Aplikasi Algoritma Genetik untuk Optimasi Masalah Penjadwalan Flow-Shop

(1)

APLKASI ALGORITMA GENETIK

UNTUK OfIMASI MASALAH PENJADWALAN

FLOWSHOP

Oleh

ENDRA GUNAWAN

F03498039

2003

JURUSAN TEKNOLOGI INDUSTRI PERTANIAN

FAKULTAS TEKNOLOGIPERTANIAN

INSTITUT PERTANIAN BOGOR

BOGOR

(2)

'itiout

w

s, ...

nuaniy

o[

not aaance.

itiout goa. ...

e

no reason

o

tnini,

. itiout actio, ...

•

. e

can not eaci our o6jectives.

I

On qls .

.. , I

tmn�u are vey

'at" .

• ou can 'emem6er" wiot you'e

Oe

6efore .

• You can 'kam" om your searcn-eene .

• lna you can even 'ca" tne name f tne 6eautf gin

for tne irst time at generation

47".

O. qls ... , just for tne gin (ana my parents)

I ef'ate tiis tnesis.

(3)

Hendra Gunawan. F03498039. Aplikasi Algoima.Geneti. ontuk Optimasi Masalah Penjadwalan FoShp. Dibawah bimbingan Yandra Arkeman dan Hartrisari Hardjomidjojo.2003.

RINGSAN

Masalah enjadwalan mesin produksi telah menjadi perhatian utama para praklisi yang berkecimpung dalam dunia industri, baik industri manufaktur maupun industri berbasis ertanian (aroindusri). Salah satu enyebabnya. adalah adanya kesulitan menemukan teknik yang tepat untuk membuat jadwal prduksi yang paling bai., paling optimal, dan memenuhi segala riteria-riteria enjadwalan yang ditetapkan. Teknik-tenik penyusunan jadwal produksi yang sudah ada (teknik konvensional) tidak dapat dipakai karena teknik-teknik tersebut memiliki banyak kelemahan dahim menangani h berskala besar dan komplek. Salah atu masalah yang tergolong

kompJek dan r dieeahkan adalah maalah enjadwaln

flow

-

shop

berskala besar.

Algorima geneik, sebagai salah satu tenik dalam bidang ilmu Kcerdasan Buatan

(Articial Intelligence),

termasuk tenik pencarian yang bersifat

robust (gh),

adaptif, dan eisien. Dalam encariannya. aigorima genetik meniru proses evolusi dan perubahan sruktur genetik pada makhluk hidup. Algorima genetik sangat eocok untuk memeeahkan masalah optimasi yang sukar atau kompJek

(Drd or complex optimization

problems)

yang tidak dapat dieeahkan dengan teknik-teknik penearian dan optimasi konvensional, sepeti teknik kalkulus dan teknik enumeratif. Kesukaran terjadi karena teknik-teknik konvensional tersebut sangat tidak eisien, tergantung kepada adanya nsi turunan, dan tidak dpat menangani masalah berskala besar.

Penelitian ini bertujuan untuk mengaplikasikan algoriuna genetik dalam bidang penjadwalan produksi vaitu uotuk masalah

flow-shop

deteministik tanpa kendala

(unconstrained-deterministic low-shop)

berskala besar. Implementasi algoritma genetik dalam proram komputer menkan bahasa emroraman

Borland Pascal

7.0. Proram yang dikembangkan disebt

FShop_GA.

Representasi kromosom menggunakan

order-based representation,

penyilangan megn

Partially-Mapped Crossover

(PX), mutasi menggunakan

swap mutation,

dan eleksi menggunakan

roulette-wheel

selection.

Studi s i literatur digunakan untuk mendemonstrasikan proram

FShop_GA.

Dalam peneliian i din dua s yaitu Kasus

1

(masalah 4

job

-

2

mesin) dan Kasus 2 (masalah

8

job

- 3 mesin ). Kedua kasus tersebut merupakan persoalan yang terdapat dalam buku

Intelligent Mnufactring Systems

(Kusiak,

1990).

Masing-masing kasus memiliki besar g pencarian yang berbeda yang nilaiya tergantung kepada jumlah permutasi

job.

Kasus 1 memiliki besar ruang penearian

24 (4!=24)

sedangkan Kasus

2

memiliki ruang pencarian yang lebih besar yaitu

40320 (81=40320).

Besamya ruang penearian tersebut dinyatakan dalam banyaknya jumlah kromosom. Kasus 1 digunakan untuk menguji kebenaran program algoritma genetik yang dikembangkan.

(4)

SMRY

Machine sceduling problems ave e an interest topic of discussiun for they who actively involved in indl ield, including aro-indusrial tor. e of the main reasons is the diiculty in fmding the et ad te most ape method for solving the problems. Convenional methds, e lus-based or meraive search, could not he used because of their weaness in olving large-scale ad omplex machine scheduling problems. One of tem is low-shp poblms. .

Geneic algorithms (GAs), as one of e Ariicial Intelligence tol, have proved as one of searching and optimizaion methd at n solve large-scae and coplex optimization problems eiciently. In searching the best soluion, GAs work by mimicing the process of evolution and natural geneics. GAs s appropriate for solving hard or complex opimizaion problems hat culd not be solvd by usig conventional methods like calculus-based or enumerative-scare&.

The aims of this research is applying GAs for solving WlOned large-scale low-shop problems. For its implemenaion, integer numer (order repreenaion) is used for chromosome representation, PX ms is d for crossover, swap mehods is d for mutation, and roulette whel methds s d for selecion.

Case study taken from reference s coducted to demonsrate the soe develoed- called

FShop_GA.

Two ce namely Case 1 (4 jobs- 2 machine) and Case 2 (8 jobs - 3 machine) re taken rom Kk (1990). Case 1 as 24 (41-24) alative schedules in its search space and Case 2 s 40320 (8!=40320) alteaive schedules in is search space. In this research, Case 1 is d o chck the validity of output of

FShop _ GA

compared with enumerative search.

(5)

FAKULTAS TENOLOGIPERTANlAN INSTlTUT PERTANIAN BOGOR

APLKASI ALGORITMA GENETIK

UNTUK OTIMASI MASALAH PENJADWALAN

FLOWSHOP

SRIPSI

Sebagai salah satu syarat uutuk memperoleh gelar

SARJANA TEKNOLOGIPERTANIAN

pada Fakultas Teknologi Pertaniao

nstitut Pertanian Bogor

Oleb

ENDRA GUNAWAN F03498039

Dilahirkao di Ja

pada tanggal12 April 1980

Taoggal kelulusao: 20 Jaouari 2003

(6)

1

KATA PENGANTAR

Puji dan syukur penulis panjaan kehadirat Allah SWT ea atas segala rahmat dan kaunia-Nya, penulis dapat menyelesaikan skripsi ini. Tena yang dipilih dalam penelitian ini adalah Algoritma Genetik, dengan judul Aplikasi Algoritma Genetik untuk Optimasi Masalah Penjadwalan Flow-Shop.

Penulis mengucapkan terima kasih kepada semua pihak yang telah banyak membantu dalam penyelesaian skripsi ini, antara lain kepada :

1. Dr. r. Yanlra Arkeman. Eng., selaku dosen pembimbin� I yang tel�

"mementuk" saya dengan memberikan pengar�an dan enlightment yang sangat erhara, bai. selama perkuliahan maupun dalam penyelesaian skripsi.

2. Dr. .

aii

Hardjomidjojo, DEA , selaku dosen pembimbing II yang telah memeri pemikiran-pemikiran erharga tentang dasardasar melakukan penelitian seara ilmiah, khususnya dalam bidang manajemen sains.

3. r. Tauk Djatna selaku dosen penguji yang telah memberi masukan berharga untuk kesempumaan penyajian skripsi i.

4. Kedua orangtua dan adik-adik penulis (Hendri, Nina, Taufik, Fikri) yang telah

memerikan perhatian, semangat, dan do'a dengan tulus ikhlas.

5. Rekan-rekan se-bimbingan (Neng Adi, Dian Eko, Tono, Amin, Dina, Agung) atas kekompakannya selama pembimbingan.

6: Rekan-rekan se-angkatan (TN'35) yang telah memberikan bantuan, baik bantuan moril maupun materil, dan praktikan mata kuliah Penerapan Komputer (TN'36 dan TIN'37) yang !elah menambah kesibukan penulis selama erkuliahan.

7. _{Rekan-rekan keja di LNK Computer - Darmaga}

(Ms

Ariadi, bak Lia, Siska, Dadan. Sahadi, Didik, Gono, Asep, Agung, Rivol, Egie, Adi Kumis, Opik, Acung, Markus) atas segala bantuan dan kerjasamanya.

Semoga skripsi ini bennanfaat.

Bogor, Maret 2003

(7)

II

WAYAT lDUP

Penulis dilahirkan di Ja paa tangal 12 April 1980 sebagai anak

pertama dari lima bersaudara. anak i pasangan Madroi n sh Triana.

Tahun 1998 penulis lulus dari SMU Negeri 1 Balaraja, Tangerang. Pada

tahun yang sana, penulis lu:us seleksi sk PB me.lui jaiur Undangan Seleksi

Masuk PB (USMI) n diterima i jurusan Tenologi lndustri Pertanian,

Fakultas Teknologi Pertanian.

Selama mengikuti perkuliahan. penulis sempat menjadi asisten

matakuliab Penerapan Komputer tabun ajaran 2000/200 I n 200112002, serta

pemab mengikuti Praktek Lapang selama dua bulan (I Juli -30 Agustus 2002) di

PT. Charoen Pokphand htdonesia, Tangerang. Paa bulan September 1999,

penulis mendapat beasiswa dari Yayasan Toyota-Astra untuk tahun ajaran

199912000. Pada taoggai 3 Oktober 2002, penulis mendapat kesempatan

mengikuti program IBM-StudeDt@Work yang diadakan oteh PT. IBM

(8)

iii

DAfARISI

Haln

KATA PENGANTAR ............ 1

RIWAYAT _mnup_...... ii

DAfAR lSI ... ... iii

DAfAR TABEL ... v

DAfAR GAMBAR _....... I DAfAR LAMPIRAN ... X. I. PENDAHULUAN _...... I A. LATARBELAKANG ... 1

B. TUJUAN ... 3

C. RUANG LNGKUP ... 3

II. TINJAUAN PUSTAKA _..._._.._._._._....... 4

A. TPE-TPE PROSES PRODUKSI ... 4

I. Flow-Shop ... ... 4

2. Job-Shop ... :... 5

B. PENJADWALAN FLOW-SHOPTANPA KENDALA ... 6

C. ALGORlTMA GENETIK ... 8

1. Kelahiran Algoritna Genetik ... 8

2. Prosedur Unum Algorima Genetik ... :... 9

3. Konponen-konponen Algoritna Genetik ... 12

3.1 Representasi Kromosom ... 12

3.2 Operator-operator Algoritma Genetik ... 13

3.2.1 Penyilangan (Crossover)... 14

3.2.2 Mutasi

(Mutation)

... 16

3.3 Fungsi Fitness ... ... 18

3.4 Seleksi dan Reproduksi ... 19

3.5 Kriteria Penghentian (Stopping Criteria)... 20

4. Perbandingan Algoria Genetik dengan Teknik Pencarian n Optimasi Konvensional ... 20

(9)

iv

II. ETODOLOGI PENELITIAN ..... 26

A. ERANGKA PEKRAN ...

.

...

.

....

...

.

...

.

... 26

B. PNDEKATAN ETODELAH ...

...

..

... 27

V.

LOTA

GENETK UNTUK OPTMASI

ASLH

PENJDW _{N FLOWSHOP...} ₃₁

A. REPlSENTASI KROMOSOM

..

... 31

B. UNGSI FIINSS ... 32

C. PANGAN ... 33

D. MUTASI ... 33

E. PLEENTASI DALAM BAHASA PASCAL: FShop

_

GA ... 34

F. STIJDI KASUS ... 39

l . ss 1 : Masalah Penjadwalan 4 Job - 2 Mesin... 39

1.1 Parameter-parameter Algoritma Genetik ... 40

l.2 Populasi Awal ...

..

... 40

1.3 Proses Evaluasi dan Seleksi ...

..

... 40

1.4 Proses Penyilangan n Mutasi ... "... 42

1.5 Hsl Running Program FShop

_

GA ... 45

1.6 Eisiensi Algoritma Genetik ... 51

2. ss 2 : Masalah Penjadwalan 8 Job -3 Mesin ... 52

2.1 Parameter-parameter Algoritma Genetik ... 52

2.2 Populasi Awal ... :... 52

2.3 Proses Evaluasi n Seleksi ... 53

2.4 Proses Penyilangan n Mutasi ... 54

2.5 Hasil Running Program FShop

_

GA ... 56

2.6 Eisiensi Algorima Genetik... 64

2.7 Variasi Tingkat Penyilangan (Pc) ... 65

2.8 Variasi Tingkat Mutasi (Pm)... 68

V. ESIMPULAN DAN SARAN ... 71

A. KESPULAN ... ...

.

... 71

B. SARAN ... 72

DAFTAR PUSTA _{... 73}

(10)

v

DfR TBEL

Halaman

Tael 1. Perbandingan nilai makespan antara algoria genetik dengan

tenik heuristik 1ainnya (Gen n Cheng, 19) ... 7

Tabel 2. Waktu pemrosesanjobdi setiap mesinWltukKasus 1 ... 39

Tael 3. Datar kromosom terbaik yang pemah dihasilkan dalam setiap

generasi pada Kasus 1 ... 48

Tael-4. Waktu pemrosesan job di setiap mesin untu. Kasus 2 ... 52· Tabel 5. Datar kromosom terbaik yang eh dihasiJkan dalam setiap

(11)

(12)

(13)

(14)

(15)

(16)

(17)

(18)

(19)

(20)

(21)

(22)

(23)

(24)

(25)

(26)

(27)

(28)

(29)

(30)

(31)

(32)

(33)

(34)

(35)

(36)

(37)

(38)

(39)

(40)

(41)

(42)

(43)

(44)

(45)

(46)

(47)

(48)

(49)

(50)

(51)

(52)

(53)

(54)

(55)

(56)

(57)

(58)

(59)

(60)

(61)

(62)

(63)

(64)

(65)

(66)

(67)

(68)

(69)

(70)

(71)

(72)

(73)

(74)

(75)

(76)

(77)

(78)

(79)

(80)

(81)

(82)

(83)

(84)

(85)

(86)

(87)

(88)

(89)

(90)

(91)

(92)

(93)

(94)

(95)

(96)

(97)

(98)

(99)

(100)

(101)

(102)

(103)

(104)

(105)

(106)

(107)

(108)

(109)

(110)

(111)

(112)

(113)

(114)

(115)

(116)

(117)

(118)

(119)

(120)

(121)

(122)

(123)

(124)

(125)

(126)

(127)

(128)

(129)

(130)

(131)

(132)

(133)

(134)

(135)

(136)

(137)

(138)

(139)

(140)

(141)

(142)

(143)

(144)

(145)

(146)