OPTIMISASI RANGE DAN ENDURANCE SAAT FASE...
Transcript of OPTIMISASI RANGE DAN ENDURANCE SAAT FASE...
OPTIMISASI RANGE DAN ENDURANCE SAAT FASE TERBANG
JELAJAH (CRUISE) PESAWAT LSU-05 MENGGUNAKAN FIREFLY
ALGORITHM
(Studi Kasus : Pusat Teknologi Penerbangan LAPAN)
NURUL KHIKMAH
PROGRAM STUDI MATEMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS ISLAM NEGERI SYARIF HIDAYATULLAH
JAKARTA
2015 M / 1436 H
PENGESAHAN UJIAN
Skripsi ini berjudul *OPTIMISASI RANGE DAN ENDURANCE SAAT
TERBAIIG JELAJAH PESAWAT LSU-05 MENGGI'NAKAFI FIREFLY
ALGORIT'HIW yang ditulis oleh Nurul Khikmafi, IYIM 11110940ffi0{D telah
diuji dan dinyatakan lulus dalam sidang Munaqosah Fakultas Sains dan Teknologi
Universitas Islam Negeri Syarif Hidayatullah Jakarta pada hari Selas4 18 Agustus
2015. Skripsi ini telah diterima untuk memenuhi salah satu persyaratan dalam
memperoleh gelar sarjana shata satu (Sl) Progrun Studi Maternatika.
Menyetujui,
Yanne Irene. M. Si
NIP.19741231 200s01 2 018
Mengetahui,
Sains dan Teknologi Ketua Program Stu{i Matematika
-=fl-mclto=zDr. Nina Fitrivati. M.Kom
NIP. 19760414 200604 2 001
Penguji tI
Sr^l{,Irma Fauziah. M.Sc
i$P. 19800703 201101 2 00sNrP.19831005 201503 I 001
Pembimbing II
Liebenlito, M.Si
003
iii
ABSTRAK
NURUL KHIKMAH, Optimisasi Range dan Endurance Saat Fase Terbang Jelajah
(Cruise) Pesawat LSU-05 Menggunakan Firefly Algorithm. Dibawah bimbingan
YANNE IRENE M.Si dan MUHAZA LIEBENLITO M.Si
Terbang jelajah (Cruise) merupakan fase penerbangan dimana pesawat berada pada
ketinggian dan kecepatan tertentu. Pada fase terbang jelajah terdapat dua hal yang
berkaitan yaitu Range (jarak tempuh) dan Endurance (waktu tempuh). Range dan
Endurance yang maksimal merupakan jarak dimana pesawat dapat terbang take off
dan landing dengan bahan bakar yang terbatas. Keterbatasan bahan bakar saat cruise
sangat dipengaruhi oleh kecepatan dan bobot pesawat itu sendiri. LAPAN Survillance
UAV (LSU-05) merupakan pesawat tanpa awak yang dirancang peneliti LAPAN agar
dapat membantu pekerjaan manusia, misalnya dalam misi kemanusiaan dan misi
terbang jauh pada rekor MURI. Oleh karena itu UAV diharapkan mampu
menghasilkan range dan endurance yang maksimal saat melakukan misinya.
Penelitian ini menggunakan Firefly Algorithm (FA) sebagai metode untuk mencari
solusi dari masalah optimisasi jarak tempuh dan waktu tempuh maksimum. Hasil dari
penerapan metode FA pada LSU-05 diperoleh range maksimum 300.44 km dengan
kecepatan jelajah 110 km/h. LSU-05 juga dapat dioperasikan dengan kecepatan
jelajah 60.12 km/s dan diperoleh endurance maksimum 1.3 jam, dengan masing-
masing maksimum fuel consumption 16 kg atau bekisar 20.78 liter.
Kata Kunci : UAV, Terbang Jelajah, Waktu Tempuh, Jarak Tempuh, Firefly
Algorithm
iv
ABSTRACT
NURUL KHIKMAH, Optimization Range and Endurance When Fly Cruising
Phase LSU-05 Aircraft Using Firefly Algorithm Method. Under the guidance of
YANNE IRENE M.Si and MUHAZA LIEBENLITO M.Si .
Fly cruising (Cruise) is a phase of flight in which the aircraft is at a certain
altitude and speed. Fly cruising have two aspects there are Range (mileage) and
Endurance (travel time). The maximum Range and Endurance are the maximum
distance which the aircraft can take off and landing flight with limited fuel. Cruise
phase fuel consumption can be influenced by the speed and weight of the
aircraft.LSU-05 is an unmanned aircraft designed to developed researchers in
LAPAN to help human kind,for example in humanitarian missions and missions to
fly away in the record MURI. Therefore UAV is expected to generate maximum
range and endurance. This research used Firefly Algorithm (FA) as a method for
finding the solution of an optimization problem for Range and Endurance. By
applying this method, the LSU-05 should be operated at a cruising speed of 110
km / h in order to obtain the maximum range of 300.44 km. LSU-05 can also be
operated with a cruising speed of 60.12 km / s with a maximum of 1.3 hours of
endurance. Each with a maximum of 16 kg of fuel or about 20.78 liters.
Keywords :UAV, Cruise, Range, Endurance ,Firefly Algorithm
v
KATA PENGANTAR
Assalamu’alaikum Warahmatullahi Wabarakatuh
Alhamdulillah, Segala puji bagi Allah SWT, Tuhan Semesta Alam yang
senantiasa melimpahkan rahmat dan nikmat-Nya kepada kita semua tidak terkecuali
pada penulis, sehingga penulis dapat menyelesaikan skripsi ini yang berjudul
“Optimisasi Range dan Endurance Saat Terbang Jelajah Pesawat LSU-05
Menggunakan Firefly Algorithm”. Shalawat serta salam senantiasa tercurah kepada
Nabi Muhammad SAW, beserta keluarga, para sahabatnya dan para pengikutnya
sampai akhir zaman.
Dalam penyusunan skripsi ini, penulis banyak mendapatkan dorongan,
semangat, motivasi, dan bimbingan serta kritikan dari berbagai pihak. Oleh karena
itu, pada kesempatan ini penulis ingin mengucapkan terimakasih kepada:
1. Bapak dan Mamah tercinta yang tiada henti-hentinya memberikan doa, kasih
sayang, motivasi, semangat, serta dukungannya baik yang berupa moral
ataupun materil kepada penulis.
2. Bapak Dr. Agus Salim, M.Si, selaku Dekan Fakultas Sains dan Teknologi,
Universitas Islam Negeri Syarif Hidayatullah Jakarta.
3. Ibu Nina Fitriyati, M.Kom, selaku Ketua Program Studi Matematika FST UIN
Syarif Hidayatullah Jakarta.
vi
4. Ibu Suma’inna, M.Si, selaku Sekertaris Program Studi Matematika FST UIN
Syarif Hidayatullah Jakarta yang telah membantu proses administrasi.
5. Ibu Yanne Irene, M.Si selaku pembimbing I yang telah banyak membantu dan
memberikan motivasi penulisan skripsi ini.
6. Bapak Muhaza Liebenlito, M.Si selaku pembimbing II yang telah banyak
membantu penulisan skripsi ini dan memberikan inspirasi awal dibuatnya
skripisi ini.
7. Bapak Bambang Ruswandi, M.Stat dan Ibu Irma Fauziah, M.Sc sebagai dosen
penguji dalam penulisan skripsi ini.
8. Seluruh Ibu/ Bapak Dosen Program Studi Matematika FST Syarif
Hidayatullah Jakarta yang selama perkuliahan telah memberikan ilmu-
ilmunya dan pengalaman yang bermanfaat.
9. Noer Abdillah sebagai suami dan dosen pembimbing hidup yang selalu
membantu, memberi semangat, motivasi, dukungan sejak awal penulisan
sampai saat ini.
10. Adik-adikku tercinta Silvi dan Nabil terima kasih atas kasih sayang dan
keceriaan selama ini kepada penulis.
11. Teman-teman Matematika 2011. Terimakasih atas dukungan dan kerja sama
nya selama 4 tahun ini.
Penulis menyadari bahwa penulisan skripsi ini masih banyak kekurangan dan
jauh dari kesempurnaan, oleh karena itu penulis memohon maaf jika terdapat
vii
kesalahan yang kurang berkenan, dan penulis harapkan kritik dan saran demi
perbaikan penulisan dan penelitian ini.
Semoga skripsi ini dapat bermanfaat dan memberikan kontribusi yang berarti
baik penulis khususnya dan bagi pembaca umumnya. Amin.
Wassalamu’alaikum Warahmatullahi Wabarakatuh
Tangerang, Agustus 2015
` Penulis
viii
DAFTAR ISI
HALAMAN PENGESAHAN ........................................................................ ii
ABSTRAK .................................................................................................... iii
ABSTRACT .................................................................................................. iv
KATA PENGANTAR .................................................................................... v
DAFTAR ISI ................................................................................................... viii
DAFTAR GAMBAR ...................................................................................... x
DAFTAR TABEL .......................................................................................... xii
DAFTAR LAMPIRAN .................................................................................. xiv
BAB I PENDAHULUAN
1.1 Latar Belakang ............................................................................. 1
1.2 Rumusan Masalah ....................................................................... 3
1.3 Tujuan Penelitian ......................................................................... 3
1.4 Manfaat Penelitian ...................................................................... 4
1.5 Batasan Masalah ......................................................................... 4
BAB II LANDASAN TEORI
2.1 Gambaran Objek LSU-05 ........................................................... 5
2.2 Bagian-Bagian pada LSU-05 ...................................................... 6
ix
2.3 Konfigurasi awal pesawat LSU-05 .............................................. 7
2.3.1 Karakteristik Aerodinamika ............................................... 7
2.3.2 Massa dan Geometri Pesawat ............................................ 12
2.3.3 Sistem Propulsi .................................................................. 12
2.4 Gaya-gaya pada Pesawat Terbang ............................................... 13
2.5 Optimisasi ................................................................................... 14
2.6 Maksimum dan Minimum Fungsi .............................................. 15
2.7 Maksimum dan Minimum Lokal ................................................ 16
2.8 Firefly Algorithm ........................................................................ 14
2.8.1 Inspirasi ............................................................................. 18
2.8.2 Algoritma ........................................................................... 19
2.8.3 Ketertarikan, Jarak dan Perpindahan ................................. 19
BAB III METODOLOGI PENELITIAN
3.1 Studi Literatur ............................................................................... 24
3.2 Implementasi ................................................................................ 24
3.3 Analisis Hasil ................................................................................ 26
BAB IV HASIL DAN PEMBAHASAN
4.1 Fungsi Uji ..................................................................................... 28
4.2 Maksimum Range dan Endurance Problem ................................. 33
x
4.3 Optimisasi Jarak (Range) Saat Terbang Jelajah Menggunakan
FA .................................................................................................. 37
4.4 Optimisasi Waktu Tempuh (Endurance) Saat Terbang
Jelajah Menggunakan FA .............................................................. 39
BAB V KESIMPULAN DAN SARAN
5.1 Kesimpulan.................................................................................... 42
5.2 Saran .............................................................................................. 43
DAFTAR PUSTAKA .................................................................................... 45
LAMPIRAN .................................................................................................... 47
xi
DAFTAR GAMBAR
Gambar 2.1 Bagian-bagian pesawat............................................................. 6
Gambar 2.2 Kurva Koefisien Gaya Angkat ................................................. 9
Gambar 2.3 Kurva Polar Gaya Hambat Pesawat LSU-05 ........................... 10
Gambar 2.4 Model LSU-05 Pada Uji Wind Tunnel ..................................... 11
Gambar 2.5 Sketsa Grafik fungsi f dengan daerah asal ............................... 17
Gambar 2.6 Minimum Lokal dan Maksimum Lokal ................................... 18
Gambar 2.7 Flowchart Firefly Algorithm .................................................... 18
Gambar 3.1 Diagram Alur Penyelesaian Masalah ....................................... 27
Gambar 4.1 Grafik 2D Fungsi Alpine 1 ....................................................... 29
Gambar 4.2 Posisi Awal dari 50 fireflies ..................................................... 29
Gambar 4.3 Posisi akhir setelah 1000 iterasi ............................................... 29
Gambar 4.4 Grafik 2D fungsi De Jong ....................................................... 30
Gambar 4.5 Posisi Awal dari 50 fireflies ..................................................... 30
Gambar 4.6 Posisi akhir setelah 500 iterasi ................................................. 30
Gambar 4.7 Grafik 2D fungsi Rastrigin ....................................................... 31
Gambar 4.8 Posisi Awal dari 50 fireflies ..................................................... 31
Gambar 4.9 Posisi akhir fireflies setelah 1000 iterasi .................................. 32
Gambar 4.10 Grafik 2D fungsi Range ........................................................... 39
Gambar 4.11 Posisi Awal dari 25 fireflies ..................................................... 39
Gambar 4.12 Posisi akhir fireflies setelah 100 iterasi .................................... 39
xii
Gambar 4.13 Grafik 2D fungsi Endurance .................................................... 41
Gambar 4.14 Posisi Awal dari 25 fireflies ..................................................... 41
Gambar 4.15 Posisi akhir 25 fireflies setelah 100 iterasi ............................... 41
xiii
DAFTAR TABEL
Tabel 2.1 Koefisien Aerodinamika LSU-05 ............................................ 8
Tabel 2.2 Data Optimasi Aerodinamika ................................................... 10
Tabel 2.3 Spesifikasi LSU-05 .................................................................. 12
Tabel 2.4 Spesifikasi Engine Desert Aircraft (DA-150) LSU-05 ............ 12
Tabel 4.1 Hasil Percobaan Fungsi Uji Optimasi Menggunakan FA ........ 32
Tabel 4.3 Karakteristik LSU-05 yang digunakan dalam perhitungan ...... 36
xiv
DAFTAR LAMPIRAN
Lampiran I : Source Code Fungsi Alpine 1
Lampiran II : Source Code Fungsi De Jong
Lampiran III : Source Code Fungsi Rastrigin
Lampiran IV : Hasil Uji Fungsi Uji Optimasi
Lampiran V : Source Code Fungsi Max Range
Lampiran VI : Hasil Perhitungan Range menggunakan FA
Lampiran VII : Source Code Fungsi Max Endurance
Lampiran VIII : Hasil Perhitungan Endurance Menggunakan FA
1
BAB I
PENDAHULUAN
1.1 Latar Belakang
Kebutuhan terhadap pesawat ringan tanpa awak atau Unmanned Aerial
Vehicle (UAV) meningkatkan minat berbagai pihak untuk mengembangkan UAV. Di
Indonesia pengembangan UAV masih dalam tahap awal kematangannya, sehingga
masih terdapat banyak ruang untuk berkembang [4]. Lembaga Penerbangan dan
Antariksa Nasional (LAPAN) merupakan salah satu lembaga yang mengembangkan
teknologi UAV yang diberi nama LAPAN Surveilance UAV (LSU). LSU besutan
LAPAN ini telah di uji terbang dengan melakukan test high speed taxi dengan
kecepatan 80 km/h di Rumpin Airfield AU.
Pesawat nirawak LSU-05 merupakan generasi ke lima dari varian LSU yang
mampu membawa beban payload hingga 30 kg. Pesawat ini digerakkan oleh gaya
dorong dari mesin propulsi motor bahan bakar piston dan mampu membawa bahan
bakar sebanyak 16 kg. Oleh karena itu pesawat ini masih memiliki batasan yang
cukup signifikan dalam jangkauan terbang (Range), waktu penerbangan (Endurance)
serta berat payload yang mampu dibawanya. Dalam operasi penerbangan pesawat
terdiri dari beberapa urutan fase penerbangan yaitu Take off , Cruising dan Landing.
Namun, fase yang menjadi fokus dalam penelitian ini adalah terbang jelajah
(Cruising) . Terbang jelajah merupakan fase dimana pesawat berada pada ketinggian
tertentu sebagai pengintai yang melakukan misi seperti pemetaan wilayah, keamanan
2
sipil, pemadam kebakaran atau pemeriksaan jalur pemipaan dan sebagainya. Oleh
karena itu dengan karakteristik pesawat yang terbatas maka perlu mencari solusi atas
faktor yang menjadi kendala pada saat fase terbang jelajah.
Penelitian ini dilakukan untuk memperoleh jarak terbang maksimum yang
dipengaruhi dua variabel keputusan (variabel decision) yakni kecepatan dan massa
pesawat. Faktor kendala merupakan hal-hal yang dapat mempengaruhi kinerja
pesawat. Pada penelitian ini yang menjadi faktor kendala adalah terbatasnya bahan
bakar yang mampu dibawa dan ketidakstabilan kecepatan yang dioprasikan kontroler
akan membuat konsumsi bahan bakar menjadi berlebih sehingga penerbangan
menjadi tidak maksimal.
Metode optimisasi dapat dibagi menjadi dua yaitu stokastik dan deterministik.
Metode klasik yang digunakan dalam penyelesaian masalah optimisasi termasuk
dalam kategori deterministik. Metode ini didasari dengan pencarian gradien (garis
miring), contohnya Metode Newton Rhapson dan Hill Climbing. Namun di beberapa
kasus metode ini tidak berhasil dikarenakan terjadi diskontinuitas terhadap fungsi
objektif dan solusi global terjebak di puncak lokal. Sedangkan penggunaan metode
stokastik terbagi menjadi dua yaitu heuristik dan metaheuristik. Secara harfiah
heuristik berfungsi sebagai penemu atau pencari dengan menggunakan trial dan error
.Hal ini biasanya digunakan untuk mencari solusi yang mudah namun bukan solusi
yang terbaik. Pengembangan selanjutnya untuk metode heuristik disebut
metaheuristik. Pada aplikasinya algoritma metaheuristik biasa digunakan untuk
3
pergerakan acak (randomization) dan pencarian lokal. Randomization memberikan
jalan yang baik untuk beralih dari pencarian lokal menjadi pencarian global. Dimana
metaheuristik yang paling cocok untuk optimisasi global [10]. Metode metaheuristik
yang digunakan penulis dalam skripsi ini adalah Firefly Algorithm (FA) atau
Algoritma Kunang-Kunang untuk menyelesaikan masalah optimisasi Range dan
Endurance saat terbang jelajah pada pesawat LSU-05.
1.2 Rumusan Masalah
Berdasarkan latar belakang masalah yang dikemukakan, maka peneliti dapat
mengidentifikasi masalah antara lain:
1. Bagaimana performa FA terhadap fungsi uji optimisasi?
2. Bagaimana operasi UAV saat terbang jelajah sehingga Range yang dihasilkan
dapat maksimum menggunakan FA?
3. Bagaimana operasi UAV saat terbang jelajah sehingga Endurance yang
dihasilkan dapat maksimum menggunakan FA?
1.3 Tujuan Penelitian
Berdasarkan rumusan masalah diatas, maka tujuan dilakukannya penelitian ini
adalah sebagai berikut:
1. Mengetahui performa FA terhadap fungsi uji optimisasi.
2. Mengetahui operasi UAV saat terbang jelajah sehingga Range yang dihasilkan
dapat maksimum menggunakan FA.
4
3. Mengetahui Bagaimana operasi UAV saat terbang jelajah sehingga Endurance
yang dihasilkan dapat maksimum menggunakan FA
1.4 Manfaat Penelitian
Penelitian ini diharapkan dapat menjadi nilai acuan massa dan kecepatan yang
digunakan kontroler pada saat pengoprasian terbang jelajah LSU-05. Sehingga sesuai
dengan misi penerbangan LSU-05 akan memaksimalkan range atau endurance. Serta
dapat menunjukkan kinerja FA pada fungsi yang tidak dapat diselesaikan dengan
metode optimisasi numerik.
1.5 Batasan Masalah
Beberapa batasan dalam pembuatan tugas akhir ini diantaranya:
1. Arah angin tidak berpengaruh.
2. Ketinggian saat terbang jelajah konstan.
3. Tidak melakukan maneuver saat terbang jelajah.
4. Biaya pembelian BBM dan lainnya tidak disertakan dalam perhitungan.
5
BAB II
LANDASAN TEORI
2.1 Gambaran Objek LSU
UAV (Unmanned Aerial Vehicle) adalah sebuah pesawat ringan tanpa awak
yang dikendalikan dari darat dengan menggunakan remote control dan dapat juga
terbang secara autonomus sesuai dengan way point yang diinginkan. Dalam skripsi
akan dibahas prestasi terbang jelajah pesawat tanpa awak yang dinamakan LSU-05
menggunakan FA. Program LSU-05 adalah pengembangan pesawat tanpa awak yang
didesain sebagai sarana pembelajaran yang praktis mengenai teknologi pesawat
terbang, sekaligus mengembangkan teknologi UAV untuk berbagai misi, program ini
cukup mengangkat nama LAPAN, beberapa produk LSU, telah mampu menjalankan
berbagai misi, dan terus akan menajamkan misi nya di tiga bidang, yaitu : pertahanan,
kebencanaan dan pemetaan resolusi tinggi. Program LSU ini telah menghasilkan lima
jenis prototype UAV, yaitu LSU-01, 02, 03, 04 dan 05. Misi yang telah dijalani juga
beragam, seperti pemantauan mitigasi bencana (gunung-api dan banjir ), pemantauan
untuk pertanian, operasi pengamanan dan latgab ABRI dan misi terbang jauh untuk
mencatatakan rekor MURI dengan terbang nonstop 200 km.
6
2.2 Bagian-bagian Pada LSU-05
Secara umum pesawat memiliki beberapa bagian yang penting dalam
menunjang performanya yaitu:
Gambar 2.1 Bagian-bagian pesawat
a. Wing atau yang dikenal dengan sayap pesawat merupakan penghasil gaya angkat.
b. Fuselage merupakan badan atau kerangka pesawat terbang merupakan komponen
utama penopang wing,engine,landing gear, bidang control dan komponen lainnya.
c. Aileron berfungsi untuk membuat gerakan memutar atau sering disebut juga
sebagai bidang kemudi guling atau biasa disebut roll.
d. Horizontal Stabilizer berfungsi untuk menjaga pesawat stabil terhadap arah angin
pada arah sumbu horizontal.
7
e. Elevator berfungsi untuk menaikkan dan menurunkan hidung pesawat atau biasa
disebut pitch.
f. Vertical Stabilizer berfungi untuk menjaga pesawat stabil terhadap arah angin pada
arah sumbu vertikal.
g. Rudder berfungsi untuk membelokkan pesawat ke kanan maupun ke kiri. Gerakan
yang disebabkan oleh rudder disebut gerakan yaw.
h. Landing Gear berungsi untuk menopang berat pesawat saat di darat dan berfungsi
sebagai roda pendaratan. Berdasarkan letaknya ada dua macam landing gear yaitu
nose landing gear dann tail landing gear.
i. Engine berfungsi sebagai penggerak dari propeller pesawat terbang. Agar
menghasilkan gaya dorong pada pesawat, shaftengine harus bergarak memutar dan
putaran ini yang digunakan propeller untuk menghasilkan gaya dorong [4].
2.3 Konfigurasi Awal Pesawat LSU-05
Berikut beberapa data teknik atau spesifikasi data dari LSU-05 yang akan
sangat berguna dalam perhitungan prestasi tebang jelajah pesawat LSU-05.
2.3.1 Karakteristik Aerodinamika
Dalam menlakukan analisis prestasi terbang, karakteristik aerodinamika ini menjadi
sangat penting, karena hal ini cukup berpengaruh pada perhitungan. Karakteristik
aerodinamika ini berupa koefisien-koefisien aerodinamika berupa koefisien gaya
angkat, gaya hambat dan momen yang timbul akibat dari interaksi udara dengan
pesawat.
8
Dalam tugas akhir ini akan digunakan karakteristik aerodinamika dari hasil
eksperimental awal (uji wind tunnel) yang dilakukan oleh peneliti pada bidang
Aerodinamik Pusat Teknologi Penerbangan LAPAN [8]. Namun dalam hal ini uji
wind tunnel yang dilakukan masih berupa data awal dan belum termasuk setting
flaps. Sehingga data yang dipakai masih ada beberapa asumsi terutama dalam
koefisien gaya angkat maksimum yang dipengaruhi oleh setting flaps. Namun dalam
perhitungan yang dilakukan disini sudah dibuat worksheet sedemikian rupa sehingga
data terbaru bisa langsung dientri dan akan mendapatkan hasil perhitungan yang
terbaru pula. Berikut data aerodinamika yang dipakai dalam perhitungan prestasi
terbang LSU-05 :
Tabel 2.1 koefisien aerodinamika LSU-05
Sumber : Soemaryanto, Arifin Rasyadi.2015
ALPHA CD CL CM CN CA XCP
-9 0.038 -0.332 0.2969 -0.334 -0.014 -0.89
-6 0.031 -0.055 0.1782 -0.058 0.025 -3.087
-3 0.031 0.231 0.0516 0.229 0.043 0.225
-1 0.034 0.43 -0.0357 0.429 0.042 -0.083
0 0.038 0.532 -0.0798 0.532 0.038 -0.15
1 0.042 0.634 -0.125 0.635 0.031 -0.197
3 0.053 0.843 -0.2188 0.845 0.009 -0.259
5 0.068 1.054 -0.3154 1.056 -0.024 -0.299
9
8 0.093 1.332 -0.4539 1.332 -0.093 -0.341
9 0.102 1.412 -0.5035 1.41 -0.12 -0.357
10 0.11 1.483 -0.5533 1.479 -0.149 -0.374
12 0.126 1.598 -0.644 1.59 -0.209 -0.405
15 0.139 1.651 NA 1.631 -0.293 NA
16 0.137 1.613 NA 1.589 -0.313 NA
18 0.093 0.998 NA 0.978 -0.22 NA
20 0.082 0.327 NA 0.335 -0.035 NA
22 0.099 -0.24 NA -0.185 0.182 NA
Berdasarkan tabel 2.1 maka diperoleh kurva koefisien gaya angkat terhadap sudut
serang dan kurva polar hambat pesawat LSU-05. Berikut kurva karakteristik
aerodinamika yang diperoleh :
Gambar 2.2 Kurva Koefisien Gaya Angkat
Sumber : Soemaryanto, Arifin Rasyadi.2015
y = 0.0975x + 0.5369
-0.5
0
0.5
1
1.5
2
-10 -5 0 5 10 15
Lift
Co
eff
icie
nt
Angle of Attack [deg]
Lift Coeficient
LiftCoeficient
10
Gambar 2.3 Kurva Polar Hambat Pesawat LSU-05
Sumber : Soemaryanto, Arifin Rasyadi.2015
Selain data aerodinamika diatas, untuk keperluan analisis prestasi terbang akan
dilakukan optimisasi terhadap karakteristik aerodinamika yang diperoleh. Optimisasi
karakteristik aerodinamika ini dilakukan untuk mendapatkan perbandingan CL/CD,
CL3/CD
2 atau CL/CD2. Berikut hasil data optimisasi aerodinamika untuk beberapa
kondisi tertentu yang akan diperlukan dalam analisis :
Tabel 2.2 Data Optimisasi Aerodinamika
Sumber : Soemaryanto, Arifin Rasyadi.2015
Optimisasi Aerodinamika - Kuadratik
CD = CDo + k1.CL + k2.CL2
y = 0.0427x2 - 0.0093x + 0.0304
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
-0.5 0 0.5 1 1.5 2
Dra
g C
oe
fici
en
t
Lift Coeficient
Drag Polar
Drag Polar
Poly. (Drag Polar)
11
Cdo 0.0304 k1 -0.0093
k2 0.0427
(CL/CD)max (CL3/CD
2)max (CL/CD2)max
CL 0.844 1.357 0.525
CD 0.053 0.096 0.037
(CL/CD) 15.934 14.077 14.077
(CL3/CD
2) 214.234 268.842 104.001
(CL/CD2) 300.914 146.081 377.617
Hasil dari optimisasi diatas menunjukan nilai CL, CD, CL/CD, CL3/CD
2 dan CL/CD2
untuk setiap (CL/CD)max, (CL3/CD
2)max dan (CL/CD2)max. Optimisasi yang dilakukan
menyesuaikan dengan persamaan polar hambat dari karakteristik aerodinamika
pesawat LSU-05 yaitu persamaan kuadratik.
Gambar 2.4 Model LSU-05 pada Uji Wind Tunnel
12
2.3.2 Massa dan geometri pesawat
Sesuai dengan misi terbang yang direncanakan pesawat ini harus mempunyai massa
yang cukup ringan. Sehingga setelah dibandingkan dengan Desain Requairement and
Objective (DRO) dan hasil perancangan awal, maka diperoleh massa pesawat LSU-05
yang dipakai untuk acuan dasar perhitungan selanjutnya adalah sebagai berikut :
Tabel 2.3 Spesifikasi LSU-05
Sumber : Soemaryanto, Arifin Rasyadi.2015
Wing Span : 5.5 m Taper Ratio : 0.6
Wing Area : 3.22 m2 Root Chord : 730 mm
Aspect Ratio : 9.4 Tip Chord : 400 mm
Twist Angle : 0 deg Empty Weight : 31.00 kg
Swept Angle : 0 deg Fuel Weight : 16.67 kg
Overall length : 4.1 m Payload Weight : 30.00 kg
2.3.3 Sistem Propulsi
Sistem propulsi yang digunakan dalam pesawat LSU-05 ini adalah dari propeller.
Sistem propulsi diterapkan pada fuselage bagian belakang. LSU-05 yang dirancang
ini akan menggunakan satu engine Desert Aircraft (DA-150). Berikut spesifikasi dari
engine DA-150 :
Tabel 2.3 Spesifikasi Engine Desert Aircraft (DA-150) LSU-05
Displacement : 9.15 ci (150 cc) Stroke : 1.5748 in (40 mm)
13
Output : 16.5 HP RPM Range : 1000 to 6500
Weight : 7.96 lbs (3.61 kg) RPM Max : 8500
Bore : 1.9291 in (49 mm)
Fuel
Consumption : 3.3 oz/min @ 6000
RPM
Pada engine DA-150 tersebut akan dipasang propeller dua blades dengan ukuran 30 x
12. Propeller tersebut juga termasuk dalam daftar rekomendasi propeller yang
digunakan untuk engine DA-150.
2.4 Gaya-gaya Pada Pesawat Terbang
Pesawat dapat terbang akibat dari gaya-gaya yang dihasilkan [4], diantaranya :
a. Lift (gaya angkat)adalah gaya angkat yang ditimbul karena adanya perbedaan
kecepatan aliran udara sehingga mengakibatkan tekanan udara dibawah sayap
lebih besar daripada tekanan udara diatas sayap.
b. Drag (gaya hambat)adalah gaya hambat yang dikarenakan adanya gesekan dan
tahanan antara permukaan pesawat (wing, fuselage, dan objek yang berada di
pesawat) dengan udara. Drag merupakan komponen gaya aerodinamika yang
sejajar dengan kecepatan terbang pesawat, tetapi arahnya berlawanan. Gaya
hambat atau drag bekerja berlawanan dengan gaya dorong (thrust).
c. Thrust (gaya dorong) adalah gaya dorong yang dihasilkan oleh mesin pesawat itu
sendiri, dan gaya ini berlawanan dengan gaya hambat.
14
d. Weight adalah gaya yang disebabkan oleh gaya gravitasi dari bumi ke pesawat.
Weight berlawanan dengan lift.
2.5 Optimisasi
Masalah optimisasi single objektif memiliki satu fungsi objektif yang akan
diminimalkan atau dimaksimalkan. Secara umum masalah optimisasi single objektif
dapat ditulis :
Minimum/ Maksimum 𝑓(𝑥)
Kendala 𝑔𝑗(𝑥) ≥ 0, 𝑗 = 1,2, … , 𝐽
ℎ𝑘(𝑥) = 0, 𝑘 = 1,2, … , 𝐾
𝑥𝑖(𝐿) ≤ 𝑥𝑖 ≤ 𝑥𝑖
(𝑈), 𝑖 = 1,2, … , 𝑛
Solusi x adalah vektor dari n variabel keputusan : 𝑥 = (𝑥1, 𝑥2, … , 𝑥𝑛)𝑇. Himpunan
terakhir dari kendala disebut batas variabel, membatasi setiap variabel keputusan
(decision variabels) 𝑥𝑖 yang nilainya berada diantara batas bawah 𝑥𝑖(𝐿) dan batas atas
𝑥𝑖(𝑈). Batas-batas ini dinamakan ruang variabel keputusan D atau dikenal sebagai
ruang keputusan.
Bentuk 𝑔𝑗(𝑥) dan ℎ𝑘(𝑥) disebut fungsi kendala. Solusi 𝑥 yang tidak
memenuhi setiap kendala (𝐽 + 𝐾) dan setiap batas variabel disebut solusi yang tidak
layak (infeasible solution). Sebaliknya, jika setiap solusi 𝑥 memenuhi seluruh kendala
dan batas variabel, maka solusi itu disebut solusi yang layak (feasible solution). Di
sisi lain, jika tidak ada kendala yang ditentukan maka 𝑥𝑖 dapat bernilai berapapun di
sumbu x (atau bilangan bulat), masalah optimisasi ini dinamakan optimisasi tanpa
15
𝑦 = 𝑓(𝑥) 𝑦
𝑆 𝑥
kendala [11]. Masalah optimisasi tanpa kendala dimana keadaan optimal dapat terjadi
pada titik-titik kritis dengan kondisi stasioner yaitu 𝑓′(𝑥) = 0 [5].
2.6 Maksimum dan Minimum Fungsi
Dalam hidup ini kita sering menghadapi masalah guna mendapatkan jalan
terbaik untuk melakukan sesuatu. Sebagai contoh seorang petani ingin memilih
kombinasi hasil panen yang dapat menghasilkan keuntungan terbesar. Kadangkala
masalah dapat dirumuskan sehingga akan melibatkan memaksimumkan dan
meminimumkan fungsi tertentu. Andaikan kita mengetahui fungsi 𝑓 dan
domain(daerah asal) 𝑆 seperti gambar 2.4. Akan ditentukan apakah f memiliki nilai
maksimum atau minimum pada 𝑆. Anggap bahwa nilai-nilai tersebut ada, kita ingin
mengetahui lebih lanjut dimana dalam S nilai-nilai itu berada. Akhirnya, kita dapat
menentukan nilai-nilai maksimum dan minimum.
Gambar 2.4 fungsi f dan domain
Definisi
Andaikan S,daerah asal f, memuat titik c. Kita katakana bahwa:
(i) f(c) adalah nilai maksimum 𝑓 pada S jika 𝑓(𝑐) ≥ 𝑓(𝑥) untuk semua x di S;
(ii) f(c) adalah nilai minimum 𝑓 pada S jika 𝑓(𝑐) ≤ 𝑓(𝑥) untuk semua x di S;
16
(iii) f(c) adalah nilai ekstrim 𝑓 pada S jika ia adalah nilai maksimum atau nilai
minimum.
Teorema A
(Teorema Eksistensi Maks-Min). Jika f kontinu pada selang tertutup [a,b], maka f
mencapai nilai maksimum dan nilai minimum.
Teorema B
(Teorema Titik Kritis). Andaikan f didefinisikan pada selang I yang memuat titik c.
jika f(c) adalah titik ekstrim, maka c haruslah suatu titik kritis ; yakni c berupa salah
satu :
1. titik ujung I;
2. titik stasioner dari 𝑓(𝑓′(𝑐) = 0);
3. titik singular dari 𝑓(𝑓 ′(𝑐) = tidak ada).
2.7 Maksimum dan Minimum Lokal
Berdasarkan subbab 2.6 nilai maksimum (jika ada) suatu fungsi 𝑓 pada himpunan S
adalah nilai 𝑓 terbesar yang dicapai pada keseluruhan himpunan S. Kadang-kadang
diacu sebagai nilai maksimum global, atau nilai maksimum absolut dari f. Jadi untuk
fungsi f dengan daerah asal 𝑆 = [𝑎, 𝑏] yang grafiknya diskets dalam Gambar 2.5,
𝑓(𝑎) adalah nilai maksimum global. Sedangkan 𝑓(𝑐) suatu nilai maksimum lokal,
atau nilai maksimum relatif. Tentu saja nilai maksimum global otomatis juga nilai
maksimum lokal [6]. Gambar 2.6 menunjukkan sejumlah kemungkinan. Perhatikan
17
b c a
bahwa nilai maksimum global (jika ada) hanyalah yang terbesar diantara nilai-nilai
maksimum lokal. Sama halnya dengan nilai minimum global adalah yang terkecil di
antara nilai-nilai minimum lokal.
Gambar 2.5 Sketsa Grafik fungsi f dengan daerah asal
Definisi
Andaikan S, daerah asal f, memuat titik c. kita katakana bahwa :
(i) f(c) nilai maksimum lokal f jika terdapat selang (a, b) yang memuat c
sedemikian sehingga f(c) adalah nilai maksimum f pada (a, b) ∩ S;
(ii) f(c) nilai mainimum lokal f jika terdapat selang (a,b) yang memuat c
sedemikian sehingga f(c) adalah nilai minimum f pada (a,b) ∩ S;
(iii) f(c) nilai ekstrim lokal f jika ia berupa nilai maksimum lokal atau minimum
lokal.
Maks
Lokal Maks
Global
18
Gambar 2.6 Minimum Lokal dan Maksimum Lokal
2.8 Firefly Algorithm
2.8.1 Inspirasi
Firefly Algorithm atau Algoritma Kunang-kunang termasuk salah satu
algoritma pada bidang Artificial Intelligence atau kecerdasan buatan. Fireflies
termasuk kedalam keluarga Lampyridae yang merupakan kumbang bersayap kecil
yang mampu menghasilkan kilatan cahaya untuk menarik perhatian pasangannya.
Fungsi dari kilatan cahaya tersebut adalah untuk menarik perhatian fireflies lain. Pola
kilatan cahaya cukup unik untuk beberapa spesies. Kilatan cahaya diproduksi oleh
proses bioluminecene. Mereka diyakini memiliki mekanisme seperti kapasitor yang
perlahan-lahan mengisi sampai mencapai batas tertentu dimana mereka akan
melepaskan energi yang berupa cahaya dan siklus tersebut selalu berulang [6]. FA
dikembangkan dan pertama kali ditemukan oleh Xin-She Yang (2007), yang
terinspirasi oleh redaman cahaya yang dihasilkan fireflies melalui jarak dan daya tarik
sesama fireflies. Algoritma ini bekerja dengan cara mengamati setiap posisi fireflies.
19
2.8.2 Algoritma
Firefly Algorithm (FA) merupakan salah satu algoritma metaheuristik yang
terbaru. Oleh karena itu telah ditulis beberapa artikel yang berkaitan dengan FA. FA
mengacu pada beberapa karakteristik dari prilaku fireflies. Pada algoritma ini
mengacu pada 3 acuan dasar, yaitu :
1. Semua fireflies adalah unisex jadi satu fireflies tertarik dengan fireflies lain
terlepas dari jenis kelamin mereka.
2. Daya tarik sebanding dengan kecerahan, maka fireflies dengan kecerahan
lebih redup akan bergerak ke arah fireflies dengan kecerahan lebih terang dan
kecerahan berkurang seiring dengan bertambah jarak. Apabila tidak ada
fireflies yang memiliki kecerahan paling cerah maka fireflies akan bergerak
secara acak (random).
3. Kecerahan atau intensitas cahaya fireflies ditentukan oleh nilai fungsi tujuan
dari masalah yang diberikan
2.8.3 Ketertarikan, Jarak dan Perpindahan
Ketertarikan (Attractiveness)
Dalam kegelapan malam yang begitu pekat, dimana cahaya yang dapat terlihat
hanyalah cahaya yang dihasilkan oleh fireflies. Intensitas cahaya yang dihasilkan
sebanding dengan fungsi objektif dari masalah. Untuk menarik perhatian fireflies lain
maka cahaya yang dihasilkan pun harus lebih baik dari fireflies lainnya. Fireflies akan
tertarik atau menuju pada fireflies yang berada didekatnya walaupun cahaya yang
20
terlihat cukup redup dibandingkan menuju fireflies yang lebih terang, namun terdapat
penyerapan cahaya yang buruk dikarenakan jarak.
Ada dua hal yang berkaitan sangat penting pada FA yaitu intensitas cahaya dan fungsi
ketertarikan . Untuk kasus yang paling sederhana contohnya masalah optimisasi
maksimum, tingkat intensitas cahaya pada sebuah fireflies x dapat dilihat sebagai :
𝐼(𝑥) ∝ 𝑓(𝑥) (1)
Dengan nilai 𝐼 yang merupakan intensitas cahaya yang sebanding dengan fungsi
tujuan yang akan dicari solusinya 𝑓(𝑥). Ketertarikan 𝛽 yang bernilai relatif, karena
intensitas cahaya yang harus dilihat dan dinilai oleh fireflies lain. Dengan demikian,
hasil penilaian akan berbeda tergantung dari jarak antara fireflies 𝑖 dengan fireflies 𝑗
(𝑟𝑖𝑗). Selain itu, itensitas cahaya akan menurun dilihat dari sumbernya dikarenakan
terserap oleh media seperti udara 𝛾 [0,1]. Nilai keatraktifan 𝛽 dapat dirumuskan
sebagai berikut
𝛽(𝑟) = 𝛽0𝑒−𝛾𝑟𝑚 , (𝑚 ≥ 1). (2)
Dimana :
𝛽(𝑟) : keatraktifan 𝛽 pada jarak 𝑟
𝛽0 : keatraktifan 𝛽 pada jarak 0 [0,1]
𝛾 : koefisien penyerapan udara [0,1]
21
Distance (Jarak)
Jarak antara fireflies i dan j pada lokasi x, 𝑥𝑖 dan 𝑥𝑗 dapat ditentukan ketika
dilakukanya peletakan titik dimana fireflies tersebut disebar secara random dalam
diagram kartesius dengan rumus [10].
𝑟𝑖𝑗 = ‖𝐱𝑖 − 𝐱𝑗‖ = √∑ (𝑥𝑖,𝑘 − 𝑥𝑗,𝑘)2𝑑
𝑘=1 ,
Dimana selisih dari koordinat lokasi fireflies i terhadap fireflies j merupakan jarak
diantara keduanya (𝑟𝑖𝑗). Misalkan r bisa berupa interval fitness function. Pada kasus
2-D, kita punya 𝑟𝑖𝑗 = √(𝑥𝑖 − 𝑥𝑗)2+ (𝑦𝑖 − 𝑦𝑗)
2.
Movement (Pergerakan)
Pergerakan fireflies i yang menuju intensitas cahaya yang terbaik dapat
dinyatakan dalam
𝐱𝑖 = 𝐱𝑖⏟1
+ 𝛽0𝑒−𝛾𝑟2(𝐱𝑖 − 𝐱𝑗)⏟
2
+ 𝛼 (𝑟𝑎𝑛𝑑 −1
2)⏟
3
, (3)
Dimana istilah 1 merupakan variabel awal 𝐱𝑖 yang menunjukan posisi awal fireflies
yang berada pada lokasi 𝐱, kemudian istilah 2 variabel ini merupakan nilai
keaktratifan yang terdapat pada persamaan (2) dan variabel selisih jarak awal antara
fireflies 𝑖 dan 𝑗 . Semua variabel pada persamaan kedua tersebut diberikan dari fungsi
keatraktifan fireflies yang mana menentukan tingkat kecerahan. Selanjutnya istilah
(3) merupakan randomization (pemilihan bilangan acak) dengan 𝛼 adalah parameter
22
pemilihan acak. rand adalah pembangkit bilangan acak berdistribusi seragam [0,1]
yang bisa diperluas berdistribusi normal 𝑁(0,1) atau disrtibusi lainnya [10]. Untuk
banyak kasus implementasi nilai 𝛽0 = 1 dan 𝛼 = [0,1]. Semua variabel yang
terbentuk pada persamaan pergerakan fireflies menjamin cara kerja algoritma menuju
solusi yang optimal.
Gambar 2.7 Flowchart Firefly Algorithm
Flowchart pada gambar 2.7 dimulai dengan menginput parameter yaitu 𝛼, 𝛾, Max
Generation, dan jumlah populasi fireflies. Definisikan nilai 𝐼 yang merupakan
intensitas cahaya yang sebanding dengan 𝑓(𝑥). Jika akan memaksimumkan fungsi
tujuan maka fireflies akan bergerak menuju kawanan yang lebih terang (𝐼(𝑥𝑖) <
23
𝐼(𝑥𝑗)). Jika yes selisih dari koordinat lokasi fireflies i terhadap j merupakan jarak
diantara keduanya (𝑟𝑖𝑗). Apabila no maka fireflies 𝑖 tetap mencari fireflies yang
memiliki cahaya lebih baik. Keatraktifan 𝛽 yang bernilai relatif, karena intensitas
cahaya yang dilihat oleh fireflies lain akan berbeda tergantung dari 𝑟𝑖𝑗 dan intensitas
cahaya dipengaruhi oleh penyerapan udara pada lingkungan (media). Jika fireflies
telah mendapatkan posisi terbaik dimana keatraktifan pada jarak 0 (𝛽 = 0) maka
kriteria untuk berhenti telah terpenuhi sampai batas iterasi dan selesai. Jika tidak
maka lakukan iterasi sampai mendapatkan posisi terbaik (𝛽 = 0).
.
24
BAB III
METODE PENELITIAN
Metodologi yang digunakan dalam memecahkan masalah diatas adalah dengan
menggunakan langkah-langkah berikut :
1. Studi Literatur
Mencari dan mempelajari literatur-literatur yang ada sesuai dengan permasalahan
meliputi operasi terbang jelajah pada LSU-05, karakteristik pesawat,
permasalahan optimasai tanpa kendala, konsep FA, Maksimum dan Minimum
fungsi, serta informasi lainnya yang menunjang penulisan dan pembuatan skripsi
ini.
2. Implementasi
Pada tahap implementasi dilakukan percobaan dengan langkah-langkah berikut
untuk penyelesaian masalah, yaitu
a. Menerapkan FA untuk beberapa fungsi uji optimisasi yang memiliki
karakteristik berbeda berdasarkan referensi dengan nilai inputan berupa
batasan yang telah diketahui [1] serta memperoleh solusi global minimum.
Berikut fungsi uji optimisasi yang digunakan dalam tugas akhir ini :
i. Fungsi Alpine 1 : merupakan fungsi yang kontinu, Non-Differentiable,
multimodal dengan beberapa lokal optima, merupakan fungsi yang
memiliki kompleksitas menengah. Secara matematis didefinisikan
sebagai :
25
𝑓(𝑥𝑖) = |𝑥𝑖 sin(𝑥𝑖) + 0.1𝑥𝑖|
Terbatas pada −10 ≤ 𝑥 ≤ 10. Global minimum berada pada daerah asal
𝑥∗ = (0,… ,0) , 𝑓(𝑥∗) = 0.
ii. Fungsi De Jong : merupakan fungsi yang sederhana, kontinu dan
Diefferentiable. Sifatnya yang Unimodal atau memiliki satu lokal
minima, convex, multidimensional memudahkan untuk pencarian solusi
dan memiliki satu global optimum. Fungsi ini dapat mengakibatkan
konvergensi yang lemah untuk mencapai global optimum. Secara
matematis didefinisikan sebagai :
𝑓(𝑥) =∑𝑥𝑖2
𝑛
𝑖=1
Terbatas pada −5.12 ≤ 𝑥𝑖 ≤ 5.12. Global minimum berada pada daerah
asal 𝑥∗ = (0,… ,0) , 𝑓(𝑥∗) = 0.
iii. Fungsi Rastrigin : merupakan fungsi yang differentiable, kontinu, dan
non-convex. Sifatnya yang multimodal dengan banyak lokal optima
membuat fungsi sekelas ini memiliki tingkat kompleksitas tinggi dari
fungsi sebelumnya dengan jumlah lokal optima yang besar. Secara
matematis didefinisikan :
𝑓(𝑥𝑖) = 𝐴𝑛 +∑[𝑥𝑖2 − 𝐴 cos(2𝜋𝑥𝑖)]
𝑛
𝑖=1
26
Terbatas pada −5.12 ≤ 𝑥𝑖 ≤ 5.12. Global minimum berada pada daerah
asal 𝑥∗ = (0,… ,0) , 𝑓(𝑥∗) = 0
b. Melakukan percobaan menggunakan FA pada permasalahan optimisasi
terbang jelajah untuk menghasilkan jarak tempuh terjauh (Range).
𝑀𝑎𝑘𝑠𝑖𝑚𝑢𝑚𝑘𝑎𝑛 𝑅(𝑉𝐶𝑟,𝑊1) = 42.22 𝑉𝐶𝑟 ln𝑊161
60 ≤ 𝑉𝐶𝑟 ≤ 110
61 ≤ 𝑊1 ≤ 77
c. Melakukan percobaan menggunakan FA pada fungsi waktu tempuh untuk
mendapatkan waktu tempuh terlama (Endurance).
𝑀𝑎𝑘𝑠𝑖𝑚𝑢𝑚𝑘𝑎𝑛 𝐸(𝑉𝑐𝑟,𝑊2) =634557.53
𝑉𝐶𝑟[√𝑊161− 1]
60 ≤ 𝑉𝐶𝑟 ≤ 110
61 ≤ 𝑊1 ≤ 77
3. Analisis Hasil
Pengujian dan hasil analisis sistem yang dilakukan adalah sebagai berikut:
a. Membandingkan solusi global minimum terhadap fungsi uji optimisasi
Jamil,M and Yang, X.S menggunakan FA dan dengan yang tidak
menggunakan FA.
27
b. Menganalisis parameter FA terhadap fungsi yang memaksimumkan jarak
tempuh (range) LSU-05 pada saat terbang jelajah.
c. Menganalisis parameter FA terhadap fungsi yang memaksimumkan waktu
tempuh (endurance).
Alur penelitian tugas akhir ini dapat dilihat pada diagram dibawah ini
Gambar 3.1 Diagram Alur Penyelesaian Masalah
28
BAB IV
HASIL DAN PEMBAHASAN
4.1 Fungsi Uji
Berdasarkan Flowchart algoritma pada gambar 2.7 maka FA dapat
diimplementasikan menggunakan bahasa pemrograman Matlab R2010a. Terdapat
beberapa fungsi yang akan diuji coba dengan dua variabel keputusan yaitu 𝑥 dan 𝑦 .
definisikan parameter FA diantaranya 𝑑 = 2, 𝛼 = 0.2, 𝛾 = 1, dan 𝛽0 = 1. Berikut
penjelasan hasil uji fungsi tolak ukur dalam optimisasi yang terdapat pada tabel
4.1dimana tidak terdapat error antara hasil uji fungsi Jamil,M and Yang, X.S
menggunakan FA dan dengan yang tidak .
Fungsi Alpine 1
𝑓(𝑥, 𝑦) = |𝑥 sin(𝑥) + 0.1𝑥| + |𝑦 sin(𝑦) + 0.1𝑦|
Fungsi Alpine 1 mempunyai solusi global minimum (𝑥, 𝑦) = 𝑓( 0, 0) = 0 . Sifat
multimodal dengan beberapa lokal optima dapat ditunjukkan pada gambar 4.1 dan
dalam algoritma ini melibatkan sebanyak 50 fireflies dengan 1000 iterasi (Max
Generation). Lokasi awal fireflies ditunjukkan pada gambar 4.2 .Posisi akhir fireflies
setelah 1000 iterasi ditunjukkan pada gambar 4.3.
29
Gambar 4.1 Grafik 2D Fungsi Alpine 1 Gambar 4.2 Posisi Awal dari 50 fireflies
Gambar 4.3 Posisi akhir setelah 1000 iterasi
Fungsi De Jong
𝑓(𝑥, 𝑦) = 𝑥2 + 𝑦2
Hasil uji menggunakan FA menunjukkan De Jong mempunyai solusi global
minimum 𝑥∗ = (−0.0025 × 10−6, −0.0031 × 10−6) dan 𝑓(𝑥∗) = 0. Berdasarkan
percobaan semakin banyak menentukan jumlah populasi fireflies dan iterasi maka
30
solusi minimum akan semakin mendekati nilai nol, meskipun masih terdapat eror
yang sangat kecil. Sifatnya yang unimodal yaitu berpuncak satu dapat ditunjukkan
pada gambar 4.4 dimana pada fungsi ini melibatkan sebanyak 50 fireflies dengan 500
iterasi. Lokasi awal fireflies ditunjukkan pada gambar 4.5. Posisi akhir fireflies
setelah 500 iterasi ditunjukkan pada gambar 4.6.
Gambar 4.4 Grafik 2D fungsi De Jong Gambar 4.5 Posisi Awal dari 50
fireflies
Gambar 4.6 Posisi akhir 50 fireflies setelah 500 iterasi
31
Fungsi Rastrigin
𝑓(𝑥, 𝑦) = 20 + 𝑥2 + 𝑦2 − 10(𝑐𝑜𝑠(2𝜋𝑥) + cos(2𝜋𝑦))
Permukaan fungsi ditentukan oleh variabel eksternal A dan 2𝜋(𝜔) , yang mengontrol
amplitudo dan frekuensi modulasi masing-masing dengan nilai 𝐴 = 10 dan interval
𝑥𝑖 ∈ [−5.12,5.12].
Fungsi Rastrigin merupakan fungsi yang memiliki daerah berbentuk cembung ke atas
jika maksimum dan cembung ke bawah jika minimum. Fungsi ini mempunyai solusi
global minimum 𝑓(𝑥, 𝑦) = (0,0) = 0. Sifatnya yang multimodal dengan memiliki
banyak lokal optima dapat ditunjukkan pada gambar 4.7 dimana algoritma ini
melibatkan sebanyak 50 fireflies dengan 1000 iterasi. Lokasi awal fireflies
ditunjukkan pada gambar 4.8 dan posisi akhir fireflies setelah 50 iterasi ditunjukkan
pada gambar 4.9.
Gambar 4.7 Grafik 2D fungsi Rastrigin Gambar 4.8 Posisi Awal dari 50 fireflies
32
Gambar 4.9 posisi akhir fireflies setelah 1000 iterasi
Tabel 4.1 Hasil Percobaan Fungsi Uji Optimisasi Menggunakan FA
Fungsi
Global Minimum
Berdasarkan
Referensi (𝑓(𝑥∗))
Global Minimum
Hasil FA (𝑓(𝑥∗))
Error
|𝑓(𝑥 ∗) − 𝑓(𝑥 ∗)|
Jml
populasi
Max Gen
Alpine 1
𝑥 ∗= (0, … ,0)
𝑓(𝑥∗) = 0
𝑥 ∗= (0, 0)
𝑓(𝑥∗) = 0
0 50 1000
De Jong
𝑥 ∗= (0, … ,0)
𝑓(𝑥∗) = 0
𝑥∗
= (−0.0025 × 10−6, −0.0031
× 10−6)
𝑓(𝑥∗) = 0
0 50 500
Rastrigin
𝑥 ∗= (0, … ,0)
𝑓(𝑥∗) = 0
𝑥 ∗= (−0, 0)
𝑓(𝑥∗) = 0
0 50 1000
33
4.2 Maksimum Range dan Endurance Problem
Terbang jelajah (Cruising Flight) atau terbang datar (Level Flight) adalah terbang
dengan lintas terbang berupa garis lurus dimana sayap sejajar dengan bidang
horisontal lokal dan sudut lintas terbang nol (𝛾 = 0). Sama halnya dengan analisis
prestasi terbang yang lain, analisis terbang jelajah juga menganggap bahwa pesawat
terbang stasioner. Pada kondisi terbang stasioner, persamaan kesetimbangan gaya
pada pesawat diacukan pada tata acuan koordinat angin. Pada kondisi tersebut gaya
angkat yang timbul disamakan dengan berat pesawat dan kondisi daya yang tersedia
sama dengan daya yang diperlukan, sehingga secara ideal tidak ada kelebihan daya
(excess power).
𝑊 − 𝐿 = 0 → 𝐿 = 𝑊 =1
2𝜌𝑉2𝑆𝐶𝐿
dan berlaku
𝑇 − 𝐷 = 0 → 𝑇 = 𝐷 =1
2𝜌𝑉2𝑆𝐶𝐷
Dalam melakukan analisis prestasi terbang jelajah pesawat LSU-05 ada dua
parameter yang akan dihitung yaitu Range dan Endurance. Untuk menghitung
parameter tersebut diasumsikan bahwa terbang jelajah dilakukan pada sudut serang 𝛼
yang konstan, mesin di atur pada power tertentu dan konstant serta efisiensi propeller
juga dianggap konstan. Perubahan yang terjadi ada pada perubahan berat pesawat
karena berkurangnya bahan bakar (fuel). Dengan anggapan tersebut maka faktor
34
sistem propulsi 𝜂𝑝
𝑐𝑝 dan faktor efisiensi aerodinamika
𝐶𝐿
𝐶𝐷 bernilai konstan, sehingga
diperoleh Persamaan Breguet (Breguet Formula) sebagai berikut :
𝑀𝑎𝑥 𝑅𝑎𝑛𝑔𝑒(𝑉𝑐𝑟 ,𝑊2) =𝑉𝑐𝑟
𝑐𝑝
𝐶𝐿
𝐶𝐷ln (
𝑊1
𝑊2) (4)
Sementara itu dalam menghitung parameter lama terbang jelajah (Endurance)
digunakan persamaan-persamaan sebagai berikut :
𝐸 = ∫1
𝐹𝑑𝑊
𝑊1
𝑊2 dimana 𝐹 =
𝑐𝑝
𝜂𝑝
𝐶𝐷
𝐶𝐿𝑊𝑉 =
𝑐𝑝
𝜂𝑝
𝐶𝐷
𝐶𝐿𝑊√
𝑊
𝑆
2
𝜌
1
𝐶𝐿=
𝑐𝑝
𝜂𝑝𝑊√
𝑊
𝑆
2
𝜌
𝐶𝐷2
𝐶𝐿3
sehingga dengan menggunakan asumsi yang sama dengan perhitungan parameter
jangkauan terbang (Range) diperoleh persamaan lama terbang (Endurance) sebagai
berikut :
𝐸 = ∫𝜂𝑝
𝑐𝑝
1
𝑊
1
√𝑊
𝑆
2
𝜌
𝐶𝐷2
𝐶𝐿3
𝑊2
𝑊2𝑑𝑊 =
𝜂𝑝
𝑐𝑝√𝑆
𝜌
2
𝐶𝐿3
𝐶𝐷2 ∫
1
𝑊√𝑊
𝑊2
𝑊2𝑑𝑊 = 2
𝜂𝑝
𝑐𝑝√𝑆
𝜌
2
𝐶𝐿3
𝐶𝐷2 [
1
√𝑊2−
1
√𝑊1] (5)
Persamaan tersebut digunakan karena sistem propulsi pesawat LSU-05 menggunakan
propeller, sementara itu untuk propulsi jet mempunyai persamaan yang sedikit
berbeda dimana tidak ada efisiensi dari propeller.
Efisiensi propeller yang digunakan dalam analisis ini menggunakan persamaan yang
diambil dari daya yang tersedia atau digunakan untuk terbang jelajah. Persamaan
yang digunakan adalah sebagai berikut :
35
𝑇
𝜌𝑆𝑉2=2(1−𝜂1)
𝜂12
𝑃
𝜌𝑆𝑉3=2(1−𝜂1)
𝜂13
Nilai efisiensi yang diperoleh dari persamaan diatas merupakan nilai batas tertinggi
efisiensi teoritik (theoritical upper limit of propeller efficiency).
Selain perhitungan efisiensi propeller, dalam menghitung prestasi terbang jelajah
pesawat diperlukan data daya yang digunakan, dalam hal ini daya yang digunakan
adalah sebesar 11.5 HP [10]. Daya tersebut adalah yang paling memungkinkan
optimum digunakan untuk fasa cruise.
Dengan demikian fungsi objektif yang digunakan untuk mencari titik optimum global
(global maksimum) Endurance menjadi :
𝐸 = 2𝜂𝑝
𝑐𝑝√𝑆
𝜌
2
𝐶𝐿3
𝐶𝐷2 [
1
√𝑊2−
1
√𝑊1] (6)
Karena dalam persamaan diatas tidak terdapat variabel kecepetan. Oleh karena itu
menurut Rujgok,(1990) kecepatan saat terbang jelajah adalah
𝑉𝐶𝑟 = √𝑊1
𝑆
2
𝜌
1
𝐶𝐿 (7)
Kemudian substitusikan persamaan [7] kedalam persamaan [6] menjadi
𝑀𝑎𝑥 𝐸𝑛𝑑𝑢𝑟𝑎𝑛𝑐𝑒(𝑉𝑐𝑟 ,𝑊2) = 2𝜂𝑝
𝑐𝑝
𝐶𝐿
𝐶𝐷
1
𝑉𝐶𝑟[√
𝑊1
𝑊2− 1] (8)
36
Note :
WEmpty : berat kerangka pesawat = 31 kgf
WPayload : berat muatan yang dibawa dengan beban maksimum = 30 kgf
W1 : WMTOW atau Berat Sebelum memasuki fasa terbang jelajah =77 kgf
W2 : Berat Setelah selesai melewati fasa terbang jelajah bobot yang tersisa hanyalah
empty weight dan payload maksimal
W2 = WEmpty + Wmaksimum_payload = 31 kgf + 30 kgf = 61 kgf
𝑉𝑐𝑟 : kecepatan saat cruise
𝐶𝐿 : koefisien lift
𝐶𝐷 : koefisien drag
: efisiensi propeller
Tabel 4.2 Karakteristik LSU-05 yang digunakan dalam perhitungan
VCr : (60 ≤ 𝑉𝐶𝑟 ≤ 110 ) : 0.85 atau 85%
Cp(Range) : 1,1765 CL : 0,532
CD : 0.038 W1 : 61 ≤ 𝑊1 ≤ 77 Kg
W2 : 61 kg CP (Endurance) : 4,37 × 10−5
37
Sehingga W1 > W2 dimana W1 = W2 + Wused_fuel + Wpayload. Specific Fuel
Consumption menjadi:
W1 – (W2+WPayload) = Wused_fuel
Data yang digunakan dalam percobaan ini adalah data spesifikasi LSU-05 yang telah
dijelaskan dalam subab 2.3 dan diperjelas dalam tabel 4.2. Pada pengoperasian
terbang jelajah terdapat dua hal yang berkaitan yakni seberapa jauh atau dekat jarak
dan seberapa lama atau cepat waktu yang dihasilkan. Jarak maksimal merupakan
jarak dimana pesawat dapat terbang Take Off dan Landing dengan bahan bakar yang
terbatas. LSU-05 memiliki kendala saat terbang jelajah yakni kecepatan yang bekisar
antara 60 km/h sampai 110 km/h (16.67 < 𝑣𝐶𝑟 < 110) m/s dan berat pesawat awal
bekisar 61 kgf sampai 77 kgf dengan payload maksimum 30kg.
4.3 Optimisasi Jarak (Range) Saat Terbang Jelajah Menggunakan FA.
Berdasarkan tabel 4.2 maka fungsi objektif yang digunakan untuk mencari titik
global maksimum range menjadi :
𝑀𝑎𝑘𝑠𝑖𝑚𝑢𝑚𝑘𝑎𝑛 𝑅(𝑉𝐶𝑟 ,𝑊1) = 42.22 𝑉𝐶𝑟 ln𝑊1
61 (9)
60 ≤ 𝑉𝐶𝑟 ≤ 110
61 ≤ 𝑊1 ≤ 77
38
Untuk melihat bentuk dari fungsi objektif 2D pada persamaan dapat ditunjukkan
pada Gambar 4.13 terlihat bahwa fungsi ini unimodal atau memiliki satu puncak.
Definisikan parameter nilai 𝛼 = 0.6, 𝛾 = 1 dan 𝛽0 = 1. Setelah melakukann
percobaan Range maksimum dapat diperoleh apabila memilih sebanyak 25 fireflies
dengan 100 iterasi. Hal ini diamati berdasarkan tingkah laku dari fireflies yang mana
apabila semakin banyak mengambil jumlah populasi kawanan fireflies dengan iterasi
yang besar maka dapat dengan mudah fireflies akan menemukan kawanan lainnya
menuju daerah hasil fungsi objektif.
Gambar 4.14 menunjukkan posisi awal 25 fireflies berada, variabel 𝛾 = 1
merupakan nilai untuk tingkat penyerapan yang sempurna pada lingkungan sekitar
fireflies yaitu udara yang bersih tanpa kabut atau asap. Variabel 𝛽0 = 1 variabel ini
merupakan nilai keatraktifan awal pada fireflies, variabel 𝛼 menunjukkan adanya
pergerakan yang semakin aktif terhadap fireflies sekitarnya dengan kisaran [0,1]
dalam uji ini digunakan nilai 0.6. Gambar 4.15 menunjukkan posisi akhir dari
pergerakan fireflies setelah 100 iterasi.
39
Gambar 4.10 Grafik 2D Fungsi Range Gambar 4.11 Posisi awal 25 fireflies
Gambar 4.12 Posisi akhir 25 fireflies setelah 100 iterasi
Dengan kata lain pesawat mampu terbang maksimum sejauh 300.44 km. dengan
kecepatan konstan yaitu 110 km/h dan Maximum Take Off Weight (MTOW) sebesar
77 kgf dengan payload maksimum.
4.4 Optimisasi Waktu Tempuh (Endurance) Saat Terbang Jelajah Menggunakan FA
Optimisasi ini tidak jauh berbeda dengan optimisasi Range, yang bertujuan
menentukan kecepatan serta bahan bakar yang dikonsumsi saat terbang jelajah untuk
memaksimumkan Endurance. Berdasarkan karakteristik pesawat dan aerodinamik
40
yang disubstitusikan pada persamaan [8], fungsi objektif yang digunakan untuk
mencari titik global maksimum Endurance menjadi :
𝑀𝑎𝑥 𝐸𝑛𝑑𝑢𝑟𝑎𝑛𝑐𝑒(𝑉𝑐𝑟 ,𝑊2) =634557.53
𝑉𝐶𝑟[√
𝑊1
61− 1] (10)
60 ≤ 𝑉𝐶𝑟 ≤ 110
61 ≤ 𝑊1 ≤ 77
Gambar 4.16 menunjukkan bentuk 2D dari persamaan (10). Terlihat bahwa fungsi ini
hanya memiliki satu titik lokal maksimum yang juga titik global optimum. Akan
dilakukan pendekatan menggunakan FA. Definisikan nilai 𝛼 = 0.8, 𝛾 = 1 dan 𝛽0 =
1. Berdasarkan tingkah laku fireflies dalam mencari kawanan yang memiliki
intensitas cahaya yang lebih terang dari dirinya maka maksimum Endurance dapat
diperoleh dengan jumlah 25 fireflies dan 100 iterasi. Semakin banyak populasi
fireflies yang disebar maka semakin dekat jarak antara fireflies menuju daerah fungsi
objektif. Posisi awal 25 fireflies ditunjukkan dalam gambar 4.17 dan posisi akhir 25
fireflies setelah 100 iterasi ditunjukkan dalam gambar 4.18. dengan kata lain LSU-05
mampu terbang jelajah maksimum selama 4701.9 detik atau 1.3 jam dengan
kecepatan jelajah 16.7 m/s atau 60.12 km/h dan bobot awal sebesar 77 kg.
41
Gambar 4.13 Grafik 2D Fungsi Endurance Gambar 4.14 Posisi awal 25 Fireflies
Gambar 4.15 Posisi akhir 25 fireflies setelah 100 iterasi
42
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan hasil percobaan yang telah dilakukan mengenai uji fungsi tolak ukur dan
jarak maksimum saat terbang jelajah maka dapat disimpulkan:
1. Berdasarkan tabel hasil uji 4.1 eror dari Fungsi Alpine 1 dan Rastrigin bernilai
nol sedangkan Fungsi De Jong memiliki eror yang sangat kecil yaitu 𝑥∗ =
(0.0025 × 10−6, 0.0031 × 10−6) 𝑓(𝑥∗) = 0. Karena eror bernilai sangat kecil
dan hasil yang diperoleh menggunakan FA mendekati global minimum yang
tertera dalam referensi maka dapat dikatakan performa FA baik digunakan untuk
fungsi yang memiliki sifat kontinu, convex, non convex, multidimensional,
unimodal, multimodal, dan yang memiliki turunan maupun tidak dikarenakan
penggunaan metode numerik melakukan turunan terhadap fungsi objektif.
2. Setelah dilakukan percobaan FA dengan 25 fireflies dan 100 iterasi terhadap
fungsi range solusi yang diperoleh yaitu LSU-05 mampu terbang maksimal
sejauh 300.44 km dan kecepatan jelajah maksimal 30.55 m/s atau 110 km/h
dengan bobot awal (W1) sebesar 77 kgf.
3. Setelah dilakukan percobaan FA dengan 25 fireflies dan 100 iterasi terhadap
fungsi Endurance solusi yang diperoleh yaitu LSU-05 mampu terbang selama
43
1.3 jam dan kecepatan jelajah maksimal 60.12 km/h dengan bobot awal (W1)
sebesar 77 kgf.
5.2 Saran
Berdasarkan analisis dan pembahasan saran yang dapat diberikan antara lain :
1. Sebaiknya peneliti perlu memperhitungkan dan menganalisis terlebih dahulu
dengan mencoba metode numerik atau mengimplementasikan metode kecerdasan
buatan lainnya dalam mengoptimisasi pengoprasian UAV. Pada kasus ini untuk
menghasilkan jarak tempuh maksimum digunakan kecepatan yang maksimum
pula.
2. Persamaan atau cara perhitungan yang digunakan perlu diklarifikasi atau dicoba
dengan contoh kasus terlebih dahulu dan diambil dari referensi yang jelas dan
tidak terbatas pada satu sumber, karena dimungkinkan ada perbedaan dalam
kalkulasi
3. Sebelum uji terbang perlu dibuat flight plan dari contoh kasus LSU-05
menjalankan misi. Setelah flight plan diketahui, kemudian dapat melakukan
optimisasi menggunakan FA, lalu diperoleh payload dan bahan bakar yang harus
dibawa agar komposisinya sesuai untuk pernerbangan yang telah direncanakan.
Jika flight plan telah disesuaikan dengan tujuan maka algoritma dapat
dikembangkan untuk mencari jarak terpendek ke lokasi tujuan.
44
4. Untuk penelitian selanjutnya FA juga dapat dibandingkan dengan performa
algoritma metaheuristik lainnya untuk mendapatkan informasi algoritma mana
yang lebih akurat (mendekati hasil dari uji terbang).
5. Membuat GUI Matlab agar FA dapat digunakan dengan lebih mudah dan
efisien untuk diaplikasikan.
45
DAFTAR PUSTAKA
[1] Jamil,M and Yang, X.S. 2013. A literature survey of benchmark functions for
global optimization problems, Int. Journal Of Mathematical Modelling and
Numerical Optimization, Vol.4,No.2,pp.150-194
[2] Liebenlito, Muhaza. 2015. Optimisasi Multiobjektif Dengan Algoritma Kunang-
Kunang (Firefly Algorithm) Untuk Optimisasi Produksi Industri Penisilin V.
Jurnal Matematika LOG!K@, Vol.5,No 2, pp.68.
[3] Pinindriya, Sinung Tirtha. 2013. Karakteristik Aerodinamika Sayap PTA LSU-
05 Dengan Simulasi CFD. LAPAN Rumpin. Bogor.
[4] Pratomo, Bangga, Hendrix Novianto & M Ardi Cahyono.2013.Perancangan dan
Pembuatan Platform UAV Radio Control Kolibri-08v2 dengan Mesin Thunder
Tiger 46 Pro. Sekolah Tinggi Teknologi Penerbangan. Yogyakarta. Volume V
[5] Purcell,E.J dan D.Varberg.1982. Kalkulus dan Geometri Analisis. Terj. dari
Calculus With Analysis Geometri,5th Edition, oleh I Nyoman Susila, B.
Kartasasmita, Rawuh dan Departemen Matematika ITB. Penerbit
Erlangga,Jakarta : x + 591 hlm.
[6] Michal Smith. 2008. Simple Fireflies Synchronization. PhD thesis, University of
Daleware.
[7] Rujgok, G.J.J. 1990. Elements Of Airplane Performance. Netherlands : Delft
University Press.
46
[8] Soemaryanto, Arifin Rasyadi. 2015. Analisis Prestasi Terbang Pesawat LSU-05
B01 dengan metode Point Performance. Technical Report LAPAN
[9] Yang, X.S. 2010. Firefly Algorithm for Multimodal Optimization. Cambrige
[10]Yang, X.S. 2010. Engineering Optimization. An Introduction With
Metaheuristics Application. University Of Cambrige. United Kingdom
[11]Yang, X.S. 2008. Introduction to Mathematical Optimization : From Linear
Programming to Metaheuristics. University Cambrige. United Kingdom
47
LAMPIRAN
1. Source Code Fungsi Alpine 1
% ======================================================== % % Files of the Matlab programs included in the book: % % Xin-She Yang, Nature-Inspired Metaheuristic Algorithms, % % Second Edition, Luniver Press, (2010). www.luniver.com % % ======================================================== % % =========================================================% % Firefly Algorithm by X S Yang (Cambridge University) % % Usage: fireflies_simple([number_of_fireflies,MaxGeneration]) % eg: Alpine1([12,50]); % % ======================================================== % % This is a demo for 2D functions; for higher dimenions, % % you should use fa_ndim.m or fa_mincon.m % % Parameters choice: % Gamma should be linked with scales. Otherwise, the FA % % the efficiency will be significantly reduced because % % the beta term may be too small. % % Similarly, alpha should also be linked with scales, % % the steps should not too large or too small, often % % steps are about 1/10 to 1/100 of the domain size. % % In addition, alpha should be reduced gradually % % using alpha=alpha_0 delta^t during eteration t. % % Typically, delta=0.9 to 0.99 will be a good choice. % % ======================================================== %
function [best]=alpine1(instr) % n=number of fireflies % MaxGeneration=number of pseudo time steps if nargin<1, instr=[50 1000]; end n=instr(1); MaxGeneration=instr(2); % Show info help alpine1 rand('state',0); % Reset the random generator % ------ Alpine 1 functions --------------------- str1='abs(x.*sin(x)+0.1.*x)'; str2='+abs(y.*sin(y)+0.1.*y)'; funstr=strcat(str1,str2); % Converting to an inline function f=vektorize(inline(funstr)); % range=[xmin xmax ymin ymax]; range=[-3 3 -3 3];
% ------------------------------------------------ alpha=0.2; % Randomness 0--1 (highly random) gamma=1.0; % Absorption coefficient delta=0.97; % Randomness reduction (similar to % an annealing schedule) % ------------------------------------------------
48
% Grid values are used for display only Ngrid=100; dx=(range(2)-range(1))/Ngrid; dy=(range(4)-range(3))/Ngrid; [x,y]=meshgrid(range(1):dx:range(2),... range(3):dy:range(4)); z=f(x,y); % Display the shape of the objective function figure(1); surfc(x,y,z);
% ------------------------------------------------ % generating the initial locations of n fireflies [xn,yn,Lightn]=init_ffa(n,range); % Display the paths of fireflies in a figure with % contours of the function to be optimized figure(2); % Iterations or pseudo time marching for i=1:MaxGeneration, %%%%% start iterations % Show the contours of the function contour(x,y,z,15); hold on; % Evaluate new solutions zn=f(xn,yn);
% Ranking the fireflies by their light intensity [Lightn,Index]=sort(zn); xn=xn(Index); yn=yn(Index); xo=xn; yo=yn; Lighto=Lightn; % Trace the paths of all roaming fireflies plot(xn,yn,'.','markersize',10,'markerfacecolor','g'); % Move all fireflies to the better locations [xn,yn]=ffa_move(xn,yn,Lightn,xo,yo,Lighto,alpha,gamma,range); drawnow; % Use "hold on" to show the paths of fireflies hold off;
% Reduce randomness as iterations proceed alpha=newalpha(alpha,delta);
end %%%%% end of iterations best(:,1)=xo'; best(:,2)=yo'; best(:,3)=Lighto';
% ----- All subfunctions are listed here --------- % The initial locations of n fireflies function [xn,yn,Lightn]=init_ffa(n,range) xrange=range(2)-range(1); yrange=range(4)-range(3); xn=rand(1,n)*xrange+range(1); yn=rand(1,n)*yrange+range(3); Lightn=zeros(size(yn));
% Move all fireflies toward brighter ones
49
function [xn,yn]=ffa_move(xn,yn,Lightn,xo,yo,... Lighto,alpha,gamma,range) ni=size(yn,2); nj=size(yo,2); for i=1:ni, % The attractiveness parameter beta=exp(-gamma*r) for j=1:nj, r=sqrt((xn(i)-xo(j))^2+(yn(i)-yo(j))^2); if Lightn(i)>Lighto(j), % Brighter and more attractive beta0=1; beta=beta0*exp(-gamma*r.^2); xn(i)=xn(i).*(1-beta)+xo(j).*beta+alpha.*(rand-0.5); yn(i)=yn(i).*(1-beta)+yo(j).*beta+alpha.*(rand-0.5); end end % end for j end % end for i [xn,yn]=findrange(xn,yn,range);
% Reduce the randomness during iterations function alpha=newalpha(alpha,delta) alpha=alpha*delta;
% Make sure the fireflies are within the range function [xn,yn]=findrange(xn,yn,range) for i=1:length(yn), if xn(i)<=range(1), xn(i)=range(1); end if xn(i)>=range(2), xn(i)=range(2); end if yn(i)<=range(3), yn(i)=range(3); end if yn(i)>=range(4), yn(i)=range(4); end end % ============== end =====================================
2. Sorce Code Fungsi De Jong
function [best]=deJong(instr) % n=number of fireflies % MaxGeneration=number of pseudo time steps if nargin<1, instr=[50 800]; end n=instr(1); MaxGeneration=instr(2); % Show info help fireflies_simple.m rand('state',0); % Reset the random generator % ------ De Jong functions --------------------- str1='x^2'; str2='+y^2'; funstr=strcat(str1,str2); % Converting to an inline function f=vektorize(inline(funstr)); % range=[xmin xmax ymin ymax]; range=[-2 2 -2 2];
50
% ------------------------------------------------ alpha=0.2; % Randomness 0--1 (highly random) gamma=1.0; % Absorption coefficient delta=0.97; % Randomness reduction (similar to % an annealing schedule) % ------------------------------------------------ % Grid values are used for display only Ngrid=100; dx=(range(2)-range(1))/Ngrid; dy=(range(4)-range(3))/Ngrid; [x,y]=meshgrid(range(1):dx:range(2),... range(3):dy:range(4)); z=f(x,y); % Display the shape of the objective function figure(1); surfc(x,y,z);
% ------------------------------------------------ % generating the initial locations of n fireflies [xn,yn,Lightn]=init_ffa(n,range); % Display the paths of fireflies in a figure with % contours of the function to be optimized figure(2); % Iterations or pseudo time marching for i=1:MaxGeneration, %%%%% start iterations % Show the contours of the function contour(x,y,z,15); hold on; % Evaluate new solutions zn=f(xn,yn);
% Ranking the fireflies by their light intensity [Lightn,Index]=sort(zn); xn=xn(Index); yn=yn(Index); xo=xn; yo=yn; Lighto=Lightn; % Trace the paths of all roaming fireflies plot(xn,yn,'.','markersize',10,'markerfacecolor','g'); % Move all fireflies to the better locations [xn,yn]=ffa_move(xn,yn,Lightn,xo,yo,Lighto,alpha,gamma,range); drawnow; % Use "hold on" to show the paths of fireflies hold off;
% Reduce randomness as iterations proceed alpha=newalpha(alpha,delta);
end %%%%% end of iterations best(:,1)=xo'; best(:,2)=yo'; best(:,3)=Lighto';
% ----- All subfunctions are listed here --------- % The initial locations of n fireflies function [xn,yn,Lightn]=init_ffa(n,range) xrange=range(2)-range(1);
51
yrange=range(4)-range(3); xn=rand(1,n)*xrange+range(1); yn=rand(1,n)*yrange+range(3); Lightn=zeros(size(yn));
% Move all fireflies toward brighter ones function [xn,yn]=ffa_move(xn,yn,Lightn,xo,yo,... Lighto,alpha,gamma,range) ni=size(yn,2); nj=size(yo,2); for i=1:ni, % The attractiveness parameter beta=exp(-gamma*r) for j=1:nj, r=sqrt((xn(i)-xo(j))^2+(yn(i)-yo(j))^2); if Lightn(i)>Lighto(j), % Brighter and more attractive beta0=1; beta=beta0*exp(-gamma*r.^2); xn(i)=xn(i).*(1-beta)+xo(j).*beta+alpha.*(rand-0.5); yn(i)=yn(i).*(1-beta)+yo(j).*beta+alpha.*(rand-0.5); end end % end for j end % end for i [xn,yn]=findrange(xn,yn,range);
% Reduce the randomness during iterations function alpha=newalpha(alpha,delta) alpha=alpha*delta;
% Make sure the fireflies are within the range function [xn,yn]=findrange(xn,yn,range) for i=1:length(yn), if xn(i)<=range(1), xn(i)=range(1); end if xn(i)>=range(2), xn(i)=range(2); end if yn(i)<=range(3), yn(i)=range(3); end if yn(i)>=range(4), yn(i)=range(4); end end % ============== end =====================================
3. Source Code Fungsi Rastrigin
function [best]=fireflies_simple(instr) % n=number of fireflies % MaxGeneration=number of pseudo time steps if nargin<1, instr=[50 1000]; end n=instr(1); MaxGeneration=instr(2); % Show info help fireflies_simple.m rand('state',0); % Reset the random generator % ------ Four peak functions --------------------- str1='10+(x^2-10.*cos(2*pi*x))'; str2='+10+(y^2-10.*cos(2*pi*y))';
52
funstr=strcat(str1,str2); % Converting to an inline function f=vektorize(inline(funstr)); % range=[xmin xmax ymin ymax]; range=[-5.12 5.12 -5.12 5.12];
% ------------------------------------------------ alpha=0.2; % Randomness 0--1 (highly random) gamma=1.0; % Absorption coefficient delta=0.97; % Randomness reduction (similar to % an annealing schedule) % ------------------------------------------------ % Grid values are used for display only Ngrid=100; dx=(range(2)-range(1))/Ngrid; dy=(range(4)-range(3))/Ngrid; [x,y]=meshgrid(range(1):dx:range(2),... range(3):dy:range(4)); z=f(x,y); % Display the shape of the objective function figure(1); surfc(x,y,z);
% ------------------------------------------------ % generating the initial locations of n fireflies [xn,yn,Lightn]=init_ffa(n,range); % Display the paths of fireflies in a figure with % contours of the function to be optimized figure(2); % Iterations or pseudo time marching for i=1:MaxGeneration, %%%%% start iterations % Show the contours of the function contour(x,y,z,15); hold on; % Evaluate new solutions zn=f(xn,yn);
% Ranking the fireflies by their light intensity [Lightn,Index]=sort(zn); xn=xn(Index); yn=yn(Index); xo=xn; yo=yn; Lighto=Lightn; % Trace the paths of all roaming fireflies plot(xn,yn,'.','markersize',10,'markerfacecolor','g'); % Move all fireflies to the better locations [xn,yn]=ffa_move(xn,yn,Lightn,xo,yo,Lighto,alpha,gamma,range); drawnow; % Use "hold on" to show the paths of fireflies hold off;
% Reduce randomness as iterations proceed alpha=newalpha(alpha,delta);
end %%%%% end of iterations
53
best(:,1)=xo'; best(:,2)=yo'; best(:,3)=Lighto';
% ----- All subfunctions are listed here --------- % The initial locations of n fireflies function [xn,yn,Lightn]=init_ffa(n,range) xrange=range(2)-range(1); yrange=range(4)-range(3); xn=rand(1,n)*xrange+range(1); yn=rand(1,n)*yrange+range(3); Lightn=zeros(size(yn));
% Move all fireflies toward brighter ones function [xn,yn]=ffa_move(xn,yn,Lightn,xo,yo,... Lighto,alpha,gamma,range) ni=size(yn,2); nj=size(yo,2); for i=1:ni, % The attractiveness parameter beta=exp(-gamma*r) for j=1:nj, r=sqrt((xn(i)-xo(j))^2+(yn(i)-yo(j))^2); if Lightn(i)>Lighto(j), % Brighter and more attractive beta0=1; beta=beta0*exp(-gamma*r.^2); xn(i)=xn(i).*(1-beta)+xo(j).*beta+alpha.*(rand-0.5); yn(i)=yn(i).*(1-beta)+yo(j).*beta+alpha.*(rand-0.5); end end % end for j end % end for i [xn,yn]=findrange(xn,yn,range);
% Reduce the randomness during iterations function alpha=newalpha(alpha,delta) alpha=alpha*delta;
% Make sure the fireflies are within the range function [xn,yn]=findrange(xn,yn,range) for i=1:length(yn), if xn(i)<=range(1), xn(i)=range(1); end if xn(i)>=range(2), xn(i)=range(2); end if yn(i)<=range(3), yn(i)=range(3); end if yn(i)>=range(4), yn(i)=range(4); end end % ============== end =====================================
54
4. Hasil Uji Fungsi Optimisasi
Jumlah Fireflies = 50
Iterasi (Max Gen) = 1000
ALPINE 1 FUNCTION
ans =
-0.0000 0.0000 0.0000
0.0000 -0.0000 0.0000
-0.0000 -0.0000 0.0000
0.0000 0.0000 0.0000
-0.0000 0.0000 0.0000
-0.0000 -0.0000 0.0000
-6.3834 3.2418 0.0000
-6.3834 3.2418 0.0000
-6.3834 3.2418 0.0000
-6.3834 3.2418 0.0000
-6.3834 3.2418 0.0000
9.5249 -3.0414 0.0000
9.5249 -3.0414 0.0000
-6.3834 3.2418 0.0000
9.5249 -3.0414 0.0000
9.5249 -3.0414 0.0000
6.1830 -6.3834 0.0000
6.1830 -6.3834 0.0000
6.1830 -6.3834 0.0000
3.2418 3.2418 0.0000
3.2418 3.2418 0.0000
3.2418 3.2418 0.0000
6.1830 6.1830 0.0000
6.1830 6.1830 0.0000
6.1830 6.1830 0.0000
6.1830 6.1830 0.0000
6.1830 6.1830 0.0000
6.1830 6.1830 0.0000
6.1830 6.1830 0.0000
-9.3246 6.1830 0.0000
-9.3246 6.1830 0.0000
-9.3246 6.1830 0.0000
6.1831 -3.0432 0.0057
-0.1420 -6.3834 0.0059
-0.1420 -6.3834 0.0059
-0.1420 -6.3834 0.0059
-0.1420 -6.3834 0.0059
6.1833 -3.0433 0.0073
-0.2090 -3.0413 0.0228
Jumlah Fireflies = 50
Iterasi (Max Gen) = 800
DE JONG FUNCTION
1.0e-006 *
-0.0025 -0.0031 0.0000
0.0012 -0.0114 0.0000
-0.0143 -0.0108 0.0000
-0.0247 -0.0014 0.0000
-0.0120 -0.0264 0.0000
0.0311 -0.0133 0.0000
-0.0415 -0.0192 0.0000
0.0301 0.0468 0.0000
0.0585 0.0069 0.0000
-0.0437 0.0418 0.0000
-0.0364 0.0484 0.0000
-0.0498 -0.0347 0.0000
0.0662 -0.0144 0.0000
-0.0477 -0.0489 0.0000
0.0678 -0.0084 0.0000
-0.0031 0.0700 0.0000
-0.0696 -0.0236 0.0000
-0.0633 -0.0421 0.0000
0.0687 0.0456 0.0000
-0.0700 -0.0736 0.0000
-0.1079 0.0188 0.0000
-0.1085 0.0155 0.0000
-0.0935 0.0584 0.0000
0.1045 -0.0386 0.0000
-0.0659 -0.0975 0.0000
-0.0769 -0.0954 0.0000
-0.1308 0.0110 0.0000
-0.0765 0.1148 0.0000
-0.1451 0.0251 0.0000
0.0747 -0.1294 0.0000
-0.1344 0.0706 0.0000
0.0723 -0.1396 0.0000
0.0258 -0.1583 0.0000
0.0364 0.1633 0.0000
-0.1466 -0.0834 0.0000
0.0151 0.1734 0.0000
-0.0591 0.1688 0.0000
-0.0882 -0.1617 0.0000
0.1114 0.1571 0.0000
Jumlah Fireflies = 50
Iterasi (Max Gen) = 1000
RASTRIGIN
-0.0000 0.0000 0
0.0000 -0.0000 0
0.0000 0.0000 0
-0.0000 0.0000 0
-0.0000 0.0000 0
0.0000 -0.0000 0
0.0000 -0.0000 0
0.0000 -0.0000 0
-0.0000 -0.0000 0
-0.0000 0.0000 0
-0.0000 -0.0000 0
0.0000 -0.0000 0
-0.0000 0.0000 0
0.0000 -0.0000 0
-0.0000 0.0000 0
0.0000 0.0000 0
-0.0000 0.0000 0
-0.0000 0.0000 0
1.9860 1.9840 7.9696
1.9884 1.9830 7.9696
1.9845 1.9841 7.9721
1.9818 1.9944 7.9766
1.9828 1.9831 7.9787
1.9835 1.9797 7.9884
1.9814 1.9798 7.9942
1.9833 1.9782 7.9955
1.9854 1.9764 7.9997
1.9844 1.9765 8.0012
1.9796 1.9777 8.0100
1.9743 1.9689 8.0949
-2.9848 1.9899 12.9344
-2.9848 1.9898 12.9344
-2.9848 1.9898 12.9344
-2.9847 1.9899 12.9344
-2.9848 1.9898 12.9344
-2.9848 1.9898 12.9344
-2.9848 1.9898 12.9344
-2.9849 1.9898 12.9344
-2.9848 1.9901 12.9344
55
-0.2083 -3.0411 0.0232
-0.2088 -3.0398 0.0273
-6.3867 6.1813 0.0319
-6.3887 6.1809 0.0468
0.1920 3.2413 0.0572
0.1928 3.2408 0.0592
-6.3883 6.1782 0.0612
-9.3748 -2.8430 1.0213
-4.1706 -5.9959 6.2888
-2.8106 8.0948 9.3029
-8.3929 -7.7909 13.3602
0.0332 -0.1913 0.0000
0.1510 0.1403 0.0000
-0.2041 0.0312 0.0000
0.1777 -0.1053 0.0000
-0.2181 -0.0907 0.0000
-0.2276 0.0730 0.0000
0.0227 0.2491 0.0000
0.1766 -0.1860 0.0000
-0.2631 0.1025 0.0000
-0.0880 0.2696 0.0000
0.2778 -0.0880 0.0000
-2.9848 1.9898 12.9344
-2.9847 1.9898 12.9344
-2.9847 1.9898 12.9344
-4.0465 -1.9932 20.7809
-4.0465 -1.9932 20.7809
3.9798 -2.9849 24.8738
3.9798 -2.9849 24.8738
3.9798 -2.9849 24.8738
3.9798 -2.9849 24.8738
3.9798 -2.9849 24.8738
3.9798 -2.9849 24.8738
5. Source Code Fungsi Max Range
function [best]=fireflies_simple(instr) % n=number of fireflies % MaxGeneration=number of pseudo time steps if nargin<1, instr=[12 50]; end n=instr(1); MaxGeneration=instr(2); % Show info help fireflies_simple.m rand('state',0); % Reset the random generator % ------ Max Range functions --------------------- str1='42.22*x'; str2='*log(y/36)'; funstr=strcat(str1,str2); % Converting to an inline function f=vektorize(inline(funstr)); % range=[xmin xmax ymin ymax]; range=[16.67 30.55 36 77];
% ------------------------------------------------ alpha=0.6; % Randomness 0--1 (highly random) gamma=1.0; % Absorption coefficient delta=0.97; % Randomness reduction (similar to % an annealing schedule) % ------------------------------------------------ % Grid values are used for display only Ngrid=100; dx=(range(2)-range(1))/Ngrid; dy=(range(4)-range(3))/Ngrid; [x,y]=meshgrid(range(1):dx:range(2),... range(3):dy:range(4)); z=f(x,y); % Display the shape of the objective function figure(1); surfc(x,y,z);
% ------------------------------------------------
56
% generating the initial locations of n fireflies [xn,yn,Lightn]=init_ffa(n,range); % Display the paths of fireflies in a figure with % contours of the function to be optimized figure(2); % Iterations or pseudo time marching for i=1:MaxGeneration, %%%%% start iterations % Show the contours of the function contour(x,y,z,15); hold on; % Evaluate new solutions zn=f(xn,yn);
% Ranking the fireflies by their light intensity [Lightn,Index]=sort(zn); xn=xn(Index); yn=yn(Index); xo=xn; yo=yn; Lighto=Lightn; % Trace the paths of all roaming fireflies plot(xn,yn,'.','markersize',10,'markerfacecolor','g'); % Move all fireflies to the better locations [xn,yn]=ffa_move(xn,yn,Lightn,xo,yo,Lighto,alpha,gamma,range); drawnow; % Use "hold on" to show the paths of fireflies hold off;
% Reduce randomness as iterations proceed alpha=newalpha(alpha,delta);
end %%%%% end of iterations best(:,1)=xo'; best(:,2)=yo'; best(:,3)=Lighto';
% ----- All subfunctions are listed here --------- % The initial locations of n fireflies function [xn,yn,Lightn]=init_ffa(n,range) xrange=range(2)-range(1); yrange=range(4)-range(3); xn=rand(1,n)*xrange+range(1); yn=rand(1,n)*yrange+range(3); Lightn=zeros(size(yn));
% Move all fireflies toward brighter ones function [xn,yn]=ffa_move(xn,yn,Lightn,xo,yo,... Lighto,alpha,gamma,range) ni=size(yn,2); nj=size(yo,2); for i=1:ni, % The attractiveness parameter beta=exp(-gamma*r) for j=1:nj, r=sqrt((xn(i)-xo(j))^2+(yn(i)-yo(j))^2); if Lightn(i)<Lighto(j), % Brighter and more attractive beta0=1; beta=beta0*exp(-gamma*r.^2); xn(i)=xn(i).*(1-beta)+xo(j).*beta+alpha.*(rand-0.5); yn(i)=yn(i).*(1-beta)+yo(j).*beta+alpha.*(rand-0.5);
57
end end % end for j end % end for i [xn,yn]=findrange(xn,yn,range);
% Reduce the randomness during iterations function alpha=newalpha(alpha,delta) alpha=alpha*delta;
% Make sure the fireflies are within the range function [xn,yn]=findrange(xn,yn,range) for i=1:length(yn), if xn(i)<=range(1), xn(i)=range(1); end if xn(i)>=range(2), xn(i)=range(2); end if yn(i)<=range(3), yn(i)=range(3); end if yn(i)>=range(4), yn(i)=range(4); end end % ============== end =====================================
6. Hasil Perhitungan Range Menggunakan FA
ans =
29.8019 63.2548 45.6700
26.8024 65.6770 83.5974
26.6881 65.9125 87.2734
20.0802 72.9274 151.4056
17.7423 74.6869 151.6376
23.6852 73.9480 192.4863
28.1249 72.6741 207.9323
28.1464 72.7138 208.7408
28.2119 72.7426 209.6990
27.0069 75.1022 237.1413
30.5500 77.0000 300.4400
30.5500 77.0000 300.4400
7. Source Code Fungsi Max Endurance
function [best]=fireflies_simple(instr) % n=number of fireflies % MaxGeneration=number of pseudo time steps if nargin<1, instr=[25 100]; end n=instr(1); MaxGeneration=instr(2); % Show info
58
help fireflies_simple.m rand('state',0); % Reset the random generator % ------ Max Enndurance functions --------------------- str1='(634557.53/x)'; str2='*(sqrt(y/61)-1)'; funstr=strcat(str1,str2); % Converting to an inline function f=vektorize(inline(funstr)); % range=[xmin xmax ymin ymax]; range=[16.67 30.55 61 77];
% ------------------------------------------------ alpha=0.8; % Randomness 0--1 (highly random) gamma=1.0; % Absorption coefficient delta=0.97; % Randomness reduction (similar to % an annealing schedule) % ------------------------------------------------ % Grid values are used for display only Ngrid=100; dx=(range(2)-range(1))/Ngrid; dy=(range(4)-range(3))/Ngrid; [x,y]=meshgrid(range(1):dx:range(2),... range(3):dy:range(4)); z=f(x,y); % Display the shape of the objective function figure(1); surfc(x,y,z);
% ------------------------------------------------ % generating the initial locations of n fireflies [xn,yn,Lightn]=init_ffa(n,range); % Display the paths of fireflies in a figure with % contours of the function to be optimized figure(2); % Iterations or pseudo time marching for i=1:MaxGeneration, %%%%% start iterations % Show the contours of the function contour(x,y,z,15); hold on; % Evaluate new solutions zn=f(xn,yn);
% Ranking the fireflies by their light intensity [Lightn,Index]=sort(zn); xn=xn(Index); yn=yn(Index); xo=xn; yo=yn; Lighto=Lightn; % Trace the paths of all roaming fireflies plot(xn,yn,'.','markersize',10,'markerfacecolor','g'); % Move all fireflies to the better locations [xn,yn]=ffa_move(xn,yn,Lightn,xo,yo,Lighto,alpha,gamma,range); drawnow; % Use "hold on" to show the paths of fireflies hold off;
59
% Reduce randomness as iterations proceed alpha=newalpha(alpha,delta);
end %%%%% end of iterations best(:,1)=xo'; best(:,2)=yo'; best(:,3)=Lighto';
% ----- All subfunctions are listed here --------- % The initial locations of n fireflies function [xn,yn,Lightn]=init_ffa(n,range) xrange=range(2)-range(1); yrange=range(4)-range(3); xn=rand(1,n)*xrange+range(1); yn=rand(1,n)*yrange+range(3); Lightn=zeros(size(yn));
% Move all fireflies toward brighter ones function [xn,yn]=ffa_move(xn,yn,Lightn,xo,yo,... Lighto,alpha,gamma,range) ni=size(yn,2); nj=size(yo,2); for i=1:ni, % The attractiveness parameter beta=exp(-gamma*r) for j=1:nj, r=sqrt((xn(i)-xo(j))^2+(yn(i)-yo(j))^2); if Lightn(i)<Lighto(j), % Brighter and more attractive beta0=1; beta=beta0*exp(-gamma*r.^2); xn(i)=xn(i).*(1-beta)+xo(j).*beta+alpha.*(rand-0.5); yn(i)=yn(i).*(1-beta)+yo(j).*beta+alpha.*(rand-0.5); end end % end for j end % end for i [xn,yn]=findrange(xn,yn,range);
% Reduce the randomness during iterations function alpha=newalpha(alpha,delta) alpha=alpha*delta;
% Make sure the fireflies are within the range function [xn,yn]=findrange(xn,yn,range) for i=1:length(yn), if xn(i)<=range(1), xn(i)=range(1); end if xn(i)>=range(2), xn(i)=range(2); end if yn(i)<=range(3), yn(i)=range(3); end if yn(i)>=range(4), yn(i)=range(4); end end % ============== end =====================================
60
8. Hasil Perhitungan Endurance menggunakan FA
ans =
1.0e+003 *
0.0229 0.0618 0.1821
0.0298 0.0715 1.7678
0.0298 0.0716 1.7709
0.0201 0.0696 2.1387
0.0167 0.0770 4.6961
0.0167 0.0770 4.6963
0.0167 0.0770 4.6968
0.0167 0.0770 4.7001
0.0167 0.0770 4.7019
0.0167 0.0770 4.7019
0.0167 0.0770 4.7019
0.0167 0.0770 4.7019
0.0167 0.0770 4.7019
0.0167 0.0770 4.7019
0.0167 0.0770 4.7019
0.0167 0.0770 4.7019
0.0167 0.0770 4.7019
0.0167 0.0770 4.7019
0.0167 0.0770 4.7019
0.0167 0.0770 4.7019
0.0167 0.0770 4.7019
0.0167 0.0770 4.7019
0.0167 0.0770 4.7019
0.0167 0.0770 4.7019
0.0167 0.0770 4.7019