sistem pendukung keputusan cerdas untuk … · bagaimana membuat modul non player character (npc)...

SISTEM PENDUKUNG KEPUTUSAN SISTEM PENDUKUNG KEPUTUSAN CERDAS UNTUK OPTIMISASI CERDAS UNTUK OPTIMISASI

PERMASALAHAN MULTI PERMASALAHAN MULTI OBYEKTIF PADAOBYEKTIF PADA SERIOUS GAME: SERIOUS GAME:

ECONOMIC AND EMISSION ECONOMIC AND EMISSION DISPATCHDISPATCH

I.G.P. Asto BuditjahjantoI.G.P. Asto BuditjahjantoNRP : 2207 301 702NRP : 2207 301 702

Latar Belakang

Perkembangan game tumbuh dengan pesatnya, salah satu bentuk game adalahGame 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 dihadapilebih 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 Pareto-optimal 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 MasalahBagaimana 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 MasalahPada 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 dalammemutuskan 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

Pengaturan Skenario Game

Permasalahan Multiobyektif pada Economic and Environment

Dispatch (EED)

Optimisasi dengan Metode NSGA2

Beberapa Solusi Alternatif

Pemilihan Solusi Berdasarkan Skenario

Keputusan

Penentuan Jumlah Klaster dan Pengklasteran

Solusi Optimal dalam Jumlah Banyak

TAHAP 1

TAHAP 2

TAHAP 4

PEMODELAN

OPTIMISASI

PENGAMBILAN KEPUTUSAN

TAHAP 3

PENGKLASTERAN

TAHAP 5

SCENARIO GENERATOR

Penentuan Jumlah Fungsi

Obyektif

Penentuan Jumlah Populasi yang dibangkitkan

Penentuan Jumlah Klaster untuk Solusi

Perubahan PilihanSolusi Berdasarkan

Skenario yang dihadapi

NPC

Diagram Alir Sistem Pendukung Keputusan Cerdas pada permasalahan multiobyektif pada EED

Pemodelan

Optimasi

Pengklasteran

ScenGen

Pengambilan

Keputusan

• Minimalkan [F, E]

Keterangan Nilai

Populasi 200

Generasi 1000

Probabilitas Crossover

0.9

Probabilitas Mutasi 0.1

Tabel 4.3 Parameter masukan NSGA2

PENGKLASTERAN SOLUSI OPTIMAL DARI PENGKLASTERAN SOLUSI OPTIMAL DARI PERMASALAHAN OPTIMISASI MULTIOBYEKTIF PERMASALAHAN OPTIMISASI MULTIOBYEKTIF

DENGAN 2 FUNGSI OBYEKTIFDENGAN 2 FUNGSI OBYEKTIF

Gambar 4.1 Hasil output dari NSGA 2 untuk 2 fungsi obyektif

Perbandingan FCM dan FLVQ untuk 2 fungsi obyektif Perbandingan FCM dan FLVQ untuk 2 fungsi obyektif pada EEDpada EED

JumahKlaster 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

Tabel 4.4 Cluster validity untuk jumlah klaster optimal dari 2 fungsi obyektif

Gambar 4.2 Hasil Cluster Validityuntuk 2 fungsi obyektif

Eksponen Pembobot (m)Performansi

1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0

Jml iterasi 25 25 24 24 25 25 26 26 27 28

Error7.2104E-08

4.7016E-08

6.7133E-08

6.4997E-08

8.4580E-08 9.6730

E-08

5.3970E-08

6.1608E-08

6.4712E-08

7.6726E-08


2.5 3 3.5 4 4.5 5 5.5 6 6.5 7

Jml iterasi 30 36 38 48 45 50 52 56 62 64

Error7.0735

E-089.1239E-08

7.0064E-08

6.6606E-08

9.8412E-08

7.0103E-08

7.3716E-08

9.4546E-08

8.9199E-08 7.9886

E-08

Tabel 4.5 Hasil performansi FCM untuk mencari nilai optimal bagi 2 klaster dengan 2 fungsi obyektif

Gambar 4.3 Perubahan nilai error terhadap m dari FCM

Eksponen Pembobot awal (mi)Performansi

1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0

Jmliterasi 20 20 20 20 21 21 21 21 22 22

Error 2.8752E-08

3.5901E-08

5.5661E-08

8.7969E-08

2.9659E-08

4.1367E-08

5.7744E-08

8.2681E-08

3.3085E-08

5.1303E-08


2.5 3 3.5 4 4.5 5 5.5 6 6.5 7

Jmliterasi 24 26 28 29 31 32 35 37 39 40

Error 4.8394E-08

5.0505E-08

4.7660E-08

8.4788E-08

6.2053E-08

9.4834E-08

5.3266E-08

6.0898E-08

6.7632E-08

9.6699E-08

Tabel 4.6 Hasil performansi FLVQ untuk mencari nilai optimal bagi 2 klaster dengan 2 fungsi obyektif

Gambar 4.4 Perubahan nilai error terhadap mi dari FLVQ

Parameter dari metode PengklasteranKeteranganFCM(m=1.2) FLVQ(mi=1.1)

Nilai pusatklaster

Fuel Cost($/hr)

Emission (ton/hr)

Fuel Cost($/hr)

Emission(ton/hr)

Solusi ke -1 509.4706 0.1935 508.7295 0.1935Solusi ke -2 234.0859 0.2280 234.3716 0.2279

Iterasi 25 20Toleransi

Error 4.7016 E-08 2.8752 E-08

Tabel 4.7 Perbandingan Hasil Pengklasteran antara FCM dengan FLVQ

Gambar 4.5 Hasil pengklasteran FLVQ dengan mi =1.1


1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0

Jmliterasi 220 427 308 191 151 120 117 112 89 130

Error 9.3964E-08

9.7172E-08

9.8927E-08

9.9756E-08

9.9030E-08

9.7107E-08

9.3319E-08

9.2032E-08

9.7262E-08

9.5390E-08


2.5 3 3.5 4 4.5 5 5.5 6 6.5 7

Jmliterasi 197 223 303 218 324 154 315 149 216 193

Error 9.5082E-08

9.7576E-08

9.7622E-08

9.8196E-08

9.9098E-08

9.9727E-08

9.6695E-08

9.4809E-08

9.4695E-08

9.8427E-08

Tabel 4.8 Hasil performansi FCM untuk mencari nilai optimalbagi 5 klaster dengan 2 fungsi obyektif


1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0

Jmliterasi 49 177 181 131 109 99 94 92 92 94

Error 6.2580E-08

9.7943E-08

9.7371E-08

8.9686E-08

9.9203E-08

9.0008E-08

8.5247E-08

8.3776E-08

8.8072E-08

9.0524E-08


2.5 3 3.5 4 4.5 5 5.5 6 6.5 7

Jmliterasi 134 177 328 211 233 236 453 110 114 142

Error 8.9690E-08

9.9289E-08

9.2495E-08

8.3365E-08

9.3950E-08

9.8144E-08

9.1593E-08

8.9343E-08

6.4206E-08

6.6722E-08

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

Parameter dari metode PengklasteranKeteranganFCM(m=1.8) FLVQ(mi=1.1)

Nilai pusatklaster

Fuel Cost ($/hr)

Emission (ton/hr)

Fuel Cost ($/hr)

Emission(ton/hr)

Solusi ke -1 625.9815 0.1872 627.0382 0.1872Solusi ke -2 502.9355 0.1926 510.2026 0.1921Solusi ke -3 390.4892 0.2026 399.4639 0.2016Solusi ke -4 274.5854 0.2192 284.6583 0.2175Solusi ke -5 169.8937 0.2409 176.3579 0.2394Iterasi 112 49Toleransi Error 9.2032 E-08 6.2580E-08

Table 4.10 Perbandingan Hasil Pengklasteran antara FCM dengan FLVQ

Gambar 4.8 Hasil pengklasteran menggunakan metode FLVQ mi = 1.1

Minimalkan [F, E, PL]

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

PENGKLASTERAN SOLUSI OPTIMAL DARI PERMASALAHAN OPTIMISASI MULTIOBYEKTIF DENGAN 3 FUNGSI OBYEKTIF

Perbandingan FCM dan FLVQ untuk 3 fungsi obyektif pada EED

JumlahKlaster

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

Tabel 5.2 Cluster validity untuk 3 fungsi obyektif

Gambar 5.2 Hasil Cluster Validityuntuk 3 fungsi obyektif

Eksponen Pembobot (m)Performansi 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0

Jmliterasi 26 23 23 22 23 22 24 23 24 22

Error(Ev)

5.4483E-08

8.7806E-08

5.7478E-08

8.5324E-08

9.4455E-08

7.1575E-08

5.1838E-08

5.1805E-08

5.8356E-08

6.5866E-08

Eksponen Pembobot (m)Performansi 2.5 3 3.5 4 4.5 5 5.5 6 6.5 7

Jmliterasi 25 27 30 34 38 42 44 48 51 56

Error(Ev)

9.0430E-08

9.0541E-08

6.5092E-08

9.4482E-08

7.6428E-08

7.6151E-08

7.3607E-08

8.6011E-08

9.7320E-08

9.0270E-08

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


1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0

Jmliterasi 22 20 20 20 20 20 20 20 20 20

Error(Ev)

3.2878E-08

4.9544E-08

3.5800E-08

3.0561E-08

2.6337E-08

2.5102E-08

2.7535E-08

3.4439E-08

4.7721E-08

7.1024E-08


2.5 3 3.5 4 4.5 5 5.5 6 6.5 7

Jmliterasi 22 24 26 28 30 32 33 35 37 38

Error(Ev)

5.8079E-08

6.4911E-08

7.0567E-08

7.0557E-08

6.3457E-08

5.4496E-08

9.3175E-08

7.0888E-08

5.7256E-08

7.8320E-08


Parameter dari metode PengklasteranKeterangan

FCM (m=1.8) FLVQ (mi=1.6)

Pusat Klaster

Fuel Cost ($/hr)

Emission

(ton/hr)

TL(p.u)

Fuel Cost ($/hr)

Emission (ton/hr)

TL(p.u)

Solusi ke - 1 580.1288 0.1912 0.0042 577.6081 0.1912 0.0042Solusi ke - 2 258.634 0.2241 0.0015 260.3508 0.2238 0.0015

Iterasi 23 20Error 5.1805 E-08 2.5102 E-08


Gambar 5.4 Hasil pengklasteran menggunakan metode FLVQ dengan mi = 1.6

Eksponen Pembobot (m)Performansi 1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0

Jmliterasi 42 106 145 104 112 111 127 115 131 175

Error(Ev)

8.4025E-08

8.6798E-08

9.3600E-08

9.4268E-08

8.8803E-08

9.3413E-08

9.8220

E-08

9.2199E-08

9.8523E-08

9.9190E-08

Eksponen Pembobot (m)Performansi 2.5 3 3.5 4 4.5 5 5.5 6 6.5 7

Jmliterasi 248 209 169 185 238 160 273 422 278 272

Error(Ev)

9.4517E-08

9.9728E-08

9.2421E-08

9.5793E-08

9.3631E-08

9.1406E-08

9.6372

E-08

9.6808E-08

9.5774E-08

9.3614E-08

Tabel 5.6 Hasil performansi dari Fuzzy C-means untuk mencari nilai optimal bagi 5 klaster dengan 3 fungsi obyektif


1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.0

Jmliterasi 94 74 75 74 78 84 93 104 116 127

Error(Ev)

4.8716E-08

7.6088E-08

9.3572E-08

8.8134E-08

7.6587E-08

8.8018E-08

8.8749E-08

9.0919E-08

9.2758E-08

9.9095E-08


2.5 3 3.5 4 4.5 5 5.5 6 6.5 7

Jmliterasi 155 148 123 118 136 152 234 407 186 92

Error(Ev)

9.9968E-08

9.2389E-08

9.4676E-08

9.5306E-08

9.1046E-08

8.8146E-08

9.7628E-08

9.1562E-08

6.2146E-08

9.7139E-08


Parameter dari metode PengklasteranKeterangan

FCM (m=1.1) FLVQ (mi=1.1)Pusat Klaster

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 0.0051Solusi ke - 2 527.7062 0.1927 0.0032 527.7064 0.1927 0.0032Solusi ke - 3 415.6776 0.2004 0.0026 415.6777 0.2004 0.0026Solusi ke - 4 298.4910 0.2155 0.0017 298.4911 0.2155 0.0017Solusi ke - 5 184.7776 0.2378 0.0012 184.7777 0.2378 0.0012

Iterasi 42 94Error 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

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

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

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;

Penggunaan formula pada NPC

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

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

Solusi pilihanEmisi

Reduksi(R)

EmisiYang

Diijinkan(G)

Total BiayaBahanBakar

TotalSelisihEmisi

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

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

Solusi pilihanEmisi

Reduksi(R)

EmisiYang

Diijinkan(G)


TotalSelisihEmisi

Penalty Profit

[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


Solusi pilihanEmisi

Reduksi(R)

EmisiYang

Diijinkan(G)

TotalBiayaBahanBakar

TotalSelisihEmisi

Penalty Profit

[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


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 pilihanEmisi

Reduksi(R)

EmisiYang

Diijinkan(G)


TotalSelisihEmisi

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

Solusi pilihanEmisi

Reduksi(R)

EmisiYang

Diijinkan(G)


TotalSelisihEmisi

Penalty Profit

[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

Tabel 6.7 Hubungan Solusi Pilihan dengan Emisi Reduksi (R) = 0.1 danEmisi yang diijinkan (G) = 0.01 terhadap Profit

Skenario Dengan Mengatur Parameter Sendiri

Solusi pilihanEmisi

Reduksi(R)

EmisiYang

Diijinkan(G)


Total SelisihEmisi

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

Solusi pilihanEmisi

Reduksi(R)

EmisiYang

Diijinkan(G)


TotalSelisihEmisi

Penalty Profit

[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

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

KESIMPULAN

Metode FCM dan FLVQ dapat mengurangi jumlah solusioptimal 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.

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

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.

KESIMPULAN

Saran

1. Penelitian ini sebatas mensimulasikan NPC untukmendukung pengambil keputusan dalam menyelesaikanpermasalahan optimisasi multiobyektif pada EED. Masihdiperlukan pengembangan lanjut, baik dari segi scenariogenerator-nya untuk pembelajaran serta tampilan dari GUI nya agar lebih fleksibel.

TerimakasihTerimakasih

sistem pendukung keputusan cerdas untuk … · bagaimana membuat modul non player character (npc)...

Documents