan melalui L yang dipasang seri dengan sensor untuk mengukur V S V C dipasang menyilang antara S dan L yang dihubungkan seri untuk mengukur V S

11 OPTIMASI DAYA Transfer daya akan maksimum jika tahanan dalam ( L ) sama dengan tahanan sensor ( S ) dan P merupakan fungsi S, maka untuk mencari nilai maksimum P adalah ) ( L S L S S S L S L S S S V V i P 0 ) ( L S L L S S S V d dp L S L S S V P 2 4

12 ALGOITMA GENETIK Suatu algoritma pencarian (searching) yang didasarkan pada mekanisme seleksi alam Pengkodean Fungsi fitness Seleksi Operasi genetik Elitisme

13 PENGKODEAN Tiga cara yang paling umum digunakan dalam pengkodean, yaitu: Binary encoding, setiap gen diberi nilai 0 atau 1. eal number, nilai gen berada dalam interval (0,) dengan adalah bilangan real positif dan biasanya =1. Discreet decimal decoding. Setiap gen bernilai salah satu bilangan bulat dalam interval (0,9)

14 CAA PENGKODEAAN x1 x2 x3 A 0,2390 1,0000 0,0131 g1 g2 g3 B g1 g2 g3 g4 g5 g6 g7 g8 g9 C g1 g2 g3 g4 g5 g6 g7 g8 g9

15 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

16 SELEKSI Ada dua macam seleksi: oda roulette digunakan untuk menentukan individu orang tua yang akan dikenai operasi genetik. ank based fitness biasanya digunakan untuk menentukan generasi baru setelah proses operasi genetik. Pada metode ini populasi diurutkan menurut ranking nilai fitness masingmasing individu.

17 OPEASI 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

18 ELITISME Untuk menjaga agar individu bernilai fitness tidak hilang selama evolusi, maka perlu dibuat satu atau beberapa kopinya. Prosedur ini disebut dengan elitisme.

19 VALIDASI Menentukan seberapa baik model yang dihasilkan Validasi autokorelasi i=1,2,3...n N= jumlah data N = autokorelasi = fitness data ke-t = fitness data ke-(t+1)

20 METODOLOGI Pengambilan data tegangan 1 Algoritma genetik Penyesuaian L Pengambilan data tegangan 2 Analisa data

21 PENGAMBILAN DATA 1 TUJUAN mengetahui besar tegangan sensor gas dalam kotak yang terisolasi pada konsentrasi yang tetap POSEDU -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

22 ALGOITMA GENETIK TUJUAN mengetahui kondisi transfer daya optimum yang terjadi antara sensor dan pengkondisi sinyal POSEDU -menggunakan program matlab -inisialisasi populasi -Evaluasi -operasi genetik -penentuan generasi

23 ALU ALGOITMA GENETIK POPULASI AWAL FUNGSI FITNESS COSSOVE POPULASI AWAL POPULASI AKHI -populasi awal -populasi hasil crossover -populas hasil mutasi

24 PENYESUAIAN L TUJUAN untuk mendapatkan transfer daya optimum POSEDU Nilai resistansi beban ( ) yang diperoleh dari algoritma genetik akan dipasangkan pada rangkaian sistem sensor

25 PENGAMBILAN DATA 2 TUJUAN mengetahui perubahan nilai tegangan yang ditunjukkan oleh sistem sensor setelah dilakukan pergantian POSEDU - Pengambilan data tegangan dilakukan setelah penyesuaian resistansi beban () dalam rangkaian sistem sensor. -Perubahan tegangan yang terjadi diamati dan dicatat selama 30 menit

26 ANALISA DATA DAN PEMBAHASAN ALGOITMA GENETIK IMPLEMENTASI ALGOITMA GENETIK VALIDASI PEUBAHAN TEGANGAN

27 ALGOITMA GENETIK INISIALISASI POPULASI FUNGSI FITNESS OPEASI GENETIK EVALUASI COSSOVE MUTASI POPULASI BAU

28 Populasi Awal Inisialisasi kromosom kromosom terdiri dari 2 gen dengan nilai V dan yang dibangkitkan sebanyak 5 kali. Pengkodean dilakukan dengan pengkodean real karena solusi yang akan dicari bernilai real. Jumlah populasi awal yang dibangkitkan adalah Semakin panjang range kromosom maka jumlah populasi yang dibangkitkan harus semakin besar. V11 V21 V Gambar epresentasi Pengkodean dalam Optimasi Transfer Daya

29 TABEL EPESENTASI GEN DALAM SATU POPULASI Krom V1n 1n V2n 2n V3n 3n fitness

30 Evaluasi Evaluasi bertujuan untuk mencari individuindividu yang baik sebelum dilakukan operasi genetik. Evaluasi yang digunakan adalah houlette whell. Probabilitas individu yang akan menjadi orang tua ditentukan oleh nilai fitness. Fungsi fitness 1 f ( E 1)

31 Tabel Evaluasi dengan Metode houlette Whell Krom fitness Pi Ci i Krom Baru ' ' ' ' ' ' ' '

32 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.

33 Crossover Pada pengkodean real crossover dilakukan dengan mengkombinasi dua buah kromosom yang terpilih. Pada penelitian ini proses crossover dilakukan dengan t 1 t t v1 av2 (1 a) v1 t 1 t t v2 av1 (1 a) v2 Nilai a pada penelitian ini dipilih 0.4 v 1t dan v 2t adalah kromosom orang tua

34 Tabel pemilihan orang tua yang akan crossover dan proses crossover Krom baru c Pc =0.8 2 = tidak 2 = tidak 1 = tidak 1 = tidak 7 = tidak 8 = cross 1 = cross 1 = 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)

35 Mutasi Mutasi dilakukan dengan mengganti nilai gen pada suatu kromosom yang terpilih. Pergantian gen dilakukan dengan Untuk v ' k v v k k ( t, y) ( t, uv ( t, v y.(1 k r v k ) lv) (1 t ) T b ) b = Parameter yang menunjukkan tingkat ketergantungan pada iterasi; r = Bilangan acak; t = Generasi; T = Generasi maksimum; lv = Batas bawah; uv = Batas atas

36 Tabel pemilihan orang tua yang akan dimutasi Krom m Pm= tidak Tidak Mutasi Tidak Tidak Tidak Mutasi Mutasi Tidak Tidak Tidak Tidak Tidak Tidak Mutasi krom baru 3* 15 7* 16 8* 17

37 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.

38 IMPLEMENTASI ALGOITMA GENETIK Sistem sensor gas CO Batasan 0 VS Hasil V= 4,727 = 753,17 Daya = 0,1188 Generasi ke-42 5 L Gambar grafik optimasi algoritma genetik

39 IMPLEMENTASI ALGOITMA GENETIK Sistem sensor gas metana Batasan 0 VS Hasil V= 4,746 = 458,5 Daya = 0,1965 Generasi ke-43 5 L Gambar grafik optimasi algoritma genetik

40 IMPLEMENTASI ALGOITMA GENETIK Sistem sensor gas amonia Batasan 0 VS Hasil V= 4,746 = 458,5 Daya = 0,1965 Generasi ke-43 5 L Gambar grafik optimasi algoritma genetik

41 Autokorelasi VALIDASI Pada grafik validasi dengan metode autokorelasi terlihat bahwa nilai autokorelasinya berada pada kisaran CO1 1.5 Metana Amonia Jenis Sistem Sensor

42 PENYESUAIAN L angkaian VH H SENSO S L VS VC 2 1

43 tegangan (V) CO L awal = 809 L algoritma genetik = 754 Konsentrasi gas 957,967 ppm perubahan V =0,105 volt waktu ke-

44 Tegangan (V) METANA L awal = 610 ohm L algoritma genetik = 459 ohm Konsentrasi gas 560,23 ppm perubahan 0,095 volt waktu ke-

45 tegangan (Volt) AMONIA L awal = ohm L algoritma genetik = 8006 ohm Konsentrasi gas 0,21 ppm perubahan V = 0,095 volt waktu ke-

46 TABEL PEBANDINGAN Jenis sensor esistansi beban (Ω) Tegangan (volt) Daya (watt) CO Metana E Amonia Keterangan: 1= Sebelum perubahan resistansi beban ( ) G = Setelah perubahan resistansi beban ( )

47 KESIMPULAN 1.Transfer daya optimum: CO: V= 4,73 volt, L=753,2 ohm, P=0,1188 watt. metana: V= 4,75 volt, L= 458,5 ohm, P=0,1965 watt. amonia: V=4,74 volt, L= 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.esistansi 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

48 KESIMPULAN 3.esistansi 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

49 LOGO

50 Perbandingan konstanta a pada proses crossover orang tua 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