I.

PENDAHULUAN

1. LATAR BELAKANG Dalam kehidupan sehari-hari banyak sekali masalah / problem yang perlu dioptimasikan untuk memberikan solusi yang paling optimal (paling maksimal, minimal, menguntungkan, efisien, dan sebagainya). Problem yang perlu dioptimasikan beragam, ada yang hanya dipengaruhi oleh satu variabel saja, tetapi ada juga yang dipengaruhi oleh banyak variabel. Bila problem tersebut hanya dipengaruhi oleh satu variabel saja, dapat dengan mudah dicari titik solusi yang paling maksimum atau minimum dengan

menggunakan persamaan matematika, yaitu persamaan linier, parabolik, dan sebagainya. Tetapi bila problem tersebut dipengaruhi oleh dua variabel atau lebih, maka akan sangat sulit untuk mencari titik yang paling optimum (maksimum atau minimum) karena selain sangat sulit diselesaikan secara matematik, bila di-trace sekalipun akan mengalami kesulitan. Contohnya untuk problem yang melibatkan dua variabel, bila di-plot grafiknya, maka akan berupa gambar tiga dimensi. Pada gambar akan banyak didapati puncak dan lembah yang tidak terpola (diskontinu), akibatnya ada kemungkinan dapat terjebak pada salah satu titik puncak atau lembah dan menganggapnya titik yang paling optimum. Karena itulah diperlukan suatu metode optimasi yang mampu mencakup semua kemungkinan solusi yang tak terhingga banyaknya.

Sehubungan dengan hal itu banyak metode optimasi telah dikemukakan, dan salah satunya adalah Genetic Algorithm (GA). GA didasarkan pada proses genetika alami di mana setiap proses berlangsung secara random. Karena sifatnya yang random itulah, maka GA mampu menjajaki berbagai

kemungkinan solusi yang tersedia. Dalam GA juga terdapat proses seleksi di mana kromosom-kromosom yang terbaik saja yang mampu bertahan dalam sekian generasi, sehingga hasilnya semakin mendekati solusi yang paling optimum. Secara khusus dalam dunia elektronika, ada beberapa paper yang membahas penggunaan GA untuk menyelesaikan masalah optimasi. Antara lain penggunaan GA untuk estimasi delay time, penggunaan GA dalam active noise control, penggunaan GA dalam automatic speech recognition, dan sebagainya. Melihat kemampuannya dalam menyelesaikan problem yang

kompleks, GA akan sangat berguna bila diaplikasikan dalam suatu mesin, sehingga mesin tersebut dapat mengambil keputusan sendiri. Dengan demikian bukan lagi manusia yang menjadi decision maker-nya, dan mesin tinggal menjalankan, tetapi mesin itu sendiri dapat menentukan solusi yang paling optimal dari serangkaian input yang ada. Dan dalam proses otomatisasi mesin (machine otomation) tersebut, bahasa pemrograman VHDL akan sangat berguna karena selain dapat merancang karakter mesin sesuai dengan keinginan, juga memungkinkan mesin bekerja tanpa dikontrol oleh komputer, karena kontrol mesin sudah ada pada chip dalam mesin itu sendiri.

Karena itulah perlu dijajaki kemungkinan penerapan GA di dalam bahasa pemrograman VHDL dan untuk itulah Tugas Akhir ini dibuat. Perlu ditandaskan bahwa yang paling utama dalam Tugas Akhir ini bukanlah menyangkut aplikasinya, tetapi sejauh mana metode optimasi GA dapat diaplikasikan dalam bahasa pemrograman VHDL.

2. TUJUAN Tujuan dari Tugas Akhir ini adalah untuk menghasilkan deskripsi VHDL dari metode Genetic Algorithm yang diaplikasikan pada suatu problem, yang dapat dikompilasi dengan kompiler HDL Foundation versi 2.1.

3. PEMBATASAN MASALAH Pada pembuatan Tugas Akhir ini, program VHDL yang dibuat hanya mencakup arsitektur GA-nya saja, bukan arsitektur dari keseluruhan sistem yang akan dikontrol. Sehingga yang akan dibahas adalah hal-hal yang berhubungan dengan GA dalam kaitannya dengan problem yang akan dioptimasikan. Juga dalam bahasa pemrograman VHDL, sangat sulit untuk mendeskripsikan bilangan real dan melakukan pembagian antara dua variabel, karena itu, dipilih problem optimasi yang tidak mengandung bilangan real dan pada fitness function-nya tidak terdapat pembagian antara dua variabel.

METODOLOGI Metodologi yang dibuat sesuai dengan jadwal kegiatan yang direncanakan meliputi: 1. Studi literatur 2. Penentuan problem dan parameter-parameternya 3. Pembuatan deskripsi program 4. Pengujian dan simulasi 5. Kesimpulan

URAIAN SINGKAT Problem yang dipilih untuk dioptimasikan dengan metode optimasi GA idenya diambil dari Traveling Salesman Problem hanya saja dalam Tugas Akhir ini diaplikasikan pada robot. Seperti halnya dalam TSP di mana salesman diharuskan untuk mengunjungi beberapa kota, demikian juga robot tersebut diplot untuk melewati beberapa titik yang sudah diketahui jarakjaraknya (misalnya pada robot pengangkut barang). Dan dengan program GA yang terdapat dalam chip, robot tersebut dapat secara otomatis menentukan rute perjalanan yang terpendek. Problem tersebut dipilih karena dapat diaplikasikan dalam kehidupan nyata dan juga karena tidak menggunakan bilangan real (dalam pembuatan program VHDL sangat sulit untuk mendeskripsikan bilangan real). Pada Tugas Akhir ini jumlah titiknya ditentukan sebanyak empat titik, dengan jarak tiap titiknya dikodekan dengan bilangan biner dari "0000" (0 h) sampai "1111" (15 h). Populasinya berjumlah delapan kromosom, dan tiap-

tiap kromosom terdiri dari empat gen. Fitness function-nya berupa total jarak yang ditempuh setelah mengunjungi empat titik. Fitness value dianggap paling optimal apabila memberikan nilai yang paling minimum. Prosedur crossover yang digunakan adalah Order Crossover (OX) dan prosedur mutasinya menggunakan displacement mutation. Sedangkan untuk proses seleksinya digunakan top pop-size selection (mengambil kromosomkromosom yang memberikan fitness value yang paling optimal sebagai anggota populasi yang baru). Prosedur berhentinya didasarkan pada jumlah generasi yang

diinginkan. Jumlah generasi yang diinginkan tidak diprogram di dalam chip, sehingga dapat ditentukan dilakukan secara eksternal. Program GA tersebut dibuat dalam dua chip, chip pertama berfungsi untuk membangkitkan populasi mula-mula (initial population) secara random dan chip kedua berfungsi untuk mengerjakan berbagai proses GA, seperti menghitung fitness value, melakukan proses crossover, dan seterusnya. Looping untuk mengerjakan operasi GA pada generasi selanjutnya dilakukan pada chip kedua. Secara keseluruhan input program GA yang dibuat, yaitu jarak tiap-tiap titik (termasuk jarak tiap titik dengan posisi awal robot), dan outputnya yaitu gen-gen yang terbaik dan fitness value yang paling optimal (minimum). secara eksternal, karena proses looping-nya

6. SISTEMATIKA PEMBAHASAN Penulisan Tugas Akhir ini, disusun menjadi lima bab, yaitu : Bab I: Pendahuluan Berisi tentang latar belakang, tujuan dan sasaran, ruang lingkup pembahasan, dan uraian singkat tentang Tugas Akhir yang akan dibuat. Bab II: Teori Penunjang Bab ini berisi tentang teori - teori pendukung yang digunakan dalam perancangan arsitektur metode GA Bab HI: Perancangan Arsitektur Metode Genetic Algorithm Pada bab ini dibahas tentang perancangan arsitektur dari metode optimasi GA untuk mengoptimasikan problem yang telah ditentukan, menggunakan perangkat lunak HDL Foundation versi 2.1. Bab IV : Simulasi dan Analisa Bab ini membahas mengenai pengujian respon program dalam bentuk simulasi terhadap berbagai variasi nilai input. Bab V : Kesimpulan dan Saran Merupakan bab terakhir yang berisi kesimpulan - kesimpulan yang diperoleh dari pengujian yang dilakukan dalam Tugas Akhir ini dan saran saran yang dapat diberikan untuk penyempurnaan selanjutnya.