Optimasi Layout Komponen Satelit Mikro Menggunakan Algoritme Genetika

OPTIMASI LAYOUT KOMPONEN SATELIT MIKRO
MENGGUNAKAN ALGORITME GENETIKA

MOHAMMAD MUKHAYADI

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2016

PERNYATAAN MENGENAI TESIS DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA*
Dengan ini saya menyatakan bahwa tesis berjudul Optimasi Layout
Komponen Satelit Mikro Menggunakan Algoritme Genetika adalah benar karya
saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk
apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau
dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah
disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir
tesis ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada
Institut Pertanian Bogor.

Bogor, September 2016

Mohammad Mukhayadi
G651120694

RINGKASAN
MOHAMMAD MUKHAYADI. Optimasi Layout Komponen Satelit Mikro
Menggunakan Algoritme Genetika. Dibimbing oleh IRMAN HERMADI dan
SOEWARTO HARDHIENATA.
Penempatan komponen dalam sebuah kontainer termasuk kategori permasalahan
non-deterministic polynomial-time hard (NP-hard) yang dalam teori kompleksitas
komputasional sangat sulit dipecahkan. Permasalahan ini umumnya dikenal
sebagai layout optimization problem (LOP). Penelitian optimasi layout dalam tesis
ini mengambil studi kasus layout komponen satelit mikro. Layout komponen
satelit mikro tersebut harus memenuhi persyaratan muatan misi, wahana peluncur
dan pengendalian sikap. Strategi terbaru untuk mencari layout yang optimal dari
berbagai kemungkinan adalah menggunakan algoritme genetika yang
dikombinasikan dengan order-based positioning technique (OPT) sehingga
kemungkinan solusi sama dengan permutasi sejumlah komponennya. Setiap
komponen diberi indeks kemudian ditempatkan dalam kontainer berdasarkan

urutan tertentu sesuai dengan algoritme penempatan yang sudah dibangun.
Sementara itu, urutan penempatan tersebut dibangkitkan oleh algoritme genetika
yang mengeksplorasi berbagai kemungkinan hingga diperoleh urutan yang
menghasilkan individu (solusi) terbaik. Algoritme genetika dalam optimasi layout
ini menggunakan jumlah populasi, probabilitas penyilangan dan probabilitas
mutasi yang teruji secara statistik menghasilkan individu terbaik. Pendekatan ini
telah teruji validitasnya dan terbukti menghasilkan layout yang optimal.
Kata kunci: optimasi layout, algoritme genetika, satelit mikro

SUMMARY
MOHAMMAD MUKHAYADI. Layout Optimization of Microsatellite
Components Using Genetic Algorithm. Supervised by IRMAN HERMADI and
SOEWARTO HARDHIENATA.
The placement of components into a container belongs to non-deterministic
polynomial-time hard (NP-hard) problems that in terms of computational
complexity is very difficult to solve. It is normally known as layout optimization
problem (LOP). This study takes the layout of microsatellite components as a case
study. In this case, the layout of microsatellite components should meet the
requirements of the mission payload, the launcher and the spacecraft attitude
control. It uses the novel scheme to find the various possibilities of optimal layout

that implement genetic algorithm combined with order-based positioning
technique (OPT) so the space of solution is equal with the permutations of its
components. Each component has a given index and then placed into a container
based on specific order of placements in accordance with a bottom-left (BL)
algorithm that is already established. Meanwhile, the placement order is generated
by the genetic algorithm which explore various possibilities to obtain a sequence
that produces the best individual as a representation of the best solution. The
implemented genetic algorithm uses the number of population, the probability of
crossover and probability of mutation that are statistically proven to produce the
best individual. The approach has been validated and proven to produce the
optimal layout.
Keywords: layout optimization, genetic algorithm, microsatellite

© Hak Cipta Milik IPB, Tahun 2016
Hak Cipta Dilindungi Undang-Undang
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan
atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan,
penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau
tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan
IPB

Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis ini dalam
bentuk apa pun tanpa izin IPB

OPTIMASI LAYOUT KOMPONEN SATELIT MIKRO
MENGGUNAKAN ALGORITME GENETIKA

MOHAMMAD MUKHAYADI
G651120694
Tesis
sebagai salah satu syarat untuk memperoleh gelar
Magister Sains
pada
Program Studi Ilmu Komputer

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2016

Penguji Luar Komisi pada Ujian Tesis: DrEng Wisnu Ananta Kusuma, ST MT

PRAKATA
Bismillaahirrahmaanirrahiim
Alhamdulillah, puji syukur kehadirat Allah SWT atas segala limpahan
rahmat, taufik, dan hidayah-Nya sehingga penulis dapat meyelesaikan karya tulis
ilmiah dalam bentuk tesis ini. Shalawat serta salam semoga senantiasa tercurahkan
kepada Rasulullah Muhammad SAW serta seluruh keluarganya, sahabatnya, dan
para pengikutnya sampai akhir jaman.
Terima kasih penulis ucapkan kepada Bapak Irman Hermadi, SSi MS PhD
dan Bapak Prof Dr -Ing Soewarto Hardhienata selaku pembimbing. Ungkapan
terima kasih juga disampaikan kepada orang tua, istri tercinta, serta seluruh
keluarga, atas segala doa dan dukungan baik moril maupun materiil. Di samping
itu, penghargaan penulis sampaikan kepada teman-teman Magister Ilmu
Komputer kelas khusus angkatan XIV yang telah memberikan bantuan, motivasi,
dan semangat dan juga kepada segenap keluarga besar Pusat Teknologi Satelit
LAPAN atas segala dukungannya.
Penulis menyadari bahwa tesis ini masih jauh dari sempurna, maka saran
serta kritik dari semua pihak dapat memberikan kontribusi dalam perbaikan
penelitian ini. Semoga karya ilmiah ini bermanfaat.

Bogor, September 2016

Mohammad Mukhayadi

DAFTAR ISI
DAFTAR ISI

xi

DAFTAR TABEL

xii

DAFTAR GAMBAR

xii

DAFTAR LAMPIRAN

xii

1 PENDAHULUAN

1

Latar Belakang

1

Perumusan Masalah

4

Tujuan Penelitian

4

Ruang Lingkup

4

Manfaat

5

2 TINJAUAN PUSTAKA

6

Tingkat Teknologi Pengembangan Satelit Mikro

6

Algoritme Genetika dalam Perancangan Satelit

7

Teknik Penempatan Berdasarkan Urutan (OPT)

8

3 METODOLOGI

11

Rancangan Algoritme Penempatan

11

Rancangan Algoritme Genetika

12

Mekanisme pengkodean

12

Fungsi Tujuan

12

Operator Penyilangan

13

Operator Mutasi

13

Parameter GA dan Elitisme

13

4 HASIL DAN PEMBAHASAN

15

5 SIMPULAN DAN SARAN

22

DAFTAR PUSTAKA

23

LAMPIRAN

25

RIWAYAT HIDUP

31

DAFTAR TABEL
1 Daftar komponen satelit
2 Hasil analisis ragam tiap kombinasi parameter GA
3 Koordinat penempatan komponen yang optimal
4 Perbandingan hasil perhitungan program optimasi dengan Solid Edge
5 Perbandingan hasil perhitungan program optimasi dengan Solid Edge

15
16
19
21
21

DAFTAR GAMBAR
1 Perbandingan satelit mikro dengan satelit observasi bumi yang lain (Allan
2004)
2 Konfigurasi terbang satelit observasi bumi (Saifudin dan Mukhayadi 2013)
3 Susunan komponen satelit, sumbu putar (ω) dan sumbu mayor (Imax)
4 Alur perancangan satelit
5 Momentum angular (h) sebuah obyek yang memiliki kecepatan putar (ω)
6 Diagram alir algoritme genetika (Callaghan et al. 1999)
7 Teknik penempatan Xu et al. (2007)
8 Tiga varian algoritme BL (Imahori et al. 2006)
9 Kombinasi GA dengan OPT
10 Kontainer komponen satelit
11 Hasil validasi layout komponen dummy
12 Proses optimasi layout komponen satelit
13 Hasil layout komponen satelit
14 Implementasi layout komponen satelit dengan Solid Edge
15 Perbandingan layout pada program optimasi dengan Solid Edge

2
3
3
4
6
7
9
10
11
11
17
18
18
20
20

DAFTAR LAMPIRAN
1 Tabel seed of random number untuk uji statistik ............................................... 26
2 Tabel hasil individu terbaik dengan populasi 20 ................................................ 27
3 Tabel hasil individu terbaik dengan populasi 50 ................................................ 28
4 Tabel hasil individu terbaik dengan populasi 100 .............................................. 29
5 Tabel dimensi dan massa komponen dummy untuk uji validasi ........................ 30
6 Ilustrasi rekomendasi algoritme penempatan ..................................................... 30

1 PENDAHULUAN
Latar Belakang
Masalah optimasi layout ( layout optimization problem/LOP) merupakan
masalah yang menyangkut penempatan fisik sebuah obyek atau potongan obyek
ke dalam suatu kontainer. Permasalahan ini meliputi penempatan obyek dua
dimensi maupun tiga dimensi. LOP memiliki implikasi langsung pada kinerja dan
biaya yang ditanggung berbagai industri. Oleh karena itu masalah optimasi layout
telah dipelajari secara luas selama lebih dari lima dekade terakhir.
Berbagai industri membutuhkan solusi layout yang optimal untuk
meningkatkan kinerja dan efisiensinya seperti yang sering dihadapi dalam
manufaktur, jasa muatan, pergudangan, perencanaan wilayah, perencanaan
anggaran dan sebagainya. Dyckhoff (1990) mengklasifikasikan masalah umum
layout ini menjadi lima kategori:
 Masalah pemotongan bahan: cutting stock dan trim loss
 Masalah pengemasan: bin packing, strip packing dan knapsack
 Masalah pemuatan: pemuatan kendaraan, pemuatan palet dan pemuatan
kontainer
 Pengumpulan aneka ragam obyek (assortment), pengurangan (depletion),
desain, pembagian, tata letak
 Penganggaran modal, alokasi memori, dan penjadwalan multi-prosesor
Optimasi layout dalam penelitian ini mengambil studi kasus penempatan
komponen satelit mikro. Sebuah satelit biasanya berisi sejumlah modul, instrumen
dan perangkat-perangkat kecil dengan fungsi tertentu. Penempatan komponen
tersebut secara langsung akan berpengaruh terhadap struktur, kinerja, biaya
perakitan dan pemeliharaan seluruh sistem. Optimasi layout adalah salah satu
teknik kunci untuk meningkatkan kinerja umum sebuah satelit. Layout yang
optimal dan harmonis pada dasarnya adalah ciri umum dari kebanyakan satelit
yang sukses (Sun & Teng 2002).
Perancangan layout yang optimal dari sebuah satelit merupakan masalah
penempatan 3D dengan kendala kinerja yang umumnya merupakan masalah nondeterministic polynomial-time hard (NP-hard) dalam hal kompleksitas komputasi.
Karakteristik geometris objek layout juga harus dipertimbangkan sehingga
algoritma komputasi seringkali membutuhkan perancangan yang lebih kompleks.
Oleh karena itu hampir mustahil untuk sepenuhnya menyeselesaikan optimasi
layout tersebut dengan hanya mengandalkan pengalaman dan intuisi insinyur dan
sedikitnya literatur yang tersedia tentang topik ini.
Satelit mikro adalah satelit buatan yang umumnya memiliki massa di
bawah 100 kg. Salah satu alasan mengembangkan satelit mikro adalah untuk
mengurangi biaya karena satelit kecil membutuhkan alokasi beban peluncuran
yang lebih kecil pula. Perbandingan satelit mikro dengan satelit lain pada suatu
misi dapat dilihat pada Gambar 1. Dimensi dan massa yang kecil memungkinkan
satelit mikro menumpang pada peluncuran satelit lain sehingga biaya peluncuran
lebih rendah. Strategi peluncuran tersebut sering diistilahkan sebagai peluncuran
'piggyback'. Pengembangan satelit mikro semakin menarik karena selain mampu

2

menekan biaya pembuatan dan peluncuran, waktu pengembangan satelit juga
yang lebih singkat.

Gambar 1 Perbandingan satelit mikro dengan satelit observasi bumi
yang lain (Allan 2004)
Satelit mikro saat ini mulai diimplementasikan untuk beberapa misi
canggih seperti observasi astronomi dan penginderaan jauh. Misi-misi tersebut
membutuhkan akurasi kendali yang tinggi. Hal ini menjadi tantangan bagi
pengembangan satelit mikro karena metode kendali sikap yang sering digunakan
untuk satelit berukuran standar tidak berlaku untuk satelit kecil karena kendala
konsumsi daya, kebutuhan ruang, dan massa. Selain itu, satelit kecil lebih mudah
dipengaruhi oleh gangguan sikap daripada satelit berukuran standar karena
momen inersianya relatif kecil. Torsi gangguan yang diabaikan dalam satelit
berukuran standar menjadi sangat dominan dalam satelit kecil (Inamori et al.
2012) sehingga metode pengendalian sikap yang efektif diterapkan pada satelit
mikro adalah dengan memanfaatkan angular momentum. Pada metode ini satelit
diputar pada satu sumbu (spin) untuk mendapatkan kekakuan atau kestabilan
giroskopis. Metode pengendalian berbasis angular momentum tersebut diterapkan
pada generasi pertama satelit komunikasi geostasioner Syncom II tahun 1963
(Kaplan 1976).
Metode pengendalian spin mensyaratkan bahwa sumbu putar satelit (spin
axis) harus sama dengan sumbu momen inersia maksimum yang disebut juga
sebagai sumbu mayor. Pada konfigurasi terbang satelit observasi bumi
sebagaimana diilustrasikan pada Gambar 2, biasanya sumbu yang tegak lurus
terhadap bidang orbit ditentukan sebagai sumbu putar satelit. Jika sumbu putar
tidak sejajar dengan sumbu mayor satelit maka putaran satelit menjadi tidak stabil
karena efek nutasi (Wertz 1978).

3

Gambar 2 Konfigurasi terbang satelit observasi bumi (Saifudin dan
Mukhayadi 2013)
Sumbu mayor dapat diupayakan sama dengan sumbu putar satelit dengan
penyusunan layout yang baik pada komponen-komponen satelit. Sebagaimana
ilustrasi Gambar 3, layout komponen satelit menentukan distribusi massa satelit
dan momen inersianya. Layout komponen satelit dinilai optimal jika sudut ()
antara sumbu putar satelit (ω) dengan sumbu mayor (Imax) sangat kecil atau sama
dengan nol. Salah satu strategi yang andal untuk mencari layout yang optimal
adalah dengan menggunakan algoritme genetika (genetic algorithm / GA). Jika
selama ini proses penyusunan layout tersebut mengandalkan intuisi desainer yang
bersifat trial and error, melalui GA ini akan dihitung berbagai kemungkinan
layout komponen satelit hingga diperoleh alternatif layout yang terbaik.

Gambar 3 Susunan komponen satelit, sumbu putar (ω) dan sumbu
mayor (Imax)

4

Perumusan Masalah
Penyusunan layout komponen satelit merupakan bagian dari sintesis
konfigurasi dalam perancangan satelit. Sebagaimana terlihat dalam Gambar 4,
perancangan satelit dimulai dari konsep misi dan berakhir pada awal proses
manufaktur (Graziani et al. 2001). Sebagai bagian dari sintesis konfigurasi, layout
komponen satelit ini harus mempertimbangkan faktor penentu desain (design
drivers) yang mendasari desain awal (preliminary design), persyaratan
pengendalian sikap serta alokasi massa dan inersia satelit. Faktor penentu awal
desain umumnya berupa muatan misi dan wahana peluncur. Jadi permasalahan
penyusunan layout ini secara ringkas adalah bagaimana menghasilkan layout
komponen satelit yang memenuhi persyaratan muatan misi, wahana peluncur dan
pengendalian sikap secara optimal.
Initial drivers:
- Mission concept
- Payload constraints
-Launcher constraints

Preliminary design and
analysis
Attitude control
requirements

Configuration
synthesis

Mass and
inertia budget

Structure design and
analysis

Systems design

Final design and
manufacturing

Gambar 4 Alur perancangan satelit

Tujuan Penelitian
Penelitian ini bertujuan menyusun layout komponen satelit mikro yang
optimal menggunakan algoritme genetika sehingga memenuhi persyaratan muatan
misi, wahana peluncur dan pengendalian sikapnya.

Ruang Lingkup
Penelitian optimasi layout komponen satelit mikro ini memiliki ruang
lingkup sebagai berikut:
1. Satelit membawa misi observasi bumi menggunakan kamera
2. Satelit dioperasikan dengan stabilisasi spin untuk mendapatkan kestabilan
sikapnya
3. Satelit termasuk dalam kategori mikro dengan massa di bawah 100 kg
sehingga bisa menggunakan alokasi muatan sekunder wahana peluncur yang
berdimensi maksimum 600  700  800 mm3 (ISRO 1999).

5

Manfaat
Penelitian ini akan memberikan kontribusi bagi aktivitas perancangan
satelit antara lain:
 Mengurangi ketergantungan desain satelit terhadap intuisi perancang yang
umumnya bersifat trial and error
 Hasil layout lebih baik karena mengeksplorasi lebih banyak kemungkinan
 Meningkatkan kestabilan satelit pada saat operasi karena distribusi massa
yang seimbang sesuai dengan metode pengendaliannya
 Menghindari penggunaan massa penyeimbang (weight balance) sehingga
dapat mengurangi berat total satelit untuk menghemat biaya peluncuran
sebesar 10.000 – 100.000 US$ per kg tergantung wahana peluncur yang
digunakan (Zapata 2014)

6

2 TINJAUAN PUSTAKA

Tingkat Teknologi Pengembangan Satelit Mikro
Beberapa tahun terakhir, satelit mikro menarik minat pengembang karena
masa pengembangan yang lebih pendek dengan biaya yang lebih kecil. Biaya dan
waktu yang diperlukan dari penetapan misi hingga penempatan satelit di orbit
biasanya turun seiring dengan turunnya massa dan kompleksitas satelit yang
dibangun (Sandau et al. 2008). Walaupun dibangun dalam waktu yang singkat
dan biaya yang lebih murah saat ini satelit mikro sudah cukup matang dan
memungkinkan melayani aplikasi surveillance dan pemetaan resolusi tinggi
(Curiel et al. 2008).
Misi observasi resolusi tinggi pada satelit mikro harus didukung dengan
kendali sikap yang akurat. Pada umumnya satelit mikro sulit dikendalikan secara
akurat karena dua alasan berikut. Pertama, efek dari gangguan sikap yang kuat
karena momen inersia yang kecil. Secara khusus, torsi magnetik merupakan
gangguan dominan dalam misi satelit mikro meskipun torsi tersebut hanyalah
gangguan kecil pada satelit besar. Kedua, ada batasan yang ketat pada daya,
ruang, dan berat dalam misi satelit mikro. Oleh karena itu, diperlukan metode
yang tepat untuk melakukan kendali sikap pada satelit mikro.
Metode-metode yang memanfaatkan pertukaran momentum angular sangat
efektif mengendalikan sikap satelit mikro karena benda-benda yang berputar
secara alami memiliki kestabilan yang disebut kekakuan giroskopik. Ilustrasi
teknik pertukaran momentum angular tersebut ditunjukkan oleh Gambar 5. Teknik
sederhana dalam pengendalian satelit dilakukan dengan memutar keseluruhan
badan satelit pada sebuah sumbu (spin). Namun tidak semua misi bisa dipenuhi
oleh metode putaran sederhana sehingga dikembangkan teknik pertukaran
momentum dengan memanfaatkan perangkat yang bisa berputar di dalam wahana.
Perangkat tersebut dikenal sebagai roda momentum.

Gambar 5 Momentum angular (h) sebuah obyek yang memiliki
kecepatan putar (ω)
Pengendalian dengan metode spin ini membutuhkan keseimbangan
distribusi massa komponen satelit karena distribusi massa akan menentukan

7

momen inersia satelit. Sumbu putar satelit (spin axis) harus diupayakan sejajar
dengan sumbu momen inersia terbesar (sumbu mayor) agar efek nutasi atau osilasi
dapat diminimalkan (Wertz 1978). Hal ini berarti kondisi stabil tercapai jika
satelit diputar pada sumbu mayornya (Kaplan 1976). Persyaratan tersebut dapat
dipenuhi jika layout komponen satelit disusun sedemikian sehingga sudut antara
sumbu putar dan sumbu mayor sangat kecil atau sama dengan nol.

Algoritme Genetika dalam Perancangan Satelit
Pemecahan masalah pencarian solusi optimal menggunakan algoritme
genetika (genetic algorithm / GA) sudah cukup dikenal. GA diperkenalkan
pertama kali oleh John Holland pada pertengahan tahun 1970an. Algoritme ini
terinspirasi oleh prinsip-prinsip genetik dan evolusi pada populasi biologi. GA
menggunakan prinsip “survival of the fittest” pada proses pencariannya untuk
memilih dan menghasilkan individu (solusi desain) yang dapat beradaptasi
dengan lingkungannya (tujuan/batasan desain).
GA dimulai dengan menentukan populasi awal dengan fungsi tujuan
(fitness function) dihitung untuk setiap anggota populasi. Jika kriteria optimal
sudah dipenuhi, anggota populasi terbaik akan menjadi solusi dari permasalahan.
Namun jika kriteria optimal belum tercapai, anggota populasi akan memasuki
proses seleksi. Setiap anggota populasi dipasangkan dengan anggota yang lain
untuk mendapatkan keturunan (offspring). Keturunan-keturunan tersebut akan
mengalami proses mutasi yang telah ditetapkan sebelumnya kemudian
ditambahkan ke populasi umum. Fungsi tujuan akan menghitung kembali populasi
yang baru, demikian seterusnya proses tersebut diulang sampai kiteria optimum
dipenuhi. Diagram alir GA dapat dilihat pada Gambar 6.

Gambar 6 Diagram alir algoritme genetika (Callaghan et al. 1999)
Algoritme ini dapat menangani permasalahan variable diskrit maupun
kontinu, fungsi nonlinear dan fungsi kendala (constrain function) tanpa
membutuhkan informasi gradient. Oleh karena itu GA sangat sesuai diterapkan
untuk memecahkan permasalahan optimasi desain yang rumit (Hassan et al.
2005). Berikut ini merupakan beberapa contoh penelitian perancangan wahana
antariksa yang melibatkan GA antara lain:
 Optimasi alokasi massa muatan (payload) satelit terkait keterbatasan massa,
volume dan biaya dalam peluncuran (Ravanbakhsh dan Franchini 2012)

8

 Penentuan distribusi dan pilihan material yang tepat agar semua subsistem
satelit dapat beroperasi pada rentang temperatur yang dipersyaratkan (Escobar
et al. 2012)
 Optimasi desain satelit untuk mengurangi massa struktur dengan tetap
mempertahankan kekuatan dan kekakuannya (Furumo 2011)
 Simulasi numerik untuk membuktikan efisiensi dan stabilitas satelit dengan
menggunakan dua roda momentum (Ge 2004)
 Pengujian algoritme simulasi penyusunan tata letak yang optimal dari modul
satelit komunikasi pada pemecahan masalah packing tiga dimensi (Che et al.
2008)
 Optimasi desain wahana peluncur untuk meminimalkan total berat wahana
dalam mencapai ketinggian dan kecepatan yang sesuai pada orbit rendah (Low
Earth Orbit – LEO) (Bayley et al. 2008).

Teknik Penempatan Berdasarkan Urutan (OPT)
Penempatan komponen satelit berdampak secara langsung pada struktur,
kinerja, umur pelayanan, dan biaya perakitan serta pemeliharaan sistem secara
keseluruhan. Layout yang harmonis dan masuk akal merupakan properti esensial
pada kesuksesan misi berbagai satelit. Optimasi layout merupakan salah satu
teknik kunci untuk memperbaiki kinerja sebuah satelit.
Proses penempatan komponen satelit merupakan layout optimization
problem (LOP) yang termasuk kategori permasalahan non-deterministic
polynomial-time hard (NP-hard). Dalam teori kompleksitas komputasional
permasalahan NP-hard sangat sulit dipecahkan karena kemungkinan solusi yang
sangat banyak sehingga membutuhkan waktu yang lama untuk mendapatkan
solusi yang optimal. LOP digunakan secara luas pada aplikasi rekayasa yang
memberi perhatian pada penempatan fisik suatu instrumen atau bagian dari suatu
perangkat ke dalam suatu kontainer (Che et al. 2008).
Shoukun et al. (2002) membedakan penyelesaian masalah layout dengan
implementasi GA dalam dua metode. Metode pertama didasarkan pada koordinat
obyek dengan pengkodean biner atau desimal sedangkan metode yang kedua
didasarkan pada urutan penempatan. Berdasarkan simulasi lengkap dan
pengalaman dalam implementasi GA diketahui bahwa metode pertama seringkali
menuntut perancangan fungsi fitness yang rumit serta mudah terjebak ke dalam
solusi yang bersifat optimum lokal. Metode kedua mengkombinasikan GA dengan
algoritme lain untuk menghasilkan pola penempatan yang mengatasi kelemahan
metode pertama. Riset-riset terbaru umumnya menggunakan meode kedua ini (Xu
et al. 2007) (Thomas dan Chaudi 2014) (Hao dan Jianxin 2015) (Liang et al.
2015).
Sebagian besar GA yang dikembangkan untuk masalah layout
menggunakan pendekatan dua tahap. GA digunakan untuk mengeksplorasi dan
memanipulasi ruang solusi, namun solusi yang dihasilkan tersebut tidak
menunjukkan kualitas skema penempatan yang diwakili. Oleh karena itu prosedur
"non-genetik" diperlukan untuk memecahkan kode solusi yang dihasilkan oleh
GA ke dalam pola penempatan yang sesuai (Hooper dan Turton 1999). Solusi
masalah layout yang digunakan Hooper dan Turton (1999) terdiri dari rangkaian

9

integer yang menunjukkan urutan. Selanjutnya posisi yang tepat dalam suatu
kontainer ditentukan oleh algoritme penempatan. Pemecahan LOP melalui
penempatan komponen ke dalam kontainer ini dikenal dengan teknik penempatan
berdasarkan urutan (order-based positioning technique / OPT).
Pada pemecahan LOP dengan OPT, permasalahan diubah menjadi
pencarian urutan komponen terbaik pada suatu algoritme penempatan yang
ditetapkan dan bukan penentuan koordinat masing-masing komponen secara
langsung. Solusi OPT merupakan permutasi dari komponen-komponennya.
Dengan demikian jumlah kemungkinan solusi masih sangat besar yakni nilai
faktorial dari jumlah komponennya. Pada penyelesaian layout sejumlah n
komponen, terdapat n! = n × (n − 1) × · · · × 2 × 1 urutan penempatan.
Selanjutnya GA digunakan dalam pencarian dan evaluasi solusi pada ruang
permutasi tersebut. Dengan demikian, masalah optimasi layout komponen satelit
dengan OPT ini menjadi masalah optimasi kombinatorial yang mirip dengan
traveling salesman problem (TSP). Bidang masalah optimasi kombinatorial ini
merupakan aplikasi klasik bagi GA. Beberapa masalah optimasi non-linear, fungsi
multiobjektif dan masalah optimasi kombinatorial kompleks yang sulit untuk
dipecahkan dengan metode optimasi lain mudah diselesaikann GA dengan hasil
yang lebih baik. GA telah terbukti menjadi aplikasi yang baik untuk penempatan
komponen atau layout (Liang et al. 2015).
Pada kasus penempatan komponen satelit, disamping mempertimbangkan
efisiensi penggunaan ruangan atau kontainer, layout juga harus memperhatikan
properti massa yang berhubungan dengan kesetimbangn satelit. Xu et al. (2007)
berhasil memecahkan masalah penempatan komponen satelit dengan
mengombinasikan teknik OPT dan GA untuk mendapatkan layout yang optimal
dengan tujuan meminimalkan ketidakseimbangan massa dan luas kontainernya.
Pada penelitian tersebut komponen satelit dimodelkan dalam suatu lingkaran yang
harus dimasukkan ke dalam lingkaran kontainer yang lebih besar.

Gambar 7 Teknik penempatan Xu et al. (2007)
Pemodelan komponen satelit dalam suatu lingkaran kurang praktis untuk
digunakan dalam permasalahan nyata. Komponen satelit yang umumnya memiliki
dimensi panjang, lebar dan tinggi lebih mudah dimodelkan sebagai balok dalam
ruang tiga dimensi atau persegi panjang dalam ruang dua dimensi. Pendekatan dua
dimensi akan dapat menyederhanakan ruang solusi masalah penempatan yang
sangat luas.
Algoritme penempatan heuristik dua dimensi yang paling banyak
digunakan adalah algoritme bottom-left/BL (Shoukun et al. 2002). Algoritma ini

10

melakukan penempatan melalui dua langkah. Pertama, urutan penempatan
komponen yang berbentuk persegi panjang akan dibangkitkan secara acak. Kedua,
dengan mengikuti urutan penempatan yang sudah dibangkitkan, komponen
ditempatkan pada suatu bidang kemudian digeser ke bawah dan ke kiri menuju
titik bawah-kiri (bottom-left).

Gambar 8 Tiga varian algoritme BL (Imahori et al. 2006)
Algoritme BL pertama kali diperkenalkan Baker et al. (1980) kemudian
beberapa varian dari algoritme ini muncul pada beberapa tahun berikutnya
diantaranya Jakobs (1996) serta Liu dan Teng (1999). Hooper dan Turton (1999)
menyebut metode yang digunakan Baker et al. (1980) sebagai bottom left fill
(BLF) karena mengisi titik paling kiri pada posisi paling bawah yang
dimungkinkan.

11

3 METODOLOGI
Layout komponen satelit mikro dilakukan dengan memadukan GA dan
algoritme penempatan berdasar urutan (order-based positioning technique/OPT)
seperti yang terlihat pada Gambar 9. Setiap komponen satelit diberi indeks untuk
ditempatkan dalam sebuah kontainer. GA akan mengekplorasi urutan yang
menghasilkan solusi terbaik berdasarkan algoritme penempatan yang telah
ditetapkan.
Generate initial
population

Order-based
positioning technique

Evaluate objective
function

Are optimization
criteria met?

Yes

Best
individuals

No
Generate new population
Start

Mutation

Crossover

Selection

End

Gambar 9 Kombinasi GA dengan OPT

Rancangan Algoritme Penempatan
Setiap komponen satelit dimodelkan sebagai balok tiga dimensi yang
memiliki panjang, lebar dan tinggi serta memiliki massa tertentu pada
sentroidnya. Semua komponen tersebut harus dipasang pada bidang kontainer
yang terdiri dari bidang atas dan bidang bawah sebagaimana diilustrasikan pada
Gambar 10. Penempatan komponen pada bidang kontainer dapat disederhanakan
dengan pendekatan dua dimensi yaitu bidang xy dalam ruang xyz. Bidang xy
tersebut memiliki dimensi maksimum 600 mm  700 mm untuk memenuhi
persyaratan peluncur. Sementara itu untuk memenuhi persyaratan kendali, sumbu
putar (spin axis) ditetapkan sejajar dengan sumbu z.

Gambar 10 Kontainer komponen satelit
Komponen satelit ditempatkan pada dua permukaan kontainer sesuai
dengan algoritme bottom-left/BL menurut
urutan tertentu. Penelitian ini
menggunakan algoritme BL menurut Baker et al. (1980) atau yang dikenal juga
sebagai algoritme bottom left fill (BLF), algoritme BL yang pertama kali
diperkenalkan. Implementasi algoritme ini umumnya memiliki kompleksitas
komputasi O(n3) pada kasus terburuknya (Hooper dan Turton 1999).

12

Sejumlah komponen satelit yang tidak dimungkinkan berpindah seperti
kamera diletakkan pada urutan yang paling awal secara tetap. Artinya jika
terdapat sejumlah n kamera, maka urutan 1 sampai n ditempati oleh kamera
tersebut. Kemudian permukaan kontainer bagian atas diisi lebih dahulu sampai
komponen pada urutan tertentu tidak bisa ditempatkan lagi. Jika suatu komponen
tidak bisa ditempatkan pada bidang atas maka penempatan sisa komponen
dilakukan pada bidang bawah dengan jarak antar bidang 10 mm.

Rancangan Algoritme Genetika
Penyelesaian masalah layout satelit ini menggunakan GA dengan
pengkodean integer untuk mendistribusikan komponen-komponen satelit pada dua
permukaan kontainer. Rancangan GA tersebut dijelaskan sebagai berikut:
Mekanisme pengkodean
Setiap kromosom yang merepresentasikan komponen ke-i memiliki
dimensi panjang (l), lebar (w), tinggi (h) dan massa (m) dinotasikan sebagai pi =
(li, wi, hi, mi). Distribusi n kromosom diperoleh dengan melakukan permutasi (1,
2, …, n) untuk merepresentasikan suatu individu (solusi layout) P = (p1,p2, …,
pn). Kemudian sejumlah N individu dibangkitkan secara acak untuk mendapatkan
populasi awal.
Fungsi Tujuan
Fungsi ini menghitung sudut antara sumbu mayor dengan sumbu putar
satelit. Sudut tersebut diupayakan sama atau mendekati nol untuk memenuhi
persyaratan kendali spin. Sudut ini diperoleh dengan tahapan-tahapan sebagai
berikut. Pertama, menghitung titik pusat masa (
dari distribusi komponen
satelit yang telah ditentukan menggunakan persamaan di bawah ini.
∑�=
∑�=

=

� �
�

,

∑�=
∑�=

� �
�

,

∑�=
∑�=

� �

(1)

�

Kedua, menghitung tensor momen inersia yang memiliki ukuran matriks
33 pada pusat massanya. Wertz (1978) mendefinisikan momen inersia (I) pada
sistem koordinat x, y, z dalam persamaan berikut.
�
�
�
�
� ]
(2)
� = [�
�
�
�
di mana:
�

�

= ∑

= ∑

�=

�=

�

+

�. �

�

�

�

;�

;�

= ∑

= ∑

�=

�=

�. �

�

+

�

�

;�

�

;�

= ∑

= ∑

�=

�=

�. �

�

�

+

�

�

Ketiga, mencari nilai eigen dan vektor eigen berdasarkan momen inersia
yang diperoleh. Momen inersia I dapat dinyatakan dalam bentuk matriks diagonal
(Ip) dengan mengeliminasi product of inertia.

13

�� = [

�

�

(3)
]
�
Bentuk matriks diagonal tersebut merupakan momen inersia utama (principal
moment of inertia) yang berkorespondensi dengan sumbu utama (Kaplan 1976).
Nilai eigen merupakan momen inersia utama (Ip) sementara vektor eigen (V)
merupakan cosinus antara sumbu referensi x, y, dan z dengan sumbu utama 1, 2
dan 3 sehingga memenuhi persamaan berikut
(4)
� � = � ��
Keempat, menentukan sudut () antara sumbu mayor dengan sumbu putar
satelit dari vektor eigen. Jika sumbu putar sejajar dengan sumbu z dalam ruang
koordinat xyz maka sudut antara sumbu mayor dengan sumbu putar satelit adalah
arc cosinus dari matriks vektor eigen baris dan kolom ketiga (v33). Semakin kecil
nilai  berarti solusi yang dihasilkan semakin bagus sementara nilai fitness pada
GA umumnya semakin besar seiring dengan kualitas solusinya. Oleh karena itu
nilai fitness harus dimodifikasi menjadi 1/.
Operator Penyilangan
Operasi penyilangan (crossover) harus mempertahankan validitas
permutasi karena setiap kromosom bersifat khas. Diasumsikan dari populasi yang
terdiri atas N individu dipilih sejumlah Ni induk secara proporsional berdasarkan
nilai fitness-nya. Ni merupakan bilangan genap sehingga diperoleh Ni/2 pasangan.
Dari setiap pasangan dilakukan operasi penyilangan untuk menghasilkan dua
keturunan.
Misal Pi dan Pj merupakan permutasi sepasang solusi induk maka Pi-new
dan Pj-new merupakan permutasi baru hasi penyilangan. Pertama dipilih angka
acak k, 1  k  n. Keturunan pertama akan mengambil elemen 1…k dari Pi
sebagai elemen awalnya dan mengambil sisanya dalam urutan sama seperti yang
ditampakkan Pj. Keturunan kedua akan mengambil elemen 1…k dari Pj sebagai
elemen awalnya dan sisanya disusun dalam urutan yang sama dengan Pi. Sebagai
contoh, jika diketahui Pi = {1, 2, 3, 4, 5, 6, 7} dan Pj = {7, 6, 5, 4, 3, 2, 1}dengan
k = 4 maka diperoleh keturunan Pi-new = {1, 2, 3, 4, 7, 6, 5} dan Pj-new = {7, 6, 5,
4, 1, 2, 3}.
Operator Mutasi
Jika sebuah individu dipilih untuk melakukan mutasi maka dua buah
elemen dalam satu rangkaian akan ditukar posisinya. Proses pemilihan dilakukan
secara acak. Jika suatu individu memiliki n kromosom maka dipilih angka acak m,
1  m  n. Mutasi dilakukan dengan menukar kromosom pada urutan m dengan
m+1.
Parameter GA dan Elitisme
Percobaan rancangan GA ini menggunakan ukuran populasi 20, 50 dan
100. Probabilitas penyilangan (PC) divariasikan 80% dan 90% sedangkan
probabilitas mutasi (PM) dipilih 1%, 5% dan 10%. Kemudian hasil percobaan
diuji statistik untuk melihat apakah ada perbedaan yang nyata antar perlakuan
dengan menggunakan analisis ragam (Anova). Jika ditemukan perbedaan yang
signifikan maka akan dipilih parameter yang memberikan hasil yang terbaik.

14

Disamping itu rancangan GA ini juga mengimplementasikan elitisme dengan
mempertahankan dua buah individu terbaik dalam setiap populasi agar berlanjut
pada generasi berikutnya.

15

4 HASIL DAN PEMBAHASAN
Optimasi layout komponen satelit mikro ini menggunakan spesifikasi
komponen satelit mikro LAPAN-A3/IPB sebagai kasus nyata dalam
pengembangan satelit. Jumlah komponen yang dilibatkan dalam proses layout ini
sebanyak 28 buah dengan total massa 38.892 kg sebagaimana ditunjukkan Tabel
1. Satelit ini memiliki misi observasi bumi sehingga tiga diantara komponenkomponennya yang berupa kamera harus diletakkan dalam posisi yang tetap.
Tabel 1 Daftar komponen satelit
Indeks
1
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

Nama Komponen
Kamera Digital High Resolution
1000mm
Kamera Scanner 300mm
Kamera Video 100mm
Digital Payload Data Handling
Video Recorder
AIS Spaceborne Receiver
AIS Controller
APRS & TRX
Voice Repeater TX-RX
X-band Payload Transmitter
S-band Payload Transmitter
TTC 1
TTC 2
Power Control & On Board Data
Handling
PowerConverter
Battery
GPS Receiver
Reaction Wheel 1
Reaction Wheel 2
Reaction Wheel 3
Reaction Wheel 4
Gyro 1
Gyro 2
Gyro 3
Gyro 4
Magnetometer
Star Sensor 1
Star Sensor 2
Massa Total

Massa
(kg)

l (mm)

Dimensi
w (mm)

6.164

199

361

144

4.512
0.514
1.307
1.206
0.916
0.443
0.618
0.522
3.729
0.426
0.467
0.467

176
49
290
144
191
100
134
65
192
66
65
65

405
171
192
126
118
100
91
91
284
106
88
88

150
59
35
52
36
25
52
45
136
47
49
49

1.671

200

198

54

0.387
6.099
0.327
1.450
1.450
1.450
1.450
0.133
0.133
0.133
0.133
0.570
0.814
1.401
38.892

80
215
92
102
105
102
102
107
21
107
107
214
100
100

95
215
93
105
102
117
117
21
107
65
65
164
80
189

30
99
38
117
117
105
105
65
65
21
21
35
181
80

h (mm)

Beberapa komponen memiliki massa dan bentuk yang identik namun
orientasi penempatannya berbeda. Jika mengacu pada sumbu kontainer maka
semua komponen ditempatkan dengan sisi panjang (l) sejajar dengan sumbu x,
lebar (w) sejajar dengan sumbu y dan tinggi (h) sejajar dengan sumbu z. Setiap
komponen tersebut diberi nomor indeks untuk memudahkan proses pengacakan
dengan menggunakan permutasi.
Berdasarkan metodologi yang disebutkan pada pembahasan sebelumnya
maka dijalankan aplikasi GA yang dikombinasikan dengan OPT. Jika terdapat tiga
variasi populasi, dua probabilitas penyilangan dan tiga probabilitas mutasi maka

16

jumlah kelompok kombinasi parameter GA sebanyak 18 buah. Pada setiap
kelompok dilakukan percobaan sebanyak tiga puluh kali dengan jumlah generasi
100. Seed of random number yang digunakan pada setiap kelompok juga
dirancang konsisten sehingga antar kelompok bisa dibandingkan secara statistik.
Hasil percobaan beserta analisis ragam tiap kelompok ditunjukkan pada Tabel 2.
Tabel 2 Hasil analisis ragam tiap kombinasi parameter GA
Kelompok
Jumlah
Jumlah
Rata-rata
Varian
Data
Total
Populasi
PC
PM
20
0.8
0.01
30
3.6590
0.121967 0.005839
20
0.8
0.05
30
1.1839
0.039463 0.001842
20
0.8
0.10
30
1.0815
0.036050 0.000580
20
0.9
0.01
30
5.1127
0.170423 0.028577
20
0.9
0.05
30
1.9648
0.065493 0.003015
20
0.9
0.10
30
1.1807
0.039357 0.000434
50
0.8
0.01
30
2.1269
0.070897 0.003641
50
0.8
0.05
30
1.4079
0.046930 0.014055
50
0.8
0.10
30
0.6365
0.021217 0.000194
50
0.9
0.01
30
2.9335
0.097783 0.007100
50
0.9
0.05
30
1.0092
0.033640 0.001117
50
0.9
0.10
30
0.4722
0.015740 0.000155
100
0.8
0.01
30
1.5375
0.051250 0.002417
100
0.8
0.05
30
0.7100
0.023667 0.000310
100
0.8
0.10
30
0.4083
0.013610 0.000110
100
0.9
0.01
30
1.2543
0.041810 0.001170
100
0.9
0.05
30
0.8874
0.029580 0.000496
100
0.9
0.10
30
0.4946
0.016487 0.000128
Sumber Variasi
SS
df
MS
F
P-value
F crit
Antar Kelompok
0.866883
17 0.050993 12.895160 2.23E-30 1.642369
Dalam Kelompok
2.064217 522 0.003954
Total
2.931101 539
Keterangan: a=0.05; SS = sum of squares; df = degree of freedom; MS = Mean Squares

Hipotesis yang digunakan dalam uji statistik ini adalah H0, tidak ada
perbedaan yang nyata antara rata-rata hitung dari n kelompok dan H1, ada
perbedaan yang nyata antara rata-rata hitung dari n kelompok. Nilai distribusi F
pada Tabel 2 dihitung berdasarkan perbandingan keragaman antar kelompok dan
keragaman dalam kelompok. Jika dibandingkan nilai F dengan nilai F kritis (Fcrit)
maka tampak bahwa F > Fcrit. Perbandingan ini menunjukkan terdapat perbedaan
yang nyata antar kelompok. Jadi melalui analisis ragam ini diketahui bahwa
variasi parameter GA memberikan perbedaan hasil yang signifikan.
Kelompok dengan populasi 100, PC 80% dan PM 10% memberikan hasil
yang terbaik (nilai rata-rata dan varian terkecil) sehingga ketiga parameter
tersebut dipilih untuk implementasi
GA selanjutnya. Program yang
dikembangkan ini kemudian divalidasi dulu sebelum digunakan dalam pencarian
layout komponen satelit. Uji validasi dilakukan dengan menempatkan sejumlah 16
komponen dummy yang memiliki massa jenis sama. Hasil proses optimasi
dinyatakan valid karena sudut orientasi sumbu mayor () tepat nol ketika bentuk
susunan komponen di kedua kontainer sama sebagaimana ditunjukkan Gambar
11.

17

Gambar 11 Hasil validasi layout komponen dummy
Pencarian solusi layout 28 komponen satelit dilakukan dengan kriteria
penghentian (stopping criteria) sebagai berikut:
 max. generation: 100
 stall generation: 60
 fitness limit:  < 0.003°
Kriteria penghentian ini didasarkan pada penelitian Reed et al. (2000) yang
menghubungkan antara jumlah populasi, convergence rates dan genetic drift.
Perkiraan jumlah generasi (t) yang diperlukan agar hasil konvergen dari n
kromosom didapat dari persamaan berikut
(5)
� ≈
Genetic drift akan terjadi dalam populasi ketika crossover dan mutasi
menyebabkan gen berfluktuasi dan konvergen ke nilai-nilai non optimal yang
disebut juga drift stall. Genetic drift tersebut berbanding lurus dengan jumlah
populasi (N) mengikuti persamaan
(6)
������ ≈ .4
Dengan demikian, pada penelitian ini ditentukan jumlah generasi sebagai berikut
(7)
< � < .4
Lebih lanjut, penentuan fitness limit ( < 0.003°) mengacu pada resolusi
pengendalian yang ingin dicapai. Sudut 0.003° pada ketinggian orbit satelit 505
km (orbit satelit LAPAN-A3/IPB) setara dengan simpangan sekitar 30 m di
permukaan bumi. Proses optimasi layout dalam satu kali percobaan dapat dilihat
pada Gambar 12.

18

Gambar 12 Proses optimasi layout komponen satelit
Hasil pencarian telah memenuhi semua batasan yang ditetapkan
sebagaimana ditunjukkan Gambar 13. Susunan koordinat penempatan masingmasing komponen pada kondisi optimal ditunjukkan pada Tabel 3. Dimensi yang
dihasilkan lebih kecil daripada alokasi wahana peluncur dengan nilai  yang
sangat kecil yakni 0.0014°, sementara itu posisi 3 kamera dipertahankan di urutan
paling awal.

Gambar 13 Hasil layout komponen satelit

19

Tabel 3 Koordinat penempatan komponen yang optimal
No

x

y

z

Indeks Komponen

1
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

0
199
375
424
375
375
424
0
105
0
207
207
309
314
0
200
221
328
428
530
221
200
428
490
0
490
192
490

0
0
0
0
171
386
80
361
405
522
405
510
405
550
0
0
0
0
0
0
21
189
117
182
198
277
381
370

0
0
0
0
0
0
0
0
0
0
0
0
0
0
-10
-10
-10
-10
-10
-10
-10
-10
-10
-10
-10
-10
-10
-10

1
2
3
27
16
26
8
19
20
6
18
24
9
13
14
23
22
28
21
12
7
4
25
15
10
17
5
11

Hasil optimasi layout yang diperoleh dari program kemudian dibuktikan
kebenarannya dalam desain nyata. Implementasi layout dalam desain
menggunakan perangkat lunak 3D computer aided design, Solid Edge, seperti
yang ditampilkan pada gambar 14. Dalam implementasi tersebut komponen satelit
ditempatkan tepat sesuai dengan posisi yang dihasilkan program optimasi layout.
Gambar 15 menunjukkan kesesuaian antara penempatan berdasarkan program
optimasi dengan implementasi layout pada Solid Edge. Hasil akhir membuktikan
bahwa perhitungan parameter layout yang diperoleh dari perangkat lunak Solid
Edge ini tidak jauh berbeda dengan perhitungan hasil optimasi. Nilai yang
dihasilkan oleh kedua perangkat lunak tersebut tidak mungkin persis sama karena
perbedaan akurasi nilai desimal dan metode perhitungan yang digunakan.
Perbandingan hasil antara kedua metode layout tersebut ditunjukkan oleh Tabel
4.

20

Gambar 14 Implementasi layout komponen satelit dengan Solid Edge

isometri

tampak atas

tampak bawah

Gambar 15 Perbandingan layout pada program optimasi dengan Solid Edge

21

Tabel 4 Perbandingan hasil perhitungan program optimasi dengan Solid Edge
Parameter
Center of
mass
Moment of
inertia

Eigen
value

Eigen
vector

Major axis
orientation

Hasil
perancangan
sebelumnya,
memberikan
Tabel 5. Hal
mikro.

Layout Optimization Program

Solid Edge Validation

X: 277.4861

Y: 262.4987

Z: 21.0729

X: 277.49

Y: 262.5

Z: 21.07

0.8615109142

-0.1589775977

-0.0000190717

0.861517

-0.158978

-0.000019

-0.1589775977

1.1606766166

0.0000031481

-0.158978

1.160683

0.000003

-0.0000190717

0.0000031481

1.7891965192

-0.000019

0.000003

1.789203

0.7928074716

0

0

0.792814

0

0

0

1.2293800587

0

0

1.229387

0

0

0

1.7891965197

0

0

1.789203

-0.9179487825

-0.3966989189

-0.0000223871

-0.917949

0.396699

0.000019

-0.3966989192

0.9179487826

0.0000106714

0.396699

0.917949

-0.000008

-0.0000163169

-0.0000186768

0.9999999997

0.000021

0.000000

1.000000

0.001420961°

0°

yang dicapai dalam penelitian ini meningkatkan kinerja proses
satelit. Jika dibandingkan dengan desain-desain satelit LAPAN
parameter layout yang dihasilkan melalui program optimasi ini
peningkatan hasil yang signifikan sebagaimana disajikan dalam
ini menunjukkan kontribusi penelitian ini bagi perancangan satelit

Tabel 5 Perbandingan hasil perhitungan program optimasi dengan Solid Edge

LAPAN-TUBSAT

1

LAPAN-A2/ORARI2

Model Optimasi
1

Major axis
orientation
(°)

Moment of Inertia
(kg.m2)

Satelit

2

1.3860

0.0350

0.0630

0.0350

2.0620

-0.0030

0.0630

-0.0030

1.4410

2.9875

-0.0901

-0.0158

-0.0901

3.6544

-0.0257

-0.0158

-0.0257

2.8689

0.8615

-0.15900

-0.0000

-0.1590

1.1607

0.0000

-0.0000

0.0000

1.7892

(LAPAN & PSLV, 2005), (LAPAN & PSLV, 2011)

2.9582

7.6994

0.0014

22

5 SIMPULAN DAN SARAN
Layout komponen satelit mikro dapat dioptimalkan menggunakan
algoritme genetika yang dikombinasikan dengan OPT. Hasil layout dalam
penelitian ini telah memenuhi persyaratan muatan misi, wahana peluncur dan
pengendalian sikapnya. Batasan muatan misi dan dimensi wahana peluncur
terpenuhi karena sudah ditetapkan dalam rule program sementara fungsi tujuan
berhasil mendapatkan distribusi masa yang mendukung stabilisasi spin. Hasil
layout tersebut dapat dinyatakan optimal karena sudut antara sumbu mayor dan
sumbu spin mendekati nol.
Ada beberapa rekomendasi untuk meningkatkan kualitas solusi layout.
Optimasi layout dapat dikembangkan lebih lanjut dengan menetapkan pusat massa
pada titik tertentu untuk memudahkan pemasangan adaptor peluncuran atau
dengan memasukkan preferensi tertentu pada penempatan komponen. Untuk
mendukung rekomendasi tersebut di atas, kontainer dapat dibagi menjadi
beberapa bagian dan kemudian algoritme penempatan perlu dimodifikasi sehingga
tiap bagian kontainer memiliki aturan penempatan yang berbeda. Modifikasi
tersebut akan menghasilkan pola penempatan yang lebih baik. Hal lain yang
mendapat perhatian adalah user interface pada program ini perlu dikembangkan
menjadi lebih ramah pengguna (user friendly) agar bisa dimanfaatkan lebih luas.

23

DAFTAR PUSTAKA
Allan, T., 2004. The Contribution of Satellite Observations on Forecasts of Sea
State Over The Last Decade, and The Potential Impact Of New
Configurations Over The Next. Gayana (Concepc.), 68(2), pp. 9-15.
Baker, B., E.G., C. J. & Rivest, R., 1980. Orthogonal packing in two dimensions.
SIAM J. on Comput., 9(4), p. 846.
Baker, B. S., E. G. Coffman, J. & Rivest, R. L., 1980. Orthogonal packing in two
dimensions. SIAM J. on Comput., 9(4), p. 846.
Bayley, D., Hartfield, R. J., Burkhalter, J. E. & Jenkins, R. M., 2008. Design
Optimization of a Space Launch Vehicle Using a Genetic Algorithm.
Journal of Spacecraft and Rockets, 45(4), pp. 733-740.
Callaghan, A. R., Nair, A. R. & Lewis, K. E., 1999. An Extension of The
Orthogonal Packing Problem Through Dimensional Flexibility. Las
Vegas, ASME.
Che, C., Wang, Y.-s. & Teng, H.-f., 2008. Test Problem for Quasi-Satellite
Packing: Cylinders Packing with Behavior Constraints and All The
Optimal Solutions Known. Optimization Online Digest - September 2008.
Curiel, A. S. et al., 2008. First Year in Orbit – Result from the Beijing-1
Operational High Resolution Small Satellite, Small Satellites for Earth
Observation, Selected Contributions. Berlin, Springer.
Dyckhoff, H., 1990. A typology of cutting and packing problems. European
Journal of Operational Research, 44(2), pp. 145-159.
Escobar, E., Diaz, M. & Zagal, J., 2012. Design Automation For Satellite Passive
Thermal Control. Portoroz, The 4S Symposium.
Furumo, J., 2011. Structural Optimization of Space Systems Using Genetic
Algorithms, s.l.: Hawaii Space Grant .
Ge, X. S. C. L. Q., 2004. Attitude Control of a Rigid Spacecraft with Two
Momentum Wheel Actuators Using Genetic Algorithm. Acta Astronautica,
Volume 55, pp. 3-8.
Graziani, F. et al., 2001. Mechanical Design and Manufacturing of The
Microsatellite Unisat. Noordwijk, ESA SP-468, pp. 55-61.
Hao, L. & Jianxin, Q., 2015. Improved Adaptive Genetic Algorithm in Optimal
Layout of Leather Rectangular Parts. Advances in Natural Science, 26
September, 8(3), pp. 20-26.
Hassan, R., Cohanim, B. & de Weck, O., 2005. A Comparison of Particle Swarm
Optimization and the Genetic Algorithm. Austin, Texas, AIAA.
Hooper, E. & Turton, B., 1999. A Genetic Algorithm for a 2D Industrial Packing
Problem. Computers and Industrial Engineering, 37(1-2), pp. 375-378.
Imahori, S., Yagiura, M. & Nagamochi, H., 2006. Practical Algorithms for Twodimensional Packing, Tokyo: Departement of Mathematical Informatics,
The University of Tokyo.
Imahori, S., Yagiura, M. & Nagamochi, H., 2006. Practical Algorithms for Twodimensional Packing, Tokyo: .
Inamori, T., Sako, N. & Nakasuka, S., 2012. Attitude Control System for ArcSecon Stabilization of 30 Kg Micro Astronomy Satellite. Cambridge,
iCubesat.

24

ISRO, 1999. Polar Satellite Launch Vehicle Auxiliary Satellite User's Manual,
Departement of Space, Government of India: ISRO.
ISRO, 1999. Polar Satellite Launch Vehicle Auxiliary Satellite User's Manual,
s.l.: s.n.
Jakobs, S., 1996. On genetic algorithms for the packing of polygons. European
Journal of Operation Research, Volume 88, pp. 165-181.
Kaplan, M. H., 1976. Modern Spacecraft Dynamics & Control. 1st ed. New York:
John Wiley & Sons, Inc..
LAPAN & PSLV, 2005. PSLV/LAPAN-TUBSAT 1 Launch Services Interface
Control Document (ICD), Bangalore: Antrix Corporation Ltd.
LAPAN & PSLV, 2011. PSLV-C30/LAPAN-A2 Spacecraft Interface Control
Document (ICD), Bangalore: Antrix Corporation Ltd.
Liang, W. et al., 2015. Genetic Algorithm (GA)-Based Inclinometer Layout
Optimization. Sensors, Volume 15, pp. 9136-9155.
Liu, D. & Teng, H., 1999. An Improved BL-Algorithm for Genetic Algorithm of
The Orthogonal Packing of Rectangles. Eropean Journal of Operational
Research, 112(1999), pp. 413-420.
Ravanbakhsh, A. & Franchini, S., 2012. Multiobjective Optimization Applied to
Structural Sizing of Low Cost University-Class Microsatellite Projects.
Acta Astronautica, Volume 79, p. 212–220.
Reed, P., Minsker, B. & Goldberg, D. E., 2000. Designing a competent simple
genetic algorithm for search and optimization. Water Resources Research,
36(12), pp. 3757-3761.
Saifudin, M. & Mukhayadi, M., 2013. LAPAN-A2 Attitude Control Strategy for
Equatorial Surveillance Mission. Berlin, Wissenschaft und Technik
Verlag.
Sandau, R., Paxton, L. & Esper, J., 2008. Trends and Visions for Small Satellite
Missions, Small Satellites for Earth Observation, Selected Contributions.
Berlin, Springer.
Shoukun, W., Jingchun, W. & Yihui, J., 2002. An Improved Genetic Algorithm
For Rectangles Cutting & Packing Problem. Barcelona, IFAC.
Sun, Z. G. & Teng, H. F., 2003. Optim