PENERAPAN ALGORITMA GENETIKA UNTUK MASALAH PENJADWALAN JOB SHOP PADA
LINGKUNGAN INDUSTRI PAKAIAN
PRESENTASI TUGAS AKHIR – CF 1380
Penyusun Tugas Akhir :
Fachrudin Afandi
(NRP : 5204.100.017)
Perusahaan diberbagai sektor industri dihadapkan pada kompetisi pasar global yang terus meningkat dan fluktuasi permintaan yang tidak dapat diramalkan.
Industri pakaian adalah salah satu yang terkena dampak dari tekanan untuk dapat menghasilkan berbagai macam produk yang sesuai dengan selera konsumen, dengan waktu yang singkat dan biaya yang rendah.
Industri pakaian pada umumnya beroperasi dengan sistem job
shop dimana penjadwalan job shop untuk industri pakaian
adalah suatu penjadwalan yang harus mengerjakan banyak operasi menggunakan banyak mesin yang fleksibel.
.:
.:
.:
LATAR BELAKAN
LATAR BELAKAN
G(2):.
G(2):.
Berbagai macam penelitian telah dilakukan terhadap masalah penjadwalan job shop pada industri pakaian.
Namun demikian, sebagian besar penelitian yang telah dilakukan sebelumnya hanya berkonsentrasi pada pemecahan suatu masalah dengan metoda tertentu pada lingkungan yang telah terdefinisikan jelas dengan berbagai batasan.
Model matematika umum untuk masalah penjadwalan job shop pada industri pakaian belum dibahas dan yang bertujuan meminimalkan penyelesaian pesanan lebih awal atau terlambat juga belum diselidiki.
.:
.:
LATAR BELAKAN
LATAR BELAKAN
G(3):.
G(3):.
Pada masalah penjadwalan produk berbaur, dua atau lebih pesanan produksi akan diproduksi dimanapun urutan produk. Sedangkan pada kasus penjadwalan multi produk, dua atau lebih produk diproses secara terpisah.
Untuk mengisi celah ini, Guo et al. (2006) mengembangkan metoda algoritma genetika untuk penjadwalan job shop yang bersifat berbaur dan multi produk dalam industri pakaian.
Tujuan tugas akhir ini adalah
Mengimplementasikan algoritma genetika untuk melakukan penjadwalan job shop yang dapat meminimalkan total pinalti E/T (Earliness/Tardiness).
.:
Permasalahan yang terkait dalam tugas akhir ini adalah:
Bagaimana mengimplementasikan algoritma genetika dalam menyelesaikan masalah penjadwalan job shop dengan tujuan meminimalkan total pinalti E/T (Earliness/Tardiness)
Bagaimana solusi yang dihasilkan dapat membantu industri pakaian dalam mengambil keputusan terkait dengan masalah penjadwalan job shop
.:
.:BATASAN MASALAH:.
.:BATASAN MASALAH:.
Algoritma yang digunakan adalah algoritma genetika untuk masalah penjadwalan job shop.
Data yang digunakan berasal dari data-data produksi pada industri perakitan pakaian yang sesuai dengan masalah penjadwalan job shop.
Pengembangan aplikasi menggunakan ruang lingkup pemrograman Matlab
.:PENJADWALAN JOB SHOP:.
.:PENJADWALAN JOB SHOP:.
Penjadwalan merupakan suatu proses pengaturan sumber daya untuk menyelesaikan tugas-tugas dengan
melibatkan pekerjaan, sumber daya, dan waktu. Tujuan dari masalah penjadwalan antara lain
meminimumkan waktu penyelesaian semua tugas
(makespan), meminimumkan keterlambatan pengerjaan, meminimumkan waktu tunggu pada mesin,
.:PENJADWALAN JOB SHOP:.
.:PENJADWALAN JOB SHOP:.
Pada sistem perakitan produk berbaur: dua atau lebih pesanan diproduksi dimanapun urutan berbaur
Sedangkan pada sistem perakitan multi produk: dua atau lebih produk diproses secara terpisah didalam batch
.:MASALAH PENJADWALAN JOB SHOP:.
.:MASALAH PENJADWALAN JOB SHOP:.
Job Shop Scheduling Problem (JSSP) melibatkan
suatu tugas pada seperangkat kerja pada stasiun-
kerja (mesin) secara sekuensial
Saat mengoptimalkan satu atau lebih sasaran tanpa
melanggar batasan-batasan yang diterapkan pada job shop
(Guo et al, 2006)
Algoritma genetika merupakan salah satu teknik
yang paling sering diterapkan dan telah terbukti di
beberapa penelitian dapat menemukan solusi
.:
.:
Pemodelan
Pemodelan
JSSP(1):.
JSSP(1):.
Beberapa asumsi yang digunakan:
1. Ketika sekali suatu operasi mulai dijalankan, maka
tidak dapat disela.
2. Tidak ada kasus kekurangan material, gangguan
mesin dan ketidakhadiran operator mesin job shop dalam kerjanya.
3. Job shop digunakan untuk memodelkan adalah
dalam keadaan inisialisasi awal job shop kosong, dengan kata lain tidak ada kerja yang menumpuk sebelumnya (Work in Process / WIP) pada setiap stasiun-kerja.
.:
.:
Pemodelan
Pemodelan
JSSP(2):.
JSSP(2):.
Batasan-batasan dalam pemodelan:1. Batasan waktu kedatangan 2. Batasan alokasi
3. Batasan operasi
4. Batasan waktu proses
) 1 ( i i SP A ) 2 ( 0 ,
il kj SM M kj ilkj X ) 3 ( 1
il ilkj X ) 4 ( 1
kj ilkj X ) 5 ( ) ( , 1 i'l' il i'l' il il ET S O P O C ) 6 ( 1 il il il il S STP T CPemenuhan order Pi tidak dapat dimulai (SPi) sampai waktu kedatangan order Pi tiba (Ai)
Setiap mesin (Mkj) harus memproses setidaknya satu operasi (Oil)
Setiap mesin harus memproses setidaknya satu operasi Setiap operasi harus diproses
Suatu operasi tidak dapat dimulai sebelum operasi yang terdahulu telah diselesaikan (Cil) dan diangkut (ETil) sesuai dengan mesin kerjanya
Operasi Oil harus dijalankan dengan waktu proses (Til) dan setup waktu (STPil)
.:
.:
Pemodelan
Pemodelan
JSSP(3):.
JSSP(3):.
Fungsi tujuan:
Meminimumkan total pinalti Earliness (ELi) atau Tardiness (TDi) ) 7 ( )) 1 .( . . . ( , min 1 } { }, {
p i i i i i i i X SPi ilkj Z dengan Z TD EL .:METODA ALGORITMA GENETIKA:.
.:METODA ALGORITMA GENETIKA:.
Pada umumnya suatu penerapan algoritma genetika secara generasional sederhana terdiri dari 3 bagian, yaitu:
Memilih populasi awal
Evaluasi nilai fitness dari setiap individu didalam populasi Ulangi sampai proses berhenti (nilai fitness terbaik
terpenuhi)
Pilih individu terbaik berdasar ranking untuk reproduksi
Bentuk generasi baru melalui pindah silang dan mutasi untuk menghasilkan keturunan baru (child)
Evaluasi nilai fitness keturunan yang dihasilkan
Setelah diatur terlebih dahulu, gantikan individu dengan nilai fitness
.:METODA ALGORITMA GENETIKA:.
.:METODA ALGORITMA GENETIKA:.
Inisialisasi populasi:
•menugaskan operasi
masing-masing, kepada mesin yang mampu menanganinya
•Membangkitkan
kromosom yang feasibel Evaluasi kromosom:
Evaluasi nilai fitness dalam populasi dengan fungsi fitness
Penghentian proses:
Generasi dan operasi genetika Terpenuhi ?
Proses seleksi turnamen
Kromosom dengan nilai fitness terbaik
.:ALGORITMA GENETIKA UNTUK
.:ALGORITMA GENETIKA UNTUK
MASALAH PENJADWALAN JOB SHOP:.
MASALAH PENJADWALAN JOB SHOP:.
Langkah – langkah dalam menerapkan GA
pada masalah JSS, yaitu:
1. Representasi kromosom
2. Inisialisasi populasi
3. Fitness dan seleksi
4. Operasi genetika
.:IMPLEMENTASI DAN UJI COBA PROGRAM:. .:IMPLEMENTASI DAN UJI COBA PROGRAM:.
Implementasi program menggunakan Matlab 7.7
dalam lingkungan sistem operasi Windows XP.
Data yang digunakan adalah
data order produksi
data efisiensi operasi pada setiap stasiun-mesin
(sumber: ref. paper Guo et al, 2006)
.:IMPLEMENTASI DAN UJI COBA PROGRAM:. .:IMPLEMENTASI DAN UJI COBA PROGRAM:.
Uji coba dilakukan dalam dua eksperimen
Eksperimen 1: setiap mesin hanya dapat menampung
1 operasi dalam proses pengolahan order
Eksperimen 2: setiap mesin dapat menampung
.:IMPLEMENTASI DAN UJI COBA PROGRAM:. .:IMPLEMENTASI DAN UJI COBA PROGRAM:.
Setiap eksperimen terbagi menjadi 2 mode, yaitu
Mode 1: Pengolahan order 1 dijalankan kemudian saat
waktu tertentu ditunda untuk menjalankan pengolahan order 2 sampai selesai, kemudian pengolahan order 1 dijalankan kembali
sifat produk: multi produk
Mode 2: Pengolahan order 1 dijalankan kemudian saat
waktu tertentu pengolahan order 1 dan order 2
dijalankan secara simultan sampai order 2 terpenuhi. Setelah itu baru pengolahan order 1 dijalankan
kembali
.:IMPLEMENTASI DAN UJI COBA PROGRAM:. .:IMPLEMENTASI DAN UJI COBA PROGRAM:.
Untuk melakukan evaluasi digunakan uji
kebenaran pada setiap eksperimen.
Uji kebenaran
Setiap operasi hanya bisa dijalankan pada mesin
yang mampu menanganinya
Setiap mesin harus memproses setidaknya satu
operasi
Setiap operasi harus diproses
Eksperimen 1
Mesin lockstitch 1 – 7 hanya menampung operasi 2, 3, 4, 11 dan 12.
Mesin overlock 8 – 14 hanya menampung operasi 1, 5, 6, 7, 8, 9 dan 10. Eksperimen 2
Mesin lockstitch 1 – 9 hanya menampung operasi 1, 2, 3, 5, 6, 8, 9, 10, 11, dan 12.
.:IMPLEMENTASI DAN UJI COBA PROGRAM:. .:IMPLEMENTASI DAN UJI COBA PROGRAM:.
Operasi order harus dijalankan dengan waktu awal
(start), waktu pengaturan mesin, dan waktu proses operasi
ET
T
STP
S
C
(
)
Dimana:C = waktu penyelesaian order sepenuhnya (akan ditentukan) S = waktu awal (start) operasi dijalankan (telah ditetapkan) STP = waktu pengaturan mesin dilakukan (telah ditetapkan) T = waktu order selesai dikerjakan (akan ditentukan)
.:IMPLEMENTASI DAN UJI COBA PROGRAM:. .:IMPLEMENTASI DAN UJI COBA PROGRAM:.
Uji coba pada eksperimen 1
Kasus 1
Uji coba pada eksperimen 2
Kasus 1
Bobot
tardiness Bobot earliness Jumlah order Tenggat waktu Order 1 5000 100 1200 15
Order 2 3000 100 1200 12
Bobot
tardiness Bobot earliness Jumlah order Tenggat waktu Order 1 6000 100 1000 15 Order 2 4000 100 1000 12 Mode 1 Mode 2 Mode 1 Mode 2
.:SIMPULAN:.
.:SIMPULAN:.
GA dapat digunakan sebagai salah satu metoda
alternatif dalam menyelesaikan penjadwalan job shop karena memiliki kemampuan yang baik dalam
membangkitkan solusi heuristik dari variasi permasalahan yang luas.
Metoda algoritma genetika mampu menyelesaikan
masalah penjadwalan job shop yang produknya bersifat berbaur dan multi produk dengan meminimalkan total pinalti E/T (Earliness/Tardiness).
Waktu awal dan waktu pengaturan mesin sangat
.:SIMPULAN:.
.:SIMPULAN:.
Pada penjadwalan job shop dengan mode 2 dimana ada saat produksi dua order dijalankan secara bersamaan, untuk produksi order 1 dapat dipaksakan produksinya disaat pengolahan order 1 atau disaat pengolahan dua order dijalankan ataupun order 1 dijalankan secara berimbang disaat pengolahan order 1 dan pengolahan dua order.
Pinalti E/T dapat dikenakan pada pengolahan order jika waktu awal produksi tidak tepat. Pinalti juga bisa terjadi jika susunan operasi yang dibuat tidak memiliki efektifitas dan efisiensi didalam proses produksi order. Pinalti E/T pada produksi berarti total biaya produksi juga bertambah.
.:SARAN:.
.:SARAN:.
Pengembangan terhadap GA pada masalah
penjadwalan job shop dengan mempertimbangkan
efek ketidakpastian, diantaranya:
Ketidakpastian permintaan konsumen Gangguan mesin
Kekurangan bahan baku
Ketidakhadiran operator mesin dll.
.:DAFTAR PUSTAKA:.
.:DAFTAR PUSTAKA:.
Watanabe, M., Ida, K., & Gen, M. (2005). A genetic algorithm
with modified crossover operator and search area adaption for the jobshop scheduling problem. Computers and
Industrial Engineering, 48(4), 743-752.
Ventura, J. A., & Kim, D. (2003). Parallel machine scheduling
with earliness-tardiness penalties and additional resource constraints. Computers and Operations Research, 30(13),
1945–1958.
Seo, D. K., Klein, C. A., & Jang, W. (2005). Single machine
stochastic scheduling to minimize the expected number of tardy jobs using mathematical programming models.
Computers and Industrial Engineering, 48(2), 153–161. Poon, P. W., & Carter, J. N. (1995). Genetic algorithm
crossover operators for ordering applications. Computers
.:DAFTAR PUSTAKA:.
.:DAFTAR PUSTAKA:.
Park, B. J., Choi, H. R., & Kim, H. S. (2003). A hybrid genetic algorithm for the job shop scheduling problems. Computers and Industrial Engineering, 45(4), 597–613.
Gordon, V., Proth, J., & Chu, C. (2002). A survey of the state-of- the-art of common due date assignment and scheduling research. European Journal of Operational Research, 139(1), 1–25.
Guo, Z.X., Wong, W.K., Leung, S.Y.S., Fan, J.T., Chan, S.F. (2006). Mathematical model and genetic optimization for the job shop scheduling problem in a mixed- and multi-product assembly environment: A case study based on the apparel industry. Computers & Industrial Engineering 50 (2006) 202–219.
Cheng, R. W., Gen, M., & Tsujimura, Y. (1996). A tutorial survey of job-shop scheduling problems using genetic algorithms.1.
Representation. Computers and Industrial Engineering, 30(4), 983– 997.
.:DAFTAR PUSTAKA:.
.:DAFTAR PUSTAKA:.
Lauff, V., & Werner, F. (2004). Scheduling with common due
date, earliness and tardiness penalties for multimachine problems: A survey. Mathematical and Computer Modeling,
40(5–6), 637–655.
Brucker, P., Jurisch, B., & Sievers, B. (1994). A branch-and-
bound algorithm for the job-shop scheduling problem.
.:
.:
Representasi
Representasi
Kromosom
Kromosom
:.
:.
Langkah 1: Merepresentasikan kromosom
Penjelasan representasi kromosom sebagai berikut:
Mesin dibagi menjadi dua tipe, tipe 1 meliputi mesin 1-7 dan tipe 2 meliputi mesin 8-12.
Operasi 1, 2, 3, dan 4 harus diproses pada mesin tipe 1
.:
.:
Inisialisasi
Inisialisasi
Populasi
Populasi
:.
:.
Langkah 2: Inisialisasi populasi
1. Inisialisasi parameter2. Membangkitkan kromosom string integer CHRi
3. Set i=i+1. jika i>u, STOP. Jumlah populasi terpenuhi
PPN
PPN
CHR
i Indeks i Ukuran populasi u Populasi PPN
.:
.:
Seleksi
Seleksi
:.
:.
Langkah 3: Proses seleksi dan fitness
Set ukuran turnamen k>=2
Membangkitkan suatu permutasi acak didalam populasi Bandingkan nilai fitness pada kromosom pertama pada daftar permutasi, dan salin yang terbaik ke dalam
generasi berikutnya
jika permutasi habis terpakai, bangkitkan permutasi lain Ulangi langkah 3 dan 4 sampai tidak diperlukan seleksi lagi untuk generasi berikutnya
p i i TDi i i ELi i Z fitness 1( . . . .(1 )) 1 1 1 1 .:
.:
Operasi
Operasi
Genetika
Genetika
:.
:.
Langkah 4: Operasi genetika
Proses pindah silang
.:
.:
Operasi
Operasi
Genetika(1):.
Genetika(1):.
Proses pindah silang
Acak beberapa string yang panjangnya sama dengan
kromosom
Isi beberapa posisi pada anak 1 dengan mencopi gen dari
orang tua 1 dimana saja bit string yang memuat “1”
Buat daftar gen dari orang tua 1 dihubungkan dengan bit
string “0”
Mengubah urutan daftar gen sehingga urutannya sama
dengan urutan gen yang tampak pada orang tua 2
Salin urutan daftar gen ke dalam posisi kosong pada anak 1 Anak 2 diproduksi menggunakan proses serupa dengan
.:
.:
.:
Operasi
Operasi
Genetika(2):.
Genetika(2):.
Proses mutasi
Ambil satu kromosom dari populasi sebagai kromosom
asli.
Inversi kromosom dengan cara pada tipe mesin yang
sama, jika panjang kromosom n, maka tukar posisi
gen ke-2 dengan gen ke-n, gen ke-3 dengan gen ke (n- 1), dan seterusnya.
Mutasi kromosom dengan cara pada tipe mesin yang
sama, tukar secara acak posisi gen yang bersebelahan antara gen ke-2 dan gen terakhir.
.:
.:
Proses
Proses
Mutasi
Mutasi
:.
:.
5 Tipe 1 Tipe 2 Kromosom asli Inversi kromosom Mutasi kromosom Tipe mesin Titik mutasi 4,13 7,13 6,12 11 2,6 10 3 1 8 9 5 6,12 6,2 11 10 3 1 8 9 7,13 4,13 5 6,12 11 2,6 10 3 1 8 9 7,13 4,13
.:
.:
Penghentian
Penghentian
Proses
Proses
:.
:.
Langkah 5: Ukuran penghentian proses
Terpenuhinya 2 kriteria penghentian
Sejumlah generasi tertentu
Penggunaan keanekaragaman algoritma genetika
.:HASIL UJI COBA(1):.
.:HASIL UJI COBA(1):.
Eksperimen 1 kasus 1 mode 1
- Pada order 1 dengan waktu mulai hari ke 0, waktu penundaan 5,43 dan tenggat waktu 15 hari
- Waktu rata-rata proses sistem operasi bottleneck 228 detik - Sistem satu order 1125,5 detik
operasi Mesin no.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 Order1 3 2 2 4 4 3 3 6 1 1 5 6 6 5 Order2 12 11 11 12 11 11 12 10 7 7 9 8 8 9
.:ANALISA HASIL(1):.
.:ANALISA HASIL(1):.
Hasil optimasi eks. 1 kasus 1 mode 1
Order 1 Order 2
Waktu Start 0 6,57
Waktu Pengolahan Order 9,53 5,43 Waktu Penundaan 5,43 0 Waktu Penyelesaian Order 14,96 12
Tenggat Waktu 15 12
Pinalti $100*0,04
=$4 0
.:HASIL UJI COBA(2):.
.:HASIL UJI COBA(2):.
Eksperimen 1 kasus 1 mode 2
- Pengolahan order 1 dengan waktu mulai hari ke 0 dan tenggat waktu 15 hari
- Pada perakitan 798 pakaian, waktu sistem bottleneck 192 detik dan
sistem satu order 1056 detik.
- Pengolahan dua order dengan waktu mulai hari ke 2,35
operasi Mesin no.
1 2 3 4 5 6 7 8 9 10 11 12 13 14 Order1 2 4 2 3 4 3 3 1 1 1 5 5 6 6 2 order 11 3 2 12 4 4 11 8 1 7 5 6 9 10
.:ANALISA HASIL(2):.
.:ANALISA HASIL(2):.
Penjadwalan eks.1 kasus 1 mode 2
Order 1 Order 2
Waktu Start 0 2,35
Waktu Pengolahan Order 14,98 9,64 Waktu Penyelesaian Order 14,98 11,99
Tenggat Waktu 15 12
Pinalti $100*0,02
=$2 $100*0,01=$1
.:HASIL UJI COBA(3):.
.:HASIL UJI COBA(3):.
Eksperimen 2 kasus 1 mode 1
- Pada order 1 dengan waktu mulai hari ke 0, waktu penundaan 7 hari dan tenggat waktu 15 hari
- Waktu rata-rata proses sistem operasi bottleneck 228,8 detik. - Sistem satu order 1523,1 detik.
Op. Mesin no.
1 2 3 4 5 6 7 8 9 10 11
Order
1 1,3 8 2,6 3 8 1 2,5 5 6 4,7 4,7
Order
.:ANALISA HASIL(3):.
.:ANALISA HASIL(3):.
Penjadwalan eks.2 kasus 1 mode 1
Order 1 Order 2
Waktu Start 0 5
Waktu Pengolahan Order 7,99 7
Waktu Penundaan 7 0
Waktu Penyelesaian Order 14,99 12
Tenggat Waktu 15 12
Pinalti $100*0,01
=$1 0
.:HASIL UJI COBA(4):.
.:HASIL UJI COBA(4):.
Eksperimen 2 kasus 1 mode 2
- Pengolahan order 1 dengan waktu mulai hari ke 0 dan tenggat waktu 15 hari
- Pada perakitan 621 pakaian, waktu sistem bottleneck 277,6471 detik dan
sistem satu order 1537,2 detik.
- Pengolahan dua order dengan waktu mulai hari ke 3,04
Order 1: pada perakitan 379 pakaian, waktu sistem bottleneck 672,9412
Op. Mesin no.
1 2 3 4 5 6 7 8 9 10 11
Order
1 2 8 6 5,8 2 1 6 5 3 4 7
2
.:ANALISA HASIL(4):.
.:ANALISA HASIL(4):.
Penjadwalan eks.2 kasus 1 mode 2
Order 1 Order 2
Waktu Start 0 3,04
Waktu Pengolahan Order 14,97 8,96 Waktu Penyelesaian Order 14,97 12
Tenggat Waktu 15 12
Pinalti $100*0,03
=$3 0