PRESENTASI TUGAS AKHIR CF 1380 PENERAPAN ALGORITMA GENETIKA UNTUK MASALAH PENJADWALAN JOB SHOP PADA LINGKUNGAN INDUSTRI PAKAIAN

(1)

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)

(2)

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.

.:

(3)

.:

LATAR BELAKAN

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.

(4)

.:

LATAR BELAKAN

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.

(5)

Tujuan tugas akhir ini adalah

Mengimplementasikan algoritma genetika untuk melakukan penjadwalan job shop yang dapat meminimalkan total pinalti E/T (Earliness/Tardiness).

.:

(6)

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

.:

(7)

.: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

(8)

.: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,

(9)

.: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

(10)

.: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

(11)

.:

Pemodelan

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.

(12)

.:

Pemodelan

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 C

Pemenuhan 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)

(13)

.:

Pemodelan

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 SP_i _ilkj Z dengan Z  TD   EL 

(14)

.: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

(15)

.: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

(16)

.:ALGORITMA GENETIKA UNTUK

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

(17)

.: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)

(18)

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

(19)

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

(20)

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.

(21)

 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)

(22)

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

(23)

.: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

(24)

.: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.

(25)

.: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.

(26)

.: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

(27)

.: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.

(28)

.: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.

(29)

(30)

.:

Representasi

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

(31)

.:

Inisialisasi

Populasi

:.

Langkah 2: Inisialisasi populasi

1. Inisialisasi parameter

2. Membangkitkan kromosom string integer CHR_i

3. Set i=i+1. jika i>u, STOP. Jumlah populasi terpenuhi

PPN



PPN



CHR

i  Indeks i

 Ukuran populasi u  Populasi PPN

(32)

.:

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    

(33)

.:

Operasi

Genetika

:.

Langkah 4: Operasi genetika

Proses pindah silang

(34)

.:

Operasi

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

(35)

.:

(36)

.:

Operasi

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.

(37)

.:

Proses

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

(38)

.:

Penghentian

Proses

:.

Langkah 5: Ukuran penghentian proses

Terpenuhinya 2 kriteria penghentian

 Sejumlah generasi tertentu

 Penggunaan keanekaragaman algoritma genetika

(39)

.: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

(40)

.: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

(41)

.: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

(42)

.: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

(43)

.: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

(44)

.: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

(45)

.: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

(46)

.: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