Cilacap

 

• Cilacap merupakan ibu kota dari Cilacap Regency, sebuah kabupaten di Provinsi Central Java (Jawa Tengah). Wikipedia+2Maps of World+2

• Terletak di pesisir selatan Pulau Jawa, menghadap Samudra Hindia, sehingga memiliki posisi strategis sebagai kota pelabuhan. ResearchGate+1

• Luas kabupaten (termasuk pulau-terluar seperti Nusakambangan) sekitar 2.249,28 km². Populasi kabupaten diperkirakan mencapai sekitar 2.007.829 jiwa per pertengahan tahun 2024. Wikipedia+1

• Bahasa sehari-hari lokal utama adalah dialek Banyumasan (varian dari bahasa Jawa), selain bahasa Indonesia. Wikipedia

---

Sejarah & Perkembangan

• Karena posisinya sebagai pelabuhan alami di pesisir selatan, Cilacap memiliki peran penting secara strategis — baik pada masa kolonial Belanda, pendudukan Jepang, maupun dalam infrastruktur transportasi. Encyclopedia Britannica+1

• Salah satu peninggalan penting adalah Benteng Pendem (“fort buried / benteng terkubur”), yang dibangun oleh Belanda antara tahun 1861–1879 untuk mempertahankan pelabuhan Cilacap. Wikipedia+1

• Karena bentuknya sebagian terkubur (dengan struktur bawah tanah dan bangunan tertutup tanah), maka mendapat nama “Pendem”. Sekarang menjadi objek wisata sejarah. Wikipedia

• Dalam catatan bencana: kota ini pernah terkena tsunami setinggi sekitar 3 meter akibat gempa di lepas pantai pada tahun 2006. World Meteorological Organization

---

Ekonomi & Aktivitas Utama

• Sebagai kota pesisir dan pelabuhan, sektor perikanan, pelabuhan, pengolahan hasil laut dan ekspor memegang peran penting. Misalnya perusahaan PT Cilacap Samudera Fishing Industry Tbk (ASHA) yang menjalankan bisnis perikanan terintegrasi. AEI+1

• Pelabuhan di Cilacap dianggap salah satu yang terlindungi di pantai selatan Jawa karena adanya gugusan pulau Nusakambangan yang menjadi “tameng” alami. Encyclopedia Britannica

• Dari sisi perkebunan dan komoditas ekspor: antara lain kopra (kelapa kering), karet, teh, dan singkong tercatat sebagai komoditas utama pada masa lalu. Encyclopedia Britannica

---

Budaya & Masyarakat

• Dialek lokal khas yang digunakan di Cilacap dikenal dengan aksen “ngapak” — khas Banyumasan. Hal ini memberi warna tersendiri pada identitas lokal. Traveling Per Second

• Masyarakatnya umumnya hidup di pesisir atau dataran rendah pantai, dengan banyak aktivitas ekonomi yang berhubungan dengan laut dan pelayaran.

• Karena berada di zona pesisir selatan yang rawan gempa/tsunami, kesadaran akan mitigasi bencana menjadi aspek penting. World Meteorological Organization

---

Potensi Wisata & Daya Tarik

Cilacap cukup menarik bagi wisata alam, sejarah dan pantai. Beberapa tempat yang direkomendasikan:

• Pantai Teluk Penyu (“Turtle Bay Beach”) — pantai pasir cokelat, dekat kota, cocok untuk jalan-jalan santai dan menikmati makanan laut. Vocal+1

• Benteng Pendem — situs bersejarah yang eksotis untuk dijelajahi, terutama bagi yang suka wisata sejarah. Wikipedia+1

• Pulau Nusakambangan — meskipun terkenal sebagai pulau dengan penjara berkeamanan tinggi, sekitarnya juga memiliki keindahan alam dan pantai. Java Private Tour+1

• Reservoir, hutan mangrove, dan wilayah alami di pesisir selatan yang relatif masih asri. Observer+1

---

Kelebihan & Kekurangan

Kelebihan:

• Letak pesisir selatan yang unik – masih kurang dieksplorasi dibanding bagian utara Jawa, sehingga potensi untuk wisata “hipster” atau alternatif cukup besar.

• Kombinasi alam pantai + sejarah kolonial + budaya lokal yang khas memberikan pengalaman yang berbeda dari kota-kota wisata mainstream.

• Ekonomi pelabuhan dan perikanan menyediakan basis yang kuat untuk pengembangan lokal.

Kekurangan / Tantangan:

• Infrastruktur ke beberapa tempat wisata mungkin belum sebaik di daerah wisata besar – akses mungkin agak sulit. Misalnya ada catatan bahwa ke Nusakambangan memerlukan boat dan negosiasi. Tripadvisor+1

• Risiko bencana alam (gempa, tsunami) karena posisi pantai selatan. Harus tetap waspada. World Meteorological Organization

• Potensi wisata banyak tapi mungkin belum “masif” di promosi dan fasilitas dibanding daerah lain, sehingga bagi wisatawan mungkin terasa kurang fasilitas mewah atau pilihan penginapan selebar di kota besar.

---

Tips Berkunjung

• Jika ingin santai di pantai, pilih waktu sore menjelang matahari terbenam – pantai seperti Teluk Penyu bisa menjadi pilihan yang bagus.

• Untuk ke Nusakambangan — tanya lebih dulu tentang izin atau paket wisata karena beberapa wilayahnya dengan fungsi khusus (penjara) jadi akses terbatas.

• Cobalah kuliner lokal: makanannya laut-segar karena dekat pantai. Selain itu nikmati suasana kota pesisir yang “lebih tenang” dibanding kota besar.

• Waktu kunjungan ideal di musim kering (hindari musim hujan atau angin kencang dari laut).

• Karena dialek lokal agak khas, bisa jadi ada sedikit hambatan komunikasi kalau hanya mengandalkan bahasa daerah – tapi bahasa Indonesia umumnya dimengerti.

Optimisasi Metode PSO

 

Particle Swarm Optimization (PSO) merupakan salah satu algoritma optimasi berbasis populasi (populational-based optimization) yang dikembangkan oleh Kennedy dan Eberhart pada tahun 1995. Algoritma ini terinspirasi dari perilaku sosial kawanan burung dan gerombolan ikan dalam mencari makanan, di mana setiap individu (disebut partikel) bergerak dalam ruang pencarian dan saling berbagi informasi untuk mencapai posisi terbaik secara kolektif.

PSO digunakan secara luas dalam berbagai bidang karena kemampuannya untuk mencari solusi optimal secara efisien, terutama dalam masalah yang kompleks, non linier, dan berdimensi tinggi. Prinsip dasar PSO adalah dalam PSO, setiap partikel merepresentasikan solusi kandidat dari suatu masalah optimasi. Partikel memiliki posisi (x) dan kecepatan (v) dalam ruang pencarian. Gerakan setiap partikel dipandu oleh dua hal utama:

1.              Personal Best (pbest) – posisi terbaik yang pernah dicapai oleh partikel itu sendiri.

2.              Global Best (gbest) – posisi terbaik yang pernah dicapai oleh seluruh partikel dalam populasi.

Pergerakan partikel diatur oleh dua persamaan berikut:

1.              Update kecepatan dapat dilihat pada Persamaan 1

 

v_i​ (t+1) = w ⋅ v_i​ (t) + c₁​⋅r₁ ​⋅ (pbest_i ​− x_i​(t)) + c₂​ ⋅ r₂ ​⋅ (gbest − x_i​(t))       (1)

 

2.              Update posisi dapat dilihat pada Persamaan 2

 

x_i​ (t+1) = x_i ​(t) + v_i ​(t+1)                                                                    (2)

 

keterangan :

• X_i = posisi partikel ke-i,
• V_i = kecepatan partikel ke-i,
• w = bobot inersia (mengontrol eksplorasi global dan eksploitasi lokal),
• c₁, c₂​ = konstanta pembelajaran (biasanya bernilai 1.5 – 2.0),
• r₁, r₂= bilangan acak antara 0 dan 1.

Parameter dalam PSO antara lain :

• Inertia weight (w) : mengatur keseimbangan eksplorasi dan eksploitasi. Nilai w yang besar mendorong eksplorasi global, sedangkan nilai kecil mendorong eksploitasi lokal.
• Cognitive factor (c₁​) : tingkat kepercayaan partikel terhadap pengalaman dirinya sendiri.
• Social factor (c₂​): tingkat kepercayaan partikel terhadap pengalaman populasi.

Keunggulan PSO antara lain :

• Sederhana dalam implementasi dan membutuhkan sedikit parameter untuk disetel.
• Cepat dalam konvergensi, terutama pada fase awal iterasi.
• Cocok untuk optimasi non linear, multidimensi, dan fungsi yang tidak terdiferensialkah.
• Tidak memerlukan informasi gradien.

Keterbatasan PSO antara lain :

• Mudah mengalami konvergensi prematur ke solusi lokal jika tidak dikendalikan.
• Sensitif terhadap pemilihan parameter.
• Tidak selalu menjamin solusi global jika ruang pencarian sangat kompleks.

Optimisasi Metode Algoritma Genetika

 

Algoritma Genetika (Genetic Algorithm atau GA) merupakan salah satu metode optimasi berbasis populasi yang terinspirasi oleh proses evolusi biologis makhluk hidup, seperti seleksi alam, reproduksi, dan mutasi. GA pertama kali diperkenalkan oleh John Holland pada tahun 1975 dan telah berkembang luas sebagai salah satu teknik optimasi metaheuristik yang efektif dalam menyelesaikan berbagai permasalahan kompleks, baik linier maupun non linier. GA bekerja dengan cara menyimulasikan proses seleksi alam, di mana solusi terbaik akan bertahan dan berkembang dari generasi ke generasi. Proses ini diawali dengan pembangkitan populasi awal yang berisi kumpulan solusi kandidat (biasa disebut kromosom atau individu), kemudian dilakukan serangkaian operasi genetika secara iteratif untuk mendekati solusi optimum.

Langkah-langkah Umum dalam GA

1. Inisialisasi populasi : membuat sejumlah individu awal secara acak, yang masing-masing merepresentasikan solusi dari masalah.
2. Evaluasi fitness : menghitung nilai fitness setiap individu berdasarkan fungsi objektif. Individu dengan fitness lebih baik memiliki peluang lebih besar untuk dipilih.
3. Seleksi (selection) : memilih pasangan individu induk yang akan menghasilkan keturunan. Metode seleksi umum adalah roulette wheel, tournament selection, dan rank selection.
4. Crossover (penyilangan) : menggabungkan dua kromosom induk untuk menghasilkan kromosom anak dengan cara tertentu. Ini memungkinkan pewarisan sifat dari dua solusi berbeda.
5. Mutasi : mengubah sebagian kecil gen dari individu secara acak untuk menjaga keberagaman populasi dan mencegah konvergensi prematur.
6. Elitism dan iterasi : individu terbaik dapat dipertahankan dalam generasi selanjutnya (elitism). Proses seleksi-crossover-mutasi diulang hingga mencapai jumlah generasi tertentu atau hingga kriteria konvergensi terpenuhi.

Representasi solusi dalam GA adalah dalam bentuk kromosom. Kromosom dapat berupa:

• Biner (string 0 dan 1),
• Bilangan real (untuk kasus optimasi kontinu),
• Struktur lain sesuai kebutuhan (misalnya untuk optimasi jalur atau komposisi).

Fungsi Tujuan dalam GA menjadi dasar dalam mengevaluasi seberapa baik suatu solusi. Tujuan optimasi bisa berupa maksimisasi atau minimisasi, tergantung permasalahan.

Keunggulan GA antara lain :

• Mampu mencari solusi optimum global dalam ruang solusi yang luas.
• Tidak memerlukan turunan atau informasi gradien (non-deterministik).
• Dapat menyelesaikan masalah diskrit maupun kontinu.
• Tahan terhadap noise dan fungsi tujuan yang tidak mulus.

Keterbatasan GA antara lain :

• Proses komputasi dapat memakan waktu relatif lama untuk konvergen.
• Pemilihan parameter seperti ukuran populasi, laju crossover, dan mutasi sangat mempengaruhi hasil.
• Bisa mengalami premature convergence (terjebak pada solusi lokal).

Optimisasi Metode Response Surface Methodology (RSM)

 

Response Surface Methodology (RSM) merupakan suatu pendekatan statistik dan matematis yang digunakan untuk memodelkan dan menganalisis masalah di mana respon (output) dari suatu proses dipengaruhi oleh beberapa variabel input (faktor), dengan tujuan utama untuk mengoptimalkan respon tersebut. RSM digunakan secara luas dalam berbagai bidang, seperti rekayasa proses, kimia, bioteknologi, pertanian, dan industri manufaktur. Konsep utama dari RSM adalah mengembangkan model empiris dalam bentuk persamaan berdasarkan data hasil eksperimen. Model ini kemudian digunakan untuk:

1. Memahami hubungan antara variabel input dan respon,
2. Menentukan kombinasi variabel input yang optimal untuk mencapai nilai respon yang diinginkan.

Bentuk umum model kuadratik dalam RSM dapat dilihat pada Persamaan 1.

  Y= β0+ ∑〖β(i ) Xi 〗+∑ β(ii )  Xi^2+∑〖β(ij ) Xi  Xj+ ε〗                    (1)

di mana:

Y = respon (output),

X_i​ dan X_j = variabel independen (faktor),

β₀ ​ = konstanta,

β_i = koefisien linier,

β_ii = koefisien kuadratik,

β_ij = koefisien interaksi,

ε = error (residual).

Langkah-langkah dalam RSM

1. Perancangan Eksperimen (Design of Experiment, DOE)
   Umumnya menggunakan metode Central Composite Design (CCD) atau Box-Behnken Design (BBD) untuk efisiensi dan efektivitas eksperimen.
2. Pembangunan Model
   Berdasarkan data eksperimen, dibangun model regresi menggunakan analisis statistik.
3. Validasi Model
   Diperiksa melalui analisis statistik seperti ANOVA, nilai koefisien determinasi (R²), uji signifikansi (p-value), dan uji lack of fit.
4. Analisis dan Optimasi
   Dilakukan dengan memvisualisasikan response surface (permukaan respon) dan contour plot, serta menggunakan metode numerik untuk menentukan kondisi optimum.

Keunggulan RSM

• Dapat mengidentifikasi efek interaksi antar variabel proses.
• Mengurangi jumlah eksperimen dibandingkan metode trial-and-error.
• Cocok untuk optimasi proses kompleks dengan banyak faktor.

Keterbatasan RSM

• Kurang cocok untuk sistem dengan perilaku non linier ekstrem atau diskontinuitas.
• Hanya valid dalam rentang faktor yang dipilih dalam desain eksperimen.

Optimisasi

 

Optimisasi adalah proses pencarian satu atau lebih penyelesaian yang berhubungan dengan nilai-nilai dari satu atau lebih fungsi objektif pada suatu masalah sehingga diperoleh satu nilai optimal (Berlianty, I., & Arifin 2010). Secara umum optimisasi berarti pencarian nilai terbaik (minimum atau maksimum) dari beberapa fungsi yang diberikan pada suatu konteks. Optimisasi juga dapat berarti upaya untuk meningkatkan kinerja sehingga mempunyai kualitas yang baik dan hasil kerja yang tinggi. Secara matematis optimisasi adalah cara mendapatkan harga ekstrim baik maksimum atau minimum dari suatu fungsi tertentu dengan faktor-faktor pembatasnya. Jika persoalan yang akan diselesaikan dicari nilai maksimumnya, maka keputusannya berupa maksimal (Sari 2014).  Optimisasi adalah salah satu disiplin ilmu dalam matematika yang fokus untuk mendapatkan nilai minimum atau maksimum secara sistematis dari suatu fungsi, peluang, maupun pencarian nilai lainnya dalam berbagai kasus. Optimisasi hampir dapat digunakan dalam berbagai bidang untuk mencapai efektivitas dan efisiensi dari target yang diinginkan. Tujuan dari optimisasi salah satunya adalah penentuan minimum maka tujuan dalam model matematikanya adalah minimasi (Maharani 2015).

Optimisasi untuk menghasilkan bahan bakar minyak sudah pernah dilakukan oleh Wang pada tahun 2007, dengan tujuan memperoleh nilai maksimum yield gasolin secondary reaction  dari FCC yang menggunakan algoritma genetika, dimana memberikan hasil maksimum yield gasolin = 81,04 % wt (Wang et al. 2007). Pada tahun 2013, Cuadros melakukan optimisasi untuk memperoleh maksimum konversi pada  fluid catalytic cracking (FCC) dengan algoritma genetika, yang memberikan hasil maksimum konversi = 87,83 % wt (Cuadros et al. 2013). Cuadros juga berhasil melakukan optimisasi pada tahun 2020 dengan melakukan optimisasi nilai maksimum produk Naphtha pada fluid catalytic cracking unit (FCCU), menggunakan algoritma genetika dan PSO yang memberikan hasil maksimum produk Naphta yang diperoleh dengan metode algoritma genetika = 1.139.715,14 ton / tahun dan dengan metode PSO = 1.173.769,92 ton / tahun (F. Cuadros Bohorquez et al. 2020). Rahimi di tahun 2023 berhasil melakukan optimisasi maksimum biofuel yields (bio-char, bio-oil, and syngas) proses pirolisis, dengan menggunakan algoritma genetika dan memberikan hasil maksimum biofuel yields (bio-char, bio-oil, and syngas) proses pirolisis berturut-turut adalah 36,04 %, 45 % dan 54,16 % wt (Rahimi et al. 2023).

Optimisasi merupakan proses untuk mendapatkan hasil yang lebih baik/optimum dengan batasan-batasan masalah yang ada. Optimisasi ini memiliki beberapa bagian yaitu objective function (fungsi objektif) yang merupakan hasil yang kita inginkan, selanjutnya adalah constraints / batasan masalah yang merupakan batasan-batasan yang ada dan harus dimasukkan ke dalam proses optimisasi dan yang terakhir adalah model matematis dari sebuah sistem,

Ada beberapa teknik optimisasi stokastik antara lain algoritma duelist, RWA, algoritma genetika dan PSO. Algoritma duelist  berdasarkan pada cara duelist untuk meng-update kemampuan bertarungnya. RWA merupakan salah satu teknik optimisasi dengan didasarkan pada filosofi hujan yang turun. Hujan yang turun tersebut diasumsikan merupakan objek yang jatuh bebas dari langit untuk mencari posisi yang paling rendah di bumi sesuai dengan hukum Newton tentang gerak. Proses inisialisasi dilakukan untuk menentukan parameter. Beberapa parameternya yaitu jumlah rain water, dimensi fungsi objektif, global optimum untuk menemukan nilai minimum atau maksimum, batas atas dan bawah fungsi objektif dan jumlah iterasi.

Pemodelan

 Pemodelan adalah representasi dari suatu sistem nyata menggunakan bentuk matematis, logis, atau komputasional. Tujuannya adalah untuk memahami, menganalisis, memprediksi, atau mengoptimalkan perilaku sistem tersebut tanpa harus melakukan pengujian langsung yang berpotensi mahal, sulit, atau tidak efisien. Menurut Montgomery (2017), pemodelan adalah proses menyusun hubungan antara variabel input dan output berdasarkan data eksperimen atau prinsip dasar (fisika, kimia, dll.) (Montgomery 2017). Tujuan pemodelan adalah menjelaskan fenomena yang terjadi dalam suatu sistem, memprediksi output berdasarkan input tertentu, mengoptimalkan proses untuk meningkatkan efisiensi atau hasil dan membantu pengambilan keputusan berdasarkan hasil simulasi atau prediksi.

Secara umum, pemodelan dibedakan menjadi :

a. Model Fisik

·         Representasi nyata dari sistem.

·         Digunakan untuk eksperimen visualisasi atau uji coba skala kecil.

b. Model Matematis

·         Menggunakan persamaan matematis untuk menggambarkan hubungan antara variabel.

·         Dapat berupa model deterministik (eksak) atau statistik (berbasis data).

       Contoh model matematis terdapat pada Persamaan 1

Y = f (X₁,X₂,...,X_n)                                                                  (1)

di mana YYY adalah output/respon dan XXX adalah faktor input.

c. Model Statistik/Empiris

·       Berdasarkan data eksperimen.

·       Menggunakan metode regresi, ANOVA, RSM (Response Surface Methodology), dan lain-lain.

·       Model statistik adalah pendekatan matematis yang digunakan untuk menggambarkan hubungan antara satu atau lebih variabel bebas (independen) dengan variabel terikat (dependen), berdasarkan data hasil observasi atau eksperimen.

·       Ciri-ciri model statistik:

§  Dibangun berdasarkan data eksperimen.

§  Memiliki komponen deterministik dan komponen stokastik (error/residual).

§  Digunakan untuk prediksi, estimasi, dan pengujian hipotesis.

·       Contoh bentuk umum model statistik dapat dilihat pada Persamaan 2.

                        Y = f(X₁, X_2, … , X_n) + ε                      (2)

dimana :

  Y = variabel respon (dependen),

  X₁, X₂, ... , X_n = variabel independen,

  f = fungsi hubungan (bisa linear, kuadratik, eksponensial, dll.),

  ε = error atau residual.

·       Jenis-jenis model statistik yang umum antara lain :

§  regresi linear sederhana

§  regresi linier berganda

§  model polinomial

§  model interaksi (misalnya pada desain eksperimen)

·       Model empiris adalah model matematis yang diturunkan langsung dari hasil eksperimen atau data observasi tanpa berdasarkan teori fisika atau kimia yang mendasarinya. Model ini digunakan untuk menangkap perilaku sistem secara praktis.

·       Ciri-ciri model empiris antara lain :

·       Dibangun dari data percobaan.

·       Tidak selalu menjelaskan mengapa, tapi menjelaskan bagaimana hubungan antar variabel.

·       Berguna untuk optimasi, prediksi, dan perancangan proses.

·       Contoh model empiris, model polinomial kuadratik ditunjukkan pada Persamaan 3

Y=β₀​+β₁​X₁​+β₂​X₂​+β₁₁​X₁²​+β₂₂​X₂²​+β₁₂​X₁​X₂​+ε    (3)

·       Model ini umum digunakan dalam Response Surface Methodology (RSM).

d. Model Komputasional/Numerik

·       Menggunakan simulasi berbasis komputer, misalnya CFD, FEA, atau machine learning.

·       Berguna ketika model matematis terlalu kompleks untuk diselesaikan secara analitik.

Donald pada tahun 2001 (Donald W.Boyd 2001) memaparkan bahwa dengan kita dapat memperkirakan bagaimana hubungan x, y, z, dsb dengan pemodelan. Dalam pemodelan, bentuk simbol pada model harus menunjukkan hubungan kausal antara variabel-variabel dalam model. Variabel adalah simbol yang berisi suatu nilai:

·        Variabel independen (VI)

·        Variabel dependen (VD)