TESIS PENERAPAN MULTI OBJECTIVE GENETIC ALGORITHM (MOGA) PADA PENJADWALAN DYNAMIC-MULTI OBJECTIVE DAN SEQUENCE DEPENDENT SETUP TIMES COMPOUND FLOW SHOP DI PT.X FREDY HARTANTO 9108 201 314
LATAR BELAKANG • PT X – MANUFAKTUR & PERDAGANGAN KAWAT BAJA DAN BESI BETON. SEQUENCE PROSES MANUFAKTUR : 1. STRAIGHTENING & CUTTING (S&C) 2. BENDING (B) MASUK KE WAREHOUSE
– TERMASUK PADAT MODAL DAN JOB ORDER
• KONDISI PENJADWALAN EXISTING : – FIRST IN FIRST SERVE (FIFS) – INTUISI PEMBAGI ORDER
LATAR BELAKANG • HAL-HAL LAIN UTK PENJADWALAN DI PT X: – FLOW SHOP / COMPOUND FLOW SHOP • URUTAN PROSES SELALU TETAP & JUMLAH MESIN (PARALEL) LEBIH DARI 1 / STAGE
– SEQUENCE DEPENDENT SETUP TIMES : • LAMANYA WAKTU SETUP TERGANTUNG SEQUENCE DARI JOB YANG DIKERJAKAN
– JOB SPLITTING : • 1 JOB BOLEH DIBAGI LEBIH DARI 1 MESIN
– DYNAMIC MULTI OBJECTIVE : • TUJUAN YANG HARUS DIPERHATIKAN ADA LEBIH DARI 1, YAITU : ASPEK KETERLAMBATAN (TOTAL TARDINESS DAN JUMLAH JOB TARDY) DAN ASPEK EFISIENSI (MAKESPAN DAN SETUP TIMES) SALING BERKONFLIK • DINAMIS : PEMBOBOTAN DINAMIS & DECISION MAKER HARUS FLEKSIBEL MENYESUAIKAN DENGAN KEADAAN DI PT X YANG DINAMIS TERSEBUT & PENCARIAN SOLUSI TIDAK TERJEBAK KONVERGENSI TERETENTU
LATAR BELAKANG • PENYELESAIAN MASALAH PENJADWALAN – MANUAL – SIMULASI – PROGRAMA MATEMATIS – HEURISTIK & META HEURISTIK • KOMPLEKSITAS MASALAH DAN BESARNYA JUMLAH ORDER DI PT X COCOK DENGAN META HEURISTIK • SALAH SATU METODE YANG APLIKATIF UNTUK PENJADWALAN DAN TERBUKTI UNGGUL : GA DAN DISEBUT MOGA UNTUK MULTI OBJECTIVE (HEJAZI & SAGHAFIAN, 2005; RUIZ & VAZQUEZ-RODRIGUEZ, 2010)
PERMASALAHAN BAGAIMANA MEMBUAT PENJADWALAN & JOB SEQUENCING UNTUK DYNAMIC MULTI OBJECTIVE & SEQUENCE DEPENDENT SETUP TIMES PADA LINGKUNGAN COMPOUND FLOW SHOP DI PT X DENGAN MEMPERTIMBANGKAN : TOTAL TARDINESS, JUMLAH JOB YANG TARDY, MAKESPAN, DAN SETUP TIMES
TUJUAN • MERANCANG ALGORITMA MOGA UNTUK PENJADWALAN PRODUKSI DI PT X • MEMBUAT PENJADWALAN DAN JOB SEQUENCING UNTUK MENYELESAIKAN PERMASALAHAN PENJADWALAN DI PT X DENGAN ALGORITMA MOGA • MENYEDIAKAN HIMPUNAN SOLUSI OPTIMAL PARETO SEBAGAI PILIHAN ALTERNATIF SOLUSI BAGI DECISION MAKER SESUAI DENGAN KONDISI PRIORITAS YANG DIHADAPI
MANFAAT PENELITIAN • MEMBANTU MENYEDIAKAN METODE PENJADWALAN YANG DAPAT MEMBANTU PT X • MENGEMBANGKAN METODE PENJADWALAN MULTI OBYEKTIF UNTUK COMPOUND FLOW SHOP DENGAN SEQUENCE DEPENDENT SETUP TIMES
BATASAN MASALAH & ASUMSI • BATASAN MASALAH : – HANYA DI DEPARTEMEN PEMOTONGAN PT X – PEMENUHAN ORDER SAMPAI BATAS ORDER SELESAI DIPOTONG DI LOKASI PT X / TJG.PERAK
• ASUMSI : – JOB DATANG BERSAMAAN DI AWAL PENJADWALAN DAN TIDAK ADA PERUBAHAN KUANTITAS – MESIN PARALEL ADALAH IDENTIK – TIDAK ADA PERBAIKAN & PERAWATAN MESIN (BERLANGSUNG DI LUAR SHIFT KERJA) – SEMUA OPERATOR MASUK PENUH – BAHAN BAKU SELALU TERSEDIA
KAJIAN PUSTAKA 1. 2. 3. 4. 5.
FRAMEWORK & HIRARKI PENJADWALAN PRODUKSI TERMINOLOGI UMUM VARIASI PENJADWALAN FLOW SHOP NOTASI DALAM PENJADWALAN PENDEKATAN SOLUSI PENJADWALAN FLOW SHOP & COMPOUND FLOW SHOP 6. MULTI OBYEKTIF DALAM PENJADWALAN FLOW SHOP 7. WAKTU BAKU & OUTPUT BAKU 8. ALGORITMA GA & MOGA DALAM PENJADWALAN FLOW SHOP
KERANGKA PENELITIAN MOTION & TIME STUDY
DATA WAKTU KERJA + SETUP
DITAMBAH
PENJADWALAN DENGAN MULTI OBJECTIVE GA
DATA JOB PERUSAHAAN
PROSES PENELITIAN
4.1. KONDISI PT X
4.1. KONDISI PT X • 12 MESIN STRAIGHTENING & CUTTING (STAGE 1) • 2 MESIN BENDING (STAGE 2) • ALUR SELALU URUT STAGE 1 KE STAGE 2 COMPOUND FLOW SHOP • BOLEH JOB SPLITTING • ADA DUE DATE • ADA SETUP TIMES PADA STAGE 1 YANG LAMANYA TERGANTUNG PERUBAHAN DIAMETER ANTAR JOB : – DARI KECIL KE BESAR
- DARI BESAR KE KECIL
• OBYEKTIF : MULTI OBJECTIVE MINIMASI : – TOTAL TARDINESS – MAKESPAN
- JUMLAH JOB YANG TARDY - TOTAL SETUP TIMES
4.2 TIME & MOTION STUDY AMBIL DATA WAKTU AWAL : – PROSES STRAIGHTENING & CUTTING PER METER – SETUP STRAIGHTENING & CUTTING DIAMETER KECIL KE BESAR PER GANTI JOB – SETUP STRAIGHTENING & CUTTING DIAMETER BESAR KE KECIL PER GANTI JOB – PROSES BENDING PER BENDEL BESI • • • •
DIAMETER 2,7 – 3,5 = 50 BTG /BDL & DIAMETER 3,6 – 5,4 = 40 BTG / BDL DIAMETER 5,5 – 5,9 = 35 BTG / BDL & DIAMETER 6,0 – 6,4 = 30 BTG / BDL DIAMETER 6,5 - 6,9 = 25 BTG / BDL & DIAMETER 7 – 7,5 = 20 BTG / BDL DIAMETER 7,6 – 8,2 = 15 BTG / BDL
DIKERJAKAN OLEH OPERATOR LAIN: – MENYIAPKAN BAHAN – MATERIAL HANDLING
4.2. TIME & MOTION STUDY OUTPUT WAKTU BAKU
4.3. DATA JOB • DATA JOB YANG DITERIMA PT X : – 2 PEKAN : 5-10 APRIL 2010 + 12-17 APRIL 2010 – TOTAL : 99 JOB
• DATA JOB BERUPA TABEL, KOLOM BERISI : – KODE JOB – KODE IDENTITAS KONSUMEN – DIAMETER (DALAM MILIMETER) – PANJANG (DALAM METER) – JUMLAH BATANG (DALAM BIJI) – DUE DATE (DALAM HARI)
4.3. DATA JOB (CONTOH)
4.4 MENGOLAH DATA JOB JOB SPLITTING BILA PERLU – PERATURAN JOB SPLITTING : HANYA JOB YANG WAKTU PROSES STRAIGHTENING & CUTTING LEBIH DARI 1 SHIFT KERJA (8JAM) DAN DIBAGI RATA KE MESIN YANG MENGERJAKAN JUMLAH MESIN YANG MENGERJAKAN = INTEGER(WAKTU PROSES STAGE-1 / 8 JAM) + 1
WAKTU PROSES DI STAGE 1 (STRAIGHTENING & CUTTING) HITUNG DENGAN : JUMLAH BATANG X PANJANG / WAKTU BAKU STRAIGTENING & CUTTING PER METER WAKTU PROSES DI STAGE 2 (BENDING) HITUNG DENGAN : JUMLAH BATANG / JUMLAH BATANG PER BENDEL X WAKTU BAKU BENDING PER BENDEL TOTAL 99 JOB 214 SUBJOB
4.4 CONTOH DATA JOB SIAP DIOLAH
4.5. PENJADWALAN DI PT X • PEMILIHAN MESIN : – STAGE 1 : BEBAS, YANG PALING CEPAT AVAILABLE – STAGE 2 : BEBAS, SUBJOB SELESAI DI STAGE 1 & ADA MESIN AVAILABLE DI STAGE 2
• JOB DINYATAKAN SELESAI : SAAT SELESAI DI STAGE 2 • WAKTU SETUP : – KECIL KE BESAR – BESAR KE KECIL – DIAMETER TETAP
4.5. PENJADWALAN DI PT X • OBYEKTIF (PERSAMAAN DI SUBBAB 4.5) : – MAKESPAN : WAKTU SAAT SELESAINYA SEMUA JOB (SATUAN DETIK) – TOTAL TARDINESS : JUMLAH LAMA KETERLAMBATAN SEMUA JOB (SATUAN HARI) – JUMLAH JOB YANG TARDY : JUMLAH JOB YANG TARDINESS > 0 (SATUAN BUAH JOB) – TOTAL SETUP TIMES : JUMLAH WAKTU SETUP PENGERJAAN SEMUA SUBJOB (SATUAN DETIK)
4.6 ALGORITMA MOGA
4.6. ALGORITMA MOGA • 1 INDIVIDU : PERMUTASI JOB SEQUENCING YANG DIKERJAKAN MESIN STAGE-1 KE-1 S/D 12 – CONTOH : MESIN 1 : (1,…,5) ; MESIN 2 : (6,…, 10) ; …. ; MESIN 12 : (56,…,60)
• SOLUSI TIDAK TERDOMINASI DITAMPUNG DALAM HIMPUNAN SOLUSI OPTIMAL PARETO YANG BERISI JOB SEQUENCING TIAP MESIN DAN NILAI PENCAPAIAN SOLUSI TERSEBUT UNTUK TIAP OBYEKTIF
4.6. ALGORITMA MOGA • PARAMETER : – Npop = JUMLAH INDIVIDU DALAM 1 POPULASI = 10 & 20 – Ggen = JUMLAH GENERASI YANG DILAKUKAN = 20 & 50 – Pc = PROBABILITAS TERJADI CROSSOVER ANTAR 2 INDIVIDU TERPILIH = 0,7 – Pm = PROBABILITAS TERJADI MUTASI PADA INDIVIDU OFFSPRING HASIL CROSSOVER = 0,1 – nE = JUMLAH INDIVIDU ELITE (SOLUSI TIDAK TERDOMINASI) YANG DILIBATKAN DALAM TIAP GENERASI BARU 2 INDIVIDU
• STOPPING CRITERION : MENCAPAI Ggen • KOMBINASI PARAMETER TERBAIK AKAN DICARI DENGAN EKSPERIMEN
4.6. ALGORITMA MOGA • INDIVIDU (SOLUSI) AWAL SEJUMLAH Npop INDIVIDU : RANDOM • CEK NILAI PENCAPAIAN TIAP-TIAP OBYEKTIF UNTUK MASING-MASING INDIVIDU (PERSAMAAN DI SUBBAB 4.5) • INDIVIDU YANG TIDAK TERDOMINASI MASUK HIMPUNAN SOLUSI OPTIMAL PARETO – SEMUA OBYEKTIF NILAI PENCAPAIAN <= SOLUSI LAIN & SETIDAKNYA SATU OBYEKTIF NILAINYA < DARI SOLUSI LAIN MENDOMINASI
4.6 ALGORITMA MOGA • TAHAP ITERASI : HITUNG PROBABILITAS SELEKSI – – Nilai Wi random setiap generasi, Wi > 0,
• LAKUKAN CROSSOVER SESUAI NILAI Pc DAN SELANJUTNYA MUTASI SESUAI NILAI Pm
CROSSOVER PMX PARENT1 : (1,2,3…..,59,60) dan (1,2,3,4,5) PARENT2 : (1-5,60-56,6-10,…,26-30,35-31) dan (5,2,4,1,3)
• PILIH 2 TITIK ACAK SEBAGAI BATAS CROSSOVER • GEN DALAM BATAS CROSSOVER BERTUKAR DENGAN GEN DALAM BATAS CROSSOVER PARENT LAINNYA – PILIH TITIK ACAK : TITIK KE-21 DAN KE-40 & TITIK KE-2 DAN KE-3 – PARENT1 : (1,2,3…., 20| 11-15,50-46,16-20,45-41|,41,…, 60) dan (1,|2,4|,4,5) – PARENT2 : (1-5,…,55-51,|21-40|,21-25,..,35-31) dan (5,|2,3|,1,3)
• SEMUA GEN SISANYA DITULIS DENGAN URUTAN BERDASAR PADA PARENT SEMULA – PARENT1 : (1-10,21-30,|11-15,50-46,16-20,45-41|,31-40,51-60) dan (1,|2,4|,3,5) – PARENT2 : (1-5,…,55-51|21-40|,11-15,50-46,16-20,45-41) dan (5,|2,3|,1,4)
MUTASI SHIFT MUTATION • UNTUK MASING-MASING INDIVIDU HASIL CROSSOVER, DENGAN PROBABILITAS Pm : – PILIH 2 TITIK ACAK SEBAGAI TITIK MUTASI • MISAL : TITIK KE-21 DAN KE-25
– TITIK YANG DI BELAKANG MAJU MENEMPATI POSISI TITIK YANG DI DEPAN DAN SEMUA TITIK BERIKUTNYA DIGESER SAMPAI POSISI AWAL TITIK YANG DI BELAKANG • MISAL : (1,2,3…..,60) AKAN MENJADI SEPERTI INI : (1,2,….,20,|25,21,22,23,24|,26,….,60)
4.6 ALGORITMA MOGA • INDIVIDU HASIL MUTASI AKAN DIPERIKSA NILAI PENCAPAIAN PADA TIAP-TIAP OBYEKTIF DAN DIBANDINGKAN JUGA DENGAN INDIVIDU DALAM HIMPUNAN PARETO – TIDAK TERDOMINASI : MASUK PARETO – CEK APABILA ADA INDIVIDU PARETO YANG TERDOMINASI BUANG DARI PARETO
• CEK JUMLAH GENERASI YANG SUDAH TERJADI, BILA MENCAPAI Ggen STOP, BILA BELUM LAKUKAN ELITE STRATEGY DAN ITERASI LAGI • ELITE STRATEGY : BUANG SECARA ACAK SEJUMLAH Ne INDIVIDU HASIL MUTASI YANG TIDAK MASUK PARETO DAN DIGANTI DENGAN INDIVIDU ELITE DARI PARETO • KEMBALI ITERASI : KEMBALI KE PROSES SELEKSI
4.7 OUTPUT PENJADWALAN - MENAMPILKAN SELURUH SOLUSI TIDAK TERDOMINASI ANGGOTA HIMPUNAN PARETO BESERTA NILAI PENCAPAIAN OBYEKTIF
4.7. OUTPUT PENJADWALAN • NILAI PENCAPAIAN OBYEKTIF TIAP OUTPUT (4 KOMBINASI X 10 REPLIKASI) TABEL 4.19
- NILAI PENCAPAIAN OBYEKTIF TIAP OUTPUT = TABEL 4.19 (HALAMAN 121)
4.8 ANALISA HASIL • INTERPRETASI HASIL WAKTU BAKU, DATA JOB SIAP OLAH DAN HASIL HIMPUNAN PARETO DARI BERBAGAI KOMBINASI PARAMETER MOGA • MEMBANDINGKAN KOMBINASI PARAMETER GA YANG TERBAIK DENGAN METODE CHANG,DKK (2004) DAN UJI MEAN DUA POPULASI: – A : JUMLAH ANGGOTA HIMPUNAN PARETO – B : GABUNGKAN HIMPUNAN PARETO KEDUANYA DAN BUANG YANG TERDOMINASI PISAHKAN HASIL AKHIR KEMBALI KE HIMPUNAN MASING-MASING – C : NILAI INDEKS A / B
• PERBANDINGAN ANTAR KOMBINASI PARAMETER : – INDEKS A : 2-SAMPLE T SAMPEL DARI POPULASI INDEPENDEN – INDEKS C : PAIRED T SAMPEL DARI POPULASI DEPENDEN
4.8 ANALISA HASIL (INDEKS A)
4.8 ANALISA HASIL (INDEK B & C) • MEMPERTEMUKAN KEDUA OUTPUT PARETO • CEK YANG TERDOMINASI • HITUNG JUMLAH ANGGOTA MASING-MASING SETELAH DI-DUEL-KAN INDEKS B • INDEKS C = INDEKS B / INDEKS A
4.8 ANALISA HASIL (INDEKS B & C)
4.8 ANALISA HASIL
4.8 ANALISA HASIL (VS EXISTING) • MEMBANDINGKAN HASIL PENCAPAIAN OBYEKTIF ANTARA SOLUSI MOGA DENGAN SOLUSI EXISTING
5. KESIMPULAN & SARAN • MENYIMPULKAN : – MOGA DAPAT DIGUNAKAN UNTUK MASALAH PENJADWALAN DI PT X, HASIL CUKUP BAIK • SOLUSI BERIMBANG DENGAN KONDISI EXISTING
– KOMBINASI PARAMETER TERBAIK : Npop = 20 & Ggen = 50 496 ANGGOTA PARETO (10X REPLIKASI) – SOLUSI MOGA DAPAT MENJADI ALTERNATIF BAGI DECISION MAKER MENYESUAIKAN KONDISI PRIORITAS YANG DIHADAPI
• SARAN : – ASUMSI KETERSEDIAAN BAHAN BAKU DILEPAS – POPULASI AWAL BERDASAR ATURAN TERTENTU
DAFTAR PUSTAKA • Baker, K.R. dan Trietsch, D. (2009), Principles of Sequencing and Scheduling, John Wiley & Sons, New York. • Banks, J., Carson II, J.S., Nelson B.L., dan Nicol D.M. (2010), Discrete-Event System Simulation, 5th Edition, Prentice-Hall, New Jersey. • Chang, P.C., Hsieh, J.C., dan Wang, Y.W. (2004), “Development of Multi-Objective Genetic Algorithms for Scheduling”, Proceedings of the Fifth Asia Pasific Industrial Engineering and Management Systems Conference, Gold Coast, hal. 38.6.1-38.6.9. • Ciptomulyono, U. (2010), Paradigma Pengambilan Keputusan Multikriteria dalam Perspektif Pengembangan Projek dan Industri yang Berwawasan Lingkungan, Pidato Pengukuhan untuk Jabatan Guru Besar dalam Bidang Ilmu Pengambilan Keputusan Multikriteria pada Jurusan Teknik Industri, Institut Teknologi Sepuluh November, Surabaya. • Harrell, C., Ghosh, B.K., dan Boyden, R.O. (2003), Simulation Using Promodel, 2nd Edition, McGraw-Hill, New York. • Hejazi, S.R. dan Saghafian, S. (2005), “Flowshop-scheduling Problems with Makespan Criterion: A Review”, International Journal of Production Research, Vol. 43, No. 14, hal 2895-2929.
DAFTAR PUSTAKA • Kelton, W., Sadowski, R.P., dan Sturrock, D.T. (2009), Simulation with Arena, 5th Edition, McGraw-Hill, New York. • Konak, A., Coit, D.W., dan Smith, A.E. (2006) “Multi-Objective Optimization Using Genetic Algorithms: A Tutorial”, Reliability Engineering and System Safety, Vol. 91, hal. 992-1007. • Kordoghli, B., Jmali, M., Saadallah, S., dan Liouene, N. (2010), “MultiObjective Scheduling of Flow Shop Problems in Finishing Factories using Genetic Algorithms”, Journal of Textile and Apparel, Technology and Management, Vol. 6, No. 3, hal. 1-10. • Morton, T.E. dan Pentico, D.W. (1993), Heuristics Scheduling Systems: With Applications to Production Systems and Project Management, John Willey & Sons, New York. • Murata, T., Ishibuchi, H, dan Tanaka, H. (1996), “Multi-Objective Genetic Algorithm and Its Applications to Flowshop Scheduling”, Computers and Industrial Engineering, Vol. 30, No. 4, hal. 957-968. • Nagano, M.S. dan Moccellin, J.V. (2002), “A High Quality Solution Constructive Heuristic for Flow Shop Sequencing”, Journal of The Operational Research Society, Vol. 53, No. 12, hal. 1374-1379.
DAFTAR PUSTAKA • Nagano, M.S., Ruiz, R., dan Lorena, L.A.N. (2008), “A Constructive Genetic Algorithm for Permutation Flowshop Scheduling”, Computers and Industrial Engineering, Vol. 55, No.1, hal. 195-207. • Nahmias, S. (2009), Production and Operations Analysis, 6th edition, McGrawHill, New York. • Oguz, C. dan Cheung, B. (2002), “A Genetic Algorithm for Flow-shop Scheduling Problems with Multiprocessor Tasks”, Proceedings of The Eight International Workshop on Project Management and Scheduling, EURO (The Association of European Operational Research Societies) Working Group on Project Management and Scheduling, Valencia, hal. 282-287 • Pinedo, M.L. (2008), Scheduling: Theory, Algorithms, and Systems, 3rd edition, Springer, New York. • Pitrasari, R.O, Wiratno, S.E., dan Suwignjo, P. (2009), Penjadwalan Dua Mesin Flow Shop Untuk Meminimasi Total Tardiness Dengan Memperhatikan Ketidaktersediaan pada Kedua Mesin, Tugas Akhir Jurusan Teknik Industri, Institut Teknologi Sepuluh November, Surabaya.
DAFTAR PUSTAKA • Ruiz, R. dan Vazquez-Rodriguez, J.A. (2010), “The Hybrid Flow Shop Scheduling Problem”, European Journal of Operation Research, Vol. 205, No. 1, hal. 1-18. • Seda, M. (2007), “Mathematical Models of Flow Shop and Job Shop Scheduling Problems”, Proceedings of World Academy of Science, Engineering, and Technology, Vol. 31, hal 122-127. • Tabucanon, M.T. (1988), Multiple Criteria Decision Making in Industry, Elsevier, Amsterdam. • Vallada, E. dan Ruiz, R. (2010), “Genetic Algorithms with Path Relinking for The Minimum Tardiness Permutation Flowshop Problem”, OMEGA: The International Journal of Management Science, Vol. 38, Vol. 1-2, hal. 57-67. • Verma, S. dan Singhal, P. (2009), “Flow-Shop Sequencing Model using Genetic Algorithm” International Journal of Computational and Applied Mathematics, Vol. 4, No. 2, hal. 111-114. • Wignjosoebroto, S. (1986), Teknik Tata Cara dan Pengukuran Waktu Kerja. Guna Widya, Jakarta.
DAFTAR PUSTAKA • Vollmann, T.E., Berry, W.L., Whybark, D.C., dan Jacobs, F.R. (2005), Manufacturing Planning and Control for Supply Chain Management, 5th Edition, McGraw-Hill, New York. • Zdansky, M. dan Pozivil, J. (2002), “Combination Genetic / Tabu Search Algorithm for Hybrid Flowshops Optimization”, Proceedings of ALGORITMY: Conference on Scientific Computing, Slovak University of Technology, Podbanske, hal. 230-236. • Zhang, L., Wang, L., dan Zheng, D.Z. (2006), “An Adaptive Genetic Algorithm with Multiple Operators for Flowshop Scheduling”, The International Journal of Advanced Manufacturing Technology, Vol. 27, No. 5-6, Springer, London, hal. 580-587.
2.1. FRAMEWORK HIRARKI PENJADWALAN (NAHMIAS, 2009; VOLLMANN DKK, 2005) FORECAST
AGGREGATE PLANNING
MPS
MRP
SHOP FLOOR CONTROL
2.2. TERMINOLOGI UMUM (NAHMIAS, 2009; BAKER & TRIETSCH, 2009) • FLOW SHOP / JOB SHOP • FLOW TIME DAN MAKESPAN • COMPLETION TIME VS DUE DATE LATENESS (TARDINESS & EARLINESS) • BERBAGAI SEQUENCING RULES : – RANDOM, EDD, FIFS, SPT, ST/O – PEMILIHAN SEQUENCING DAPAT MEMBERI HASIL YANG SIGNIFIKAN PADA OBYEKTIF SESUAIKAN DENGAN OBYEKTIF
2.3. PENJADWALAN FLOW SHOP • SKIP SHOP
FINITE QUEUE SHOP
• REENTRANT FLOW SHOP COMPOUND FLOWSHOP
2.4. NOTASI DALAM PENJADWALAN • DALAM TRIPLET α|β|γ (PINEDO, 2008) • α ADALAH PARAMETER STRUKTUR PERMASALAHAN – α1 = KONDISI LINGKUNGAN, MISAL : FH HYBRID (COMPOUND) FLOW SHOP – α2 = JUMLAH STAGE, DI PT X = 2 – α3 = KONDISI MESIN PARALEL {P,Q,R}|α4 > 1 DAN HIMPUNAN KOSONG – α4 = JUMLAH MESIN, DI PT X STAGE 1 = 12 DAN STAGE 2 = 2
• β ADALAH PARAMETER CONSTRAINT, DI PT X: – Dj : ADA DUE DATES – Ssd(1) : SEQUENCE DEPENDENT SETUP TIMES PADA STAGE 1
• γ ADALAH PARAMETER TUJUAN, DI PT X: – {T,U,C,SETUP} : TOTAL TARDINESS, JUMLAH JOB YANG TARDY, MAKESPAN, DAN TOTAL SETUP TIMES
• SECARA KESELURUHAN, NOTASI PENJADWALAN PT X ADALAH: – FH2 (P12(1),P2(2))|Dj,S (1)|{T,U,C,SETUP}
2.5. SOLUSI PENJADWALAN • MANUAL (MORTON & PENTICO, 1993) • SIMULASI – ARENA (KELTON DKK,2009), PROMODEL (HARRELL DKK, 2004), SPREADSHEET (BANKS DKK, 2010)
• PROGRAMA MATEMATIS / EKSAK PROGRAM TERLALU BERAT RAWAN ERROR (SEDA, 2007) – SOFTWARE GAMS, SOLVER, LINDO – INTEGER NON LINEAR PROGRAMMING (PITRASARI DKK, 2009)
• HEURISTIK (HEJAZI&SAGHAFIAN, 2005; NAGANO&MOCCELLIN,2002) – JOHNSON, PALMER, CDS, GUPTA, NEH, DSB. – ALGORITMA JOHNSON DAN NEH YANG PALING TERKENAL
• METAHEURISTIK (HEJAZI & SAGHAFIAN, 2005) – TABU SEARCH (TS), SIMULATED ANNEALING (SA), ANT COLONY OPTIMIZATION (ACO), GENETIC ALGORITHM (GA) – GA : MUDAH UNTUK APLIKASI NON OBYEKTIF, UNGGUL PERMASALAHAN KOMBINATORIAL (RUIZ & VAZQUEZ-RODRIGUEZ,2010) , LANGSUNG MENCARI SOLOUSI DALAM SUATU POPULASI YANG LUAS (TIDAK TERJEBAK KONVERGENSI)
2.6. MULTI OBYEKTIF DALAM FLOWSHOP • MADM VS MODM (TABUCANON, 1988) PENJADWALAN MASUK DALAM MODM (TABEL 2.1) • MULTI KRITERIA / MULTI OBYEKTIF : LEBIH DARI SATU OBYEKTIF DIPERTIMBANGKAN SEKALIGUS & SALING BERKONFLIK • HANYA “PUAS” DENGAN SOLUSI TIDAK TERDOMINASI HIMPUNAN SOLUSI OPTIMAL PARETO • APLIKASI GA UNTUK MULTI OBYEKTIF MOGA • MOGA TERBUKTI EFEKTIF DIBANDING METODE LAIN (HEJAZI & SAGHAFIAN, 2005; RUIZ & VAZQUEZRODRIGUEZ, 2010; MURATA DKK, 1996 ; CHANG DKK, 2004)
2.7. WAKTU BAKU & OUTPUT BAKU • TERMASUK TIME & MOTION STUDY • METODE PALING POPULER DENGAN BANTUAN STOP WATCH (WIGNJOSOEBROTO, 1986) • WAKTU BAKU : WAKTU MELAKUKAN SUATU AKTIVITAS OLEH OPERATOR NORMAL DALAM KONDISI NORMAL • OPERATOR NORMAL : PERLU PERFORMANCE RATING • KONDISI NORMAL : PERLU ALLOWANCE • PENGUJIAN DATA : KENORMALAN, KESERAGAMAN, DAN KECUKUPAN DATA (PERSAMAAN 2.1) • PERHITUNGAN WAKTU NORMAL : PERSAMAAN 2.2 • PERHITUNGAN WAKTU BAKU : PERSAMAAN 2.3 • PERHITUNGAN OUTPUT BAKU : PERSAMAAN 2.4
2.8. GA DAN MOGA • DARI JOHN HOLLAND PADA TAHUN 1975 • MUDAH DIAPLIKASI DAN BISA DIVARIASI TERGANTUNG PENELITI MASING-MASING (KONAK DKK, 2006; NAGANO DKK, 2008; VALLADA & RUIZ, 2010; VERMA & SINGHAL, 2009) • BISA DIGABUNG DENGAN ALGORITMA LAIN (ZDANSKY & POZIVIL, 2002) • PRINSIP DASAR : – INDIVIDU ADALAH GAMBARAN SOLUSI POTENSIAL – MELAHIRKAN POPULASI AWAL SEJUMLAH N INDIVIDU – MENGEVALUASI NILAI FUNGSI OBYEKTIF DAN FITNESS VALUE MASINGMASING INDIVIDU – MELAKUKAN SELEKSI UNTUK REPRODUKSI : INDIVIDU YANG BAIK (FITNESS VALUE TINGGI) PUNYA PROBABILITAS LEBIH BESAR – 2 METODE REPRODUKSI : CROSSOVER DAN MUTASI, DETAIL METODENYA TERGANTUNG MASING-MASING PENELITI DAN MASIH TERUS DIKEMBANGKAN (ZHANG DKK, 2006; OGUZ & CHEUNG, 2002) – MENGEVALUASI INDIVIDU BARU DAN MEMPERBAIKI SOLUSI TERBAIK YANG DIPERTAHANKAN DAN KEMBALI MELAKUKAN ITERASI
TIME & MOTION STUDY
4.2. TIME & MOTION STUDY PENGOLAHAN DATA WAKTU BAKU DAN SETUP – UJI KENORMALAN DATA KS TEST – UJI KECUKUPAN DATA CONTROL CHART – UJI KECUKUPAN DATA PERSAMAAN 2.1 – PERFORMANCE RATING WESTINGHOUSE (LAMPIRAN 1) – ALLOWANCE TABEL ALLOWANCE (LAMPIRAN 2) – HITUNG WAKTU BAKU & OUTPUT BAKU (PERSAMAAN 2.3 DAN 2.4)
OUTPUT : WAKTU BAKU