18
Adapun ilustrasi bentuk gelombang dari response dinamik SVC terhadap
tahapan perubahan tegangan terminal seperti ditunjukkan dalam Gambar 2.10.
Pada t=0.1 s, secara tiba-tiba tegangan meningkat menjadi 1.025 pu. SVC bereaksi dengan menyerap daya reaktif Q=-95 Mvar untuk membawa tegangan
kembali ke 1.010 pu. Pada 95 waktu penyelesaian adalah sekitar 135 ms. Pada titik ini semua TSC berada diluar operasi dan TCR hamper pada konduksi penuh
α=94 derajat. Pada t=0.4 sekon, sumber tegangan secara tiba-tiba diturunkan menjadi
0.93 pu. SVC bereaksi dengan menghasilkan daya reaktif sebesar 256 MVar, sehingga meningkatkan tegangan 0.974 pu. Pada titik ini tiga TSC berada dalam
operasi dan TCR menyerap sekitar 40 dari nominal daya r eaktif α=120 derajat.
2.2 Genetic Algorithm
Masalah optimasi akhir-akhir ini berkembang cepat, terutama di bidang kontrol. Untuk membahas masalah ini, penulis akan mengacu ke sebuah metode
yang dapat melaksanakan tugas secara optimal. Untuk beberapa masalah, metode optimasi dapat digunakan pada algoritma probabilitas dengan baik. Metode
probabilitas tidak menjamin harga optimum, tetapi dengan probabilitas secara acak, kesalahan dapat dibuat sekecil mungkin [4].
Genetic Algorithm GA atau dalam bahasa Indonesia Algoritma Genetika
adalah teknik pencarian komputerisasi yang digunakan untuk menemukan penyelesaian perkiraan optimasi dan masalah pencarian. Algoritma genetik adalah
kelas khusus dari algoritma evolusioner dengan menggunakan teknik yang terinspirasi oleh biologi evolusioner seperti warisan, mutasi, seleksi alam dan
rekombinasi crossover [8]. Genetika algoritma memiliki 3 kebiasaan pada masing-masing tahap untuk
menciptakan generasi baru dari populasi yang lama : 1.
Seleksi Alam : memilih individu, yang disebut induk, yang berkontribusi untuk populasi generasi berikutnya.
Universitas Sumatera Utara
19
2. Crossover Kawin Silang : mengkawinsilangkan 2 individu induk yang
berbeda sifat menjadi bentuk turunan yang baru anak sebagai generasi berikutnya.
3. Mutasi : menerapkan perubahan secara acak dari sel induk menjadi
bentukan berbeda pada sel anak Algoritma Genetik pertama kali dikembangkan oleh John Holland pada
tahun 1970-an di New York, Amerika Serikat. Dia beserta murid-murid dan teman kerjanya menghasilkan buku berjudul Adaption in Natural and Artificial
Systems pada tahun 1975 [6][7].
Algoritma Genetik khususnya diterapkan sebagai simulasi komputer dimana sebuah populasi representasi abstrak disebut kromosom dari solusi-
solusi calon disebut individual pada sebuah masalah optimisasi akan berkembang menjadi solusi-solusi yang lebih baik. Secara tradisional, solusi-
solusi dilambangkan dalam biner sebagai string 0 dan 1, walaupun dimungkinkan juga penggunaan penyandian encoding yang berbeda. Evolusi
dimulai dari sebuah populasi individual acak yang lengkap dan terjadi dalam generasi-generasi. Dalam tiap generasi, kemampuan keseluruhan populasi
dievaluasi, kemudian multiple individuals dipilih dari populasi sekarang current tersebut secara stochastic berdasarkan kemampuan mereka, lalu dimodifikasi
melalui mutasi atau rekombinasi menjadi bentuk populasi baru yang menjadi populasi sekarang current pada iterasi berikutnya dari algoritma [5][7].
Dalam proses optimasi GA terdapat fungsi Fitness, yang merupakan nilai fungsi yang ingin dioptimalkan sebagai standar algoritma yang dikenal sebagai
fungsi objektif. Dan toolbox ini dapat diatur untuk mencari nilai fitness function yang paling minimum dalam software Matlab.
Untuk mendapat nilai fitness function terdapat juga nilai individual yang merupakan nilai yang digunakan untuk mencapai fitness function. Sebagai contoh,
jika fitness function adalah:
Vektor 2, -3, 1 adalah variabel dari problem diatas yang dinamakan dengan individu, maka total individu dari fungsi fitness
adalah 51.
Universitas Sumatera Utara
20
Suatu individu terkadang dijelaskan sebagai suatu genetika dan nilai vektor masukan suatu individu disebut gen.
GA merupakan teknik optimasi global yang mampu menghitung penempatan dan menentukan ukuran dari bank kapasitor ataupun reactor shunt
pada kondisi sinusoidal. GA memulai pembagian populasi dari solusi yang berpotensi. Hal itu memungkinkan eksplorasi dari beberapa harga optimum
paralel, dan memperkeci kemungkinan pencarian pada local optimum [8]. Meskipun proses GA bersifat probabilistik, GA tidak melakukan pencarian
acak secara total. Operator stokastik yang digunakan pada populasi mengarahkan pencarian pada region hyperspace menjunjung asas konvergensi yang akan
menghasilkan nilai fitness yang lebih pantas [1]. Algoritma genetik yang umum menyaratkan dua hal untuk didefinisikan:
1. Representasi genetik dari penyelesaian
2. Fungsi kemampuan untuk mengevaluasinya.
Representasi baku adalah sebuah larik bit-bit. Larik jenis dan struktur lain dapat digunakan dengan cara yang sama. Hal utama yang membuat representasi
genetik ini menjadi tepat adalah bahwa bagian-bagiannya mudah diatur karena ukurannya yang tetap, yang memudahkan operasi persilangan sederhana.
Representasi panjang variabel juga digunakan, tetapi implementasi persilangan lebih kompleks dalam kasus ini. Representasi seperti pohon diselidiki dalam
pemrograman genetik dan representasi bentuk bebas diselidiki di dalam HBGA [7].
Fungsi kemampuan didefinisikan di atas representasi genetik dan mengukur kualitas penyelesaian yang diwakili. Fungsi kemampuan selalu
tergantung pada masalah. Sebagai contoh, jika pada ransel kita ingin memaksimalkan jumlah benda obyek yang dapat kita masukkan ke dalamnya
pada beberapa kapasitas yang tetap. Representasi penyelesaian mungkin berbentuk larik bits, dimana tiap bit mewakili obyek yang berbeda, dan nilai bit 0
atau 1 menggambarkan apakah obyek tersebut ada di dalam ransel atau tidak. Tidak setiap representasi seperti ini valid, karena ukuran obyek dapat melebihi
Universitas Sumatera Utara
21
kapasitas ransel. Kemampuan penyelesaian adalah jumlah nilai dari semua obyek di dalam ransel jika representasi itu valid, atau jika tidak 0. Dalam beberapa
masalah, susah atau bahkan tidak mungkin untuk mendefinisikan lambang kemampuan, maka pada kasus ini digunakan IGA [5].
Sekali kita mendefinisikan representasi genetik dan fungsi kemampuan, algoritma genetik akan memproses inisialisasi populasi penyelesaian secara acak,
dan memperbaikinya melalui aplikasi pengulangan dengan aplikasi operator- operator mutasi, persilangan, dan seleksi.
Secara sederhana, algoritma umum dari algoritma genetik ini dapat dirumuskan menjadi beberapa langkah, yaitu :
1. Membentuk suatu populasi individual dengan keadaan acak
2. Mengevaluasi kecocokan setiap individual keadaan dengan hasil yang
diinginkan 3.
Memilih individual dengan kecocokan yang tertinggi 4.
Bereproduksi, mengadakan persilangan antar individual terpilih diselingi mutasi
5. Mengulangi langkah 2 - 4 sampai ditemukan individual dengan hasil yang
diinginkan.
2.3 Saluran Transmisi
