Optimasi Desain Golinski Speed ​Reducer Dengan Kendala

Menggunakan Genetic Algorithm dan Particle Swarm

Optimization

Constrained Design Optimization of Golinski's Speed Reducer using

Genetic Algorithm and Particle Swarm Optimization
JEVON SANOTURIA (G64190060)1, MUHAMMAD ALFARIZHI (G64190087)2, MUHAMAD RIAN NAYANDRA (G64190097)3,
RAMADHANTI NISA P. (G64190092)4, WILDAN FAJRI ALFARABI (G64190060)5

Abstrak
Golinski Speed Reducer merupakan alat untuk mengurangi daya yang dialirkan ke komponen
kendaraan untuk menghasilkan putaran mesin. Permasalahan utama alat ini adalah mencari berat peredam yang
tepat, namun tidak mengurangi kecepatan rotasi poros dan melanggar batas-batas yang ditentukan. Ada 7 batasan
yang ditetapkan, yaitu lebar permukaan gear, modul gigi, jumlah gigi pinion, panjang shaft 1 dan 2 di antara
bearing, dan diameter shaft 1 dan 2. Genetic Algorithm (GA) adalah algoritma optimasi berdasarkan pewarisan
gen. Algoritma membuat himpunan solusi dan memilih yang terbaik lewat seleksi, persilangan, dan mutasi.
Sementara itu, Particle Swarm Optimization (PSO) adalah algoritma optimasi yang didasari pergerakan kawanan
burung dan ikan. Partisi disebar dan dibiarkan bergerak menuju titik optimum. PSO memberikan hasil yang lebih
baik dengan fitness 2995.180 dibandingkan GA yang sulit konvergen dengan fitness 2309.394, serta melanggar 4
batasan. Hal ini disebabkan GA memiliki faktor acak yang membuatnya sulit konvergen. Dapat disimpulkan
bahwa metode PSO lebih baik untuk permasalahan ini.

Kata Kunci: Golinski, Genetic Algorithm, Particle Swarm Optimization, Speed reducer, Optimization

Abstract
Golinski speed reducer is a machine that reduces the power distributed to vehicle parts to produce
machine rotation. This research aims to find the right amount of weight without reducing the shaft speed and
breaking the given constraints. Previously, researches that tried to solve this problem with search algorithms
violated the constraints, thus making the solution rejected. There are 7 constraints for this problem: Gear width,
gear module, amount of pinion gears, shaft 1 and 2 length between the bearings, and the diameter of shaft 1 and
2. Genetic Algorithm (GA) is an algorithm made based on genetics, in which random solutions are generated
and the optimal solution is picked through selection, crossover, and mutation. Particle Swarm Optimization
(PSO) is an algorithm that is based on the movement of bird flocks. Particles are placed randomly and will move
toward the optimal solution. The research finds that PSO gives a better result with a fitness value of 2995.180
than GA with a fitness value of 2309.394 and 4 violated constraints. This is most likely caused by GA’s
randomness factor, making the result difficult to convergent. As a result, PSO fits the problem more than GA.

Keywords: Golinski, Genetic Algoritm, Particle Swarm Optimization, Speed reducer, Optimization

PENDAHULUAN (GUNAKANLAH STYLE JUDUL BAB)

Bab ini memuat latar belakang yang mengulas alasan mengapa penelitian dilakukan.
Uraikan penelitian terdahulu yang berkaitan dengan penelitian yang akan dilakukan. Berikan

1
Nama, alamat, dan nomor kontak organisasi penulis pertama;
*Penulis Korespondensi: Tel/Faks: 0000-00000000; Surel: penuliskorespondensi@ipb.ac.id
2
Nama, alamat, dan nomor kontak organisasi penulis kedua;
*Penulis Korespondensi: Tel/Faks: 0000-00000000; Surel: penuliskorespondensi@ipb.ac.id
3
Nama, alamat, dan nomor kontak organisasi penulis kedua;
*Penulis Korespondensi: Tel/Faks: 0000-00000000; Surel: penuliskorespondensi@ipb.ac.id
4
Nama, alamat, dan nomor kontak organisasi penulis kedua;
*Penulis Korespondensi: Tel/Faks: 0000-00000000; Surel: penuliskorespondensi@ipb.ac.id
5
Nama, alamat, dan nomor kontak organisasi penulis kedua;
*Penulis Korespondensi: Tel/Faks: 0000-00000000; Surel: penuliskorespondensi@ipb.ac.id
beberapa referensi yang digunakan sebagai kerangka acuan yang mendasari kegiatan
penelitian. Akhiri pendahuluan dengan tujuan.

Latar Belakang
Gearbox adalah sistem pemindah tenaga atau daya mesin pada kendaraan bermotor.
Fungsi gearbox sendiri adalah untuk menyalurkan tenaga atau daya mesin ke komponen
lainnya sehingga menghasilkan putaran mesin. Dengan begitu, keseluruhan mesin pun dapat
bekerja dan kendaraan bisa dioperasikan. Salah satu permasalahan dalam mendesain gearbox
adalah mengoptimasi peredam kecepatan. Permasalahan ini sering disebut Golinski Speed
​Reducer Problem. Peredam kecepatan atau speed reducer digunakan untuk mengurangi
kecepatan transmisi daya. Golinski Speed ​Reducer Problem merupakan salah satu masalah
yang digunakan oleh NASA sebagai tolak ukur untuk membantu para penelitinya dalam
memvalidasi metodologi optimasi yang baru dikembangkan.
Tujuan
Tujuan utama dari Golinski Speed ​Reducer Problem adalah untuk meminimumkan berat
dari peredam kecepatan namun tetap mempertahankan efisiensi penuh dari kecepatan rotasi
poros. Untuk mempertahankan efisiensi maka perlu memenuhi sejumlah kendala yang
dibentuk oleh desain roda gigi dan poros.

Penelitian terdahulu
Banyak peneliti telah mengerjakan masalah peredam kecepatan Golinski dengan
pendekatan yang berbeda. Beberapa diantaranya adalah penelitian yang dilakukan Kuang dan
rekan-rekannya menggunakan metode pencarian. Hasilnya tidak dapat diterima sebab terdapat
kendala yang dilanggar. Lalu ada Rao yang menerapkan metode sequential search. Namun,
hasilnya tidak layak sebab ada 2 kendala yang dilanggar.

Perumusan Masalah
Terdapat 7 variabel yang perlu diperhatikan ketika mendesain peredam kecepatan.

x1 = lebar permukaan gear,

x2 = modul gigi,
x3 = jumlah gigi pada pinion,
x4 = panjang shaft 1 di antara bearings,
x5 = panjang shaft 2 di antara bearings,
x6 = diameter shaft 1,
x7 = diameter shaft 2

Berikut gambar peredam kecepatan beserta variabel - variabel yang dimaksud.

Gambar.1 Peredam Kecepatan Beserta Label Setiap Variabelnya

 Agar peredam kecepatan tetap efisien variabel - variabel tersebut harus berada dalam
batasan yang telah ditentukan. Berikut batasan - batasannya.

2.6 ≤ x1 ≤ 3.6
0.7 ≤ x2 ≤ 0.8
17 ≤ x3 ≤ 28
7.3 ≤ x4 ≤ 8.3
7.3 ≤ x5 ≤ 8.3
2.9 ≤ x6 ≤ 3.9
5.0 ≤ x7 ≤ 5.9

Berdasarkan parameter yang telah dijelaskan Golinski Speed ​Reducer Problem jika
dirumuskan akan menghasilkan persamaan seperti dibawah.

Dalam tugas akhir ini kami mengimplementasikan Genetic Algorithm dan Particle
Swarm Optimization untuk mengoptimasi peredam kecepatan. Lalu hasilnya kami bandingkan
untuk menentukan metode yang terbaik diantara keduanya.

METODE
Bab ini berisi ruang lingkup penelitian (jika ada) dan diikuti dengan metode yang akan
digunakan. Metode merupakan langkah-langkah yang jelas sehingga pembaca dapat berhasil
mengulang kembali penelitian sesuai dengan langkah yang dikemukakan. Metode yang sudah
umum digunakan (seperti metode pengembangan perangkat lunak waterfall, object oriented)
tidak diuraikan dengan terperinci, cukup secara singkat. Metode yang belum umum atau baru
hendaklah diuraikan dengan lengkap.

Metode Genetic Algorithm

Algoritma genetika menggunakan pemahaman mengenai evolusi alamiah pada cara
pemecahan masalah. Pendekatan yang diambil pada algoritma genetika adalah dengan
menghimpun secara acak beragam solusi terbaik yang dipilih di himpunan untuk
mendapatkan solusi terbaik yaitu pada saat kondisi yang memaksimalkan kecocokan yang
setelah itu akan disebut dengan nilai fitness. Generasi yang terpilih adalah generasi yang
merepresentasikan pembaruan pada populasi atau kumpulan sebelumnya. Dengan melewati
proses yang berulang-ulang, algoritma ini bisa mendapatkan penyelesaian yang paling tepat
untuk permasalahan yang dihadapi. Langkah-langkah implementasi algoritma genetika :

1. Pengumpulan Data
Tahap pengumpulan data ini mencari bahan dasar yaitu mengumpulkan data nama
kepala keluarga, nama anak. Pengumpulan data merupakan awal dari penelitian, dalam
hal ini pengumpulan data dapat diambil dari observasi atau wawancara.

2. Definisi Individu
Definisi individu dilakukan untuk memberikan penamaan terhadap gen yang akan di
analisis, sehingga mempermudah peneliti dalam melakukan proses algoritma genetika.

3. Inisialisasi Kromosom
Menentukan nilai kromosom secara acak dan sesuai dengan nilai maksimalnya.

4. Evaluasi Kromosom
Mencari nilai yang dicari dalam evaluasi chromosome yaitu fungsi objektif setiap
chromosome dimana nilai tersebut diperoleh dari rumus yang ada pada algoritma
genetika. Permasalahan yang diselesaikan contohnya yaitu nilai variabel a, b, c, dan d
yang memenuhi persamaan a+2b+3c+4d = 30, maka fungsi objektif yang bisa
digunakan untuk memperoleh solusi adalah:
fungsi_objektif(chromosome) = |(a+2b+3c+4d)– 30|
fungsi_objektif(chromosome[1]) = Abs(( 12 + 2*5 + 3*3 + 4*8 ) – 30)
= Abs((12 + 10 + 9 + 32 ) – 30)
= Abs(63 – 30)
= 33

5. Proses Seleksi Kromosom

Pada proses ini mencari tiga nilai yaitu nilai fitness, nilai probabilitas dan nilai
kumulatif probabilitas.

6. Crossover
Crossover atau proses perkawinan silang yaitu untuk mencari nilai-nilai baru.
Menggabungkan dua kromosom atau lebih agar menjadi kromosom baru. Sebuah
kromosom yang mengarah pada solusi baik dapat diperoleh melalui proses crossover.
Crossover bertujuan untuk menambah keanekaragaman string di satu populasi dengan
penyilangan antara string yang didapatkan dari reproduksi sebelumnya. Hasil
crossover dari 2 kromosom induk selanjutnya akan menghasilkan 2 offspring, oleh
karena itu, jumlah populasi bertambah 2 kali dari jumlah populasi awal.

7. Proses Mutasi
Memilih kromosom yang akan dimutasi secara acak, dan kemudian menentukan titik
mutasi pada kromosom tersebut secara acak pula. Jumlah banyaknya kromosom yang
akan dilakukan mutasi dihitung berdasarkan probabilitas mutasi yang telah ditentukan
terlebih dahulu. Apabila probabilitas mutasi mencapai 100% jadi semua kromosom
yang ada pada populasi akan mengalami mutasi.

8. Hasil Analisis Data

Hasil penelitian yang diperoleh dari analisis data menggunakan Algoritma Genetika
akan digunakan untuk optimasi desain golinski speed reducer.
Metode Particle Swarm Optimization
Particle Swarm Optimization (PSO) merupakan teknik optimasi pemecahan masalah
yang didasarkan pada perilaku sosial sekawanan burung (flock of bird) atau sekumpulan ikan
(school of fish). Metode PSO digunakan untuk mencari posisi dengan pengembalian nilai
fungsi minimal dan teknik optimisasinya dengan cara menghitung secara terus menerus calon
solusi dengan menggunakan suatu acuan kualitas. Pencarian solusi algoritma PSO dilakukan
dengan cara menggerakan partikel di dalam ruang permasalahan menggunakan fungsi tertentu
untuk posisi dan kecepatan dari partikel. Setiap partikel bergerak dalam ruang atau space
tertentu kemudian mencari posisi terbaik yang dilaluinya dengan memperbaharui posisinya.
Masing-masing partikel menyampaikan informasi posisi terbaik ke partikel lain dan
menyesuaikan posisi dan kecepatan berdasarkan informasi posisi terbaik yang diterima.
Sekumpulan partikel ini dinamakan swarm, dan pada akhirnya swarm ini akan bergerak
menuju kepada solusi terbaik. Berikut adalah langkah penerapannya

1. Inisiasi Data Pada Masing-Masing Partikel

Inisialisasi semua posisi partikel awal dengan posisi acak Setiap dimensi memiliki
batas minimal dan maksimal sendiri-sendiri, sesuai pada isian parameter data
kemudian Inisialisasi nilai kecepatan semua partikel awal dengan nilai kecepatan acak.
Setelah itu hitung nilai fitness dari posisi acak tersebut. Jika nilai fitness ini lebih baik
dari nilai fitness umum, maka ambil posisi acak ini sebagai posisi terbaik umum atau
global best (Gbest).

2. Tentukan Bobot Inertia

HASIL DAN PEMBAHASAN
Setelah menentukan permasalahan dan juga metode, kami membuat rancangan kode
Python untuk algoritma genetika dan juga particle swarm optimization pada Jupiter Notebook
menggunakan Google Colab. Penggunaan algoritma genetika untuk menyelesaikan
permasalahan Golinski Speed Reducer constrained design ini hasilnya kurang baik. Dapat
dilihat dari grafik nilai fitness yang didapatkan, bahwa algoritma genetika sulit untuk
mencapai konvergensi nilai optimum.

Gambar.1 Grafik Nilai Fitness Genetic Algorithm

Hal ini dikarenakan pada penggunaan algoritma genetik, terjadi mutasi yang
menyebabkan variabel pada kromosom diacak dengan batasan tertentu seperti pada kasus.
Pengacakan nilai variabel ditujukan agar algoritma genetika memiliki keragaman ke dalam
populasi kromosom, yang mana berfungsi agar algoritma genetika menemukan titik optimum
global dan bukan lokal. Pengacakan nilai variabel menyebabkan grafik nilai fitness berubah
secara drastis. Sedangkan hal ini tidak terjadi pada penerapan algoritma particle swarm
optimization dimana perubahan variabel ditentukan dari kecepatan partikel.

Gambar.2 Grafik Nilai Fitness Particle Swarm Optimization

Grafik nilai fitness algoritma particle swarm optimization mencapai nilai konvergensi
dengan baik dan hanya membutuhkan kurang dari 50 iterasi. Posisi variabel pada algoritma
swarm ditentukan oleh kecepatan partikel, dimana kecepatan partikel bergantung pada nilai
fitness swarm tersebut.
 Perbandingan solusi yang dihasilkan oleh algoritma genetika dan juga swarm ini
sangatlah berbeda jauh. Solusi yang ditawarkan oleh algoritma swarm jauh lebih robust
dibandingkan dengan algoritma genetik. Acuan nilai fitness yang baik mengikuti penelitian
Zummurd A. Al. dimana nilai fitness yang baik adalah kisaran 3000. Pada solusi algoritma
swarm, solusi terbaik fitness sangat sering menyentuh nilai dengan kisaran 3000. Sedangkan
pada algoritma genetika, nilai fitness pada solusi terbaik atau akhir iterasi tidak selalu
konvergen ke nilai acuan pada tiap percobaan. Pada tabel dibawah, nilai fitness dari algoritma
genetik sangat sangat jauh dari kisaran nilai 3000.

Tabel.1 Perbandingan solusi terbaik dari kedua algoritma

Desain Variable
Algoritma Fitness
X1 X2 X3 X4 X5 X6 X7
GA 3.190 0.714 19.976 7.654 7.374 2.934 5.099 2309.394
PSO 3.500 0.700 17.000 7.388 7.715 3.350 5.287 2995.180
a
Pembulatan 3 desimal.

Kendala yang dilanggar algoritma genetika juga jauh lebih banyak dibandingkan dengan
algoritma swarm. Ketika kendala dilanggar, nilai fitness akan berkurang sebagai hukumannya.
Dari perulangan percobaan, kendala yang dilanggar algoritma swarm juga jarang terjadi.
Perbandingan kendala yang dilanggar oleh kedua algoritma dapat dilihat pada tabel dibawah
ini.

Tabel.2 Jumlah kendala gabungan dari beberapa variabel yang dilanggar

Kendala Gabungan Variabel Total kendala
Algoritma
G1 G2 G3 G4 G5 G6 G7 G8 G9 G24 G25 dilanggar
GA 0 0 0 0 1 1 0 1 0 0 1 4
PSO 0 0 0 0 0 0 0 0 0 0 0 0
a
G10-G23 merupakan kendala dari masing masing variabel tunggal.

Berdasarkan hasil grafik nilai fitness dan juga total kendala yang dilanggar, algoritma
swarm jauh lebih baik dalam menentukan solusi terbaik dalam kasus ini dibandingkan dengan
algoritma genetik. Ini dikarenakan algoritma swarm menggunakan pendekatan secara
perlahan untuk mencapai solusi terbaik dengan mengubah nilai posisi partikel (nilai variabel)
sesuai dengan kecepatan partikelnya. Sedangkan algoritma genetik menggunakan pendekatan
generating dan juga pemilihan induk kromosom berdasarkan probabilitas acak dalam mencari
solusi terbaik.

SIMPULAN
PSO lebih cocok digunakan untuk permasalahan Golinski Speed Reduction
dibandingkan GA, karena GA memiliki faktor acak yang membuat solusinya sulit konvergen,
serta melanggar batasan yang diberikan. PSO nyaris tidak pernah melanggar batasan yang
diberikan sama sekali. Penelitian-penelitian berikutnya dapat membuat PSO menjadi lebih
baik dengan mengeliminasi kemungkinan batasan yang dilanggar.

UCAPAN TERIMA KASIH

Bagian ini digunakan untuk menyebutkan sumber dana penelitian yang diperoleh dan
memberikan penghargaan kepada beberapa institusi atau orang yang membantu dalam
pelaksanaan penelitian dan atau penulisan artikel.

DAFTAR PUSTAKA
Daftar pustaka ditulis mengikuti sistem nama tahun (Harvard), nama penulis diurutkan
mengikuti abjad. Ketentuan penulisannya sesuai teladan di bawah ini.
Format untuk berkala ilmiah:
Nama penulis 1, 2, 3. Tahun terbit. Judul artikel. Nama Berkala Ilmiah. Vol (edisi):
halaman.
Contoh:
Nefti S, Oussalah M, Kaymak U. 2008. A new fuzzy set merging technique using
inclusion-based fuzzy clustering. IEEE Trans Fuzzy Syst. 16 (1): 145-161.

Format untuk berkala ilmiah online:

Nama penulis 1, 2, 3. Tahun terbit. Judul artikel. Nama berkala ilmiah [Internet]. Waktu
pembaharuan (jika ada); waktu unduh [diunduh tahun bulan tanggal]; Volume (edisi):
lokasi. Catatan (jika ada).
Contoh:
Chunyu H, Hwangnam K, Jennifer CH, Dennis C, Sai S N. 2010. A distributed
approach of proportional bandwidth allocation for real-time services in ultra wide band
(UWB) WPANs. IEEE/ACM Trans. Parallel and Distributed System [Internet].
[diunduh 2011 Des 29]; 21(11):1626-1643 http://doi.ieeecomputersociety.org/10.1109/
TPDS.2010.32.

Format untuk buku:

Nama Penulis 1, 2. Tahun terbit. Judul Buku. Kota terbit (kode negara): Nama Penerbit.
Contoh:
Pressman RS. 2005. Software Engineering: A Practitioner’s Approach Ed ke-6. Boston
(US): McGraw Hill.

Format untuk skripsi, tesis, dan disertasi:

Nama penulis. Tahun terbit. Judul [jenis publikasi]. Kota terbit (kode negara): Nama
Perguruan Tinggi.
Contoh:
Giri EP. 2008. Model klasifikasi menggunakan feature semantik dan association rules
untuk biomedical image retrieval system citra pap smear [tesis]. Depok (ID):
Universitas Indonesia.

Contoh penyusunan daftar pustaka:

Azuma RT. 1997. A survey of augmented reality. Presence-Teleop Virt 6(4):355-385.

Brown RG. 2004. Smoothing, Forecasting and Prediction of Discrete Time Series. New
York(US): Dover Publ.
Feiner S, Hollerer T, MacIntyre B, Webster A. 1997. A touring machine: prototyping 3D
mobile augmented reality systems for exploring the urban environment. Pers Tech
1(4):208-217.
Gotow JB, Zienkiewicz K, White J, Schmidt DC. 2010. Addressing challenges with
augmented reality applications on smartphones. Di dalam: Cai Y, Magedanz T, Li M,
Xia Jinchun, Gianelli C, editor. Mobile Wireless Middleware, Operating Systems, and
Applications. New York(US): Springer. hlm 129-143.
Huang Y, Mwemezi JJ. 2011. Optimal facility location on spherical surfaces: algorithm and
application. New York Sci J 4(7):21-28.
Oh S, Shuster M. 1981. Three-axis attitude determination from vector observations. J Guid
Control 4(1):70-77.
Paucher R, Turk M. 2010. Location-based augmented reality on mobile phones. Di dalam:
Proceedings of Computer Vision and Pattern Recognition Workshops; San Francisco,
2010 Jun 13-18. Washington(US): IEEE Comp Soc. hlm 9-16.
DAFPUS YANG BENER DIBAWAH INI DULU NGETIKNYA
Zummurd A. Al. 2020. Design and Optimization of Golinski's Speed Reducer by using the
Five methods of Optimization (SQP, GA, SA, PSO, and Hybrid Algorithm). European
International Journal of Science and Technology. 9(10):33-37.
Golinski’s speed reducer problem revisited. Tapabrat Ray, AIAA Journal, vol. 41, Issue 3,
2003. p.556-558
Ku, K. J., Rao, S. S. and Chen, L., 1998, “Taguchi-Aided Search Method for Design
Optimization of Engineering Systems,” Engineering Optimization, Vol. 30, p. 1-23