UAS GA

[KEMBALI KE MENU SEBELUMNYA]

DAFTAR ISI

1. Soal Nomor 1

2. Soal Nomor 2

3. Soal Nomor 3

4. Soal Nomor 4

5. Download File

UAS ALGORITMA GENETIKA

1. Soal Nomor 1 [Kembali]
1.Jelaskan secara singkat Proses Perhitungan Algoritma Genetik seperti gambar berikut.

    Jawab :

Proses perhitungan pada Algoritma Genetik (AG) bekerja berdasarkan siklus iteratif yang mengadopsi mekanisme evolusi biologis. Berikut adalah tahapan prosesnya:

1. Inisialisasi: Langkah awal dimulai dengan membangkitkan populasi awal, yaitu sekumpulan individu atau solusi potensial yang dihasilkan secara acak.
2. Evaluasi Fitness: Setiap individu dalam populasi kemudian dihitung nilai fitness-nya melalui fungsi objektif untuk mengetahui seberapa baik solusi tersebut dalam memecahkan masalah.
3. Seleksi Kriteria: Setelah dievaluasi, sistem akan memeriksa apakah kriteria optimasi sudah tercapai. Jika sudah (ya), maka individu terbaik akan diambil sebagai solusi akhir.
4. Operasi Genetika (Jika belum optimal): Jika kriteria belum tercapai (tidak), algoritma masuk ke tahap pembentukan populasi baru. Tahapan ini meliputi:

·       Seleksi: Memilih individu dengan nilai terbaik untuk menjadi orang tua bagi generasi berikutnya.

·       Rekombinasi (Crossover): Menggabungkan gen dari dua orang tua untuk menciptakan keturunan atau solusi baru.

·       Mutasi: Mengubah beberapa gen secara acak untuk menjaga keragaman genetik dan mencegah algoritma terjebak pada solusi optimum lokal.

5. Looping: Setelah populasi baru terbentuk, algoritma kembali melakukan evaluasi fungsi objektif hingga mencapai kondisi berhenti (kriteria optimasi terpenuhi).

2. Soal Nomor 2 [Kembali]

Rancanglah suatu Aplikasi GA sederhana dengan memakai toolbox di Matlab.

Jawab:

"Aplikasi ini dirancang untuk menyelesaikan masalah optimasi penempatan dan penentuan kapasitas kapasitor pada sistem distribusi tenaga listrik. Tujuannya adalah meminimalkan deviasi tegangan (voltage deviation) agar profil tegangan bus mendekati nilai referensi 1.0 per-unit."

Berikut diampilkan parameter yang digunakan dalam optimoptions mengontrol perilaku algoritma.

Struktur Program

Program ini dibagi menjadi dua file utama agar alur kerjanya modular dan mudah dibaca:

• fitness_fungsi.m (Fungsi Objektif): Berperan sebagai "hakim" yang menilai seberapa baik sebuah solusi. Dalam optimasi, nilai yang dikembalikan disebut fitness. Di sini, kita menghitung selisih antara tegangan sistem saat ini dengan target ideal (1.0 p.u.). Semakin kecil nilainya (mendekati 0), semakin baik solusinya.
• main_ga.m (Script Utama): Merupakan motor penggerak yang mengatur parameter optimasi, menjalankan algoritma, dan menampilkan hasil akhir.

Penjelasan Proses Algoritma Genetika (GA)

Dalam main_ga.m, program melewati beberapa tahapan evolusi:

1. Inisialisasi Populasi: Program membuat 50 individu acak (sesuai PopulationSize) yang masing-masing berisi pasangan nilai [Bus, kVAR].
2. Evaluasi Fitness: Setiap individu dikirim ke fitness_fungsi.m untuk dihitung tingkat kesalahannya.
3. Seleksi (@selectiontournament): Algoritma memilih individu yang memiliki error paling kecil untuk bertahan hidup dan menjadi "orang tua" bagi generasi berikutnya.
4. Rekombinasi/Crossover (@crossoverintermediate): Individu yang terpilih "dikawinkan" dengan menggabungkan nilai Bus dan kVAR dari dua orang tua untuk menciptakan keturunan baru yang berpotensi lebih baik.
5. Mutasi (@mutationgaussian): Program memberikan sedikit perubahan acak pada nilai variabel keturunan. Ini adalah tahap paling penting untuk menjaga agar pencarian tidak berhenti di satu titik saja (menghindari local optima) dan terus menjelajah ruang solusi yang lebih luas.
6. Elitisme: Program menyimpan 2 individu terbaik secara langsung ke generasi berikutnya agar solusi terbaik yang pernah ditemukan tidak hilang karena proses mutasi atau crossover.

Analisis Parameter Utama

Untuk memahami mengapa program berjalan dengan cara tertentu, berikut penjelasan dari konfigurasi Anda:

• nvars = 2: Menandakan ada dua parameter yang dicari, yaitu lokasi bus dan kapasitas kapasitor.
• lb & ub: Menentukan batas fisik. Contoh: Kapasitor tidak bisa bernilai negatif dan tidak boleh melebihi 500 kVAR.
• MaxGenerations = 100: Program memberikan kesempatan bagi algoritma untuk memperbaiki diri sebanyak 100 kali. Jika dalam 100 generasi belum ditemukan solusi yang sempurna, program akan memberikan solusi terbaik yang berhasil ditemukan.

Analisis Hasil Simulasi :

Hasil simulasi menunjukkan bahwa algoritma telah berhasil menemukan solusi optimal untuk memperbaiki profil tegangan sistem.

• Lokasi Kapasitor Optimal (Bus ke-10): Ini adalah titik yang paling efektif dalam sistem distribusi tersebut untuk menempatkan kapasitor. Secara elektrik, penempatan pada bus ini memberikan kontribusi maksimal dalam menyuntikkan daya reaktif ($Q$) untuk mengompensasi beban reaktif yang ada.
• Kapasitas Kapasitor Optimal (553.00 kVAR): Algoritma telah menentukan bahwa kapasitas sebesar 553.00 kVAR adalah nilai yang paling tepat untuk menyeimbangkan kebutuhan kompensasi. Jika kapasitas terlalu kecil, tegangan tidak akan mencapai target; jika terlalu besar, sistem bisa mengalami overvoltage.
• Nilai Error Tegangan (0.0000): Ini adalah indikator performa utama (Key Performance Indicator). Nilai nol menunjukkan bahwa setelah kapasitor dipasang, profil tegangan pada bus tersebut tepat mencapai nilai target (1.0 per-unit). Ini menandakan konvergensi sempurna dari algoritma.
  
  

  Hasil akhir yang diperoleh:
  

  
  "Berdasarkan optimasi GA, didapatkan penempatan kapasitor yang ideal pada Bus ke-10 dengan kapasitas sebesar 553.00 kVAR. Hasil ini memberikan nilai Error Tegangan 0.0000, yang berarti sistem distribusi telah beroperasi pada profil tegangan ideal (1.0 p.u.) dengan efisiensi kompensasi reaktif yang optimal."

3. Soal Nomor 3 [Kembali]

Buatlah aplikasi simulasi kontrol posisi servomotor DC dengan kontroler PID secara simultan untuk waktu respon yang berbeda(Simulasi Perlakuan Servomotor DC sebagai Pengendali Posisi dengan Menerapkan Algoritma Genetik). Pembuatan program simulasi dengan bantuan GAOT (genetic algorithm optimization toolbox) pada program matlab.

Jawab:

"simulasi sistem kendali posisi servomotor DC di mana parameter PID (Kp, Ki, Kd) dioptimasi secara otomatis menggunakan Algoritma Genetik (GA)."

Kita asumsikan transfer function servomotor DC adalah sebagai berikut:

$$G(s)=\frac{K}{s(Ts+1)}$$

Untuk simulasi ini, digunakan nilai parameter standar:

• $K = 1$
• $T = 0.1$

Sehingga transfer function menjadi:

$$G(s)=\frac{1}{s(0.1s+1)}$$

Analisis Hasil Simulasi :

Analisis Hasil Command Window (Parameter Optimal)

Hasil optimasi menunjukkan nilai parameter PID sebagai berikut:

• $K_p = 91.1149$
  
• $K_i=\mathrm{0.0002 }$
• $K_d = 9.1115$
  

Nilai-nilai tersebut menunjukkan karakteristik kendali yang sangat spesifik, yaitu:

• Proportional Gain ($K_p = 91.1149$)
  Nilai $K_p$ yang cukup tinggi memberikan aksi kendali yang kuat sehingga servomotor dapat bergerak dengan cepat menuju nilai referensi (setpoint). Hal ini membuat respon awal sistem menjadi sangat responsif.
• Integral Gain ($K_i = 0.0002$)
  Nilai $K_i$ yang sangat kecil menunjukkan bahwa sistem telah memiliki tingkat akurasi yang baik secara alami, atau telah didukung oleh nilai $K_p$ yang tinggi. Oleh karena itu, aksi integral yang diperlukan untuk menghilangkan steady-state error menjadi sangat kecil.
• Derivative Gain ($K_d = 9.1115$)
  Nilai $K_d$ berfungsi sebagai peredam (damper) yang mengurangi kecenderungan sistem mengalami overshoot. Dengan nilai tersebut, gerakan servomotor menjadi lebih stabil sehingga mampu mencapai posisi target secara halus tanpa menghasilkan osilasi yang berlebihan.
• Nilai Error (ITAE = 0.0113)
  Nilai Integral of Time-weighted Absolute Error (ITAE) sebesar 0.0113 tergolong sangat rendah. Hal ini menunjukkan bahwa algoritma optimasi berhasil meminimalkan akumulasi kesalahan selama proses simulasi sehingga sistem memiliki performa pengendalian yang sangat baik.

Analisis Respons Grafik (Step Response)

Berdasarkan grafik step response yang diperoleh, dapat dianalisis sebagai berikut:

• Kestabilan Tanpa Osilasi
  Kurva respon bergerak secara halus (monotonik) menuju nilai referensi sebesar 1. Tidak terlihat adanya overshoot maupun undershoot, sehingga menunjukkan karakteristik respon yang stabil. Kondisi ini sangat diharapkan pada sistem kendali posisi servomotor karena posisi target dapat dicapai secara tepat tanpa melewati nilai yang diinginkan.
• Waktu Respon yang Sangat Cepat
  Sistem mampu mencapai kondisi steady-state dalam waktu kurang dari 0,05 detik. Hal ini menunjukkan bahwa kontroler PID hasil optimasi Algoritma Genetika memiliki settling time yang sangat singkat sehingga servomotor dapat merespons perubahan masukan dengan cepat dan akurat.

Analisis Peran Algoritma Genetika (Genetic Algorithm)

Keberhasilan optimasi parameter PID pada penelitian ini tidak terlepas dari peran Algoritma Genetika (Genetic Algorithm/GA), yang berfungsi sebagai metode pencarian parameter optimal.

• Pencarian Global (Global Search)
  Permasalahan optimasi parameter PID umumnya memiliki banyak solusi optimum lokal. Algoritma Genetika mampu melakukan pencarian secara global pada seluruh ruang solusi sehingga peluang memperoleh kombinasi parameter terbaik menjadi lebih besar dibandingkan metode pencarian manual.
• Proses Evolusioner
  GA bekerja dengan mengadopsi mekanisme seleksi alam. Kombinasi parameter PID yang menghasilkan nilai ITAE paling kecil dianggap sebagai individu dengan tingkat fitness terbaik. Individu tersebut kemudian dipertahankan dan mengalami proses crossover serta mutation untuk menghasilkan generasi baru yang memiliki kualitas lebih baik.
• Efisiensi Optimasi
  Tanpa menggunakan Algoritma Genetika, proses penentuan parameter PID seperti $K_p = 91.1149$, $K_i = 0.0002$, dan $K_d = 9.1115$ secara manual akan membutuhkan waktu yang sangat lama serta belum tentu menghasilkan performa sistem yang seoptimal hasil optimasi GA. Oleh karena itu, penggunaan Algoritma Genetika mampu meningkatkan efisiensi sekaligus menghasilkan parameter kendali yang mendekati kondisi optimal.

Kesimpulan :

"Simulasi ini menunjukkan bahwa penggunaan Algoritma Genetika (GA) sangat efektif untuk mengoptimasi parameter kontroler PID pada sistem servomotor DC. GA mampu menemukan konfigurasi parameter yang menghasilkan respon yang cepat, stabil, dan memiliki error (ITAE) yang sangat minimal, yang membuktikan keunggulan teknik optimasi cerdas dibandingkan metode konvensional."

4. Soal Nomor 4 [Kembali]

Buatlah aplikasi GA dan simulasikan yang berhubungan dengan bidang teknik Elektro khususnya kontrol di Matlab.

Jawab:

Aplikasi "Optimasi Speed Control Motor Induksi dengan metode V/f Control"

Teori Dasar: Speed Control Motor Induksi (V/f Control)

Motor induksi tiga fasa adalah motor yang paling umum digunakan di industri karena ketangguhannya. Namun, untuk aplikasi yang memerlukan pengaturan kecepatan, motor induksi membutuhkan sistem kontrol yang tepat.

• Prinsip Constant V/f (Variable Voltage Variable Frequency)

Kecepatan sinkron ($\omega_s$) dari motor induksi ditentukan oleh frekuensi pasokan ($f$) dan jumlah kutub ($P$), yang dinyatakan dengan persamaan:

$$\omega_s = \frac{120f}{P}$$

Untuk mengubah kecepatan motor, frekuensi ($f$) harus diubah. Namun, apabila frekuensi diturunkan tanpa diikuti penyesuaian tegangan ($V$), maka fluks magnetik pada air gap motor akan meningkat secara signifikan sehingga dapat menyebabkan saturasi magnetik dan berpotensi merusak motor. Oleh karena itu, rasio antara tegangan ($V$) dan frekuensi ($f$) harus dijaga tetap konstan ($V/f = \text{konstan}$) agar fluks magnetik tetap berada pada nilai nominalnya selama motor beroperasi.

•  Kebutuhan Kontroler (PI/PID)

Meskipun metode Constant V/f mampu menjaga fluks magnetik tetap konstan, metode ini belum dapat menjamin kecepatan motor tetap akurat ketika terjadi perubahan beban (load disturbance). Oleh karena itu, diperlukan kontroler PI (Proportional-Integral) untuk meningkatkan performa sistem pengendalian.

1. Proportional ()
   Komponen proporsional memberikan aksi koreksi secara cepat ketika terdapat selisih antara kecepatan aktual dengan kecepatan referensi (setpoint). Semakin besar nilai error, semakin besar pula aksi koreksi yang diberikan.
2. Integral ()
   Komponen integral berfungsi mengakumulasi error yang masih tersisa dari waktu ke waktu sehingga steady-state error dapat dihilangkan. Dengan demikian, kecepatan motor akan mencapai dan mempertahankan nilai yang sesuai dengan kecepatan referensi.
   

• Mengapa Menggunakan Algoritma Genetika (Genetic Algorithm/GA)?

Penyetelan parameter dan secara manual (trial and error) pada sistem kendali motor induksi merupakan proses yang cukup sulit karena karakteristik sistem yang bersifat nonlinier serta adanya perubahan beban (load disturbance) selama motor beroperasi. Oleh karena itu, Algoritma Genetika (Genetic Algorithm/GA) digunakan sebagai metode optimasi untuk memperoleh parameter kontroler yang optimal.

1. Optimasi Parameter
   Algoritma Genetika digunakan untuk mencari kombinasi nilai dan yang paling optimal sehingga menghasilkan performa sistem kendali terbaik dengan nilai error sekecil mungkin.
2. Kriteria Penilaian (ITAE)
   Proses optimasi menggunakan Integral Time Absolute Error (ITAE) sebagai fungsi objektif (objective function). Dengan meminimalkan nilai ITAE, sistem diharapkan mampu mencapai kecepatan referensi dalam waktu yang singkat, menghasilkan settling time yang cepat, serta meminimalkan osilasi selama proses transien.

Kekokohan (Robustness)

Penggunaan Algoritma Genetika juga bertujuan meningkatkan kekokohan sistem kendali, sehingga motor induksi tetap mampu mempertahankan performa yang stabil meskipun terjadi perubahan karakteristik motor akibat kenaikan suhu maupun variasi beban selama pengoperasian.

Analisis Hasil Simulasi :

Hasil optimasi menggunakan Algoritma Genetika menghasilkan parameter kontroler PI sebagai berikut:

• $K_p = 22.7966$
  
• $K_i=45.5931$

Nilai-nilai tersebut menunjukkan bahwa algoritma telah berhasil menemukan kombinasi parameter yang optimal untuk meningkatkan performa sistem kendali motor induksi.

• Proportional Gain ($K_p = 22.7966$)
  Nilai $K_p$ memberikan aksi koreksi yang cukup cepat terhadap perubahan error sehingga motor dapat merespons perubahan kecepatan referensi dengan baik tanpa menghasilkan respon yang terlalu agresif.
• Integral Gain ($K_i = 45.5931$)
  Nilai $K_i$ yang relatif tinggi menunjukkan bahwa Algoritma Genetika berupaya meminimalkan steady-state error. Komponen integral mengakumulasi error dari waktu ke waktu sehingga kecepatan motor dapat mencapai dan mempertahankan nilai referensi dengan tingkat akurasi yang tinggi.
• Nilai Error (ITAE = 0.0013)
  Nilai Integral Time Absolute Error (ITAE) sebesar 0.0013 merupakan nilai yang sangat kecil. Dalam sistem kendali, semakin mendekati nol nilai ITAE, semakin baik performa kontroler karena menunjukkan bahwa sistem mampu mengikuti sinyal referensi dengan cepat, menghasilkan error yang sangat kecil, serta memiliki respon yang stabil dan efisien.
  
  

  Analisis Grafik Respons (Step Response)

  Grafik yang Anda unggah sangat ideal untuk kontrol motor induksi:

• Respon Monotonik (Tanpa Osilasi): Grafik naik dengan mulus menuju target (Amplitudo 1) tanpa adanya overshoot (lonjakan melewati target) dan tanpa undershoot. Ini menandakan sistem kendali Anda sangat stabil.

• Respon Sangat Cepat: Anda dapat melihat sistem mencapai kondisi steady-state (mendekati 1) dalam waktu kurang dari 0.025 detik. Dalam industri, ini adalah kecepatan respon yang luar biasa untuk pengaturan kecepatan motor listrik.
  

Konfirmasi Peran GA:

Algoritma Genetika (Genetic Algorithm/GA) berhasil melakukan optimasi parameter kontroler PI pada sistem Constant V/f Control. Melalui mekanisme pencarian global, GA mengeksplorasi berbagai kombinasi nilai dan di dalam ruang solusi untuk memperoleh parameter yang menghasilkan performa kendali terbaik.

Proses optimasi dilakukan secara evolusioner melalui tahapan seleksi, crossover, dan mutasi. Pada setiap iterasi, kombinasi parameter dievaluasi menggunakan fungsi objektif Integral Time Absolute Error (ITAE). Kombinasi parameter yang menghasilkan nilai ITAE paling kecil dipilih sebagai individu terbaik dan digunakan untuk membentuk generasi berikutnya hingga diperoleh solusi yang optimal.

Hasil optimasi menunjukkan bahwa parameter PI yang diperoleh mampu menghasilkan respon kecepatan yang cepat (fast response), stabil, serta tanpa overshoot. Selain itu, nilai ITAE yang sangat kecil menunjukkan bahwa sistem mampu mengikuti kecepatan referensi dengan tingkat kesalahan yang minimal. Dengan demikian, penggunaan Algoritma Genetika terbukti efektif dalam meningkatkan performa sistem kendali motor induksi berbasis metode Constant V/f, sehingga memenuhi kriteria utama sistem penggerak listrik industri, yaitu respon yang cepat, akurat, dan stabil.

Top of Form

Bottom of Form

5. Download File [Kembali]

    Download File     klik disini