RAEDI HERMAWAN
DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014
ABSTRAK
RAEDI HERMAWAN. Penyusunan Matriks Rancangan Fractional Factorial
Split-Plot (FFSP) Ortogonal Dua Taraf dengan Menerapkan Algoritma Genetika.
Dibimbing oleh AGUS MOHAMMAD SOLEH dan BAGUS SARTONO.
Dalam percobaan di dunia industri, rancangan fractional factorial split-plot
(FFSP) digunakan untuk mengatasi masalah keterbatasan biaya dan kondisi yang
tidak memungkinkan untuk dilakukan pengacakan secara lengkap. Namun,
semakin banyak petak utama dan faktor yang dicobakan, semakin sulit dan lama
waktu komputasi yang dibutuhkan untuk menyusun rancangan ini. Tulisan ini
memberikan sebuah teknik alternatif penyusunan rancangan FFSP ortogonal dua
taraf dengan menerapkan algoritma genetika. Teknik ini mampu memberikan
matriks rancangan FFSP ortogonal yang lebih baik (pembauran lebih sedikit) dari
teknik dalam literatur dengan waktu komputasi yang sangat cepat sehingga cocok
digunakan untuk kasus percobaan yang besar (banyak petak utama dan faktor).
Kata kunci: algoritma genetika, fractional factorial, split-plot design, rancangan
percobaan
ABSTRACT
RAEDI HERMAWAN. Application of Genetic Algorithm in Constructing TwoLevel Orthogonal Fractional Factorial Split-Plot Design. Supervised by AGUS
MOHAMMAD SOLEH and BAGUS SARTONO.
In industrial experiment, fractional factorial split-plot (FFSP) design is used
to overcome budget limitation and situation where complete-randomization is not
possible. However, more whole-plots and factors included, harder and more time
needed to construct this design. This study presents a new approach in
constructing two-level orthogonal FFSP design with genetic algorithm. This
approach can construct orthogonal FFSP design better than other approaches on
literature in very fast processing time. So, it can be used effectively in experiment
that involved many whole-plots and factors.
Keywords:
RAEDI HERMAWAN
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Statistika
pada
Departemen Statistika
DEPARTEMEN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014
Disetujui oleh
Diketahui oleh
Tanggal Lulus:
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa taala atas
segala karunia-Nya sehingga karya ilmiah yang berjudul Penyusunan Matriks
Rancangan Fractional Factorial Split-Plot (FFSP) Ortogonal Dua Taraf dengan
Menerapkan Algoritma Genetika ini berhasil diselesaikan.
Terselesainya penyusunan karya ilmiah ini tentunya tidak terlepas dari
bantuan, motivasi, saran, dan kerja sama dari banyak pihak. Oleh karena itu,
beribu terima kasih penulis ucapkan kepada :
1.
Bapak Agus M. Soleh, SSi, MT selaku ketua komisi pembimbing yang
sangat sabar dan teliti dalam memberikan masukan dan nasehat kepada
penulis untuk menghasilkan karya ilmiah yang terstruktur dan mudah
dipahami.
2.
Bapak Dr Bagus Sartono, SSi, MSi selaku anggota komisi pembimbing
yang telah memberikan ide awal, bantuan pemahaman konsep, literatur serta
saran sehingga penulis mampu menghasilkan karya ilmiah yang mudah
dipahami.
3.
Ibu Dr Ir Erfiani, MSi selaku penguji luar komisi atas saran-saran berharga
yang diberikan untuk memperbaiki struktur penulisan karya ilmiah ini.
4.
Teman-teman Statistika angkatan 47 atas motivasi dan doanya sehingga
penulis dapat menyelesaikan karya ilmiah ini.
Ayah, ibu, adik, dan seluruh keluarga besar atas motivasi, nasehat, serta
5.
doanya yang selalu ditujukan kepada penulis sehingga penulis selalu
bersemangat untuk menyelesaikan karya ilmiah ini.
Seluruh Dosen Departemen Statistika IPB atas ilmunya yang tak ternilai
6.
sehingga penulis dapat menerapkan ilmu Statistika dengan baik dan benar.
7.
Seluruh Staf Tata Usaha Departemen Statistika IPB yang selalu bersedia
direpotkan sehingga segala proses adminitrasi berjalan dengan lancar.
Tak ada gading yang tak retak. Demi penyempurnaan karya ilmiah ini,
saran, kritik, dan masukan sangat penulis harapkan dari para pembaca. Semoga
karya ilmiah ini bermanfaat.
DAFTAR ISI
DAFTAR TABEL
vi
DAFTAR GAMBAR
vi
DAFTAR LAMPIRAN
vi
PENDAHULUAN
METODE
Data
Metode
10
Penerapan pada rancangan 48-runs dengan 8 petak utama, 5 faktor petak utama,
dan 10 faktor anak petak
10
Penerapan pada rancangan 96-runs dengan 12 petak utama, 5 faktor petak
utama, dan 25 faktor anak petak
11
15
DAFTAR PUSTAKA
16
LAMPIRAN
17
RIWAYAT HIDUP
25
DAFTAR TABEL
1 Tabel ringkasan notasi dan simbol yang digunakan
2 Tabel ringkasan pola pembauran yang melibatkan pengaruh utama dan
pengaruh interaksi dua faktor dalam matriks rancangan FFSP
3 Matriks sub-rancangan petak utama (M) pada kasus rancangan 8 petak
utama
4 Matriks sub-rancangan petak utama (M) pada kasus rancangan 12 petak
utama
5 Matriks rancangan akhir (R) dari permutasi a = {1, 2, 3, 4, 5, 6, 7, 8}
tanpa algoritma genetika
6 Matriks rancangan akhir (R) dari permutasi a = {1, 5, 6, 2, 8, 3, 7, 4}
hasil algoritma genetika
7 Matriks rancangan akhir (R) dari permutasi a = {1, 2, 3, 4, 5, 6, 7, 8, 9,
10, 11, 12} hasil teknik Sartono (2012)
8 Matriks rancangan akhir (R) dari permutasi a = {8, 1, 4, 5, 9, 10, 11, 12,
3, 6, 2, 7} hasil algoritma genetika
9 Statistik waktu proses (detik) yang dibutuhkan oleh algoritma genetika
hingga konvergen atau iterasi berakhir pada kasus rancangan 8 petak
utama
10 Statistik waktu proses (detik) yang dibutuhkan oleh algoritma genetika
hingga konvergen atau iterasi berakhir pada kasus rancangan 12 petak
utama
4
5
6
7
11
11
12
13
14
15
DAFTAR GAMBAR
1 Diagram alir (flow chart) mekanisme algoritma genetika secara umum
2 Diagram kotak garis solusi terbaik yang dihasilkan: (a) pengacakan
permutasi (random assignment) dan (b) algoritma genetika dalam 100
kali ulangan
3 Diagram kotak garis waktu proses (detik) pencarian solusi algoritma
genetika dalam 100 ulangan (kasus rancangan 8 petak utama)
4 Diagram kotak garis waktu proses (detik) pencarian solusi algoritma
genetika dalam 100 ulangan (kasus rancangan 12 petak utama)
12
14
15
DAFTAR LAMPIRAN
1 Matriks sub-rancangan anak petak (S) beserta penempatannya ke dalam
petak utama pada kasus rancangan 8 petak utama
2 Matriks assignment (B) pada kasus rancangan 8 petak utama
3 Matriks assignment (B) pada kasus rancangan 12 petak utama
4 Algoritma genetika untuk penyusunan matriks rancangan FFSP
ortogonal dua taraf pada R berbentuk fungsi ffsp.ga
5 128 solusi terbaik hasil evaluasi seluruh kemungkinan (8!) permutasi
pada kasus rancangan 8 petak utama
17
18
19
21
23
PENDAHULUAN
Percobaan merupakan salah satu metode yang dapat dilakukan untuk
menjawab pertanyaan-pertanyaan penelitian secara ilmiah. Pada awal
perkembangannya, percobaan umumnya digunakan dalam bidang pertanian untuk
mengidentifikasi faktor-faktor yang berpengaruh terhadap kualitas ataupun
kuantitas produksi dari suatu jenis tanaman. Namun seiring perkembangan zaman,
dengan semakin pesatnya pertumbuhan industri di berbagai negara, percobaan
mulai banyak dilirik oleh para produsen atau perusahaan untuk mengidentifikasi
faktor-faktor yang efektif dilibatkan dalam proses produksinya.
Dalam dunia industri, percobaan yang paling sering dilakukan yakni
percobaan dengan perlakuan berupa kombinasi silang dari taraf faktor-faktor yang
dicobakan. Percobaan ini dikenal dengan percobaan faktorial. Adapun rancangan
yang pada umumnya digunakan untuk melakukan percobaan ini dinamakan
rancangan faktorial biasa. Jika biaya yang diperlukan untuk menggunakan faktorfaktor yang dilibatkan besar, maka meningkatnya jumlah faktor (semakin banyak
kombinasi perlakuan) yang dicobakan, biaya yang harus dikeluarkan untuk
melakukan percobaan juga akan semakin besar. Hal ini tentunya merugikan
produsen dari segi ekonomi sehingga rancangan faktorial biasa tidak mungkin
untuk digunakan. Salah satu solusinya adalah menerapkan rancangan fractional
factorial (FF).
Rancangan FF merupakan rancangan yang hanya mencobakan sebagian dari
kombinasi perlakuan lengkap. Penerapan rancangan ini tentunya akan mengurangi
biaya yang harus dikeluarkan. Namun, ada resiko yang harus ditanggung atau
dikorbankan akibat dari tidak dicobakannya kombinasi perlakuan lengkap. Resiko
ini dikenal dengan pembauran (confounding). Pembauran merupakan isu utama
dalam pemilihan atau penyusunan rancangan FF. Berdasarkan prinsip hierarchy
dalam pendugaan pengaruh faktorial, rancangan FF yang baik adalah rancangan
yang meminimumkan pembauran antar pengaruh-pengaruh penting. Pengaruh
penting yang dimaksud adalah pengaruh utama dan pengaruh interaksi dua faktor
(Sartono 2012).
Kombinasi perlakuan yang dicobakan pada rancangan FF ditempatkan
secara acak lengkap pada tiap unit percobaan (run) yang digunakan. Namun
pengacakan lengkap tersebut kadangkala sulit dilakukan terutama pada percobaan
dalam dunia industri. Secara umum, ada dua hal yang mendasari tidak dapat
dilakukannya pengacakan lengkap yakni adanya kendala teknis di lapangan atau
secara teknis tidak ada masalah untuk melakukan pengacakan lengkap namun
mengubah taraf faktor tertentu dari run satu ke run yang lain dikhawatirkan akan
mengganggu pengaruh dari faktor yang dicobakan. Adapun solusi yang tepat
digunakan untuk melakukan percobaan dengan kondisi tersebut adalah
menerapkan rancangan fractional factorial split-plot (FFSP) (Winarni 2006).
Pada rancangan FFSP terdapat petak utama dan anak petak. Faktor yang
sulit untuk diubah pengaturan tarafnya ditempatkan sebagai faktor petak utama
dan faktor lainnya ditempatkan sebagai faktor anak petak. Petak utama merupakan
kombinasi taraf dari faktor-faktor petak utama yang digunakan dan anak petak
merupakan kombinasi taraf dari faktor-faktor anak petak (Winarni 2006).
2
Rancangan FF maupun FFSP biasanya digunakan dalam percobaan
pendahuluan atau screening experiment untuk mengidentifikasi faktor-faktor yang
berpengaruh besar (faktor-faktor yang teridentifikasi biasanya diinvestigasi lebih
lanjut dalam percobaan lanjutan). Taraf faktor yang digunakan umumnya tidak
banyak yakni dua atau tiga taraf untuk masing-masing faktor. Taraf-taraf tersebut
dipilih sedemikian sehingga dapat mewakili pengaruh dari faktor yang
bersangkutan. Dalam penelitian ini hanya akan dibahas rancangan FFSP dengan
dua taraf tiap faktornya, yaitu taraf tinggi (1) dan taraf rendah (-1).
Masalah umum yang dihadapi dalam menerapkan rancangan FFSP adalah
sulitnya menyusun matriks rancangan FFSP yang baik dari segi pembauran (kadar
pembauran rendah) dan ketersediaan teknik penyusunannya yang masih langka
untuk kasus percobaan yang melibatkan banyak faktor dan banyak petak utama.
Adapun teknik penyusunan rancangan FFSP yang saat ini tersedia dalam literatur
antara lain teknik yang diusulkan Huang et al. (1998), Bingham & Sitter (1999),
Kowalski (2002), Bingham et al. (2004), Kulahci & Bisgaard (2005), Tichon et al.
(2012), dan Sartono (2012). Diantara teknik-teknik tersebut, teknik yang paling
efektif (dari segi pembauran maupun komputasi atau waktu proses) dalam
menyusun rancangan FFSP dua taraf untuk percobaan yang melibatkan banyak
faktor dan banyak petak utama adalah teknik Sartono (2012). Rancangan FFSP
dua taraf yang dihasilkan teknik tersebut merupakan rancangan FFSP ortogonal.
Keortogonalan juga menjadi fokus dalam penelitian ini karena mampu
memberikan model pendugaan pengaruh utama yang terbaik secara statistik
(Indahwati et al. 2013).
Sartono (2012) mengusulkan dua teknik penyusunan matriks rancangan
FFSP ortogonal dua taraf yakni one-step approach untuk kasus percobaan dengan
jumlah petak utama sedikit (kurang dari 10) dan two-step approach untuk kasus
percobaan dengan jumlah petak utama banyak (lebih dari 10). Kedua teknik yang
diusulkan tersebut menggunakan pendekatan stratum-by-stratum dengan
menerapkan metode pemrograman linier integer untuk teknik one-step approach
dan kombinasi pemrograman linier integer dengan variable neighborhood search
(VNS) untuk teknik two-step approach. Selain itu, kedua teknik ini berusaha
menimumkan pembauran antar pengaruh-pengaruh penting dengan berlandaskan
konsep minimum G-aberration yang diusulkan Deng & Tang (2002).
Metode VNS yang digunakan Sartono (2012) merupakan sebuah metode
optimasi yang bersifat meta-heuristik sehingga tidak ada jaminan matriks
rancangan FFSP yang diperoleh memiliki kadar pembauran terendah. Oleh karena
itu, improvement atau modifikasi terhadap teknik two-step approach masih
diperlukan agar dapat diperoleh matriks rancangan FFSP yang lebih baik.
Tujuan dari penelitian ini adalah mengembangkan sebuah teknik pendekatan
alternatif untuk menyusun matriks rancangan FFSP ortogonal dua taraf dengan
memodifikasi teknik two-step approach yang diusulkan Sartono (2012).
Modifikasi dilakukan dengan mengganti metode VNS dengan algoritma genetika.
Teknik alternatif yang dihasilkan dari penelitian ini diharapkan mampu
menghasilkan matriks rancangan FFSP ortogonal dua taraf lebih baik dalam artian
memiliki kadar pembauran lebih rendah dan waktu proses yang lebih cepat
(efisien dari segi komputasi) sehingga cocok digunakan untuk menyusun
rancangan dari percobaan yang melibatkan lebih banyak lagi faktor dan petak
utama.
METODE
Pendekatan stratum-by-stratum beserta Notasi dan Simbol
Pendekatan stratum-by-stratum dalam penyusunan matriks rancangan FFSP
ortogonal dua taraf yang digunakan Sartono (2012) dalam teknik two-step
approach dan akan digunakan juga dalam penelitian ini digambarkan melalui
ilustrasi sebagai berikut:
Misalkan ingin disusun suatu matriks rancangan FFSP ortogonal dua taraf
(R) untuk melakukan percobaan yang melibatkan b buah petak utama, n buah
runs, w faktor petak utama, dan s faktor anak petak. Dengan demikian, matriks R
yang terbentuk akan terdiri dari b buah perlakuan petak utama (kombinasi taraf
faktor-faktor petak utama) dengan tiap perlakuan petak utama dipasangkan pada
n/b perlakuan anak petak (kombinasi taraf faktor-faktor anak petak) sehingga total
ada sebanyak n buah runs yang dicobakan.
Penyusunan matriks R diawali dengan menyusun rancangan secara terpisah
(sub-rancangan) untuk b buah perlakuan petak utama dan n buah perlakuan anak
petak. Sub-rancangan perlakuan petak utama akan dinotasikan dengan M dan
sub-rancangan perlakuan anak petak dinotasikan dengan S. Adapun kedua matriks
tersebut masing-masing berukuran b w dan n s. Penyusunan matriks M dan S
dapat dilakukan mengikuti aturan rancangan reguler maupun non-reguler. Namun
penyusunan tersebut harus dilakukan dengan syarat tiap faktor di dalamnya saling
ortogonal. Dalam penelitian ini, matriks M dan S merupakan inputan sehingga
tidak dibahas teknik penyusunannya.
Langkah berikutnya (langkah pertama atau step pertama dalam teknik twostep approach) adalah mengelompokkan n buah perlakuan anak petak di dalam
matriks S ke dalam b kelompok (petak utama) sehingga masing-masing kelompok
terdiri dari n/b buah perlakuan anak petak. Pengelompokkan dilakukan dengan
syarat di dalam tiap kelompok faktor-faktor anak petak harus saling ortogonal.
Aturan untuk melakukan pengelompokkan dengan syarat tersebut
direpresentasikan dalam matriks B yang berukuran n b. Adanya syarat
keortogonalan faktor-faktor anak petak dalam tiap kelompok juga membatasi
penggunaan teknik Sartono (2012) dan teknik alternatif hasil penelitian ini hanya
untuk menyusun matriks rancangan FFSP dengan jumlah petak utama merupakan
kelipatan empat dan jumlah run merupakan kelipatan dari jumlah petak utama
serta menyebabkan n/b lebih dari satu. Matriks B diperoleh melalui pemrograman
linier integer dengan beberapa kendala untuk menjamin persyaratan
keortogonalan yang ditetapkan. Dalam penelitian ini, matriks B merupakan
inputan sehingga tidak dibahas penyusunannya. Penjelasan lengkap mengenai
penyusunan matriks B dapat dilihat pada Sartono (2012).
Langkah terakhir (step kedua dalam teknik two-step approach) yakni
memasangkan b buah perlakuan petak utama (b baris dalam matriks M) ke setiap
kelompok perlakuan anak petak yang terdiri dari n/b perlakuan anak petak.
Pemasangan tersebut direpresentasikan oleh matriks W = BM. Metode variable
neighborhood search (VNS) digunakan oleh Sartono (2012) untuk mencari urutan
baris (permutasi) dalam matriks M yang menyebabkan kadar pembauran dalam
matriks R seminimum mungkin. Adapun matriks R yang terbentuk merupakan
4
penggabungan kolom antara W dengan S sehingga R berukuran n (w + s).
Ringkasan dan beberapa tambahan dari notasi serta simbol yang digunakan dapat
dilihat pada Tabel 1.
W= BM
V = BQ
T
R= [W|S]
Keterangan
matriks perlakuan anak petak, yang juga merupakan matriks
pengaruh utama faktor anak petak, berukuran n s
matriks pengaruh interaksi dua faktor anak petak, berukuran n s2
dengan s2 = s(s 1)/2
matriks perlakuan petak utama, yang juga merupakan matriks
pengaruh utama faktor petak utama, berukuran b w
matriks pengaruh interaksi dua faktor petak utama, berukuran b w2
dengan w2 = w(w 1)/2
matriks assignment atau pemasangan yang menunjukkan aturan
pemasangan tiap perlakuan petak utama kepada n/b perlakuan anak
petak. Dengan demikian, matriks ini berukuran n b. Elemen dari
matriks ini (bij) bernilai 0 atau 1 dengan bij = 1 jika perlakuan petak
utama ke-j ditempatkan pada perlakuan anak petak ke-i dan bij = 0
jika sebaliknya. Adapun kendala tambahan untuk memperoleh
matriks ini adalah sebagai berikut :
5
Tabel 2 Tabel ringkasan pola pembauran yang melibatkan pengaruh utama dan
pengaruh interaksi dua faktor dalam matriks rancangan FFSP
Pembauran
antara pengaruh
utama dengan
pengaruh
interaksi dua
faktor
Vektor
WWW
WWS
WSS
Pembauran
antar pengaruh
interaksi dua
faktor
SSS
WWWW
WWWS
WWSS
WSSS
SSSS
6
Sartono (2012) mengelompokkan kesembilan vektor dalam Tabel 2 ke
dalam tiga kategori. Kategori pertama terdiri atas WWS dan WWWS. Kategori
kedua terdiri atas WWW, WWWW, SSS, dan SSSS. Kategori ketiga terdiri atas
WSS, WWSS, dan WSSS. Setiap nilai dalam vektor kategori pertama dijamin
bernilai 0 untuk setiap matriks rancangan FFSP yang dihasilkan melalui penelitian
ini. Hal tersebut disebabkan oleh adanya syarat keortogonalan antar faktor-faktor
anak petak dalam setiap petak utama. Vektor-vektor dalam kategori kedua tidak
berkaitan dengan penyusunan matriks assignment (B), namun hanya berkaitan
dengan pemilihan atau penyusunan matriks M dan S sehingga tidak dapat
diminimumkan melalui teknik hasil penelitian ini. Dengan demikian, tugas yang
dihadapi dan dikerjakan algoritma genetika melalui minimisasi fungsi fitness
(fungsi tujuan) adalah meminimumkan pembauran sisanya yakni pembauran yang
diukur melalui vektor dalam kategori ketiga.
Data
Data yang digunakan berupa matriks sub-rancangan petak utama (M),
matriks sub-rancangan anak petak (S), dan matriks assignment (B). Matriks M
dan S yang digunakan berupa kontras percobaan dua taraf yang terdiri dari unsur
-1 (taraf rendah) dan 1 (taraf tinggi). Adapun matriks M, S, dan B tersebut diambil
untuk kasus rancangan yang melibatkan 48-runs dengan 8 petak utama dan 96runs dengan 12 petak utama. Matriks M yang digunakan pada kasus 8 petak
utama dan 12 petak utama masing-masing dapat dilihat pada Tabel 3 dan Tabel 4.
Matriks S yang digunakan pada kasus 8 petak utama dapat dilihat pada Lampiran
1, sedangkan pada kasus 12 petak utama merupakan hasil folding-over dari
matriks
hadamard
berlabel
had.24.1
yang
diunduh
dari
http://neilsloane.com/hadamard/had.24.1.txt. Adapun teknik folding-over yang
digunakan mengikuti teknik pada Appendix B dalam Sartono (2012). Matriks B
yang digunakan pada kasus 8 petak utama dan 12 petak utama masing-masing
dapat dilihat pada Lampiran 2 dan Lampiran 3. Seluruh data yang digunakan
dalam penelitian ini diperoleh dari Sartono (2012).
Tabel 3 Matriks sub-rancangan petak utama (M) pada kasus rancangan 8 petak
utama
W1
1
1
1
1
1
1
1
1
W2
1
1
1
1
1
1
1
1
W3
1
1
1
1
1
1
1
1
W4
1
1
1
1
1
1
1
1
W5
1
1
1
1
1
1
1
1
7
Tabel 4 Matriks sub-rancangan petak utama (M) pada kasus rancangan 12 petak
utama
W1
1
1
1
1
1
1
1
1
1
1
1
1
W2
1
1
1
1
1
1
1
1
1
1
1
1
W3
1
1
1
1
1
1
1
1
1
1
1
1
W4
1
1
1
1
1
1
1
1
1
1
1
1
W5
1
1
1
1
1
1
1
1
1
1
1
1
Metode
Algoritma genetika merupakan sebuah metode optimasi yang bersifat
meta-heuristik dan cara kerjanya mengikuti prinsip evolusi makhluk hidup.
Kelebihan utamanya dibandingkan metode sejenis adalah solusi yang dihasilkan
berupa list atau daftar solusi sehingga kemungkinan metode ini terjebak di solusi
optimum lokal lebih kecil. Metode ini telah berhasil diaplikasikan dalam berbagai
bidang terapan. Contoh aplikasi, kelebihan lain, dan kekurangannya dapat dilihat
dalam Haupt R & Haupt S (2004) dan Sivanandam & Deepa (2008).
Gambar 1 Diagram alir (flow chart) mekanisme algoritma genetika secara umum
8
Beberapa istilah-istilah yang umum digunakan dalam algoritma genetika
antara lain populasi, individu, gen, seleksi alam, kawin silang, dan mutasi. Karena
metode ini tergolong ke dalam metode iterasi maka diperkenalkan istilah generasi
untuk menyatakan populasi yang dihasilkan dari setiap iterasi. Iterasi berhenti
ketika metode telah mencapai kriteria kekonvergenan atau maksimum iterasi yang
ditentukan. Generasi yang dihasilkan ketika iterasi berhenti merupakan generasi
terbaik yang terdapat solusi terbaik di dalamnya. Mekanisme atau tahapan
algoritma genetika secara umum dapat dilihat pada Gambar 1.
Dalam penelitian ini, algoritma genetika menggantikan peran variable
neighborhood search (VNS) untuk mencari urutan baris matriks M yang mampu
menimumkan pembauran dalam matriks rancangan akhir (R). Adapun penelitian
ini dilakukan melalui dua tahap yaitu:
1. Menentukan rancangan algoritma genetika yang akan digunakan. Adapun
rancangan tersebut adalah sebagai berikut:
a. Gen
Gen yang digunakan berupa bilangan bulat
{1, 2, ..., b} yang
merepresentasikan lokasi penempatan sebuah perlakuan petak utama ke
tepat sebuah petak utama yang telah ditempati n/b perlakuan anak petak.
b. Individu
Individu dalam penelitian ini berperan sebagai sebuah fungsi satu-satu
(one-to-one) yang memetakan seluruh perlakuan petak utama ke masingmasing petak utama. Individu ke-i merupakan gabungan dari b buah gen
dan dilambangkan dengan sebuah vektor ai = {1, 2, ..., b} dengan i = 1,
2, ..., b.
c. Populasi awal
Populasi awal terdiri dari b buah individu berbeda yang diperoleh dengan
menggeser posisi tiap gen ke sebelah kirinya, sehingga gen yang berada
paling kiri digeser ke posisi gen paling kanan.
1
...
...
...
...
...
...
...
d.
Fungsi fitness
Fungsi fitness yang digunakan yakni:
keterangan :
107;
103;
105;
101;
103;
10 1
elemen dengan nilai tertinggi (maksimum) pada matriks D = ZTW.
penjumlahan nilai seluruh elemen pada matriks D = ZTW.
elemen dengan nilai tertinggi (maksimum) pada matriks E = ZTV.
penjumlahan nilai seluruh elemen pada matriks E = ZTV.
elemen dengan nilai tertinggi (maksimum) pada matriks F = ZTT.
penjumlahan nilai seluruh elemen pada matriks F = ZTT.
e.
f.
keterangan :
= individu baru yang terbentuk.
= individu ke-i (induk 1) dengan i = 1, 2, ..., k.
= individu ke-j (induk 2) dengan j = 1, 2, ..., k; i
i
g.
j.
fitnessi
= nilai fitness dari individu ke-i.
fitnessj
= nilai fitness dari individu ke-j.
Pada setiap
individu baru yang dihasilkan kemudian dilakukan
transformasi ke dalam bentuk peringkat gen dari terkecil ke terbesar.
Selanjutnya, hasilnya (
individu berupa peringkat) digabungkan ke
dalam populasi induk (hasil proses seleksi). Penggabungan ini bertujuan
menjaga sifat induk agar tidak hilang pada populasi hasil kawin silang.
Mutasi
Mutasi merupakan upaya pencegahan iterasi algoritma genetika berhenti
pada solusi optimum lokal. Karena mutasi terjadi pada tingkat gen, maka
proses diawali dengan mengacak lokasi gen-gen yang akan termutasi
dengan peluang terpilihnya setiap gen menyebar Bernoulli dengan
peluang sukses (gen terkena mutasi) sebesar pm. Selanjutnya, pada nilai
gen-gen terpilih ditambahkan sebuah bilangan acak yang menyebar
seragam(b, b). Setelah itu, pada setiap individu yang di dalamnya
terdapat gen termutasi dilakukan transformasi ke dalam bentuk peringkat
gen dari terkecil ke terbesar (seperti dalam proses kawin silang).
Hasilnya, setiap individu baru yang telah di transformasi digabungkan ke
dalam populasi hasil kawin silang. Pada penelitian ini, digunakan pm =
0.1.
10
h.
Kriteria kekonvergenan
Dalam penelitian ini digunakan kriteria kekonvergenan berupa jangkauan
nilai fitness 10 solusi terbaik dalam populasi akhir tiap iterasi (setelah
mutasi) sama dengan 0 (kriteria ini digunakan setelah iterasi minimal 100
kali dilakukan). Iterasi berhenti ketika kriteria terpenuhi atau mencapai
maksimal jumlah iterasi yakni 1000 iterasi.
2. Menerapkan algoritma genetika pada rancangan yang melibatkan 48-runs
dengan 8 petak utama dan 96-runs dengan 12 petak utama untuk mencari
urutan baris matriks M (lokasi penempatan perlakuan petak utama ke dalam
petak utama yang tersedia) yang dapat meminimumkan pembauran pada
matriks rancangan akhir (R).
11
Karena tujuan utama penggunaan algoritma genetika adalah untuk
menyelesaikan kasus-kasus dengan komputasi yang kompleks, maka penerapan
algoritma genetika dicobakan pada kasus percobaan besar (tidak mungkin lagi
dilakukan evaluasi seluruh kemungkinan permutasi) pada subab berikutnya.
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
12
Adapun teknik Sartono (2012) menghasilkan solusi terbaik yakni a = {1, 2,
3, 4, 5, 6, 7, 8, 9, 10, 11, 12} dengan nilai fitness 660238411. Solusi tersebut
memberikan matriks R seperti pada Tabel 7. Sementara salah satu solusi
algoritma genetika yakni a = {8, 1, 4, 5, 9, 10, 11, 12, 3, 6, 2, 7} memberikan
matriks R yang dapat dilihat pada Tabel 8 dengan nilai fitness 422469803.
Nilai fitness solusi permutasi terbaik yang dihasilkan oleh algoritma
genetika dalam 100 ulangan dapat dilihat pada Gambar 2(b). Secara umum, dari
Gambar 2(b) dapat dikatakan algoritma genetika memberikan solusi yang lebih
baik dari teknik Sartono (2012). Hal ini dikarenakan nilai fitness maksimum yang
dihasilkan juga masih lebih kecil dari teknik tersebut (nilai fitness maksimum =
422995451).
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
(a)
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
(b)
Gambar 2 Diagram kotak garis solusi terbaik yang dihasilkan: (a) pengacakan
permutasi (random assignment) dan (b) algoritma genetika dalam 100
kali ulangan
13
Tabel 8 Matriks rancangan akhir (R) dari permutasi a = {8, 1, 4, 5, 9, 10, 11, 12,
3, 6, 2, 7} hasil algoritma genetika
Petak Utama W1 W2 W3 W4 W5
1
2
3
4
5
6
7
8
9
10
11
12
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
Selain menghasilkan solusi terbaik dengan nilai fitness lebih baik dari
teknik Sartono (2012), rancangan algoritma genetika yang digunakan juga dapat
dikatakan cukup stabil dalam pencarian permutasi yang meminimumkan
pembauran pada matriks R. Hal ini dapat dilihat dari hasil perbandingan solusi
terbaik algoritma genetika dengan solusi pengacakan permutasi (random
assignment) dalam 100 kali ulangan pada Gambar 2. Dari gambar tersebut terlihat
diagram kotak garis solusi algoritma genetika memiliki keragaman yang lebih
kecil dengan solusi yang lebih baik (nilai fitness lebih kecil).
Hasil dalam kasus percobaan 12 petak utama ini menunjukkan bahwa
modifikasi teknik Sartono (2012) dengan menerapkan algoritma genetika
didalamnya mampu memberikan peningkatan performa yakni pembauran yang
semakin dapat diminimumkan (ditunjukkan oleh nilai fitness yang lebih kecil).
Dengan demikian, algoritma genetika dapat dikatakan efektif digunakan dalam
penyusunan matriks rancangan FFSP ortogonal dua taraf dalam kasus percobaan
besar (banyak petak utama dan banyak faktor).
Kinerja komputasi algoritma genetika dalam penyusunan matriks
rancangan FFSP ortogonal dua taraf
Penerapan rancangan algoritma genetika dalam penelitian ini dilakukan
pada software R 3.0.1 dengan komputer yang menggunakan prosesor 2.3 GHz,
RAM 6144 MB, dan berjalan pada sistem operasi 64-bit.
Statistik waktu proses yang dibutuhkan oleh algoritma genetika dalam 100
ulangan untuk kasus rancangan yang melibatkan 8 petak utama, 5 faktor petak
utama, 10 faktor anak petak, dan 48-runs disajikan pada Tabel 9 atau secara visual
14
dapat dilihat pada Gambar 3. Adapun evaluasi seluruh kemungkinan permutasi
membutuhkan waktu + 15 menit. Sementara teknik Sartono (2012) membutuhkan
waktu rata-rata 63.81 detik.
Tabel 9 Statistik waktu proses (detik) yang dibutuhkan oleh algoritma genetika
hingga konvergen atau iterasi berakhir pada kasus rancangan 8 petak
utama
Minimum
Q1 (25%)
3.30
3.41
4.96
6.23
Mean
4.10
Statistik waktu proses yang dibutuhkan oleh algoritma genetika dalam 100
ulangan untuk kasus rancangan yang melibatkan 12 petak utama, 5 faktor petak
utama, 25 faktor anak petak, dan 96-runs disajikan pada Tabel 10 atau secara
visual dapat dilihat pada Gambar 4.
Dari hasil ini, dapat dikatakan bahwa algoritma genetika bukan hanya
efektif dalam penyusunan matriks rancangan FFSP ortogonal dua taraf (R) yang
baik dari segi pembauran karena terbukti juga mampu memberikan solusi dengan
waktu proses yang sangat cepat sehingga sangat menghemat waktu jika digunakan
dalam menyusun matriks R yang melibatkan banyak petak utama (lebih dari 12)
dan banyak faktor.
15
Tabel 10 Statistik waktu proses (detik) yang dibutuhkan oleh algoritma genetika
hingga konvergen atau iterasi berakhir pada kasus rancangan 12 petak
utama
Minimum
Q1 (25%)
26.88
37.125
39.22
44.94
Mean
37.8
SIMPULAN
Berdasarkan hasil penelitian, untuk kasus petak utama yang tidak terlalu
banyak (petak utama kurang dari 10), rancangan algoritma genetika yang dibuat
terbukti mampu menghasilkan permutasi baris matriks sub-rancangan petak utama
(M) terbaik yang dapat meminimumkan pembauran pada matriks rancangan akhir
(R), namun penerapannya tidak terlalu dirasakan karena melakukan evaluasi
seluruh kemungkinan permutasi masih dapat dilakukan dalam waktu yang relatif
singkat (+ 15 menit untuk kasus 8 petak utama).
Pada kasus percobaan yang besar (melibatkan petak utama lebih dari 10 dan
banyak faktor) yang diilustrasikan pada percobaan yang melibatkan 12 petak
utama, penerapan algoritma genetika dapat sangat dirasakan manfaatnya karena
mampu menghasilkan permutasi baris matriks M yang baik sehingga semakin
meminimumkan pembauran pada matriks rancangan akhir R dalam waktu proses
yang sangat cepat (dibandingkan dengan teknik Sartono (2012)).
Dengan demikian, modifikasi teknik Sartono (2012) dengan mengganti
metode variable neighboorbod search (VNS) dengan algoritma genetika cukup
efektif dan bermanfaat dilakukan sebagai sebuah teknik pendekatan alternatif
karena mampu menghasilkan matriks rancangan FFSP ortogonal dua taraf yang
lebih baik dari segi pembauran maupun waktu proses (komputasi).
16
DAFTAR PUSTAKA
Bingham DR, Sitter RR. 1999. Minimum-Aberration Two-Level Fractional
Factorial Split-Plot Designs. Technometrics. 41:62-70.
Bingham DR, Schoen ED, Sitter RR. 2004. Designing Fractional Factorial SplitPlot Experiments with Few Whole-Plot Factors. Appl Statist. 53:325-339.
Deng LY, Tang B. 2002. Design Selection and Classification for Hadamard
Matrices using Generalized Minimum Aberration Criteria. Technometrics.
44:173-184.
Haupt RL, Haupt SE. 2004. Practical Genetic Algorithms. Ed ke-2. New Jersey
(US): J Wiley.
Huang P, Chen D, Voelkel JO. 1998. Minimum-Aberration Two-Level Split-Plot
Designs. Technometrics. 40:314-326.
Indahwati, Anggraini Y, Sartono B. 2013. Penyusunan Rancangan NearOrthogonal Fractional Factorial Split-Plot. Prosiding Seminar Statistika
Nasional 2013 [Internet]. Universitas Diponegoro, Jawa Timur (Indonesia).
hlm
327-338;
[diunduh
20
Januari
2014].
Tersedia
pada:
http://eprints.undip.ac.id/40309/1/B10_Indahwati.pdf.
Kowalski SMP. 2002. 24 run Split-Plot Experiments for Robust Parameter
Designs. Journal of Quality Technology. 34:399-410.
Kulahci M, Bisgaard S. 2005. The Use of Plackett-Burman Designs to Construct
Split-Plot Designs. Technometrics. 47:495-501.
Sartono B. 2012. Orthogonal Experimental Designs under Complete and
Restricted Randomization [disertasi]. Antwerp (BE): University of Antwerp.
Sivanandam SN, Deepa SN. 2008. Introduction to Genetic Algorithms. New
York(US): Springer.
Tichon JG, Li W, Mcleod RG. 2012. Generalized Minimum Aberration TwoLevel Split-Plot Designs. Journal of Statistical Planning and Inference.
142:1407-1414.
Winarni S. 2006. Kajian pada Rancangan Fractional Factorial dan Fractional
Factorial Split-Plot [tesis]. Bogor (ID): Institut Pertanian Bogor.
17
Lampiran 1 Matriks sub-rancangan anak petak (S) beserta penempatannya ke
dalam petak utama pada kasus rancangan 8 petak utama
S1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
S2
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
S3
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
S4
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
S5
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
S6
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
S7
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
S8
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
S9
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
S10
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
Ditempatkan
pada petak
utama ke6
8
1
7
4
3
3
5
1
7
2
8
4
2
6
5
1
8
7
3
2
6
4
5
4
6
2
5
3
1
8
7
5
4
2
6
2
3
8
5
7
7
1
1
4
8
6
3
18
Lampiran 2 Matriks assignment (B) pada kasus rancangan 8 petak utama
Perlakuan anak petak atau
baris matriks S ke1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
2
0
0
0
0
0
0
0
0
0
0
1
0
0
1
0
0
0
0
0
0
1
0
0
0
0
0
1
0
0
0
0
0
0
0
1
0
1
0
0
0
0
0
0
0
0
0
0
0
3
0
0
0
0
0
1
1
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
1
4
0
0
0
0
1
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
1
0
1
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
1
0
0
0
5
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
1
0
0
0
1
0
0
0
0
1
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
6
1
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
1
0
0
0
1
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
1
0
7
0
0
0
1
0
0
0
0
0
1
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
1
1
0
0
0
0
0
0
8
0
1
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
1
0
0
0
0
0
0
1
0
0
19
Lampiran 3 Matriks assignment (B) pada kasus rancangan 12 petak utama
Perlakuan anak petak atau
baris matriks S ke1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
2
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
1
0
0
0
0
0
0
3
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
1
4
0
0
0
0
0
0
1
0
0
0
1
0
0
0
0
0
0
0
1
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
5
0
0
1
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
6
0
1
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
7
1
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
8
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
1
0
0
0
0
0
0
0
1
0
0
0
1
0
0
0
0
0
9
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
1
0
0
10
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
11
0
0
0
0
0
0
0
0
0
1
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
12
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
20
Lampiran 3
2
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
4
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
1
0
0
0
0
0
0
0
1
0
0
0
1
0
5
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
6
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
7
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
8
0
0
1
0
0
0
1
0
0
0
0
0
0
0
1
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
9
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
10
0
0
0
0
0
0
0
1
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
1
0
0
0
0
0
0
0
0
0
11
0
0
0
0
0
1
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
1
0
0
0
0
0
0
0
0
0
0
0
12
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
1
21
Lampiran 4
fitness<-function(M,S,B,Z){
cd0<-10^7;cd1=10^3;ce0=10^5;ce1<-10;cf0<-10^3;cf1=10^-1
Q<-matrix(0,nrow(M),ncol(M)*(ncol(M)-1)/2)
kolom.q<-j<-1
for (i in 1:(ncol(M)-1)) {
j<-i+1
while (j <= ncol(M)) {
Q[,kolom.q]<-M[,i]*M[,j]
kolom.q<-kolom.q+1
j<-j+1
}
}
W<-B%*%M
D<-abs(t(Z)%*%W)
E<-abs(t(Z)%*%B%*%Q)
F<abs(t(Z)%*%(kronecker(matrix(1,1,ncol(W)),S)*kronecker(B%*%M,matrix(1,1,n
col(S)))))
d0<-max(D);d1<-sum(D);e0<-max(E);e1<-sum(E);f0<-max(F);f1<-sum(F)
objektif<-cd0*d0+cd1*d1+ce0*e0+ce1*e1+cf0*f0+cf1*f1
}
ffsp.ga<-function(M,S,B,p.mut=0.1,maxiter=1000){
Z<-matrix(0,nrow(S),ncol(S)*(ncol(S)-1)/2)
kolom.z<-j<-1
for (i in 1:(ncol(S)-1)) {
j<-i+1
while (j <= ncol(S)) {
Z[,kolom.z]<-S[,i]*S[,j]
kolom.z<-kolom.z+1
j<-j+1
}
}
G<-matrix(1:(nrow(M)),nrow(M),nrow(M)+1,byrow=T)
for(i in 1:nrow(G)) {
Mnew<-M[G[i,-ncol(G)],]
G[i,ncol(G)]<-fitness(M=Mnew,S=S,B=B,Z=Z)
}
for (iter in 1:maxiter) {
#SELEKSI
urutan<-order(G[,ncol(G)])[1:5]
G<-G[urutan,]
#CROSSOVER
G.cross<-G
for(i in 1:nrow(G)){
for(j in 1:nrow(G)) {
if(i != j) {
fraksi1<-G[i,ncol(G)]/(G[i,ncol(G)]+G[j,ncol(G)])
fraksi2<-G[j,ncol(G)]/(G[i,ncol(G)]+G[j,ncol(G)])
G.cross<rbind(G.cross,rank(fraksi1*G[i,]+fraksi2*G[j,],ties.method="random"))
}
}
}
22
Lampiran 4
#MUTASI
gen.mutasi<-matrix(rbinom(nrow(G.cross)*(ncol(G.cross)1),1,0.1),nrow(G.cross),ncol(G.cross)-1)
baris<-apply(gen.mutasi,1,sum)
names(baris)<-1:nrow(G.cross)
baris<-as.numeric(names(baris[baris!=0]))
in.mutasi<-matrix(runif(nrow(G.cross)*(ncol(G.cross)-1),ncol(M),ncol(M)),nrow(G.cross),ncol(G.cross)-1)
gen.mutasi<-gen.mutasi*in.mutasi
G.mutasi<-(G.cross[,-ncol(G.cross)]+gen.mutasi)[baris,]
temp<-G.mutasi
for(i in 1:nrow(G.mutasi)){
G.mutasi[i,]<-rank(G.mutasi[i,],ties.method="random")
}
G.mutasi<-rbind(G.cross,cbind(G.mutasi,9))
#HITUNG_ULANG_FITNESS
for(i in 6:nrow(G.mutasi)) {
Mnew<-M[G.mutasi[i,-ncol(G.mutasi)],]
G.mutasi[i,ncol(G.mutasi)]<-fitness(M=Mnew,S=S,B=B,Z=Z)
}
G<-G.mutasi
urutan<-order(G[,ncol(G)])
G<-G[urutan,]
cek<-G[1,ncol(G)]-G[10,ncol(G)]
if(cek==0 & iter > 100){ break }
}
solusi<-G.mutasi[order(G.mutasi[,ncol(G.mutasi)])[1],-ncol(G.mutasi)]
fitness_val<-G.mutasi[order(G.mutasi[,ncol(G.mutasi)])[1],ncol(G.mutasi)]
if(iter==maxiter){ list(solution=solusi,fitness_value=fitness_val,note="p
rocess can't reach convergen criterion in 1000 iterations, maybe the
solution isn't the best") }
else{ list(solution=solusi,fitness_value=fitness_val,iteration_needed_to_
converge=iter) }
}
ptm<-proc.time()
ffsp.ga(M=M,S=S,B=B,p.mut=0.1)
proc.time()- ptm
23
Lampiran 5 128 solusi terbaik hasil evaluasi seluruh kemungkinan (8!) permutasi
pada kasus rancangan 8 petak utama
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
2
2
2
2
3
3
3
3
5
5
6
6
7
7
8
8
1
1
1
1
4
4
4
4
5
5
6
6
7
7
8
8
1
1
1
1
4
4
4
4
5
5
6
6
7
7
8
8
5
6
7
8
5
6
7
8
6
7
5
8
5
8
6
7
5
6
7
8
5
6
7
8
6
7
5
8
5
8
6
7
5
6
7
8
5
6
7
8
6
7
5
8
5
8
6
7
Solusi
6 3 7
5 3 8
8 3 5
7 3 6
7 2 6
8 2 5
5 2 8
6 2 7
2 8 3
3 8 2
2 7 3
3 7 2
3 6 2
2 6 3
3 5 2
2 5 3
6 4 7
5 4 8
8 4 5
7 4 6
7 1 6
8 1 5
5 1 8
6 1 7
1 8 4
4 8 1
1 7 4
4 7 1
4 6 1
1 6 4
4 5 1
1 5 4
7 4 6
8 4 5
5 4 8
6 4 7
6 1 7
5 1 8
8 1 5
7 1 6
4 8 1
1 8 4
4 7 1
1 7 4
1 6 4
4 6 1
1 5 4
4 5 1
8
7
6
5
8
7
6
5
7
6
8
5
8
5
7
6
8
7
6
5
8
7
6
5
7
6
8
5
8
5
7
6
8
7
6
5
8
7
6
5
7
6
8
5
8
5
7
6
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
Fitness
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
1
1
2
2
3
3
4
4
6
6
6
6
7
7
7
7
1
1
2
2
3
3
4
4
5
5
5
5
8
8
8
8
1
1
2
2
3
3
4
4
5
5
5
5
8
8
8
8
2
3
1
4
1
4
2
3
1
2
3
4
1
2
3
4
2
3
1
4
1
4
2
3
1
2
3
4
1
2
3
4
2
3
1
4
1
4
2
3
1
2
3
4
1
2
3
4
Solusi
6 4 7
7 4 6
6 3 7
7 3 6
7 2 6
6 2 7
7 1 6
6 1 7
2 7 3
1 7 4
4 7 1
3 7 2
3 6 2
4 6 1
1 6 4
2 6 3
5 4 8
8 4 5
5 3 8
8 3 5
8 2 5
5 2 8
8 1 5
5 1 8
2 8 3
1 8 4
4 8 1
3 8 2
3 5 2
4 5 1
1 5 4
2 5 3
8 4 5
5 4 8
8 3 5
5 3 8
5 2 8
8 2 5
5 1 8
8 1 5
3 8 2
4 8 1
1 8 4
2 8 3
2 5 3
1 5 4
4 5 1
3 5 2
3
2
4
1
4
1
3
2
4
3
2
1
4
3
2
1
3
2
4
1
4
1
3
2
4
3
2
1
4
3
2
1
3
2
4
1
4
1
3
2
4
3
2
1
4
3
2
1
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
7
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
6
Fitness
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
24
Lampiran 5 128 solusi terbaik hasil evaluasi seluruh kemungkinan (8!) permutasi
pada kasus rancangan 8 petak utama (lanjutan)
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
4
2
2
2
2
3
3
3
3
5
5
6
6
7
7
8
8
5
6
7
8
5
6
7
8
6
7
5
8
5
8
6
7
Solusi
7 3 6
8 3 5
5 3 8
6 3 7
6 2 7
5 2 8
8 2 5
7 2 6
3 8 2
2 8 3
3 7 2
2 7 3
2 6 3
3 6 2
2 5 3
3 5 2
8
7
6
5
8
7
6
5
7
6
8
5
8
5
7
6
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
Fitness
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
8
1
1
2
2
3
3
4
4
6
6
6
6
7
7
7
7
2
3
1
4
1
4
2
3
1
2
3
4
1
2
3
4
Solusi
7 4 6
6 4 7
7 3 6
6 3 7
6 2 7
7 2 6
6 1 7
7 1 6
3 7 2
4 7 1
1 7 4
2 7 3
2 6 3
1 6 4
4 6 1
3 6 2
3
2
4
1
4
1
3
2
4
3
2
1
4
3
2
1
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
5
Fitness
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
164336141
25
RIWAYAT HIDUP
Penulis dilahirkan di Jakarta pada tanggal 31 Januari 1994 dari pasangan
Bapak Hermayulis dan Ibu Surwita Eryani. Penulis adalah anak pertama dari dua
bersaudara. Tahun 2010 penulis lulus dari SMA Insan Kamil Bogor dan pada
tahun yang sama diterima sebagai mahasiswa baru jenjang Strata1 (S1) pada
Departemen Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam
(FMIPA), Institut Pertanian Bogor (IPB) melalui jalur Ujian Talenta Mandiri IPB
(UTMI).
Selama mengikuti perkualiahan, penulis menjadi asisten responsi Metode
Statistika pada semester ganjil dan genap tahun ajaran 2012/2013, asisten
praktikum Komputasi Statistika pada semester ganjil tahun ajaran 2013/2014, dan
asisten praktikum Analisis Eksplorasi Data pada semester genap tahun ajaran
2013/2014. Dalam bidang organisasi, penulis pernah menjadi ketua Departemen
Database Center di Himpunan Profesi Gamma Sigma Beta IPB masa
kepengurusan 2012/2013. Dalam bidang kepanitiaan, penulis pernah menjadi
ketua divisi khusus Kompetisi Statistika Junior (Komstat Jr) dalam rangkaian
acara Pesta Sains Nasional 2013. Pada bulan JuliAgustus 2013 penulis
melaksanakan praktik lapang di PT. Ganesha Cipta Informatika, Jakarta Selatan.
Penulis juga aktif mengikuti lomba tingkat mahasiswa baik bidang
akademik maupun nonakademik. Adapun beberapa prestasi yang pernah diraih
antara lain sebagai semifinalis Olimpiade Nasional Statistika (ONS) 2013 di
UGM, juara 4 Kompetisi Statistika Nasional (KSN) dalam rangkaian acara
Statistika Ria 2013 di IPB, medali emas cabang basket putra tahun 2013 dan 2014
dalam Pekan Olahraga FMIPA di IPB, dan Most Valuable Player (MVP) atau
pemain terbaik cabang basket putra tahun 2014 dalam Pekan Olahraga FMIPA di
IPB.