KULIAH-09

METODE OPTIMASI METAHEURISTIK (Bagian-01)

TEKNOLOGI KONTEMPORER (SISTEM TENAGA)

Semester VI/3 sks

Pengampu :
MUHAMMAD ARIS RISNANDAR, M.T.

JURUSAN TEKNIK ELEKTRO

FAKULTAS TEKNIK
UNIVERSITAS SILIWANGI
2022
 TUJUAN PERKULIAHAN
1. Mahasiswa mampu menjelaskan trend terkini pada bidang sistem tenaga listrik di
tingkat Nasional;

2. Mahasiswa mampu menjelaskan trend terkini pada bidang sistem tenaga listrik di
tingkat Internasional;

3. Mahasiswa mampu menganalisis perhitungan sederhana menggunakan metode

optimasi heuristik;

4. Mahasiswa mampu memecahkan permasalahan bidang system tenaga listrik

menggunakan metode optimasi heuristik.
 MATERI KULIAH
Pertemuan 1 – 4 : Permasalahan Sistem Tenaga Listrik di Indonesia;

Pertemuan 5 – 7 : Permasalahan Sistem Tenaga Listrik di Tingkat

Internasional;

Pertemuan 8 : Ujian Tengah Semester (UTS)

Pertemuan 9 – 11 : Metode Optimasi Metaheuristik;

Pertemuan 12 – 15 : Solusi Permasalahan Sistem Tenaga Listrik Menggunakan

Metode Optimasi Meraheuristik;

Pertemuan 16 : Ujian Akhir Semester (UAS)

Materi Kuliah dapat diunduh di: diajarsetrum.wordpress.com

PENILAIAN
− Kehadiran (10%) Huruf Angka
Nilai
− Tugas/Presentasi (50%) Mutu Mutu
− UTS (20%) 80 – 100 A 4
− UAS (20%) 67 – 79 B 3.00
Kuliah dilaksanakan secara daring 55 – 66 C 2.00
45 – 54 D 1.00
(Presensi menggunakan G-Form)
Wajib Mengikuti UTS dan UAS <45 E 0

Tugas menggunakan aplikasi google classroom

(first name: NPM, last name: nama lengkap)
METODE OPTIMASI HEURISTIK
(Bagian-01)
A. OPTIMASI
1. Pendahuluan

Dalam kehidupan sehari-hari seringkali kita berhadapan dengan pencarian solusi suatu masalah

misalnya:

▪ Pembuatan jadwal kuliah yang mencakup ketersediaan dosen dan ruangan. Jadwal harus

dibuat tujuan untuk menghindari seorang dosen/mahasiswa terjadwal di lebih dari satu kelas

pada waktu yang sama.

▪ Persoalan transportasi yang mencakup pendistribusian suatu komoditas atau produk dari

sejumlah sumber kepada sejumlah tujuan dengan tujuan meminimumkan ongkos pengangkutan

yang terjadi.

▪ Pemilihan rute terpendek (biaya terkecil) untuk mengunjungi sejumlah kota.

▪ Penentuan komposisi makanan ternak dengan biaya minimum yang harus memenuhi batasan

minimal untuk setiap komponen nutrisi.

A. OPTIMASI
1. Pendahuluan

Optimisasi merupakan suatu upaya sistematis untuk memilih elemen terbaik dari suatu kumpulan

elemen yang ada. Didalam kontek matematika, optimisasi ini bisa diyatakan sebagai suatu usaha

sistematis untuk mencari nilai minimum atau maksimum dari suatu fungsi. Dengan kata lain,

optimisasi merupakan proses mencari nilai terbaik berdasarkan fungsi tujuan dengan daerah asal

yang telah didefinisikan.

Fungsi: min 𝑓 𝑥 atau max 𝑓 𝑥

Sebagai contoh 𝑓 𝑥 = 𝑥 2 dimana 𝑥 anggota bilangan riil (𝑥 ∈ ℜ).

Pada contoh ini 𝑓 𝑥 = 𝑥 2 merupakan fungsi tujuannya, sedangkan 𝑥 adalah daerah asal yang

didefinisikan sebagai anggota bilangan riil.

A. OPTIMASI
1. Pendahuluan

Istilah optimisasi diperkenalkan oleh George Dantzig yang mengembangkan

algoritma simplex untuk menyelesaikan masalah linear programming. Istilah programming disini

tidak mengacu pada pemrograman komputer, tetapi lebih pada program pelatihan dan penjadwalan

logistik yang diadakan oleh pihak militer Amerika dimana masalah-masalah tersebut menjadi focus

riset yang dilakukan oleh Dantzig. Linear programming sendiri merupakan metode untuk

menyelesaikan fungsi linear, baik fungsi tujuan maupun fungsi batasannya (constraint).

Optimisasi dipakai di hampir semua bidang ilmu antara lain bidang teknik, sains, ilmu social,

ekonomi dan bisnis. Banyak permasalahan di bidang teknik, sains dan ekonomi yang dapat

dinyatakan sebagai permasalahan optimisasi seperti meminimalkan biaya, waktu dan resiko atau

memaksimalkan keuntungan dan kualitas. Optimisasi seringkali menjadi focus utama dalam

pengambilan keputusan misalnya untuk meningkatkan daya saing suatu produk, maka perusahaan

harus bisa memaksimalkan kualitas dari produk tersebut dengan meminimalkan biaya produksi.
A. OPTIMASI
1. Pendahuluan
Menurut Talbi:2009 pengambilan keputusan terdiri dari beberapa langkah:
A. Merumuskan Masalah
Yang pertama kali perlu dilakukan pada tahap ini adalah mengidentifikasi permasalahan yang
akan diselesaikan. Faktor-faktor yang mempengaruhi permasalahan dan fungsi tujuan dari
permasalahan tersebut perlu didata dengan cermat.

B. Memodelkan Masalah
Didalam tahap ini, permasalahan di modelkan secara matematis Permasalahan yang
sesungguhnya bisa jadi sangat komplek dan sulit, sehingga perlu adanya penyederhanaan
supaya bisa dinyatakan secara matematis.
A. OPTIMASI
1. Pendahuluan
Menurut Talbi:2009 pengambilan keputusan terdiri dari beberapa langkah:
C. Optimalisasi
Setelah permasalahan dimodelkan secara matematis, metode optimisasi diterapkan untuk
mendapatkan penyelesaian yang baik (acceptable solution). Seringkali model permasalahan
yang dibuat tidak bisa mewakili permasalahan sesungguhnya, sehingga kepresisian dalam
memodelkan permasalahan sangat mempengaruhi hasil yang didapatkan. Penyelesaian yang
didapatkan bisa merupakan solusi optimal maupun nonoptimal.

D. Menerapkan Penyelesaian Masalah

Penyelesaian yang didapatkan kemudian diterapkan untuk mengetahui apakah penyelesaian
tersebut dapat diterima atau tidak. Jika penyelesaian tersebut tidak bisa diterima, maka model
permasalahan maupun metode optimisasinya perlu diperbaiki dan prosesnya diulang lagi.
A. OPTIMASI
1. Pendahuluan
Metode optimisasi bisa dibagi menjadi metode eksak (exact method atau analitical method) dan
metode pendekatan (approximate method).

Ciri yang paling khas dari exact method adalah bahwa metode ini akan menghasilkan
penyelesaian optimal. Bagaimana bisa tahu bahwa hasil yang diperoleh adalah hasil optimal?
Pembuktiannya dilakukan secara analitis menggunakan metode matematis.

Sedangkan metode pendekatan tidak menjamin bahwa hasil penyelesaiannya adalah yang optimal
(makanya disebut metode pendekatan). Tetapi, meskipun metode ini tidak menjamin hasil optimal,
tetapi umumnya hasil penyelesaiannya cukup baik. Walaupun definisi baik ini juga sulit,
karena bersifat kualitatif. Sehingga seringkali untuk mengukur kualitas baik ini, maka diadakan
perbandingan hasil dengan menggunakan metode lain. Suatu metode dikatakan lebih baik jika dia
menghasilkan penyelesaian yang lebih bagus daripada metode lainnya.

Metode pendekatan ada bermacam-macam, diantaranya metode heuristik dan metaheuristik.

A. OPTIMASI
2. Metode Heuristik
Heuristik berasal dari kata Yunani heuriskein yang berarti seni untuk menemukan strategi dalam
menyelesaikan persoalan sedangkan meta berarti metodologi tingkat tinggi atau lanjut (Talbi,
2009). Didalam ilmu komputer, metode heuristik merupakan suatu teknik untuk penyelesaian
permasalahan yang tidak menekankan pada pembuktian apakah solusi yang didapatkan adalah
benar (pembuktian apakah suatu solusi adalah benar merupakan fokus dari metode penyelesaian
analitik), tetapi lebih menekankan pada performa komputasi dan kesederhanaan. Metode
heuristik merupakan suatu metode penyelesaian yang menggunakan konsep pendekatan.

Metode heuristik bersifat problem dependent, artinya bergantung pada permasalahan, jadi metode
heuristik itu hanya bisa dipakai untuk jenis permasalahan terntentu. Misalnya, metode nearest
neighborhood (NN) termasuk metode heuristik. Metode hanya bisa dipakai pada permasalahan
yang mengenal konsep neighborhood/tetangga, misalnya pada Traveling Salesman Problem
maupun Vehicle Routing Problems. Contoh lainnya, COMSOAL (Computer Method for Sequencing
Operations for Assembly Lines) hanya dipakai untuk persoalan sequencing assembly line.
A. OPTIMASI
3. Metode Metaheuristik
Menurut Talbi (2009), metaheuristik dapat didefinisikan sebagai metode lanjut (advanced) berbasis
heuristic untuk menyelesaikan persoalan optimisasi secara efficient. Di dalam wikipedia,
metaheuristik didefinisikan sebagai metode optimisasi yang dilakukan dengan memperbaiki
kandidat penyelesaian secara iteratif sesuai dengan fungsi objektifnya. Metode ini mampu
menghasilkan penyelesaian yang baik dalam waktu yang cepat (acceptable), tetapi tidak menjamin
bahwa penyelesaian yang dihasilkan merupakan penyelesaian terbaik (optimal). Metode
metaheuristik banyak dipakai dalam optimisasi stokastik (optimisasi stokastim merupakan
optimisasi yang memiliki derajat ketidakpastian atau random). Metaheuristik pada sebenarnya
adalah metode pendekatan yang didasarkan pada metode heuristik. Sehingga tidak heran bahwa
metode heuristik sering kali diintegrasikan di dalam metode metaheuristik.
A. OPTIMASI
3. Metode Metaheuristik
Metode metaheuristik bersifat problem independent, artinya tidak bergantung pada jenis
permasalahan. Jadi penerapan metode metaheuristik tidak bergantung pada jenis permasalahan,
alias bisa dipakai untuk berbagai jenis permasalahan. Contoh dari metode metaheuristik adalah
algoritma genetik (GA), particle swam optimization (PSO), Ant Colony Optimization (ACO), Soccer
Games Optimization (SGO) – promo dikit gapapalah ya :D, dll. Meskipun bisa dipakai untuk
berbagai jenis permasalahan, tetapi kemampuan mengadopsi metode tersebut untuk jenis
permasalahan tertentu berpengaruh besar terhadap kualitas penyelesaian yang dihasilkan. Oleh
karena itulah, seringkali metode metaheuristik akan mengintegrasikan metode heuristik didalam
implementasinya. Misalnya, untuk menyelesaikan persoalan TSP, metode algoritma genetik
menyisipkan konsep nearest neighborhood didalam implementasinya.
A. OPTIMASI
3. Metode Metaheuristik
Karakteristik metaheuristik (Blum & Roli, 2003):
1) Metaheuristik adalah strategi yang memandu proses pencarian;
2) Tujuan dari metaheuristik adalah untuk menjelajahi ruang pencarian secara efficient untuk
menemukan solusi optimal;
3) Teknik metaheuristik berkisar dari prosedur pencarian local yang sederhana sampai proses
pembelajaran yang komplek;
4) Metaheuristik adalah metode pendekatan dan biasanya non-deterministic;
5) Metaheuristik dapat terdiri dari penggabungan beberapa mekanisme supaya proses pencarian
tidak terjebak dalam daerah terbatas di ruang pencarian;
6) Konsep dasar dari metaheuristik memungkinkan pendeskripsian secara abstrak;
7) Metaheuristik bersifat general/umum sehingga dapat diterapkan dalam berbagai macam
persoalan;
8) Metaheuristik dapat menggunakan domain pengetahuan khusus dalam bentuk heuristik yang
dikendalikan dengan strategi tingkat lanjut;
9) Metaheuristik dapat menggunakan pengalaman yang didapat selama proses pencarian untuk
menuntun proses pencarian.
A. OPTIMASI
3. Metode Metaheuristik
Dalam menentukan apakah metaheuristik adalah metode yang sesuai untuk menyelesaikan suatu
permasalahan, ada beberapa hal yang perlu diperhatikan misalnya kompleksitas permasalahan,
ukuran input, struktur input dan waktu yang diperlukan untuk menyelesaikan masalah tersebut.
Secara umum metehauristik dipakai untuk masalah-masalah yang komplek dan tidak bisa
diselesaikan dengan mudah secara analitikal/eksak. Tidaklah terlalu bermanfaat menggunakan
metaheuristik untuk persoalan yang dengan mudah dan cepat dapat diselesaikan secara eksak
(penyelesaian eksak merupakan penyelesaian terbaik, tetapi seringkali metode ini tidak dapat
diterapkan pada permasalahan optimisasi, sehingga dipakailah metode pendekatan).
B. PARTICLE SWARM OPTIMIZATION (PSO)
2. Pendahuluan

Algoritma Particle Swarm Optimization (PSO) diperkenalkan

pertama kali oleh Kennedy dan Eberhart pada tahun 1995, proses
algoritmanya diinspirasi oleh perilaku sosial dari binatang, seperti
sekumpulan burung, dalam suatu swarm.

Definisi : Particle Swarm Optimization (PSO) adalah salah satu

dari teknik komputasi evolusioner, yang mana populasi pada PSO
didasarkan pada penelusuran algoritma dan diawali dengan suatu
populasi yang random yang disebut dengan particle (Shi Yao Lim,
Mohammad Montakhab 2009).

Particle Swarm Optimization (PSO) terinspirasi dari perilaku gerakan kawanan hewan seperti ikan
(school of fish), hewan herbivor (herd), dan burung (flock) yang kemudian tiap objek hewan
disederhanakan menjadi sebuah partikel.

Ditemukan oleh Kennedy dan Eberhart pada tahun 1995

B. PARTICLE SWARM OPTIMIZATION (PSO)
2. Konsep

Sistem PSO diinisialisasi oleh sebuah populasi solusi secara

acak dan selanjutnya mencari titik optimum dengan cara meng-
update tiap hasil pembangkitan.

Setiap partikel bergerak dalam ruang/space tertentu dan

mengingat posisi terbaik yang pernah dilalui atau ditemukan
terhadap sumber makanan atau nilai fungsi objektif

Setiap partikel menyampaikan informasi atau posisi bagusnya

kepada partikel yang lain dan menyesuaikan posisi dan
kecepatan masing-masing berdasarkan informasi yang diterima
mengenai posisi yang bagus tersebut
B. PARTICLE SWARM OPTIMIZATION (PSO)
2. Konsep

Sebagai contoh, misalnya perilaku burung-burung dalam dalam kawanan

burung. Meskipun setiap burung mempunyai keterbatasan dalam hal
kecerdasan, biasanya ia akan mengikuti kebiasaan (rule) seperti berikut :
✓ Seekor burung tidak berada terlalu dekat dengan burung yang lain
✓ Burung tersebut akan mengarahkan terbangnya ke arah rata-rata
keseluruhan burung
✓ Akan memposisikan diri dengan rata-rata posisi burung yang lain
dengan menjaga sehingga jarak antar burung dalam kawanan itu tidak
terlalu jauh
Dengan demikian perilaku kawanan burung akan didasarkan pada
kombinasi dari 3 faktor simpel berikut:
✓ Separasi, Jangan terlalu dekat (ada jarak tertentu antar burung)
✓ Penyesuaian (alignment), Mengikuti arah bersama (memposisikan diri
dan menjaga jarak)
✓ Kohesi, Terbang bersama (terbang ke arah rata-rata keseluruhan
burung)
B. PARTICLE SWARM OPTIMIZATION (PSO)
2. Konsep

Jadi Particle Swarm Optimization dikembangkan dengan berdasarkan pada model berikut:
✓ Ketika seekor burung mendekati target atau makanan (atau bisa minimum atau maximum suatu
fungsi tujuan) secara cepat mengirim informasi kepada burung-burung yang lain dalam kawanan
tertentu
✓ Burung yang lain akan mengikuti arah menuju ke makanan tetapi tidak secara langsung
✓ Ada komponen yang tergantung pada pikiran setiap burung, yaitu memorinya tentang apa yang
sudah dilewati pada waktu sebelumnya.
B. PARTICLE SWARM OPTIMIZATION (PSO)
3. Ilustrasi
B. PARTICLE SWARM OPTIMIZATION (PSO)
3. Ilustrasi
B. PARTICLE SWARM OPTIMIZATION (PSO)
3. Ilustrasi
B. PARTICLE SWARM OPTIMIZATION (PSO)
3. Ilustrasi
B. PARTICLE SWARM OPTIMIZATION (PSO)
3. Ilustrasi
B. PARTICLE SWARM OPTIMIZATION (PSO)
3. Ilustrasi
B. PARTICLE SWARM OPTIMIZATION (PSO)
3. Ilustrasi
B. PARTICLE SWARM OPTIMIZATION (PSO)
3. Ilustrasi
B. PARTICLE SWARM OPTIMIZATION (PSO)
4. Parameter dalam PSO

𝑓 = Objective function atau fitness

𝑁 = Jumlah partikel

𝑥𝑗 = Posisi partikel ke-j

𝑉𝑗 𝑖 = Kecepatan partikel ke-j pada iterasi ke-i

𝑐1 , 𝑐2 = Learning rate untuk kemampuan individu (𝑐1 ) dan pengaruh social kelompok (𝑐2 )

𝑟1 , 𝑟2 = Bilangan acak antara 0 sd 1 (distribusi normal)

𝑝𝑏𝑒𝑠𝑡 = Posisi terbaik untuk masing-masing partikel dalam kelompok (personal best)

𝑔𝑏𝑒𝑠𝑡 = Posisi terbaik dalam kelompok (global best)

B. PARTICLE SWARM OPTIMIZATION (PSO)
5. Algoritma dalam PSO

Flowchart: MULAI

Inisialisasi posisi partikel h

sebanyak H partikel secara random
(1)

it=1

Evaluasi nilai fitness masing-masing

partikel h
(2)

Tentukan posisi terbaik masing-masing partikel (Pbesth) Update kecepatan partikel (vhit+1) dan
dan posisi terbaik dari seluruh partikel (Gbest) : posisi partikel (xhit+1) :
(3) (5)

Cek :
it=itmax TIDAK it=it+1
(4)

YA

Solusi (Gbest)

SELESAI
B. PARTICLE SWARM OPTIMIZATION (PSO)
5. Algoritma dalam PSO

Flowchart (opsi lain):

B. PARTICLE SWARM OPTIMIZATION (PSO)
5. Algoritma dalam PSO
Update Kecepatan pada PSO:

𝑉𝑗 𝑖 = 𝑉𝑗 𝑖 − 1 + 𝑐1 𝑟1 𝑝𝑏𝑒𝑠𝑡,𝑗 − 𝑥𝑗 𝑖 − 1 + 𝑐2 𝑟2 𝑔𝑏𝑒𝑠𝑡 − 𝑥𝑗 𝑖 − 1 ; 𝑗 = 1, 2, … , 𝑁
Dimana:
𝑉𝑗 𝑖 − 1 = Inertia

𝑐1 𝑟1 𝑝𝑏𝑒𝑠𝑡,𝑗 − 𝑥𝑗 𝑖 − 1 = Personal Influence

𝑐2 𝑟2 𝑔𝑏𝑒𝑠𝑡 − 𝑥𝑗 𝑖 − 1 = Social Infulence

Inertia:
✓ Membuat partikel bergerak pada arah dan kecepatan yang sama
Personal Influence:
✓ Memperbaiki individu partikel
✓ Membuat partikel kembali ke posisi sebelumnya
✓ Conservative
Social Influence:
✓ Membuat pertikel mengikuti ke arah tetangga yang terbaik
B. PARTICLE SWARM OPTIMIZATION (PSO)
6. Modifikasi PSO
Update Kecepatan (modifikasi):

𝑉𝑗 𝑖 = 𝜃𝑖 𝑉𝑗 𝑖 − 1 + 𝑐1 𝑟1 𝑝𝑏𝑒𝑠𝑡,𝑗 − 𝑥𝑗 𝑖 − 1 + 𝑐2 𝑟2 𝑔𝑏𝑒𝑠𝑡 − 𝑥𝑗 𝑖 − 1 ; 𝑗 = 1, 2, … , 𝑁

Bobot Inersia:

𝜃𝑚𝑎𝑥 − 𝜃𝑚𝑖𝑛
𝜃𝑖 = 𝑓 𝑖 = 𝜃𝑚𝑎𝑥 − 𝑖
𝑖𝑚𝑎𝑥
Dimana:
𝜃𝑖 = Nilai bobot inersia pada iterasi ke-𝑖
𝜃𝑚𝑎𝑥 = Nilai awal bobot inersia
𝜃𝑚𝑖𝑛 = Nilai akhir bobot inersia
𝑖𝑚𝑎𝑥 = Iterasi maksimum
𝑖 = Iterasi ke-𝑖

*catatan:
𝜃𝑚𝑎𝑥 = 0.9 dan 𝜃𝑚𝑖𝑛 = 0.4 (tipikal)
 INFORMASI
Pengisian daftar hadir menggunakan google form yang
terdapat pada google classroom
(Materi-09 Metode Optimasi Metaheuristik Bagian-01)
(pada hari ini Jumat, 22 April 2022 pukul 13.00 – 16.30 WIB)
Catatan:
Isi seluruh link yang telah disediakan…

Tugas dapat diunduh dan dikumpulkan

menggunakan google classroom mulai Pukul 15.00 WIB
(Tugas-03 Metode Optimasi Metaheuristik 01)
(dikumpulkan paling lambat hari Jumat, 20 Mei 2022 pukul 06.00 WIB)
Catatan:
Pengumpulan Tugas terlambat namun pada hari yang sama memperoleh skor 80%;
Pengumpulan Tugas H+1 memperoleh skor 50%;
Pengumpulan Tugas lebih dari H+1 dianggap tidak mengerjakan tugas;
Pengumpulan tugas tidak sesuai instruksi atau folder Tugas dianggap tidak mengerjakan tugas).
 TERIMA KASIH

Materi dapat diunduh di : diajarsetrum.wordpress.com