Strategi Penempatan Sensor Untuk Melokalisasi Kebocoran Pipa Air Dengan Menggunakan Algoritma Genetik dan Pertimbangan Faktor Ketidakpastian Permintaan Air

Pangestu, Barep Bimo (2021) Strategi Penempatan Sensor Untuk Melokalisasi Kebocoran Pipa Air Dengan Menggunakan Algoritma Genetik dan Pertimbangan Faktor Ketidakpastian Permintaan Air. Undergraduate thesis, Institut Teknologi Sepuluh Nopember.

Text 05111540000112-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (953kB)

Abstract

Genetic Algorithm (GA) adalah sebuah metode komputasi untuk menyelesaikan masalah pencarian solusi yang terinspirasi oleh proses seleksi alam yang dialami makhluk hidup biologis. GA dapat diimplementasikan dalam berbagai metode, namun sebagian besar metode yang digunakan memiliki komponen-komponen berikut: populasi kromosom, seleksi berdasar kebugaran, persilangan untuk menghasilkan keturunan, dan mutasi acak untuk keturunan yang baru.
EPANET adalah sebuah paket pemodelan sistem distribusi
air domain publik yang dikembangkan oleh Divisi Suplai Air dan Sumber Daya Air Agensi Perlindungan Lingkungan Amerika
Serikat. EPANET mensimulasikan perilaku hidrolik dan kualitas air dalam sebuah jaringan pipa bertekanan dalam jangka waktu lama dan dirancang untuk menjadi alat penelitian yang membantu peneliti untuk memahami pergerakan dan nasib komponen air minum di dalam sistem distribusi.
Pada tugas akhir ini, akan dibuat program yang mencoba
menemukan lokalisasi kebocoran dalam sebuah jaringan pipa air menggunakan metode Algoritma Genetik. Kromosom dalam
implementasi Algoritman Genetik berikut tersusun atas Emitter Coefficient (EC) dari setiap junction yang ada dalam jaringan air. Dari kromosom ini akan disimulasikan pergerakan air dalam jaringan. Besaran flow dalam setiap pipa dari hasil simulasi kemudian akan dibandingkan dengan flow pipa dalam keadaan bocor di titik dan besaran tertentu. Hasil perbandingan ini akan digunakan sebagai nilai fitness dari kromosom tersebut. 25 persen dari kromosom dengan nilai fitness terkecil kemudian akan disilangkan dengan kromosom acak untuk menghasilkan keturunan yang kemudian akan dimutasi. Selanjutnya dibuat sebuah populasi baru yang terdiri atas 50 persen kromosom dengan nilai fitness terkecil, keturunan hasil persilangan, dan kromosom
baru dengan nilai acak. Proses ini akan diulang sebanyak jumlah yang telah ditentukan dan diakhir pengulangan, kromosom dengan nilai fitness terkecil akan diambil sebagai jawaban
=============================================================================================
Genetic Algorithm (GA) is a computing method for solving “search for solution” problems inspired by the process of natural selection experienced by biological creatures. Most methods that implemented GA have at least the following elements in common: populations of chromosomes, selection according to fitness, crossover to produce new offspring, and random mutation of new offspring.
EPANET is a public domain, water-distribution-system modeling package developed by the U.S. Environmental Protetion Agency’s Water Supply and Water Resources Division. It performs extended-period simulation of hydraulic and water-quality behavior within pressurized pipe networks and is designed to be a research tool that improves our understanding of the movement and fate of drinking-water constituents within distribution systems.
ix
In this final project, a program that tries to find the localization of leaks in a water pipe network using Genetic Algorithm will be created. The chromosomes in the following Genetic Algorithm implementation are composed of the Emitter Coefficient (EC) from each junctions in the water network. From this chromosome, the movement of water in the network will be simulated. The amount of flow in each pipe from the simulation results will then be compared with the flow of the pipe in a leaky state at a certain point and amount. The result of this comparison will be used as the fitness value of these chromosomes. 25 percent of the chromosomes with the smallest fitness value will then be crossed over with random chromosomes to produce offsprings which will then be mutated. Next, a new population is created consisting of 50 percent of the chromosomes with the smallest fitness value, the offsprings, and new chromosomes with random value.
This process will be repeated for a certain time and at the end of the repetition, the chromosome with the smallest fitness value will be taken as the answer

Item Type:	Thesis (Undergraduate)
Subjects:	Q Science > QA Mathematics > QA402.5 Genetic algorithms.
Divisions:	Faculty of Intelligent Electrical and Informatics Technology (ELECTICS) > Informatics Engineering > 55201-(S1) Undergraduate Thesis
Depositing User:	Barep Bimo Pangestu
Date Deposited:	03 Mar 2021 06:17
Last Modified:	03 Mar 2021 06:17
URI:	http://repository.its.ac.id/id/eprint/83146

Actions (login required)

View Item