Abstrak
Desain lambung kapal yang optimal sangat krusial untuk mengurangi hambatan total dan menekan konsumsi bahan bakar. Laporan ini membahas penerapan Algoritma Genetika (GA) yang diintegrasikan dengan metode numerik untuk mengoptimasi parameter utama kapal (Panjang, Lebar, Sarat, dan Block Coefficient). Metode numerik berbasis Computational Fluid Dynamics (CFD) atau integrasi numerik digunakan untuk mengevaluasi fungsi kelayakan (fitness function) berupa hambatan total kapal. Hasil simulasi menunjukkan bahwa pendekatan hibrida ini mampu mengonvergensi desain menuju bentuk lambung dengan hambatan yang jauh lebih rendah dibandingkan desain awal (metode konvensional), dalam waktu komputasi yang efisien.
1. Pendahuluan
1.1 Latar Belakang
Industri maritim global saat ini dituntut untuk menekan emisi gas buang dan meningkatkan efisiensi bahan bakar. Salah satu cara paling efektif adalah dengan meminimalkan hambatan kapal (ship resistance). Karena kompleksitas aliran fluida di sekitar lambung, optimasi manual seringkali terjebak pada solusi suboptimal. Oleh karena itu, diperlukan pendekatan komputasional seperti Algoritma Genetika yang dipadukan dengan metode numerik untuk menyimulasikan dinamika fluida.
1.2 Rumusan Masalah
- Bagaimana memformulasikan parameter lambung kapal ke dalam representasi kromosom pada Algoritma Genetika?
- Bagaimana mengintegrasikan metode numerik untuk mengevaluasi hambatan total sebagai fungsi objektif dalam siklus GA?
2. Tinjauan Pustaka dan Dasar Teori
2.1 Hambatan Total Kapal ($R_T$)
Hambatan total kapal bergerak di permukaan air umumnya dibagi menjadi komponen hambatan gesek ($R_F$) dan hambatan sisa/gelombang ($R_W$). Persamaan dasar hambatan dapat dituliskan sebagai:
$$R_T = \frac{1}{2} \rho v^2 S C_T$$
Di mana $\rho$ adalah massa jenis air, $v$ adalah kecepatan kapal, $S$ adalah luas permukaan basah (wetted surface area), dan $C_T$ adalah koefisien hambatan total. Nilai $C_T$ inilah yang dihitung secara hampiran menggunakan metode numerik (seperti Rankine Source Panel Method atau CFD berbasis Navier-Stokes).
2.2 Algoritma Genetika (Genetic Algorithm)
GA adalah metode optimasi heuristik yang meniru proses seleksi alam. Dalam konteks ini:
- Gen/Kromosom: Merepresentasikan variabel desain lambung ($L, B, T, C_B$).
- Fungsi Fitness: Nilai invers dari hambatan total ($1 / R_T$). Semakin kecil hambatan, semakin tinggi nilai fitness-nya.
3. Metodologi Penelitian
Metodologi ini menggabungkan siklus GA standar dengan “pemanggilan” (solver) metode numerik pada setiap generasinya. Karena urutan eksekusi sangat krusial dalam algoritma ini, berikut adalah alur kerjanya:
1.Inisialisasi Populasi:Membangun populasi awal.
Membangkitkan populasi awal secara acak. Setiap individu (kromosom) berisi array nilai parameter lambung kapal (misalnya: Panjang $L$, Lebar $B$, Sarat $T$). Parameter ini dibatasi oleh konstrain stabilitas dan volume kargo minimum.
2.Evaluasi Metode Numerik:Perhitungan nilai hambatan (R_T).
Kromosom di-decode menjadi desain 3D lambung kapal. Desain ini diumpankan ke dalam solver metode numerik (CFD). Komputer melakukan iterasi numerik untuk menghitung tekanan hidrodinamik dan gaya gesek, lalu mengembalikan nilai $R_T$ ke GA.
3.Penentuan Fitness & Seleksi:Memilih desain terbaik.
Menghitung fungsi fitness menggunakan formula $F = 1 / (1 + R_T)$. Individu dengan hambatan terendah (fitness tertinggi) memiliki probabilitas lebih besar untuk lolos ke generasi berikutnya melalui metode seleksi (misal: Roulette Wheel atau Tournament Selection).
4.Crossover dan Mutasi:Membentuk variasi desain baru.
Melakukan kawin silang (crossover) antar kromosom induk untuk menghasilkan keturunan (desain lambung modifikasi). Mutasi diterapkan pada persentase kecil gen untuk mencegah algoritma terjebak di local optima (konvergensi prematur).
5.Kriteria Berhenti:Pengecekan konvergensi.
Jika jumlah maksimum generasi telah tercapai atau nilai fitness sudah konstan (tidak ada perbaikan hambatan), iterasi dihentikan. Jika belum, algoritma kembali ke Langkah 2 dengan populasi baru.
