METODA GENETIC ALGORITMA SEBAGAI PERENCANAAN LINTASAN ROBOT UNTUK APLIKASI PENGEBORAN PADA PCB 1)Adam Ridiantho M, 2 Djoko Purwanto 1,2) Program Studi Teknik Elektro, Program Pasca Sarjana, ITS Ruang B205, Kampus ITS, Keputih, Sukolilo, Surabaya. Email: arincom2004@yahoo.com Telp : 081330124654 ABSTRAK Pembuatan PCB merupakan suatu kegiatan yang biasa dilakukan oleh mahasiswa program studi elektronika ataupun industri yang bergerak dibidang elektronika terutama pada bagian RND. Demikian pula penggunaan peralatan penunjang untuk pembuatan PCB. Salah satu alat dalam proses pembuatan PCB adalah mesin bor. Mesin bor yang digunakan mulai dari yang manual sampai yang automatis ( robot ). Penelitian pun diarahkan untuk menciptakan mesin bor automatis ( robot ) yang mampu mengebor dengan cepat dan efisien tanpa ada satu lubang yang terlewatkan. Dalam paper ini akan dipresentasikan metoda pengeboran PCB yang dilakukan oleh robot dengan kemampuan pemetaan posisi lubang dan perencanaan lintasan ( path planning ) secara automatis. Pemetaan pada umumnya dibentuk secara manual dengan cara memasukkan posisi koordinat setiap lubang ( hole ), pemetaan posisi secara manual biasanya berurutan berdasarkan kesamaan koordinat x atau koordinat y untuk setiap lubang. Dengan metoda manual seperti ini mengakibatkan gerak robot semakin jauh / panjang dan tidak efisien yang mengakibatkan proses pengeboran PCB membutuhkan waktu yang lama. Dalam paper ini akan ditunjukkan penggunaan metoda genetic algoritma yang dilakukan robot sebagai pemetaan posisi. Perencanaan lintasan dilakukan oleh robot agar semua posisi lubang dalam PCB dapat dibor. Optimasi perencanaan lintasan dibutuhkan agar dihasilkan jarak lintasan yang terpendek berkaitan dengan waktu pengeboran yang singkat. Efisiensi jarak tempuh dengan menggunakan metoda genetik algoritma dapat mencapai lebih dari 50% dibandingkan dengan menggunakan metoda biasa. Penelitian ini diharapkan memberi kontribusi pada pengembangan teknologi robot pengeboran PCB. PENDAHULUAN Algoritma Genetika adalah algoritma yang memanfaatkan proses seleksi alamiah yang dikenal dengan proses evolusi. Dalam proses evolusi, individu secara terusmenerus mengalami perubahan gen untuk menyesuaikan dengan lingkungan hidupnya. Hanya individu-individu yang kuat yang mampu bertahan. Proses seleksi alamiah ini melibatkan perubahan gen yang terjadi pada individu melalui proses perkembangbiakan. Dalam algoritma genetika ini, proses perkembang-biakan ini menjadi proses dasar yang menjadi perhatian utama, dengan dasar berpikir: Bagaimana mendapatkan keturunan yang lebih baik.
DEFINISI PENTING DALAM ALGORITMA GENETIKA Genotype (Gen) adalah sebuah nilai yang menyatakan satuan dasar yang membentuk suatu arti tertentu dalam sekelompok gen yang dinamakan kromosom.dalam algoritma genetika, gen bisa berupa nilai biner, float, ataupun integer. Allele, adalah nilai suatu gen. Kromosom adalah gabungan dari gen yang membentuk nilai tertentu. Individu, menyatakan satu nilai atau keadaan yang menyatakan salah satu solusi yang mungkin dari permasalahan yang diangkat Populasi, merupakan sekumpulan individu yang akan diproses bersama dalam satu siklus proses evolusi. Generasi, menyatakan satu-satuan siklus proses evolusi. Nilai Fitness, menyatakan seberapa baik nilai dari suatu individu atau solusi yang didapatkan. Langkah langkah yang harus dilakukan dalam menggunakan algoritma genetika Yang pertama kali yang dilakukan dalam menggunakan algoritma genetika adalah mendefinisikan individu dimana individu tersebut menyatakan salah satu penyelesaian dari permasalah yang diangkat. Individu tersebut lalu dihitung dengan tujuan untuk mengetahui kualitas dari individu tersebut, hal ini disebut nilai fitnes. Selanjutnya adalah Menentukan proses pembangkitan populasi awal. Hal ini biasanya dilakukan dengan menggunakan pembangkitan acak. Langkah selanjutnya menentukan proses seleksi,proses perkawinan silang / cros over dan mutasi gen yang akan digunakan. Algoritma genetika dalam perangkat lunak Membangkitkan populasi awal, pada permasalahan ini yang dimaksud populasi adalah hubungan antar lubang pada pcb. Hubungan antar lubang tersebut terjadi dengan cara menghubungkan secara acak / random. Dengan contoh pada pcb terdapat 8 lubang maka terdapat 9 gen ( 8 gen + 1 gen duplikat dari gen 1 ) dengan asumsi robot akan kembali ke titik awal. Langkah selanjutnya adalah evaluasi fitnes. Gambar 3.1 Blok diagram Algoritma genetika individu yang baik / berkualitas mempunyai nilai fitnes yang besar sedangkan tujuan dari penggunaan algoritma genetika untuk mendapatkan lintasan terpendek. C-1-2
fitnes 1000 ((x x ) 2 1 (y y ) 2 1 ) setelah mendapatkan nilai fitnes maka langkah selanjutnya adalah seleksi individu, seleksi ini berfungsi untuk mendapatkan calon induk yang Gambar 3.2 Mesin Roulete berkualitas dengan harapan akan menghasilkan anak yang baik. Semakin tinggi nilai fitnes dari suatu individu maka semakin besar kemungkinan untuk terpilih. Seleksi ini menggunakan teknik mesin roulete. Setiap bagian dari mesin roulete ini mengambarkan besarnya nilai fitnes dari setiap individu. Gambar 3.3 Blok diagram Crosover C-1-3
Individu yang memiliki nilai fitnes besar kemungkinan terpilih semakin besar pula. Setelah mendapakan individu yang baru maka proses selanjutnya adalah reproduksi dengan cara perkawinan sebagaian gen dari dua buah induk / individu. Proses ini dinamakan cros over / perkawinan silang. Cros over ini akan menghasilkan individu baru yang kemungkinan lebih kuat dari induknya. Setelah melakukan cros over langkah selanjutnya adalah mutasi gen yang akan mengeser / merubah gen gen dalam satu individu pergeseran ini ditentukan dengan probabilitas mutasi yang telah ditentukan. Analisa Algoritma Genetik Pada Perencanaan Lintasan Robot Untuk Pengeboran Pcb. Pada tahap analisa kerja, banyaknya posisi lubang yang dipakai sebanyak 8.Posisi lubang ditampilkan dalam bentuk koordinat dengan 8 titik seperti terlihat dalam gambar 4.1. Individu menyatakan urutan posisi lubang yang dinyatakan dalam bentuk numerik 1 sampai 8, pada yang ke 9 merupakan duplikat dari yang pertama dengan asumsi robot kembali ke posisi semula. Dalam satu individu terdapat 9 gen. Gambar 4.1. Data koordinat Urutan gen seperti contoh ( 718354627). Setelah mendapatkan data koordinat dari setiap lubang langkah selanjutnya adalah menghubungkan setiap koordinat dengan koordinat yang lain ( membangkitkan populasi awal ) hubungan dibangkitkan secara acak. Lalu setiap individu tersebut dihitung nilai fitnesnya. Gambar 4.2. Pemutaran roulete 1 C-1-4
Gambar 4.3. Hasil roulete 1 Hasil dari roulete akan membentuk individu baru yang berkualitas. Seperti pada gambar 4.3. Individu barus yang berkualitas telah didapat dengan pemutaran roulete. Individu dengan nilai fitnes terkecil saling dikawinkan / crosover diharapkan hasil dari perkawinan silang tersebut akan menghasilkan individu yang berkualitas. Gambar 4.4. proses cros over Gambar 4.4. adalah proses cros over anak 1* hasil dari perkawinan induk 1 dan induk 2 pada anak 1* tersebut terdapat gen yang konflik / sama sehingga harus diproses lagi sampai dalam satu kromosom tidak terdapat gen yang konflik. Setelah proses crosover selesai,proses selanjutnya adalah mutasi gen, yang mana proses mutasi ini hanya diberikan pada nilai fitnes antara maksimal dengan minimal diharapkan prosess mutasi ini akan menambah nilai fitnes kromosom tersebut. Pemilihan gen yang akan dimutasi dalam satu kromosom mengunakan metoda acak / random. Setelah melakukan mutasi gen maka telah didapat individu baru yang akan dihitung nilai fitnesnya. Jika nilai fitnes telah mencapai nilai optimum dari yang telah ditentukan maka proses tersebut telah dapat selesai. C-1-5
HASIL PENGUJIAN ALGORITMA GENETIK PADA PERENCANAAN LINTASAN ROBOT UNTUK PENGEBORAN PCB. Agar dapat mengetahui bahwa metoda genetik algoritma telah berkerja dengan baik, maka pengujian metoda GA harus dibandingkan dengan metoda konvensional seperti metoda Sort by X yang mana metoda ini akan melakukan pengurutan berdasarkan kesamaan koordinat X dan sort by Y yang mana metoda ini akan mengurutkan berdasarkan kesamaan koordinat Y. Gambar 5.1 Hasil dari tiga buah metoda (1) Pada gambar 5.1 total lubang adalah 18, dengan menggunakan metoda GA lintasan yang ditempuh sejauh 13 mm, lintasan yang ditempuh dengan metoda sort by X sejauh 12 mm dan lintasan yang ditempuh dengan mengunakan metoda sort by Y sejauh 17 mm. Gambar 5.2 Hasil dari tiga buah metoda (2) C-1-6
Pada gambar 5.2 total lubang adalah 50, dengan menggunakan metoda GA lintasan yang ditempuh sejauh 27 mm, lintasan yang ditempuh dengan metoda sort by X sejauh 86 mm dan lintasan yang ditempuh dengan mengunakan metoda sort by Y sejauh 34 mm. Gambar 5.3 Hasil dari tiga buah metoda (3) Pada gambar 5.3 total lubang adalah 541, dengan menggunakan metoda GA lintasan yang ditempuh sejauh 333 mm, lintasan yang ditempuh dengan metoda sort by X sejauh 470 mm dan lintasan yang ditempuh dengan mengunakan metoda sort by Y sejauh 2249 mm. Tabel 4.1. Pengukuran lintasan Tabel 4.1 merupakan tabel pengukuran total lintasan yang dilakukan oleh robot,tabel tersebut juga menampilkan perbandingan antara pengunaan metoda GA, metoda sort by X dan sort by y. Lintasan sort by X dan Y merupakan pencarian lintasan dengan metoda C-1-7
konvensional, metoda ini optimal jika lubang yang akan di bor tidak banyak dan posisi koordinatnya mudah akan tetapi jika lubang yang akan dibor banyak maka metoda algoritma genetik jauh lebih optimal. Efisiensi yang dihasilkan dengan metoda algoritma genetika mencapai lebih dari 50 persen. KESIMPULAN Pada penelitian ini telah berhasil dibangun perangkat lunak berbasis algoritma genetik untuk perencanaan lintasan pada aplikasi robot pengeboran pcb. Pada saat pengujian, perangkat lunak dapat melakukan perencanaan lintasan yang optimal DAFTAR PUSTAKA Zbigniew Michalewicz. (1999 ), Genetic Algortihms + Data Structures = Evolution Programs,Third Edition.Springger-Verlag Berlin Heidelberg. Arabas,J.,Michalewicz, Z., and Mulawka, J. GAVaPS. AGenetic Algoritm with Varying Population Size,In[275], pp73-78. Cooper,L.,and Steinberg,.D. Introduction to Methods of Optimization,W.B Saunders, London,1970. C-1-8