Penyeimbangan Lintasan Produk Jaket di CV Surya Advertising & T’Shirt Menggunakan Algoritma Genetika Proposal of Jacket Production Line Balancing at CV Surya Advertising & T’Shirt Using Genetic Algorithm Addo Wibisono, Santoso Jurusan Teknik Industri – Fakultas Teknik Universitas Kristen Maranatha E-mail:
[email protected],
[email protected]
Abstrak CV SURYA ADVERTISING & T’SHIRT merupakan perusahaan yang menghasilkan produk garment seperti baju dan jaket. Permasalahan yang dihadapi perusahaan adalah tidak terpenuhinya target produksi produk jaket yang sudah ditetapkan perusahaan yaitu 660 unit/minggu , sehingga mengakibatkan terjadinya lost sales. Kapasitas produksi produk jaket yang dapat dihasilkan hanya sebesar 408 unit/minggu. Tahap pertama dimulai dari pengumpulan data waktu siklus operasi lalu melakukan uji kenormalan, uji keseragaman, dan uji kecukupan data untuk perhitungan waktu baku. Tahap selanjutnya adalah perhitungan kapasitas produksi dan efisiensi lintasan dengan metode aktual perusahaan. Setelah itu dilakukan penyeimbangan lintasan menggunakan metode algoritma genetika. Pengolahan data dibantu dengan software, dimana software sebelumnya telah diverifikasi dengan menggunakan contoh kasus yang sederhana. Perencanaan lintasan produksi dengan metode aktual perusahaan menghasilkan kapasitas produksi sebesar 408 unit/minggu dan efisiensi lintasan sebesar 36% dengan menggunakan 24 stasiun kerja. Dalam penelitian ini dilakukan perbaikan lintasan produksi dengan menggunakan algoritma genetika dan menghasilkan kapasitas sebesar 664 unit/minggu dengan menggunakan 19 stasiun kerja. Kapasitas produksi ini sudah mencapai target produksi yang ditargetkan perusahaan. Efisiensi lintasan yang dihasilkan adalah sebesar 74,03%. Dari hasil pengolahan tersebut terjadi peningkatan kapasitas produksi sebesar 256 unit/minggu dan adanya peningkatan efisiensi lintasan produksi sebesar 38% dengan penghematan jumlah stasiun kerja sebanyak 5 stasiun. Kata kunci: penyeimbangan lintasan produksi, algoritma genetika, efisiensi lintasan Abstract CV SURYA ADVERTISING&T’SHIRT is a company that produces products in garment such as shirt and jacket. The problem facing by this company is not satisfied of production target jacket products that have been set by the company amounted to 660 units/week and resulted lost sales. Production capacity that can be produced amounted to only 408 units/week. First step begin with collected data on the operating cycle time and then test of the normality, test of uniformity, and test of the adequacy of the data for calculate standard time. The next step is calculate production capacity and efficiency for the company's current method. After that is doing line balancing calculation using genetic algorithms. The calculation is helped by software, which the software is verified before with using a simple case study. Production line planning from company’s method currently produce a production capacity amount 408 units /week and the line efficiency is 36% by using 24 work stations. In this research, the production line is repaired using a genetic algorithm and produce capacity of production amount 664 units/ week by using 19 work stations. The production capacity has reached the production targets by the company. The line efficiency is 74,03%. From the results of these processing, the results obtained an increase in production capacity amount 256 1
JURNAL INTEGRA VOL. 4, NO. 1, JUNI 2014: 1-11 units/week and an increase in the efficiency of the production line amount 38% with saving 5 work stations. Keywords: line balancing, genetic algorithm, line efficiency
1. Pendahuluan Dalam suatu lini produksi, baik lini produksi manufaktur maupun lini produksi perakitan, penugasan elemen kerja pada stasiun kerja menjadi satu hal yang penting. CV SURYA ADVERTISING & T‟SHIRT merupakan perusahaan yang menghasilkan produk di bidang garment. Perusahaan ini menghasilkan produk seperti baju, kemeja, celana training, polo shirt, dan jaket. Perusahaan ini memiliki dua tipe produksi yaitu job order dan mass production, dimana produk job order disesuaikan dengan permintaan konsumen. Sementara itu produk yang termasuk dalam tipe produksi mass production ialah produk celana training dan jaket. Permasalahan yang dihadapi perusahaan saat ini adalah tidak terpenuhinya target produksi produk jaket yang sudah ditetapkan perusahaan, sehingga mengakibatkan terjadinya lost sales. Dari hasil wawancara dan penelitian awal yang mencakup kinerja operator, mesin yang digunakan, material dan bahan, serta metode yang digunakan perusahaan, hasil yang diperoleh adalah operator bekerja dengan baik dan terampil, mesin yang digunakan dalam kondisi yang baik, dan bahan yang digunakan tidak mengalami masalah keterlambatan kedatangan. Permasalahan yang ada muncul pada metode perusahaan yaitu tidak seimbangnya pembagian beban kerja pada setiap stasiun kerja. Hal ini terlihat pada beberapa stasiun kerja dimana terdapat delay dan penumpukan. Pembatasan masalah dan asumsi yang digunakan adalah: a. Periode pengukuran waktu siklus dari 15 Januari 2014 sampai dengan 29 Januari 2014 b. Biaya penataan ulang tidak diperhitungkan c. Tidak memperhitungkan waktu setup dan transport Tujuan penelitian yang dilakukan adalah sebagai berikut: a. Mengidentifikasi kelemahan yang ada pada lintasan saat ini b. Mengetahui hasil penyeimbangan lintasan menurut algoritma genetika c. Mengusulkan penyusunan lintasan produksi yang sebaiknya diterapkan oleh perusahaan
2. Tinjauan Pustaka 2.1 Prinsip Dasar Line Balancing Jalur perakitan merupakan lini produksi dimana material bergerak secara terus menerus dalam suatu tingkat rata-rata melalui urutan stasiun kerja dimana pekerjaan perakitan dilakukan Lini perakitan selalu menjadi bagian penting dalam kegiatan manufaktur dan operasi perakitan dari tahun ke tahun, meskipun jumlah tenaga kerja pada saat ini dapat dikurangi menjadi kegiatan robotik. Terdapat dua masalah utama dalam penyeimbangan lintasan yaitu: (Elsayed, 1985) a. Penyeimbangan stasiun kerja. b. Memperhatian lini perakitan dalam produksi secara berkelanjutan. Line balancing juga mempunyai beberapa batasan yang harus diperhatikan yaitu: a. Hubungan precedence. b. Mesin yang berada dalam sebuah stasiun kerja harus merupakan mesin yang sama. c. Waktu siklus harus lebih besar atau sama dengan waktu terbesar/waktu operasi dari stasiun kerja dan elemen kerja.
2
PENYEIMBANGAN LINTASAN MENGGUNAKAN ALGORITMA GENETIKA (Addo W., et al.)
2.2 Istilah dalam Line Balancing (Elsayed, 1985) Terdapat beberapa istilah yang digunakan dalam line balancing yaitu: a. Produk perakitan Produk yang diselesaikan melalui beberapa urutan stasiun kerja dimana dalam stasiun kerja terdapat tugas kerja yang harus diselesaikan pada produk sampai pada akhirnya produk tersebut selesai di stasiun kerja akhir. b. Elemen Kerja Bagian dari pekerjaan total pada produk yang berada pada proses perakitan dimana N merupakan total elemen pekerjaan yang dibutuhkan dan I merupakan nomor elemen kerja (1 ≤ i ≤ N). c. Stasiun Kerja Lokasi pada lini perakitan dimana elemen kerja dilakukan untuk membuat produk. Nomor minimal pada elemen kerja, k, lebih besar atau sama dengan satu. d. Waktu siklus Waktu diantara dua penyelesaian perakitan yang berhasil, dengan asumsi semua perakitan konstan dalam hal kecepatan konveyor. Harga minimal untuk waktu siklus harus lebih besar atau sama dengan waktu stasiun kerja terlama yang ada. e. Waktu stasiun kerja Jumlah waktu dari tiap elemen kerja yang dilakukan pada stasiun kerja. Hal yang harus diperhatikan adalah waktu stasiun tidak boleh melebihi waktu siklus. f. Waktu menganggur pada stasiun kerja Perbedaan diantara waktu siklus dan waktu stasiun g. Precedence diagram Diagram yang menjelaskan elemen kerja yang harus dikerjakan. Beberapa pekerjaan tidak boleh dilakukan jika pekerjaan sebelumnya belum selesai. Tata letak dari stasiun kerja pada lini perakitan juga mempengaruhi precedence diagram yang ada. 2.3 Ukuran dalam Line Balancing (Elsayed, 1985) Dalam line balancing terdapat beberapa ukuran kerja yaitu: a. Efisiensi Lintasan Rasio total waktu stasiun dengan waktu siklus dikalikan dengan jumlah stasiun kerja yang dirumuskan dengan sebagai berikut: EL =
(1)
Dimana ST merupakan waktu stasiun, K merupakan total jumlah stasiun kerja, dan CT merupakan waktu siklus. b. Smoothness Index (SI) Merupakan suatu index untuk mengindikasikan tingkat kemulusan relative pada keseimbangan lini perakitan. Jika menghasilkan angka 0 maka tingkatnya menunjukkan hasil yang sempurna. Index ini dihitung dengan rumus: SI =
(2)
Dimana ST max merupakan waktu stasiun terbesar, STi adalah waktu stasiun tertentu, dan K adalah total jumlah stasiun kerja. 2.4 Algoritma Genetika (GA) Dalam dunia Teknik Industri terdapat banyak masalah optimisasi, contoh tertentu ada pada sistem manufaktur, yang sangat kompleks dan sulit dipecahkan dengan teknik optimisasi konvensional. Pada saat ini algoritma genetika mendapatkan perhatian yang besar terkait dengan potensinya sebagai salah satu teknik optimisasi dalam permasalahan masalah yang kompleks dan sangat sukses diterapkan dalam area teknik industri. Area ini mencakup aplikasi-aplikasi seperti 3
JURNAL INTEGRA VOL. 4, NO. 1, JUNI 2014: 1-11
penjadwalan, design reliabilitas, rute transportasi, tata letak fasilitas, group technology, dan masih banyak lagi 2.4.1 Struktur Umum Algoritma Genetika Algoritma genetika merupakan teknik pendekatan stokastik yang berdasarkan pada mekanisme seleksi dan genetika secara alami. Algoritma genetika, berbeda dengan teknik biasa lainnya, algoritma genetika ini dimulai dengan menginisialisasi beberapa solusi acak yang disebut populasi. Setiap individu di dalam populasi disebut kromosom. Kromosom yang ada ini akan berkembang melalui beberapa iterasi yang sukses yang disebut generasi. Pada setiap generasi, kromosom yang ada akan dievaluasi menggunakan beberapa nilai. Untuk membuat generasi selanjutnya, kromosom yang baru, disebut offspring, dibentuk melalui penggabungan dua kromosom dari generasi saat ini melalui crossover atau memodifikasi sebuah kromosom menggunakan mutasi. Generasi yang baru terbentuk dari pemilihan, tergantung dengan nilai fitness values, parents (kromosom awal yang menghasilkan kromosom baru) dan hasil offspring serta membuang kromosom lain agar ukuran populasi tetap konstan. Kromosom yang baik memiliki probabilitas yang tinggi untuk dipilih. Setelah beberapa generasi, algoritma akan mengeluarkan kromosom yang terbaik, yang diharapkan akan mewakili solusi optimal dari permasalahan yang ada. 2.4.2 Parameter Algoritma Genetika Terdapat beberapa parameter di algoritma genetika yaitu: (Obitko, 1998) a. Ukuran populasi Ukuran populasi menunjukkan berapa banyak kromosom dalam suatu populasi (dalam satu generasi). Jika terdapat sedikit kromosom, maka algoritma genetika memiliki beberapa kemungkinan untuk melakukan crossover dan hanya sebagian kecil dari ruang pencarian dieksplorasi. Disisi lain jika terlalu banyak kromosom maka algoritma genetika akan melambat. Penelitian menunjukkan bahwa setelah beberapa batasan (encoding dan masalah itu sendiri), tidak disarankan untuk meningkatkan jumlah populasi karena tidak akan membuat pemecahan masalah menjadi semakin cepat. Ukuran populasi yang baik ialah sekitar 20 – 30 populasi. b. Jumlah generasi (Mitchell, 2002) Generasi merupakan iterasi-iterasi yang akan menghasilkan kromosom baru. Algoritma genetika biasanya terdiri dari 50 – 500 generasi atau lebih. Keseluruhan jalannya generasi disebut run. Di akhir run, akan terdapat satu atau lebih kromosom yang cocok untuk populasi yang telah ditentukan. c. Probabilitas crossover Probabilitas crossover menunjukkan seberapa sering crossover dilakukan. Jika tidak terdapat crossover maka offspring yang dibentuk ialah kromosom dari parents dan jika terdapat crossover maka offspring dibentuk dari bagian-bagian parents. Jika probabilitas crossover ialah 100% maka semua keturunan dibentuk oleh crossover. Namun jika probabilitas crossover 0% maka generasi baru akan dibuat dari salinan parents yang ada. Crossover dibuat dengan harapan bahwa kromosom yang baru akan memiliki bagian yang baik dari kromosom lama dan memungkinkan kromosom yang baru lebih baik dari kromosom yang lama. Namun dianjurkan beberapa bagian dari populasi untuk bertahan ke generasi berikutnya. Probabilitas crossover umumnya harus tinggi yaitu sebesar 80 – 95%. d. Probabilitas mutasi Probabilitas mutasi menunjukkan seberapa sering bagian dari kromosom megalami mutasi. Jika tidak terdapat mutasi, maka keturunan diambil setelah proses crossover tanpa mengalami perubahan apapun. Jika mutasi dilakukan maka bagian dari kromosom akan berubah. Mutasi ini dilakukan dengan tujuan mencegah jatuhnya algoritma genetika kedalam solusi yang sangat ekstrim, namun hal ini tidak akan sering terjadi karena algoritma genetika sendiri menghasilkan pencarian secara acak. Tingkat mutasi dianjurkan rendah, harga terbaik yaitu sebesar 0,5 - 1%
4
PENYEIMBANGAN LINTASAN MENGGUNAKAN ALGORITMA GENETIKA (Addo W., et al.)
2.4.3 Operator Genetik Bentuk yang paling sederhana dari algoritma genetika melibatkan tiga tipe operator yaitu seleksi, crossover, dan mutasi (Gen, 1997) a. Crossover Selama beberapa dekade lalu, beberapa operator crossover diusulkan untuk mewakili permutasi, seperti partial-mapped crossover (PMX), order based crossover, cycle crossover (CX), dan position based crossover. b. Mutasi Proses mutasi adalah mencipatakan individu baru dengan memodifikasikan satu atau lebih gen dalam individu yang sama. Mutasi berfungsi untuk menggantikan gen yang hilang dari populasi selama proses seleksi serta menyediakan gen yang tidak ada dalam populasi awal, sehingga mutasi akan meningkatkan variasi populasi. Proses mutasi dalam algoritma genetika sangat jarang terjadi. Proses ini dilakukan untuk menghindari kondisi stuck pada algoritma genetika. Proses ini berfungsi untuk melindungi dari kehilangan yang tidak dapat dipulihkan. Goldberg menyatakan bahwa proses mutasi hanya memiliki peranan yang sekunder dalam pencarian solusi yang optimal. Jika bilangan random yang dibangkitkan dari suatu kromosom dalam proses mutasi ini ternyata lebih kecil atau sama dengan probabilitas mutasi (Pm), maka kromosom tersebut akan mengalami mutasi. Proses untuk melakukan mutasi pada suatu kromosom ada 3 metode, yaitu: Scrambled Based Mutation Order Based Mutation Order Based Mutation adalah metode mutasi yang dianggap paling baik, karena proses mutasi ini memberikan variasi pada urutan gen-gennya. Position Based Mutation c. Seleksi Seleksi memberikan kekuatan pendorong pada algoritma genetika dan seleksi juga memberikan tekanan seleksi yang kritikal didalamnya. Dalam beberapa tahun kebelakang ini, banyak bermunculan beberapa metode seleksi yang bermunculan dan dibandingkan satu dengan yang lainnya. Namun terdapat tiga faktor yang perlu diperhatikan dalam seleksi ini yaitu: Ruang sampling Prosedur seleksi dapat membuat populasi baru untuk generasi berikutnya yang didasarkan pada parents maupun offspring yang muncul. Karakteristik ruang sampling ini terdiri dari dua hal yaitu ukuran dan bahan (parents dan offspring). Terdapat dua jenis cara pada ruang sampling yaitu: 1. Regular sampling space. 2. Enlarged sampling space Mekanisme Sampling Mekanisme sampling berkonsentrasi pada masalah bagaimana memilih kromosom dari ruang sampling. Terdapat tiga dasar yang digunakan pada mekanisme sampling yaitu: 1. Stochastic sampling 2. Deterministic sampling 3. Mixed sampling Probabilitas Seleksi Metode ini terkonsentrasi pada bagaimana menentukan probabilitas seleksi untuk setiap kromosom. Dalam prosedur seleksi secara proposional, probabilitas seleksi untuk setiap kromosom adalah dengan melihat nilai fitness-nya
5
JURNAL INTEGRA VOL. 4, NO. 1, JUNI 2014: 1-11
2.5 Utilisasi Output dalam jam kerja standar akan bergantung pada jam kerja yang tersedia dan efisiensi yang ada pada kinerja operator. Jumlah jam keja yang sebenarnya dilakukan mungkin akan kurang dari jumlah jam kerja yang tersedia dikarenakan oleh beberapa faktor, seperti faktor mesin dan ketidakhadiran operator. Ratio untuk jam kerja yang tersedia dan jam kerja yang dilakukan disebut dengan utiliasi dengan rumus: (Smith, 1989) Utilisasi = (3)
3. Pembahasan Hasil perhitungan efisiensi lintasan produksi saat ini menghasilkan efisiensi lintasan sebesar 36% yang dapat dilihat pada Tabel 1, sedangkan hasil susunan stasiun kerja dengan menggunakan algoritma genetika menghasilkan efisiensi lintasan sebesar 74,03% dengan susunan stasiun ditunjukkan pada Tabel 2. Hasil perhitungan setelah line balancing menunjukkan hasil efisiensi lintasan yang lebih besar dan juga perusahaan dapat memenuhi kapasitas produksi untuk membuat jaket. Ringkasan hasil ini ditunjukkan pada Tabel 3. Tabel 1. Hasil Lintasan Produksi Saat Ini Stasiun 1
2
3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
6
Operasi Mesin 1 manual 8 12 2 6 9 jahit 17 20 23 18 jahit 19 24 jahit 25 26 4 jahit 5 jahit 10 jahit 14 3 obras 7 11 obras 13 15 obras 16 21 obras 28 setrika 29 jahit 30 lubang 31 32 lubang 33 34 jahit 22 27 jahit 35 obras 36 jahit 37 jahit 38 pasang 39 kancing 40 pasang 41 kancing 42 obras 43 periksa
Waktu Kumulatif Efisiensi 55,71 156,21 44% 46,86 53,64 91,25 81,17 68,30 352,61 100% 27,77 59,29 24,83 40,97 87,82 25% 46,85 45,86 182,83 52% 58,88 78,09 99,56 99,56 28% 216,62 216,62 61% 78,43 253,91 72% 175,48 20,71 49,07 14% 28,36 38,07 97,59 28% 59,51 67,78 122,04 35% 54,26 53,64 53,64 15% 52,62 52,62 15% 90,25 106,26 30% 12,21 24,61 7% 12,40 13,00 24,80 7% 11,79 62,37 131,42 37% 69,04 59,50 59,50 17% 69,27 69,27 20% 100,69 100,69 29% 97,20 97,20 28% 97,70 195,18 55% 97,49 96,96 193,45 55% 96,50 207,88 207,88 59% 127,97 127,97 36% 36%
PENYEIMBANGAN LINTASAN MENGGUNAKAN ALGORITMA GENETIKA (Addo W., et al.) Tabel 2. Hasil Lintasan Produksi Algoritma Genetika
Tabel 3. Perbandingan Hasil Lintasan Produksi Metode: 1. Saat Ini dan 2. Algoritma Genetika No Metode 1 Kondisi saat ini 2 Line Balancing
Waktu stasiun terbesar (detik) 352,62 216,62
Contoh perhitungan target produksi kondisi saat ini: Kapasitas produksi = =
Efisiensi lintasan 36% 74,03%
Kapasitas produksi (unit) 408,38 664,76
(4)
= 408,38 unit
Berdasarkan Tabel 3 dapat terlihat bahwa terjadi peningkatan efisiensi lintasan pada lini produksi jaket sebelum dan sesudah line balancing sebesar 38,03% dari 36% menjadi 74,03%. Selain itu kapasitas produksi yang ada mengalami peningkatan sebesar 256 unit/minggu menjadi 660 unit/minggu dibandingkan dengan kapasitas produksi saat ini sebesar 408 unit/minggu sehingga target produksi perusahaan menjadi tercapai. Dalam hal stasiun kerja, stasiun kerja yang ada mengalami pengurangan stasiun kerja sebanyak 5 stasiun yang pada awalnya terdapat 24 stasiun kerja menjadi hanya 19 stasiun kerja.
7
JURNAL INTEGRA VOL. 4, NO. 1, JUNI 2014: 1-11
Dalam penelitian ini juga dilakukan perhitungan perbandingan jumlah mesin yang ada dengan cara menghitung jumlah kebutuhan mesin di lantai produksi saat ini dengan kebutuhan mesin berdasarkan algoritma genetika. Jumlah kebutuhan mesin dengan algoritma genetika lebih sedikit jika dibandingkan dengan jumlah kebutuhan mesin saat ini yang ditunjukkan pada Tabel 4. Tabel 4. Perbandingan Jumlah Mesin No
Mesin
1 2 3 4 5 6 7
Jahit Obras Setrika Lubang Kancing Pasang Kancing Manual Periksa Total
Saat Ini 11 6 1 2 2 1 1 24
Jumlah Algortima Genetika 9 4 1 1 2 1 1 19
Selisih Jumlah Mesin 2 2 0 1 0 0 0
Berdasarkan hasil perhitungan dengan algortima genetika produk jaket, perusahaan akan memperoleh keuntungan berupa penghematan mesin karena jumlah mesin yang diterapkan oleh peneliti memiliki jumlah yang lebih sedikit jika dibandingkan jumlah mesin yang diterapkan oleh perusahaan. Oleh karena itu, perusahaan dapat memanfaatkan kelebihan mesin ini. Salah satu cara yang dapat dimanfaatkan oleh perusahaan ialah dengan mengalokasikan mesin ke dalam lini produksi produk yang lainnya. Tata letak (layout) diusulkan karena adanya pemindahan mesin setelah dilakukan penerapan metode algoritma genetika pada lini produksi jaket. Tata letak awal dan usulan dapat dilihat pada Gambar 1 dan Gambar 2 berikut ini: 20m
Meja sablon
Meja potong
Meja sablon
Meja potong
WC
Steam
Inspeksi (manual) Lini produksi jaket Packing (manual)
Press
Steam
Kantor dan Gudang Bahan Baku
Gambar 1. Layout Saat Ini (Skala 1:50)
8
14 m
Press
Steam Steam
(Skala 1:50)
PENYEIMBANGAN LINTASAN MENGGUNAKAN ALGORITMA GENETIKA (Addo W., et al.) 20m
Steam
Meja potong
Meja sablon Meja potong
Meja sablon WC
Steam
Inspeksi (manual)
Packing (manual)
Press
Steam
Kantor dan Gudang Bahan Baku
Lini produksi jaket
14 m
Press
Steam
(Skala 1:50) Gambar 2. Layout Usulan
Tata letak yang diusulkan ini memiliki perbedaan dengan tata letak perusahaan saat ini yaitu adanya perubahan pada lini produksi jaket yang ditunjukkan dengan warna yang berbeda. Dengan adanya pengurangan jumlah mesin sebanyak 5 buah, maka sisa mesin tersebut dapat dialokasikan ke lintasan produksi job order yang berada di sebelah kiri. Terdapat kelebihan produk sebesar 4 unit jaket/minggu, hal ini dapat dimanfaatkan oleh perusahaan untuk berbagai alternatif. Alternatif pertama ialah menyimpan 4 unit produk tersebut untuk pengganti produk yang memiliki cacat produksi. Alternatif kedua ialah dengan menjual kelebihan produk ini dengan meningkatkan kinerja bagian pemasaran.
4. Kesimpulan dan Saran 4.1 Kesimpulan Berdasarkan hasil pengumpulan data, pengolahan data, dan analisis, maka dapat ditarik beberapa kesimpulan sebagai berikut: 1. Kelemahan lintasan produksi yang diterapkan perusahaan saat ini adalah sebagai berikut: a. Efisiensi lintasan produksi jaket pada perusahaan sangat kecil yaitu hanya sebesar 36%. Hal ini terjadi karena terdapat beberapa stasiun kerja yang memiliki ketidakseimbangan pembobotan tugas yang dilakukan. Terdapat stasiun kerja yang lebih banyak menganggur dan terdapat pula stasiun kerja yang memiliki pekerjaan yang berlebihan. b. Stasiun kerja yang ada pada kondisi perusahaan saat ini terlampau banyak yaitu sebesar 24 stasiun kerja. Hal ini berdampak pada ketidakefisiennya lini produksi yang ada. c. Perusahaan memiliki target produksi sebesar 660 buah jaket. Namun lini produksi yang ada tidak dapat memenuhi target produksi perusahaan. Lini produksi yang ada hanya dapat memproduksi 408 jaket.
9
JURNAL INTEGRA VOL. 4, NO. 1, JUNI 2014: 1-11
2. Hasil dari metode yang diusulkan (Line Balancing Genetic Algorithm) adalah sebagai berikut: d. Dengan adanya Line Balancing Genetic Algorithm efisiensi lintasan produksi meningkat sebesar 38,03%. Efisiensi lintasan produksi usulan menjadi 74,03%. Hal ini menunjukkan bahwa pembobotan kerja pada lintasan produksi usulan menjadi lebih seimbang dibandingkan dengan lintasan produksi perusahaan saat ini yang hanya menghasilkan efisiensi lintasan sebesar 36%. e. Stasiun kerja hasil dari Line Balancing Genetic Algorithm lebih sedikit dari stasiun kerja perusahaan saat ini yaitu hanya sebesar 19 stasiun kerja. Stasiun kerja ini berkurang lima stasiun dari stasiun kerja awal yaitu sebesar 24 buah. Dengan berkurangnya stasiun kerja ini perusahaan dapat menghemat dua buah mesin jahit, dua buah mesin obras dan satu buah mesin lubang dan mengalokasikannya kedalam lini produksi produk yang lainnya. f. Kapasitas produksi perusahaan dengan Line Balancing Genetic Algorithm menjadi terpenuhi karena dengan metode ini kapasitas produksi dari lini produksi yang ada dapat memproduksi 664 buah jaket/minggu dengan target produksi perusahaan sebesar 660 jaket/minggu. Lini produksi yang ada mengalami peningkatan produksi sebesar 256 buah/minggu dengan kapasitas produksi awal sebesar 408 buah jaket/minggu. 3. Penyusunan lintasan produksi yang sebaiknya diterapkan oleh perusahaan ialah dengan menerapkan penugasan elemen kerja dengan metode algoritma genetika seperti yang diusulkan oleh peneliti. 4.2 Saran Saran yang dapat diberikan peneliti untuk perusahaan adalah sebagai berikut: 1. Perusahaan sebaiknya menggunakan layout usulan yang telah diberikan. 2. Perusahaan sebaiknya melakukan sosialisasi pada pekerja mengenai perubahan beban kerja yang ada pada setiap stasiun kerja agar pekerja terbiasa dengan elemen kerja baru yang diberikan. 3. Perusahaan disarankan menggunakan software algoritma genetika dalam proses untuk penyeimbangan lintasan
5. Daftar Pustaka Blank, L. T. (1982), “Statistical Procedures for Engineering, Management, and Science”, International Student Edition, McGraw-Hill, Tokyo.
Elsayed, E. A. and Thomas O Boucher (1985), “Analysis and Control of Production Systems”, Prentice-Hall, New Jersey. Gen, M. (1997), “Genetic Algorithms and Engineering Design”, John Wiley & Sons, Inc., United States of America Mitchell, M. (2002), “An Introduction To Genetic Algorithm”, Prentice Hall, New Delhi. Narasimhan, S.L., McLeavey, D. W., Billington, P. (1995), “Production Planning and Inventory Control”, Prentice Hall, United States of America. Obitko, M. (1998), http://www.obitko.com Smith, S. B. (1989), “Computer Based Production and Inventory Control”, Prentice-Hall, Canada.
10
PENYEIMBANGAN LINTASAN MENGGUNAKAN ALGORITMA GENETIKA (Addo W., et al.)
Sutalaksana, I. Z., Anggawisastra, R., Tjakaraatmadja, J. H. (2006), “Teknik Tata Cara Kerja”, Jurusan Teknik Industri Institut Teknologi Bandung, Bandung. Walpole, R. E. (1995), “Pengantar Statistika”, Edisi ke-3, PT Gramedia Pustaka Utama, Jakarta.
11
