Tugas Mata Kuliah E-Bisnis REVIEW TESIS
Desain Algoritma Genetika Untuk Optimasi Penjadwalan Produksi Meuble Kayu Studi Kasus Pada PT. Sinar Bakti Utama (oleh Fransiska Sidharta dibawah bimbingan Prof.Kudang Boro Seminar) Disusun oleh Rizal Bahara P056120232.41E
Dosen Dr. Ir. Arif Iman Suroso, MSc.
MAGISTER MANAJEMEN BISNIS PROGRAM PASCASARJANA MANAJEMEN DAN BISNIS 2014
1. Identifikasi Judul Jurnal : Desain Algoritma Genetika Untuk Optimasi Penjadwalan Produksi Mebel Kayu (Studi Kasus Pada PT. Sinar Bakti Utama) Nama Penulis : Fransiska Sidharta Nama Universitas : IPB Dosen Pembimbing : Prof. Kudang Boroseminar 2. Latar Belakang Perjadwalan Produksi mebel kayu merupakan persoalan pengurutan tahapan produksi yang dip roses pada mesin-mesin tertentu dengan urutan pengerjaan yang berbeda untuk setiap jenis produk yang berbeda. Dengan banyaknya jumlah pesanan yang masuk perlu di gunakan metode untuk mencari semua kemungkinan kombinasi penjadwalan untuk mendapatkan solusi yang optimal Pencarian semua kemungkinan kombinasi penjadwalan ini dilakukan dengan menggunakan metode algoritma genetika. Digunakan 3 proses dasar algoritma genetika yaitu : proses seleksi, proses crossover dan proses mutasi untuk mencari solusi yang paling optimum dari banyak kemungkinan kombinasi solusi. 3. Tujuan a. Merancang Algoritma Genetika untuk optimasi penjadwalan produksi kayu b. Implementasi algoritma tersebut dalam sebuah prototype program aplikasi 4. Pemasalahan a. Produksi meubel kayu pada PT. Sinar Bakti Utama mengalami beberapa keterlambatan yang disebabkan kurang teraturnya jadwal produksi yang dibuat secara manual. Hal ini berdasarkan tinjuan awal pada pabrik tersebut b. Belum ada suatu metode penjadwalan yang optimal pada pabrik meubel kayu.
5. Kerangka Pemikiran dan Metode Penelitian
6. Konsep dan Teori Algoritma Genetika Algoritma genetika (GA) merupakan suatu metode pencarian yang didasarkan pada mekanisme dari seleksi dan genetika natural (Haupt dan Haupt 2004). Proses GA dapat dilihat pada Gambar 3.
GA digunakan untuk menemukan solusi dalam masalah yang kompleks melalui kumpulan-kumpulan metode atau teknik seperti fungsi evaluasi (fitness function), pindah silang, mutasi, dan seleksi alam (Owais et al., 2005). Walaupun algoritma genetika sudah banyak digunakan di bidang pertanian dan agroindustri secara umum seperti yang dilakukan (Mardle dan Pascoe 2000, Matthews et al., 2005, Mayer et al., 2001, Sarker dan Ray 2009, Stewart et al., 2004, Zhang et al., 2009), namun publikasi penggunaan algoritma genetika untuk optimasi rantai pasok produk hortikultura belum banyak ditemukan. GA dikarakterisasi dengan 5 komponen dasar yaitu : 1. Representasikan kromosom untuk memudahkan penemuan solusi dalam masalah pengoptimasian. 2. Inisialisasi populasi. 3. Fitness function yang mengevaluasi setiap solusi. 4. Proses genetik yang menghasilkan sebuah populasi baru dari populasi yang ada.
5. Parameter seperti ukuran populasi, probabilitas proses genetik, banyaknya generasi, dan lain-lain.
Definisi Algoritma genetika adalah algoritma komputasi yang diinspirasi teori evolusi yang kemudian diadopsi menjadi algoritma komputasi untuk mencari solusi suatu permasalahan dengan cara yang lebih “alamiah”, algoritma genetik juga merupakan algoritma pencarian secara heuristik. Salah satu fungsinya ialah untuk mencari solusi atas permasalahan optimasi kombinasi, yaitu mendapatkan suatu nilai solusi optimal terhadap suatu permasalahan yang mempunyai banyak kemungkinan solusi. Teori dasar dari Algoritma Genetika dikembangkan oleh John Holland awal tahun 1975 di Universitas Michigan, Amerika Serikat. Dimana prinsip algoritma genetik diambil dari teori Darwin yaitu setiap makhluk hidup akan menurunkan satu atau beberapa karakter ke anak atau keturunannya. Penyelesaian menggunakan algoritma genetik sangat berpengaruh dari kromosom yang dibangun, dimana kromosom ialah sebuah molekul yang berisi DNA dimana terdapat informasi genetik dalam setiap sel gen yang disimpan. Komponen Algoritma Genetik Algoritma genetik terdiri dari delapan komponen, yang bertugas untuk menunjang dari optimasi tersebut, adapun komponen tersebut ialah, skema pengkodean, nilai fitness, seleksi orang tua, pindah silang, mutasi, elitisme, penggantian populasi dan kriteria penghentian. Skema Pengkodean Untuk dapat diproses menggunakan algortima genetik, suatu permasalahan harus dikonversi dahulu kedalam bentuk individu yang diwakili oleh satu atau lebih kromosom dengan kode tertentu. Hal ini berbeda dengan teori genetika di dunia nyata. Algoritma genetik merepresentasikan gen secara umum, sebagai bilangan real, desimal atau biner yaitu: 1. 2. 3.
Real number enconding. Pada skema ini, niai gen berada dalam interval [0,R] dimana R ialah bilangan real positif dan biasanya R = 1. Discrete decimal enconding. Pada skema ini setiap gen bisa berupa deretan bilangan bulat dalam interval [0.9]. Binary enconding. Setiap gen bisa berupa deretan nilai 0 atau 1.
Nilai Fittnes Nilai fitness dalam sebuah algoritma genetik menggambarkan tingkat kovergensi keoptimalan algoritma dimana yang diharapkan adalah nilai fitness yang optimal dalam hal ini angka tertinggi ialah nilai terbaik. Dalam evolusi dunia nyata, individu bernilai fitness tinggi akan bertahan hidup, sedangkan yang memiliki nilai fitness rendah akan gugur atau mati. Pada algoritma genetik, fitness biasanya dapat berupa fungsi objektif dari masalah yang akan dioptimalisasi. Kromosom-kromosom diseleksi menurut nilai fitnessmasing-masing Kromosom yang kuat mempunyai kemungkinan tinggi untuk bertahan hidup pada generasi berikutnya. Seleksi Orang Tua Seleksi merupakan proses pemilihan kromosom dari generasi lama untuk dijadikan orangtua yang akan saling kawin silang untuk membentuk kromosom baru digenerasi baru, dalam hal ini kita menggunakan seleksi roda roulette (roulette wheel selection). Dalam hal ini pemilihan dua buah kromosom sebagai orang tua (parent) dilakukan secara proposional sesuai dengan nilai fitnessnya. Dimana kromosom yang memiliki nilai fitness tertinggi akan menempati potongan yang lebih besar pada lingkaran daripada kromosom dengan nilai fitness yang lebih rendah. Contoh metode roulette-wheel dapat diilustrasikan sebagai berikut.
Pada contoh diatas, nilai dari S1 memiliki nilai fitnes yang paling besar, dengan demikian peluang dari S1 untuk terpilih menjadi orang tua sebesar 0.277 sedangkan untuk nilai S2 dan S3 memiliki peluang yang sama sebesar 0.138 Pindah Silang Menurut George F.Luger dan William A. Stubblefield dalam buku Artificial Intelegence Structures and Strategies For Complex Promblem Solving. Kekuatan dari algoritma genetik ialah pada kemampuan pencarian mereka dalam pindah silang, dimana algoritma
genetik
menerapkan
mempertahankan
beberapa
solusi
terbaik,
dan
menghilangkan solusi yang tidak bagus. Komponen pindah silang digunakan untuk membentuk keturunan baru berdasarkan orangtua yang terpilih. Komponen ini sangat
dominan dalam algoritma genetik dibandingkan dengan komponen mutasi. Dan jumlah kromosom yang digunakan sebanyak dua buah kromosom. Pindah silang dilakukan dengan harapan kromosom-kromosom baru akan mempunyai bagian baik dari kromosom-kromosom lama dan tidak menutup kemungkinan menjadi kromosom-kromosom yang lebih baik Skema dari pindah silang ini ialah, dengan mendapatkan dua buah individu orang tua, selanjutnya ditentukan titik pindah silang secara acak. Jika diasumsikan L adalah panjang kromosom, maka titik pindah silang berada diantara 1 hingga L-1, kemudian beberapa bagian dari dua kromosom ditukar pada titik pindah silang yang terpilih. Titik pindah silang ialah titik terjadinya pertukaran gen antar dua individu orang tua.
Mutasi Mutasi diperlukan untuk mengembalikan informasi bit yang hilang akibat pindah silang. Mutasi diterapkan dengan probabilitas yang sangat kecil. Jika mutasi dilakukan
terlalu sering, maka akan menghasilkan individu yang lemah karena konfigurasi gen pada individu yang unggul akan dirusak. Berdasarkan bagian yang termutasi, proses mutasi dapat dibedakan atas tiga bagian.
Eliteisme Karena seleksi dilakukan secara acak, maka tidak ada jaminan bahwa suatu individu bernilai fitnes tertinggi akan selalu terpilih. Kalaupun individu bernilai fitnes tertinggi terpilih, mungkin saja akan menjadi rusak karena proses pindah silang. Untuk menjaga agar individu bernilai fitnes tertinggi tersebut tidak hilang selama evolusi, perlu dibuat satu atau dua kopinya. Prosedur ini dikenal sebagai elitisme. Prosedur ini hanya digunakan pada algoritma genetic berjenis generational replacement. Penggantian Populasi Pada algoritma genetik berjenis generational replacement, N individu pada suatu generasi digantikan sekaligus oleh N individu baru hasil pindah silang dan mutasi. Untuk mempertahankan individu terbaik, diperlukan skema elitisme. Adapun prosedur penggantian populasi pada algoritma genetik ialah:
1. 2. 3.
Mengganti individu yang memiliki nilai fitnes terkecil. Mengganti individu yang paling tua. Membandingkan anak dengan kedua orang tua, apabila anak memiliki nilai menggantikan orang tua yang memiliki nilai fitnes terendah.
Kriteria Penghentian Terdapat beberapa syarat penghentian yang digunakan pada proses perulangan. 1. 2. 3.
Memberikan batasan jumlah iterasi, apabila batas iterasi tersebut tercapai dan nilai fitnes tertingi sebagai solusi. Memberikan batasan waktu proses algoritma genetic Menghitung kegagalan penggantian anggota populasi yang terjadi secara berurutan sampai jumlah tertentu.
7. Tahapan Penelitian dan Lokasi Lokasi penelitian adalah di PT. Sinar Bakti Utama Cimanggis Bogor. Tahapan penelitian di lakukan dengan melakukan penelitian pendahuluan, identifikasi masalah, studi pustaka, perumusan tujuan penelitian, pengumpulan data, pemodelan algoritma genetika, dan terakhir adalah implementasi algoritma kedalam bentuk protype program.
8. HASIL DAN PEMBAHASAN Perancangan algoritma genetika 4 hal dasar yang di terapkan sebelum merancang algoritma genetika adalah pemilihan jenis representasi masalah, pemilihan operator genetika, penerapan fungsi fitness dan penerapan parameter gentika. Metode pemilihan representasi masalah di lakukan dengan representasi kedalam bentuk string. Tipe pengkodean pada representasi dalam bentuk string dapat berbentuk binary encoding, permutasi encoding dan value encoding. Pada penelitian ini menggunakan permutation encoding. Satu gen mewakili satu operasi, nilai yang terdapat dalam gen tersebut mewakili nomor job dan nomer urut tahapan produksi operasi tesebut. Jika ada n Job dan tiap job maksimal terdiri dari m operasi maka panjang string maksimal adalah n x m gen. Tabel 1. Contoh tahapan produksi yang direpresentasikan ke string
Tipe Produk 2210
1-1
3-3
Job
Tahap 1
Tahap 2
Tahap 3
Job 1 Job 2 Job 3 Job 4
1,5 1,5 2,3 3,3
2,6 2,4 5,5 5,5
5,3 3,6 6,5 8,4
2-3
4-3
2-2
4-1
3-1
1-3
4-2
2-1
3-2
1-2
Gambar 1. Contoh representasi string untuk tabel 1 Pemilihan Operator Genetika
Operator genetika yang dipakai pada perancangan algoritma genetika terdiri dari operator seleksi, operator crossover dan mutasi. Operator seleksi digunakan elitism yaitu membuat sejumlah string terbaik tiap generaso akan otomatis diturunkan ke generasi berikutnya. Operator crossover yang digunakan adalah precedence preservative crossover, dimana string baru di susun secara acak dari gen dua string induk. Angka acak 1 atau 2 dipakai untuk memilih induk. Jika 1 diturunkan gen paling kiri dari induk pertama lalu gen tersebut di hapus dari induk kedua. Jika 2 di turunkan gen paling kiri dari induk kedua lalu gen tersebut di hapus dari induk pertama, proses di lakukan sampai karakter dikedua induk tersebut habis. Penetapan Fungsi Fitness
Pada penjadwalan ini fungsi fitness yang menjadi parameter setiap string adalah jumlah waktu efektif pengoperasian mesin pada jadwal. Faktor yang mempengaruhi nilai fitness adalah prosedur pengubahan string menjadi sebuah jadwal, karena dengan prosedur tersebut ditentukan waktu mulai dan waktu selesai sebuah operasi pada mesin, mesin yang dipakai untuk operasi-operasi tersebut dan akan prosedur ini juga menntukan waktu delay pada sebuah jadwal.
Penerapan Parameter Genetika Parameter genetikan berguna untuk pengedalian operator-operator genetika, parameter yang digunakan adalah ukuran populasi, jumlah generasi, probabilitas crossover dan probabilitas mutasi. Pada penelitian ini ukuran populasinya 20, jumlah generasi 100, dan probabilitas crossover 80% dan probabilitas mutasi 1% Pemodelan Matematika Penjadwalan Penjadwalan yang dimaksud adalah proses penyusunan jadwal dari string. Untuk menjelaskannya perlu di tetapkan beberapa notasi seperti tabel dibawah. Tabel 2. Notasi dalam pemodelan matematika penjadwalan Notasi
Penjelasan
O
Operasi (job)
On
Operasi ke n dimana 1
Ts ( On)
Waktu start dari On
Tp ( On)
Periode eksekusi mesin oleh On
Tf ( On)
Waktu finish dari On
Mi
Nomer mesin jenis i
Hasil Peracangan Algoritma Genetika
Gambar 2. Hasil output jadwal
Gambar 3. Grafik Nilai Fitness
9. KESIMPULAN
a. Pada Penelitian ini telah di kembangkan desain algoritma genetika untuk optimasi penjadwalan produksi meubel kayu b. Pada Penelitian ini telah di implementasikan algoritma tersebut pada sebuah prototype program aplikasi
10. SARAN a. Dapat di lakukan perancangan sistem informasi produksi pada pabtik meubel kayu tersebut b. Terdapat kemungkinan perbedaan kapasitas mesin untuk jenis mesin yang sama, oleh karena itu dapat di rancang kembali algoritma yang memperhitungkang keausan mesin ataupun adanya mesin yang baru dimana mesin tersebut mempunyai kapasitas yang berbeda dari mesin sebelumnya c. Terdapat kemungkinan timbulnya konsekuensi kerja yang belum diantisipasi sebelumnya sebagai akibat dari penerapan penjadwalan ini.
