SISTEM PENDUKUNG KEPUTUSAN CERDAS UNTUK OPTIMISASI PERMASALAHAN MULTI OBYEKTIF PADA SERIOUS GAME: ECONOMIC AND EMISSION DISPATCH

SISTEM PENDUKUNG KEPUTUSAN CERDAS UNTUK OPTIMISASI PERMASALAHAN MULTI OBYEKTIF PADA SERIOUS GAME:

ECONOMIC AND EMISSION DISPATCH I.G.P. Asto Buditjahjanto NRP : 2207 301 702

Latar Belakang

Perkembangan game tumbuh dengan pesatnya, salah satu bentuk game adalah Game serius berkenaan dengan produk yang digunakan untuk rekayasa, perawatan kesehatan, manajemen, pertahanan, pendidikan, ekplorasi keilmuan, perencanaan kota, politik dan agama. Game serius mempunyai keuntungan karena dengan cara mensimulasikan permasalahannya maka resiko yang dihadapi lebih minimal apabila dibandingkan dengan melaksanakannya dalam sistem nyata

Latar Belakang

Kebanyakan perusahaan mempunyai permasalahan multiobyektif. Permasalahan multiobyektif pada produksi daya listrik dikenal dengan permasalahan Economic and Emission Dispatch (EED). Permasalahan multiobyektif mempunyai beberapa kriteria atau obyektif untuk dipenuhi secara bersamaan menjadi suatu permasalahan yang komplek. Hal ini disebabkan masing-masing obyektif akan saling konflik antara satu obyektif dengan obyektif yang lainnya.

Latar Belakang

Meskipun beberapa metode MOP telah dikembangkan dan dipelajari namun hanya sedikit dari mereka yang mengevaluasi hasil hasil dari MOP. Hal ini dikarenakan pemilihan sebuah solusi untuk implementasi sistem dari Paretooptimal set dapat menjadi pekerjaan yang sulit, hal ini karena Pareto-optimal sets dapat berupa solusi-solusi dengan jumlah sangat besar bahkan sampai tak terhingga.

Latar Belakang

Pendekatan praktis digunakan untuk membantu dalam menganalisa solusi dari sebuah optimisasi multiobyektif dan menyediakan kepada pengambil keputusan sekumpulan solusi terukur yang dapat digunakan untuk dianalisa. Metode ini didasarkan pada metode clustering di mana solusi solusi dari Pareto optimal set dikelompokkan sehingga Pareto optimal front dikurangi menjadi sekumpulan cluster (C.A. Coello, 2007).

Perumusan Masalah

Bagaimana merencanakan dan membuat Inteligent Decision Support System (IDSS) dalam mengatasi Multi-objective Optimisation Problem?. Bagaimana mengimplementasikan Inteligent Decision Support System (IDSS) pada permasalahan Economic and Emission Dispatch (EED)? Bagaimana membuat modul Non Player Character (NPC) untuk game serius yang berguna sebagai Inteligent Decision Support System (IDSS) yang menggunakan gabungan metode NSGA2 dan metode pengklasteran ?

Batasan Masalah

Pada tahap pemodelan digunakan model matematis untuk fungsi obyektifnya yaitu fungsi fuel cost (biaya bahan bakar) fungsi emission (emisi) dan fungsi transmission loss (rugi-rugi transmisi) yang diminimalkan. Pada bagian optimasi digunakan metode NSGA2 untuk menyelesaikan permasalahan optimasi multiobyektif Metode pengklasteran yang digunakan adalah FCM dan FLVQ untuk dibandingkan metode yang mana yang paling tepat Modul NPC yang dibuat hanya untuk permasalahan EED pada produksi daya listrik dari pembangkit listrik

Tujuan

Mensimulasikan Multiobjective Optimization Problem (MOP) untuk permasalahan optimisasi dari EED dalam bentuk modul NPC. Menggabungkan metode yang dapat menyelesaikan MOP (NSGA2) dengan metode pengklasteran (FCM dan FLVQ) untuk memberikan suatu keputusan yang cerdas bagi para pengambilkeputusan. Memberikan suatu media pembelajaran dengan menggunakan konsep Game Based Learning dalam bentuk modul NPC yang membahas permasalahan EED dari pembangkit listrik.

Manfaat

Simulasi berbentuk Serious Game yang menggunakan teknik optimasi dapat menjadikan sebagai suatu pembanding bagi metode yang telah digunakan. Menggabungkan optimasi permasalahan multiobyektif dengan teknik pengklasteran akan memudahkan bagi pengambilkeputusan dalam memutuskan suatu keputusan berdasarkan hasil dari simulasi Serious Game. Modul NPC menghasilkan solusi – solusi yang dihasilkan dari simulasi game serius dalam bentuk beberapa keputusan alternatif.

Kontribusi Penelitian

Mengembangkan IDSS yang berdasarkan MOP untuk permasalahan EED. Menghasilkan hibridisasi dari metode NSGA2 untuk dan metode pengklasteran (FLVQ atau FCM) dalam membentuk IDSS. Menghasilkan modul Non Playable Character (NPC) berdasarkan IDSS untuk serius game pada permasalahan EED. Menghasilkan suatu media pembelajaran yang didasarkan pada penggunaan NPC untuk mempelajari keputusan pada permasalahan EED.

Permasalahan Economic and Emission Dispatch

NSGA2

Pengklasteran

Keputusan oleh Pengambil Keputusan

Beberapa Solusi Alternatif

Blok diagram Sistem Pendukung Keputusan Cerdas pada permasalahan multiobyektif pada EED

Permasalahan Multiobyektif pada Economic and Environment Dispatch (EED)

Penentuan Jumlah Fungsi Obyektif

Optimisasi dengan Metode NSGA2 Penentuan Jumlah Populasi yang dibangkitkan

TAHAP 1 PEMODELAN

Pemodelan

TAHAP 2 OPTIMISASI

Optimasi

Solusi Optimal dalam Jumlah Banyak

Diagram Alir Sistem Pendukung Keputusan Cerdas pada permasalahan multiobyektif pada EED

TAHAP 3 Penentuan Jumlah Klaster dan Pengklasteran Penentuan Jumlah Klaster untuk Solusi

PENGKLASTERAN

Pengklasteran

Beberapa Solusi Alternatif

Pengaturan Skenario Game

TAHAP 4 SCENARIO GENERATOR

ScenGen

Perubahan Pilihan Solusi Berdasarkan Skenario yang dihadapi

Pemilihan Solusi Berdasarkan Skenario

NPC

Keputusan

TAHAP 5 PENGAMBILAN KEPUTUSAN

Pengambilan Keputusan

PENGKLASTERAN SOLUSI OPTIMAL DARI PERMASALAHAN OPTIMISASI MULTIOBYEKTIF DENGAN 2 FUNGSI OBYEKTIF Tabel 4.3 Parameter masukan NSGA2 Keterangan

Nilai

Populasi

200

Generasi

1000

Probabilitas Crossover

0.9

Probabilitas Mutasi

0.1

• Minimalkan [F, E]

Gambar 4.1 Hasil output dari NSGA 2 untuk 2 fungsi obyektif

Perbandingan FCM dan FLVQ untuk 2 fungsi obyektif pada EED Tabel 4.4 Cluster validity untuk jumlah klaster optimal dari 2 fungsi obyektif Jumah Klaster

2

3

4

5

6

7

8

9

10

PC

0.8586

0.8044

0.7771

0.7591

0.7443

0.7412

0.7348

0.7345

0.7318

PE

0.1039

0.1552

0.1861

0.2078

0.2254

0.2322

0.2422

0.2461

0.2521

Gambar 4.2 Hasil Cluster Validity untuk 2 fungsi obyektif

Tabel 4.5 Hasil performansi FCM untuk mencari nilai optimal bagi 2 klaster dengan 2 fungsi obyektif Perfor mansi Jml iterasi

Eksponen Pembobot (m) 1.1

1.2

1.3

1.4

1.5

1.6

1.7

1.8

1.9

2.0

25

25

24

24

25

25

26

26

27

28

7.2104 E-08

4.7016 E-08

6.7133 E-08

6.4997 E-08

8.4580 E-08

5.3970 E-08

6.1608 E-08

6.4712 E-08

7.6726 E-08

Error

Perfor mansi Jml iterasi

9.6730 E-08


3

3.5

4

4.5

5

5.5

6

6.5

7

30

36

38

48

45

50

52

56

62

64

7.0735 E-08

9.1239 E-08

7.0064 E-08

6.6606 E-08

9.8412 E-08

7.0103 E-08

7.3716 E-08

9.4546 E-08

8.9199 E-08

Error 7.9886 E-08

Gambar 4.3 Perubahan nilai error terhadap m dari FCM

Tabel 4.6 Hasil performansi FLVQ untuk mencari nilai optimal bagi 2 klaster dengan 2 fungsi obyektif Perfor mansi Jml iterasi Error

Eksponen Pembobot awal (mi) 1.1

1.2

1.3

1.4

1.5

1.6

1.7

1.8

1.9

2.0

20

20

20

20

21

21

21

21

22

22

5.5661 E-08

8.7969 E-08

2.9659 E-08

4.1367 E-08

5.7744 E-08

8.2681 E-08

3.3085 E-08

5.1303 E-08

2.8752 3.5901 E-08 E-08

Perfor mansi Jml iterasi Error


3

3.5

4

4.5

5

5.5

6

6.5

7

24

26

28

29

31

32

35

37

39

40

4.7660 E-08

8.4788 E-08

6.2053 E-08

9.4834 E-08

5.3266 E-08

6.0898 E-08

6.7632 E-08

9.6699 E-08

4.8394 5.0505 E-08 E-08

Gambar 4.4 Perubahan nilai error terhadap mi dari FLVQ

Tabel 4.7 Perbandingan Hasil Pengklasteran antara FCM dengan FLVQ Keterangan

Parameter dari metode Pengklasteran FLVQ(mi=1.1)

FCM(m=1.2) Nilai pusat klaster

Fuel Cost ($/hr)

Emission (ton/hr)

Fuel Cost ($/hr)

Emission (ton/hr)

Solusi ke -1

509.4706

0.1935

508.7295

0.1935

Solusi ke -2

234.0859

0.2280

234.3716

0.2279

Iterasi

25

20

Toleransi Error

4.7016 E-08

2.8752 E-08

Gambar 4.5 Hasil pengklasteran FLVQ dengan mi =1.1

Tabel 4.8 Hasil performansi FCM untuk mencari nilai optimal bagi 5 klaster dengan 2 fungsi obyektif Perfor mansi

Jml iterasi Error


1.2

1.3

1.4

1.5

1.6

1.7

1.8

1.9

2.0

220

427

308

191

151

120

117

112

89

130

9.3964 E-08

9.7172 E-08

9.8927 E-08

9.9756 E-08

9.9030 E-08

9.7107 E-08

9.2032 E-08

9.7262 E-08

9.5390 E-08

Perfor mansi

Jml iterasi Error

9.3319 E-08


3

3.5

4

4.5

5

5.5

6

6.5

7

197

223

303

218

324

154

315

149

216

193

9.5082 E-08

9.7576 E-08

9.7622 E-08

9.8196 E-08

9.9098 E-08

9.9727 E-08

9.6695 E-08

9.4809 E-08

9.4695 E-08

9.8427 E-08


Tabel 4.9 Hasil performansi dari FLVQ untuk mencari nilai optimal bagi 5 klaster dengan 2 fungsi obyektif



1.2

1.3

1.4

1.5

1.6

1.7

1.8

1.9

2.0

49

177

181

131

109

99

94

92

92

94

8.8072 E-08

9.0524 E-08

6.2580 9.7943 9.7371 8.9686 9.9203 9.0008 8.5247 8.3776 E-08 E-08 E-08 E-08 E-08 E-08 E-08 E-08



3

3.5

4

4.5

5

5.5

6

6.5

7

134

177

328

211

233

236

453

110

114

142

6.4206 E-08

6.6722 E-08

8.9690 9.9289 9.2495 8.3365 9.3950 9.8144 9.1593 8.9343 E-08 E-08 E-08 E-08 E-08 E-08 E-08 E-08


Table 4.10 Perbandingan Hasil Pengklasteran antara FCM dengan FLVQ Keterangan

Parameter dari metode Pengklasteran FLVQ(mi=1.1)

FCM(m=1.8) Nilai klaster

pusat Fuel Cost ($/hr)

Emission (ton/hr)

Fuel Cost ($/hr)

Emission (ton/hr)

Solusi ke -1

625.9815

0.1872

627.0382

0.1872

Solusi ke -2

502.9355

0.1926

510.2026

0.1921

Solusi ke -3

390.4892

0.2026

399.4639

0.2016

Solusi ke -4

274.5854

0.2192

284.6583

0.2175

Solusi ke -5

169.8937

0.2409

176.3579

0.2394

Iterasi Toleransi Error

112

49

9.2032 E-08

6.2580E-08

Gambar 4.8 Hasil pengklasteran menggunakan metode FLVQ mi = 1.1

PENGKLASTERAN SOLUSI OPTIMAL DARI PERMASALAHAN OPTIMISASI MULTIOBYEKTIF DENGAN 3 FUNGSI OBYEKTIF

Minimalkan [F, E, PL]

Gambar 5.1 Hasil output dari NSGA 2 untuk 3 fungsi menggunakan populasi sebesar 200 dan generasi sebesar 100

Perbandingan FCM dan FLVQ untuk 3 fungsi obyektif pada EED Tabel 5.2 Cluster validity untuk 3 fungsi obyektif Jumlah Klaster

2

3

4

5

6

7

8

9

10

PC

0.8648

0.8186

0.7894

0.7604

0.7504

0.7460

0.7397

0.7383

0.7376

PE

0.0997

0.1447

0.1769

0.2072

0.2205

0.2285

0.2375

0.2417

0.2441

Gambar 5.2 Hasil Cluster Validity untuk 3 fungsi obyektif

Tabel 5.3 Hasil performansi dari FCM untuk mencari nilai optimal bagi 2 klaster dengan 3 fungsi obyektif

Perfor mansi


1.2

1.3

1.4

1.5

1.6

1.7

1.8

1.9

2.0

Jml iterasi

26

23

23

22

23

22

24

23

24

22

Error (Ev)

5.4483 E-08

8.7806 E-08

5.7478 E-08

8.5324 E-08

9.4455 E-08

7.1575 E-08

5.1838 E-08

5.1805 E-08

5.8356 E-08

6.5866 E-08

Perfor mansi


3

3.5

4

4.5

5

5.5

6

6.5

7

Jml iterasi

25

27

30

34

38

42

44

48

51

56

Error (Ev)

9.0430 E-08

9.0541E08

6.5092E08

9.4482 E-08

7.6428 E-08

7.6151 E-08

7.3607 E-08

8.6011 E-08

9.7320 E-08

9.0270 E-08


Tabel 5.4 Hasil performansi dari FLVQ untuk mencari nilai optimal bagi 2 klaster dengan 3 fungsi obyektif Perfor mansi


1.2

1.3

1.4

1.5

1.6

1.7

1.8

1.9

2.0

Jml iterasi

22

20

20

20

20

20

20

20

20

20

Error (Ev)

3.2878 E-08

4.9544 E-08

3.5800 E-08

3.0561 E-08

2.6337 E-08

2.5102 E-08

2.7535 E-08

3.4439 E-08

4.7721 E-08

7.1024 E-08

Perfor mansi


3

3.5

4

4.5

5

5.5

6

6.5

7

Jml iterasi

22

24

26

28

30

32

33

35

37

38

Error (Ev)

5.8079 E-08

6.4911 E-08

7.0567 E-08

7.0557 E-08

6.3457 E-08

5.4496 E-08

9.3175 E-08

7.0888 E-08

5.7256 E-08

7.8320 E-08


Tabel 5.5 Perbandingan Hasil Pengklasteran antara FCM dengan FLVQ

Parameter dari metode Pengklasteran

Keterangan

FLVQ (mi=1.6)

FCM (m=1.8) Fuel Cost ($/hr)

Emissio n (ton/hr)

Solusi ke - 1 580.1288

0.1912

0.0042 577.6081

0.1912

0.0042

258.634

0.2241

0.0015 260.3508

0.2238

0.0015

Pusat Klaster

Solusi ke - 2

TL (p.u)

Fuel Cost Emission ($/hr) (ton/hr)

TL (p.u)

Iterasi

23

20

Error

5.1805 E-08

2.5102 E-08

Gambar 5.4 Hasil pengklasteran menggunakan metode FLVQ dengan mi = 1.6

Tabel 5.6 Hasil performansi dari Fuzzy C-means untuk mencari nilai optimal bagi 5 klaster dengan 3 fungsi obyektif Perfor mansi Jml iterasi Error (Ev) Perfor mansi Jml iterasi Error (Ev)


1.2

1.3

1.4

1.5

1.6

1.7

1.8

1.9

2.0

42

106

145

104

112

111

127

115

131

175

8.4025 8.6798 E-08 E-08

9.3600 E-08

9.4268 8.8803 9.3413 E-08 E-08 E-08

9.822 0 E-08

9.2199 9.8523 9.9190 E-08 E-08 E-08


3

3.5

4

4.5

5

5.5

6

6.5

7

248

209

169

185

238

160

273

422

278

272

9.4517 9.9728 E-08 E-08

9.2421 E-08

9.5793 9.3631 9.1406 E-08 E-08 E-08

9.637 2 E-08

9.6808 9.5774 9.3614 E-08 E-08 E-08


Tabel 5.7 Hasil performansi dari FLVQ untuk mencari nilai optimal bagi 5 klaster dengan 3 fungsi obyektif

Perfor mansi


1.2

1.3

1.4

1.5

1.6

1.7

1.8

1.9

2.0

Jml iterasi

94

74

75

74

78

84

93

104

116

127

Error (Ev)

4.8716 E-08

7.6088 E-08

9.3572 E-08

8.8134 E-08

7.6587 E-08

8.8018 E-08

8.8749 E-08

9.0919 E-08

9.2758 E-08

9.9095 E-08

Perfor mansi


3

3.5

4

4.5

5

5.5

6

6.5

7

Jml iterasi

155

148

123

118

136

152

234

407

186

92

Error (Ev)

9.9968 E-08

9.2389 E-08

9.4676 E-08

9.5306 E-08

9.1046 E-08

8.8146 E-08

9.7628 E-08

9.1562 E-08

6.2146 E-08

9.7139 E-08


Tabel 5.8 Perbandingan Hasil Pengklasteran antara FCM dengan FLVQ Parameter dari metode Pengklasteran

Keterangan Pusat Klaster

FLVQ (mi=1.1)

FCM (m=1.1) Fuel Cost ($/hr)

Emission (ton/hr)

TL (p.u)

Fuel Cost ($/hr)

Emission (ton/hr)

TL (p.u)

Solusi ke - 1

645.1701

0.1885

0.0051

645.1702

0.1885

0.0051

Solusi ke - 2

527.7062

0.1927

0.0032

527.7064

0.1927

0.0032

Solusi ke - 3

415.6776

0.2004

0.0026

415.6777

0.2004

0.0026

Solusi ke - 4

298.4910

0.2155

0.0017

298.4911

0.2155

0.0017

Solusi ke - 5

184.7776

0.2378

0.0012

184.7777

0.2378

0.0012

Iterasi

42

94

Error

8.4025 E-08

4.8716 E-08

Gambar 5.8 Hasil pengklasteran menggunakan metode FLVQ dengan mi=1.1

SCENARIO GENERATOR UNTUK PERMASALAHAN EED PADA GAME SERIUS

Tabel 6.1 Daya listrik permintaan untuk seluruh scenario generator pada serius game Jam

Daya Listrik Permintaan (p.u)

1

2.057

2

1.941

3

1.564

4

1.903

5

1.574

6

1.873

7

2.834

8

2.635

Penggunaan formula pada NPC

Profit = ((PDtot*100*1000*0.0928)-FCtot-Devtot*π-Penalty) $/h

PDtot = Daya Total Permintaan (p.u perunit =MW/100); FCtot = Total Biaya Bahan Bakar ($/h); Devtot = Total Selisih Emisi (ton/h); π (harga emisi perunit ) = $ 100/ton;

Penentuan Penalty if (Devtot>=2) Penalty=Devtot*10000; elseif(Devtot<1.8)&&(Devtot>=1.6); Penalty=Devtot*10000*1.8; elseif(Devtot<1.6)&&(Devtot>=1.4); Penalty=Devtot*10000*1.6; elseif(Devtot<1.4)&&(Devtot>=1.2); Penalty=Devtot*10000*1.4; elseif(Devtot<1.2)&&(Devtot>=1.0); Penalty=Devtot*10000*1.2; elseif(Devtot<1.2)&&(Devtot>=1); Penalty=Devtot*10000; elseif(Devtot<1)&&(Devtot>=0.8); Penalty=Devtot*10000*0.8; elseif(Devtot<0.8)&&(Devtot>=0.6); Penalty=Devtot*10000*0.6; elseif(Devtot<0.6)&&(Devtot>=0.4); Penalty=Devtot*10000*0.4; elseif(Devtot<0.4)&&(Devtot>=0.2); Penalty=Devtot*10000*0.2; elseif(Devtot<0.2)&&(Devtot>=0); Penalty=Devtot*10000*0.1; elseif(Devtot<0); Penalty=0; end

Gambar 6.1 Listing Program Penentuan Penalty

Skenario Berorientasi Keuntungan

Gambar 6.2 Scenario Generator untuk skenario berorientasi keuntungan dengan Emisi Reduksi (R) = 0.3 dan Emisi yang diijinkan (G) = 0.3

Gambar 6.3 Solusi Pilihan dengan Emisi Reduksi (R) = 0.3 dan Emisi yang diijinkan (G) = 0.3

Tabel 6.3 Hubungan Solusi Pilihan dengan Emisi Reduksi (R) = 0.3 dan Emisi yang diijinkan (G) = 0.3 terhadap Profit

Solusi pilihan

Emisi Reduksi (R)

Emisi Total Biaya Yang Bahan Diijinkan Bakar (G)

Total Selisih Emisi

Penalty

Profit

[1,1,1,1,1,1,1,1]

0.3

0.3

5276.5896

-1.3513

0

146974.2204

[1,3,1,3,1,3,1,3]

0.3

0.3

4289.3149

-1.3134

0

147857.7051

[3,1,3,1,3,1,3,1]

0.3

0.3

4317.2362

-1.3140

0

147829.8437

[3,3,3,3,3,3,3,3]

0.3

0.3

3329.9616

-1.2761

0

148813.3284

[5,5,5,5,5,5,5,5]

0.3

0.3

1440.3953

-1.0627

0

150681.5547

[4,5,4,5,4,5,4,5]

0.3

0.3

1880.9195

-1.1226

0

150247.0205

[5,4,5,4,5,4,5,4]

0.3

0.3

1896.3668

-1.1258

0

150231.8932




Total Selisih Emisi

Solusi pilihan

Emisi Reduksi (R)

[1,1,1,1,1,1,1,1]

0.3

0.1

5276.5896

0.2487

497.48

146216.7364

[1,3,1,3,1,3,1,3]

0.3

0.1

4289.3149

0.2866

573.22

147124.4841

[3,1,3,1,3,1,3,1]

0.3

0.1

4317.2362

0.2860

571.96

147097.8857

[3,3,3,3,3,3,3,3]

0.3

0.1

3329.9616

0.3239

647.70

148005.6334

[5,5,5,5,5,5,5,5]

0.3

0.1

1440.3953

0.5373

2149.12

148372.4367

[4,5,4,5,4,5,4,5]

0.3

0.1

1880.9195

0.4774

1909.44

148177.5845

[5,4,5,4,5,4,5,4]

0.3

0.1

1896.3668

0.4742

1896.84

148175.0522

Penalty

Profit



Total Biaya Bahan Bakar

Solusi pilihan

Emisi Reduksi (R)

Emisi Yang Diijinkan (G)

[1,1,1,1,1,1,1,1]

0.1

0.05

5276.5896

0.9484

7587.04

139057.2124

[1,3,1,3,1,3,1,3]

0.1

0.05

4289.3149

0.9971

7976.56

139650.0981

[3,1,3,1,3,1,3,1]

0.1

0.05

4317.2362

0.9963

7970.08

139628.7377

[3,3,3,3,3,3,3,3]

0.1

0.05

3329.9616

1.0450

12540.0

136041.2184

[5,5,5,5,5,5,5,5]

0.1

0.05

1440.3953

1.3194

18471.6

131971.7447

[4,5,4,5,4,5,4,5]

0.1

0.05

1880.9195

1.2423

17392.2

132618.3305

[5,4,5,4,5,4,5,4]

0.1

0.05

1896.3668

1.2383

17336.2

132659.2832

Total Selisih Emisi

Penalty

Profit

Skenario Berorientasi Lingkungan

Gambar 6.8 Scenario Generator untuk Skenario Berorientasi Lingkungan dengan Emisi Reduksi (R) = 0.1 dan Emisi yang diijinkan (G) = 0.03

Gambar 6.9 Solusi Pilihan dengan Emisi Reduksi (R) = 0.1 dan Emisi yang diijinkan (G) = 0.03


Solusi pilihan

Emisi Reduksi (R)



Total Selisih Emisi

Penalty

Profit

[1,1,1,1,1,1,1,1]

0.1

0.03

5276.5896

1.1084

13300.8

133327.4504

[1,3,1,3,1,3,1,3]

0.1

0.03

4289.3149

1.1571

13885.2

133725.4551

[3,1,3,1,3,1,3,1]

0.1

0.03

4317.2362

1.1563

13875.6

133707.2137

[3,3,3,3,3,3,3,3]

0.1

0.03

3329.9616

1.2050

16870.0

131695.2184

[5,5,5,5,5,5,5,5]

0.1

0.03

1440.3953

1.4794

23670.4

126756.9447

[4,5,4,5,4,5,4,5]

0.1

0.03

1880.9195

1.4023

22436.8

127557.7305

[5,4,5,4,5,4,5,4]

0.1

0.03

1896.3668

1.3983

19576.2

130403.2832

Gambar 6.10 Scenario Generator untuk Skenario Berorientasi Lingkungan dengan Emisi Reduksi (R) = 0.1 dan Emisi yang diijinkan (G*) = 0.01



Total Selisih Emisi

Solusi pilihan

Emisi Reduksi (R)

[1,1,1,1,1,1,1,1]

0.1

0.01

5276.5896

1.2684

17757.6

128854.6504

[1,3,1,3,1,3,1,3]

0.1

0.01

4289.3149

1.3171

18439.4

129155.2551

[3,1,3,1,3,1,3,1]

0.1

0.01

4317.2362

1.3163

18428.2

129138.6137

[3,3,3,3,3,3,3,3]

0.1

0.01

3329.9616

1.3649

19108.6

129440.6284

[5,5,5,5,5,5,5,5]

0.1

0.01

1440.3953

1.6394

29509.2

120902.1447

[4,5,4,5,4,5,4,5]

0.1

0.01

1880.9195

1.5623

24996.8

124981.7305

[5,4,5,4,5,4,5,4]

0.1

0.01

1896.3668

1.5583

24932.8

125030.6832

Penalty

Profit

Skenario Dengan Mengatur Parameter Sendiri Tabel 6.8 Pengaruh Hubungan Emisi yang diijinkan (G) dengan Nilai Tetap Terhadap Emisi Reduksi (R) yang Berubah – ubah Terhadap Profit Jika Solusi Pilihannya Tetap

Solusi pilihan

Emisi Reduksi (R)



Total Selisih Emisi

Penalty

Profit

[3,3,3,3,3,3,3,3]

0.1

0.05 3329.9616

1.045

12540

136041.2184

[3,3,3,3,3,3,3,3]

0.3

0.05 3329.9616

0.72385

4343.1

144270.2334

[3,3,3,3,3,3,3,3]

0.5

0.05 3329.9616

0.40275

1611

147034.4434

[3,3,3,3,3,3,3,3]

0.7

0.05 3329.9616

0.08165

81.65

148595.9034

[3,3,3,3,3,3,3,3]

0.9

0.05 3329.9616

-0.23945

0

148709.6634

Tabel 6.9 Pengaruh Hubungan Emisi Reduksi (R) dengan Nilai Tetap Terhadap Emisi yang diijinkan (G) yang Berubah – ubah Terhadap Profit Jika Solusi Pilihannya Tetap



Total Selisih Emisi

Solusi pilihan

Emisi Reduksi (R)

[3,3,3,3,3,3,3,3]

0.6

0.01 3329.9616

0.5622

2248.8

146380.6984

[3,3,3,3,3,3,3,3]

0.6

0.05 3329.9616

0.2422

484.4

148177.0984

[3,3,3,3,3,3,3,3]

0.6

0.10 3329.9616

-0.1578

0

148701.4984

[3,3,3,3,3,3,3,3]

0.6

0.15 3329.9616

-0.5578

0

148741.4984

[3,3,3,3,3,3,3,3]

0.6

0.2 3329.9616

-0.9578

0

148781.4984

Penalty

Profit

KESIMPULAN z

z

z

Metode FCM dan FLVQ dapat mengurangi jumlah solusi optimal menjadi beberapa klaster untuk menjadi solusi yang ditawarkan dari NSGA2. Hasil simulasi dengan 2 fungsi obyektif dan 2 klaster menunjukkan bahwa FCM mempunyai error lebih besar yaitu 4.7016 E-08 dibandingkan FLVQ dengan error sebesar 2.8752 E-08. Hasil simulasi dengan 2 fungsi obyektif dan 5 klaster menunjukkan bahwa FCM mempunyai error lebih besar yaitu 9.2032 E-08 dibandingkan FLVQ dengan error sebesar 6.2580 E0-8.

KESIMPULAN z

z

z

Hasil simulasi dengan 3 fungsi obyektif dan 2 klaster menunjukkan bahwa FCM mempunyai error lebih besar yaitu 5.1805 E-08 dibandingkan dengan error FLVQ yaitu sebesar 2.5102 E-08. Hasil simulasi dengan 3 fungsi obyektif dan 5 klaster menunjukkan bahwa FCM mempunyai error lebih besar yaitu 8.4025 E-08 dibandingkan dengan error FLVQ yaitu sebesar 4.8716 E-08. Hasil simulasi menunjukkan bahwa FLVQ lebih baik daripada FCM. Sehingga FLVQ digunakan untuk membangun NPC pada penelitian ini.

KESIMPULAN z

z

z

Gabungan dari metode metaheuristik dan pengklasteran ini membentuk suatu Sistem Pendukung Keputusan Cerdas bagi pengambil keputusan pada permasalahan EED . NPC dibangun dengan menggunakan IDSS dengan menggunakan parameter lain yang dapat diubah-ubah untuk memberikan pembelajaran kepada pengambil keputusan terhadap permasalahan EED . Simulasi game serius dengan menggunakan NPC sebagai pendukung keputusan dapat membantu untuk mempelajari skenario yang diberikan berdasarkan konsep GBL.

Saran 1.

Penelitian ini sebatas mensimulasikan NPC untuk mendukung pengambil keputusan dalam menyelesaikan permasalahan optimisasi multiobyektif pada EED. Masih diperlukan pengembangan lanjut, baik dari segi scenario generator-nya untuk pembelajaran serta tampilan dari GUI nya agar lebih fleksibel.

Terimakasih

SISTEM PENDUKUNG KEPUTUSAN CERDAS UNTUK OPTIMISASI PERMASALAHAN MULTI OBYEKTIF PADA SERIOUS GAME: ECONOMIC AND EMISSION DISPATCH

Recommend Documents