PENDEKATAN CROSS ENTROPY UNTUK MINIMASI BIKRITERIA MAKESPAN DAN TOTAL TARDINESS PADA PENJADWALAN PRODUKSI FLOWSHOP
DENGAN MESIN PARALEL Sayid Basori dan Suparno
Jurusan Teknik Industri
Institut Teknologi Sepuluh Nopember (ITS) Surabaya Kampus ITS Sukolilo Surabaya 60111
Email:
sayid.basori@yahoo.co.id
;
suparno@ie.its.ac.id
Abstrak
Permasalahan penjadwalan produksi hampir ditemui disetiap perusahaan manufaktur, baik perusahaan yang menggunakan sistem produksi make to order, make to stock ataupun sistem yang lain. Penjadwalan produksi yang baik akan meningkatkan efisiensi dan performa perusahaan serta dapat meningkatkan pelayanan perusahaan kepada konsumennya, karena dengan penjadwalan produksi yang baik maka perusahaan dapat memenuhi order dari konsumen dengan tepat waktu, serta dapat mengurangi permasalahan inventory karena kelebihan ataupun kekurangan stock. Ada beberapa cara untuk mengoptimalkan penjadwalan produksi agar tidak terjadi banyak tardy job. Pada penelitian ini akan dikembangkan sebuah konsep pendekatan metaheuristik dengan menggunakan tools Cross Entropy untuk menyelesaikan permasalahan penjadwalan produksi yang menggunakan sistem flowshop dengan mesin paralel. Penggunaan pendekatan metode cross entropy ini digunakan untuk menyelesaikan multiobjective function yaitu minimize total tardinesss dan minimize makespan. Penelitian ini menggunakan software MATLAB untuk menyelesaikan model yang disusun. Model ini diaplikasikan untuk 3 sekenario permasalahan, permasalahan yang pertama memprioritaskan makespan untuk diminimasi, sekenario kedua memprioritaskan total tardiness untuk diminimasi dan sekenario yang ketiga menempatkan bobot yang sama untuk masing – masing fungsi tujuan. Dari hasil eksperimen didapatkan hasil perbaikan untuk total tardinesss dan makespan produksi, dari sekenario I didapatkan perbaikan masing – masing 8%, sedangkan untuk sekenario II didapatkan perbaikan 24 % untuk total tardiness dan 8% untuk makespan, sedangkan pada sekenario III didapatkan perbaikan sebesar 24% untuk total tardinesss dan 8% untuk makespan.
Kata Kunci: penjadwalan produksi, cross entropy, flowshop, parallel machine, total tardiness, makespan
1. Pendahuluan
Globalisasi pasar dan persaingan dunia manufaktur sudah memasuki babak baru. Selain persaingan dari segi harga dan kualitas keunggulan kompetitif perusahaan dalam memenuhi order tepat waktu menjadi perhatian utama perusahaan manufaktur akhir – akhir ini. Kecenderungan konsumen untuk memperoleh barang kebutuhan secepat mungkin menjadi voice of customer yang paling diperhatikan para penyedia produk – produk customer needs. Performansi dan daya saing perusahaan akan sangat dipengaruhi oleh ketepatan perusahaan dalam menyelesaikan order. Untuk bisa memenuhi order dengan tepat waktu maka perusahaan harus mempunyai perencanaan
penjadwalan produksi yang baik. Sehingga dalam hal ini permasalahan penjadwalan produksi menjadi hal yang sangat penting untuk diperhatikan. Kebijakan inventory spare part merupakan salah satu strategi perusahaan yang digunakakan untuk mempermudah proses produksi perusahaan. Kebijakan spare part harus menjadi perhatian di dalam perusahaan karena berpengaruh langsung terhadap sistem produksi yang dimiliki. Terdapat beberapa kemungkinan mengenai strategi perusahaan dalam pengadaan spare part antara lain kebijakan untuk melakukan pembelian ke luar (order) dan kebijakan memproduksi sendiri spare part yang dibutuhkan. Bagi perusahaan
yang sangat mementingka ketepatan waktu dan kontinuitas produksinya maka akan menetapkan kebijakan untuk memproduksi sendiri spare part yang dibutuhkan. Sehingga kerusakan mesin bisa segera diatasi tanpa menunggu order terlalu lama. Pada perusahaan dengan tipe seperti ini maka penjadwalan produksi dalam pengadaan spare part menjadi faktor penting yang mempengaruhi kelancaran proses produksi perusahaan.
PT. Gudang Garam Tbk, merupakan perusahaan penghasil rokok yang memiliki strategi membuat spare part-nya sendiri. Mereka memproduksi berbagai macam spare part yang memenuhi semua kebutuhan perusahaan tiap harinya. Spare part ini diproduksi di Bengkel Umum Unit III. Job order yang diterima oleh bagian ini berasal dari semua bagian yang ada di dalam perusahaan, seperti dari bagian produksi rokok (mesin maupun tangan) serta bagian pengolahan bahan baku (tembakau, cengkeh, dll) . Di bengkel ini terdapat beberapa jenis mesin diantaranya mesin bubut, mesin frais, potong plat, mesin las, serta gerinda yang disusun secara paralel dengan masing-masing jenis mesin memiliki susunan jumlah yang berbeda pula, dengan tujuan untuk memproduksi order yang datang dengan jumlah dan spesifikasi yang bermacam-macam. Pada bagian ini sistem produksi yang dijalankan adalah berdasarkan pesanan (make to order) yang berasal dari dalam perusahaan sendiri, Sehingga tidak terdapat penalty maupun back order. Namun demikian proses pengerjaan order haruslah tetap berjalan baik, keterlambatan harus dapat diminimalkan. Karena dengan meminimalkan keterlambatan produksi maka penyediaan spare part pun akan tepat waktu sehingga proses perbaikan pada mesin-mesin produksi atau unit kerja tidak terjadi kendala. Jumlah pesanan yang datang pada bagian ini tiap waktunya sangat banyak baik variasi maupun jumlahnya sehingga diperlukan penjadwalan produksi yang mampu mengoptimalkan keterbatasan sumberdaya seperti mesin dan waktu. Sifat kebutuhan terhadap spare part di perusahaan adalah bersifat random dan berbanding lurus terhadap tingkat kerusakan mesin-mesin atau unit kerja yang dimiliki. Sehingga secara otomatis sistem produksi pada bagian pembuatan spare part ini
akan bersifat make to order yaitu akan berproduksi ketika ada kerusakan komponen mesin. Karena bersifat random maka order akan datang kapan pun sehingga disini dibutuhkan sistem penjadwalan secara optimal agar tingkat keterlambatan menjadi minimum, sebab jika terjadi keterlambatan maka hal yang mungkin terjadi adalah time to repaire mesin menjadi terhambat karena harus menunggu spare part terselesaikan dan sistem produksi tentunya akan terganggu. Selain itu dengan terlambatnya suatu order dimungkinkan akan mempengaruhi penjadwalan produksi order lainnya dan tentunya hal ini akan membuat performasi bagian ini menjadi tidak baik.
Ada beberapa cara untuk mengoptimalkan penjadwalan produksi agar tidak terjadi banyak tardy job. Beberapa metode yang dapat digunakan untuk menyelesaikan permasalahan penjadwalan produksi antara lain metode integer programming, namun ada kelemahan dalam integer programming yaitu sulit diterapkan untuk permasalahan yang kompleks (NP-Hard Problem). Selain integer programming permasalahan ini dapat diselesaikan dengan pendekatan metaheuristik, dimana metode ini bisa digunakan untuk permasalahan yang sederhana maupun kompleks(NP-Hard Problem). Pada penelitian ini akan dikembangkan sebuah konsep pendekatan metaheuristic dengan menggunakan metode cross entropy untuk menyelesaikan permasalahan penjadwalan produksi yang menggunakan sistem make to order dengan mesin paralel. Penggunaan pendekatan metode cros entropy ini digunakan untuk menyelesaikan bicriteria objective function yaitu minimize total tardiness dan minimize makespan.
2. Metodologi Penelitian
Pada bagian ini akan dijelaskan mengenai langkah-langkah yang digunakan dalam melakukan penelitian. Metodologi penelitian ini berguna sebagai acuan sehingga penelitian dapat berjalan secara sistematis, sesuai dengan framework penelitian. Secara umum terdapat tiga tahapan dalam metodologi penelitian kali ini yaitu tahap persiapan, tahap pengumpulan dan pengolahan data serta tahap pengambilan kesimpulan. Tahap persiapan ini bertujuan untuk mendapatkan permasalahan yang akan dibahas
dalam penelitian ini dan penentuan tujuan penelitian. Untuk dapat menghasilkan permasalahan dan tujuan yang cukup komprehensif maka dilakukan studi literatur dan studi lapangan mengenai permasalahan tersebut. Setelah tahap identifikasi dilakukan, maka tahapan selanjutnya adalah pengumpulan dan pengolahan data. Pada tahap ini dilakukan pengumpulan data Berupa pencarian data sekunder yang digunakan sebagai input model penelitian, data sekunder yang didapatkan yaitu berupa data – data job order yang terdiri dari jenis produk, spesifikasi produk, jumlah produk ready time dan due date, serta data mesin produksi yang meliputi jumlah blog mesin dan jumlah mesin tiap blok yang didapatkan dari data yang pernah diselesaikan dengan metode integer programming oleh peneliti sebelumnya. Kemudian dilakukan pembuatan model matematis dari permasalahan yang ada. Model yang dibuat adalah jenis model pemrograman integer dari jurnal yang sudah ada. Dari model matematis ini kemudian dikembangkan menjadi algoritma yang digunakan penyelesaian. Pada tahap ini akan dibuat algoritma pemrograman secara general dengan mengikuti diagram alir (flow chart) sesuai permasalahan yang ada. Adapun algoritma yang dikembangkan adalah algoritma CE (Cross Entropy) untuk menyelesaikan permasalahan tersebut. Dari algoritma ini kemudian diterjemahkan menjadi code bahasa pemrograman untuk software Matlab. Tahapan terakhir dari tahap pengumpulan dan pengolahan data adalah running code pada software untuk mendapatkan solusi dari permasalahan yang ada. Tahapan ini berupa penjalanan algoritma dengan menggunakan komputer dengan software matlab, dengan data input yang didapatkan dari pengumpulan data untuk mendapatkan jadwal optimal bagi masing-masing proses produksi, dengan diikuti penghitungan nilai total tardiness dan makespan minimal serta penghitungan objective function. Tahap terakhir dari penelitian ini yaitu tahap Analisis Hasil dan Pengambilan Kesimpulan. Pada tahap ini dilakukan evaluasi hasil yang ada serta pengambilan kesimpulan akhir dari hasil penelitian. Evaluasi delakukan dengan perbandingan hasil dengan kondisi existing, berupa pembandingan antara hasil total tardiness dan makespan minimal menggunakan
pendekatan algoritma cross entropy dengan hasil total tardiness dan makespan terbaik kondisi existingnya. Dan tahapan terakhir yaitu tahap penarikan kesimpulan. Tahap ini merupakan ringkasan dari seluruh aktivitas penelitian. Pada tahap ini juga ditambahkan saran – saran yang berguan untuk penelitian - penelitian sejenis selanjutnya.
3. Pengumpulan dan Pengolahan Data Tahap ini merupakan tahap penentuan set data yang akan diujikan terhadap algoritma Cross Entropy (CE), serta bagaimana pengujian model dilakukan dengan kerangka penelitian yang telah dibuat.
3.1 Pengumpulan Data
Pada tahap pengumpulan ini dilakukan
pengumpulan data- data yang diperlukan
dalam penelitian. Metode pengumpulan data
dilakukan dengan cara pengumpulan data
sekunder yaitu dari data yang sudah
dikumpulkan oleh peneliti sebelumnya
untuk dikembangkan pengolahan datanya
dengan metode yang baru. Data-data yang
dikumpulkan
untuk
penelitian
ini
diantaranya jumlah blok mesin dan jumlah
mesin, data order pada bulan desember 2009,
serta data waktu proses masing – masing
order pada masing – masing blok mesin.
Dari data – data tersebut kemudian di ubah
menjadi data mesin, processing time, ready
time, dan due date job dalam satuan jam
dengan menggunakan jumlah jam kerja yang
tersedia per hari untuk kemudian digunakan
sebagai input program MATLAB.
3.2 Pemodelan Permasalahan
Model untuk permasalahan Flowshop
Paralel
Machine
Scheduling
Problem
(FPMSP) dapat dimodelkan dalam bentuk
pemrograman integer seperti model yang
diusulkan Sawik (2005), pada model
tersebut
dijelaskan
permasalahan
penjadwalan pada produksi make to order
untuk meminimalkan total keterlambatan
pada mesin paralel. Dan berikut merupakan
model yang dikembangkan oleh Sawik
(2005):
Indeks:
g
: order job, g ∈ G = {1,...,q}
i
: seksi (bagian) proses produksi, i ∈ I
= {1,...,m}
j
: parallel mesin pada seksi ke-i, j ∈ Ji
= {1,...,
}
t
: periode perencanaan, t ∈ T =
{1,...,h}
Input Parameter:
h
: horizon perencanaan
m
: jumlah seksi (bagian) proses
produksi
: jumlah mesin yang tersusun parallel
pada seksi i
q
: jumlah order job
: periode kedatangan order g
: ukuran portion terkecil dari order g
yang harus diproses pada periode t
: due date dari order g
: jumlah order g
: waktu proses order g pada seksi ke
i
: subset dari beberapa order yang
harus diproses pada seksi (bagian)
i
: besarnya jam kerja pada stage i
yang tersedia pada periode t
: besarnya kapasitas mesin j pada
stage i
Variable Keputusan:
≥ 0 : jumlah lateness
= 1 : jika order g dikerjakan pada
periode t; jika tidak
= 0
: portion (bagian) dari order g yang
diproses pada periode t
: jika mesin j pada stage i
ditugaskan pada periode t
Fungsi tujuan untuk Meminimasi Total
tardiness:
Min T = ∑
∈(21)
Constrain:
Constraint pembagian dan pengalokasian
masing-masing
job
order
diantara
beberapa periode penjadwalan
∑
∈ :=
; g ∈ G,
+
=
+
=
…
+
=
≥
-1; g
∈ G, ∀
∈ :
≤
≤
ℎ
≥
-1
…
≥
-1
Constraint yang menjamin jika sebuah
order pasti di proses pada sebuah periode
perencanaan
≥
; g ∈ G, t ∈ T : t >
≥
≥
; g ∈ G, t ∈ T : t >
≥
Constraint kapasitas mesin
∑
∈ ( )≤
∑
∈; i ∈
I, t ∈ T
∑
∈ ( )≤
∑
∈;
i ∈ I, t ∈ T
∑
∈ , ∈≤ ∑
∈ :[ /
]
; i
∈ I, t ∈ T
Constraint yang menunjukan
keterlambatan order
≥ t
-
; g ∈ G, ∀ ∈ : ≥
Constraint variable non-negative dan
integrality
∈ {0,1}; g ∈ G, t ∈ T : t >
≥ 0;
g ∈ G, t ∈ T : t >
, ≥ 0; g ∈ G,
3.3
Pengembangan Model dan Algoritma
Dalam
penelitian
kali
ini,
permasalahan akan dikembangkan menjadi
bicriteria yaitu dengan menambahkan fungsi
tujuan minimize makespan, dengan rumus
(Baker,1974):
Indeks:
C = Makespan
Z = Objective function
T = Total Tardiness
Fungsi Tujuan Meminimasi Makespan
Min C = max
∑
,
[
]
(33)
Dengan constrain yang sama dengan yang
dikemukakan oleh Sawik di atas.
Sedangkan fungsi untuk meminimasi
bicriteria total tardiness dan makespan
seperti yang dikemukakan oleh Ruiz dan
Alahverdy
(2009),
yaitu
dengan
membobotkan masing – masing fungsi
tujuan menurut kepentingan yaitu sebagai
berikut:
Min Z = a*T + b*C
Kemudian permasalahan ini akan
diselesaikan dengan menggunakan metode
Cross Entropy (CE). Secara umum alur
algoritma CE yang digunakan sebagai
metode penyelesaian permasalahan ini dapat
dijelaskan sebagai berikut:
1. Pendefinisian output dan input
Alur algoritma ini dimulai dengan
menetapkan
output
yang
ingin
di
dapatkan serta input yang diperlukan.
Output:
Nilai z
Nilai Total tardiness
Nilai Makespan
Finishing time
Jadwal optimal
Input:
Jumlah job (n)
Matriks urutan job (Rij), job i
dikerjakan pada mesin ke j
Matriks waktu proses (Wij), waktu
proses job ke i pada blok mesin ke j
Jumlah blok mesin (s)
Jumlah mesin tiap blok
Jumlah sampel pembangkitan (N)
Parameter kejarangan (ρ)
Koefisien penghalusan (α)
Bobot fungsi objektif 1 (a)
Bobot fungsi objektif 2 (b)
Set data uji
2. Memasukkan nilai parameter awal dan
stopping criteria
Parameter-parameter yang dimasukkan
sebagai input, yakni N, ρ, α ditentukan
sebagai tolok ukur performansi output
yang dihasilkan. Dengan nilai parameter
yang berbeda pastinya akan didapatkan
hasil yang berbeda. Adapun aturan untuk
pemberian parameter tersebut di atas
adalah sebagai berikut:
Untuk jumlah sampel pembangkitan
N, tidak ada aturan khusus terkait dengan
penentuan jumlah sampel pada optimasi
kombinatorial, namun semakin besar
jumlah job pastinya semakin besar
sampel yang harusnya diambil. Pada
algoritma digunakan jumlah sampel
default 10000.
Untuk parameter kejarangan ρ ,
biasanya digunakan nilai 1% - 10%
(Kroese,
2009).
Pada
algoritma
digunakan nilai default 1%
Untuk koefisien penghalusan α ,
nilainya berada antara 0-1, namun secara
empiris nilai 0,4 - 0,9 merupakan nilai
yang paling optimal (de Boer, 2003).
Pada algoritma digunakan nilai default
0,8.
Untuk stopping kriteria adalah aturan
yang digunakan untuk menghentikan
iterasi ketika sudah mencapai kondisi
tertentu, disini kan digunakan stopping
kriteria dengan selisih antara hasil dengan
iterasi sebelumnyaa adalah 0.005.
3. Pembangkitan sampel awal
Sampel yang dibangkitkan di sini
adalah merupakan urutan prioritas job
yang terlebih dahulu dijadwalkan.
Pembangkitan sampel dilakukan dengan
menggunakan teknik acak penuh (fully
randomized).
4. Pengitungan Makespan
Penghitungan makespan dilakukan
dengan menghitung waktu terakhir mesin
selesai mengerjakan semua job.
5. Pengitungan Total tardiness
Penghitungan nilai total tardiness
dilakukan dengan cara menjumlahkan
semua keterlambatan dari setiap job.
Yaitu nilai maksimal antara 0 dan
completion time job tersebut dikurangi
dengan due date dari job tersebut.
Sehingga jika job selesai sebelum due
date maka nilai tardiness adalah 0.
6. Penghitungan objective function
Objective function dihitung dengan
mengalikan a dengan Total tardiness dan
b dengan nilai Makespan.
7. Mengurutkan hasil objective function
Kemudian
dari
hasil
objective
function pada langkah 6 akan di urutkan
mulai dari yang terkecil ke yang terbesar.
8. Tentukan sampel elit
Sampel elite dipilih sebanyak
⌈ρ N⌉
dari jumlah sampel yang dibangkitkan
berdasarkan nilai objective function-nya.
9. Smoothing parameter
Kemudian dari sampel elite yang
didapatkan maka di lakukan smoothing
parameter dengan rumusan (18)
=
+ (1 − )
10. Cek stopping criteria
Syarat
pemberhentian
pada
penelitian ini adalah bahwa selisih antara
parameter iterasi saat ini dan iterasi
sebelumnya lebih kecil dari β . Jika
syarat pemberhentian ini terpenuhi, maka
hentikan iterasi dan lanjutkan ke langkah
berikutnya. jika tidak memenuhi kembali
ke langkah 3.
11. Penampilan hasil
Langkah terakhir adalah menampilan
hasil sesuai dengan output yang telah
ditentukan di awal.
Secara umum algoritma di atas dapat
digambarkan dalam flow chart algoritma
seperti pada gambar 3.1 berikut ini
Gambar 3.1 Flowchart Algoritma CE
3.4
Aplikasi
Algoritma
pada
permasalahan FPMSP
Dalam pengujian Algoritma ini akan
dibuat 3 skenario objective function yaitu
untuk
objective
function
yang
memprioritaskan
Makespan
,
memprioritaskan
Total
tardiness,
dan
seimbang. Ilustrasi dari 3 skenario tersebut
seperti pada rumus di bawah ini:
Indeks:
C = Makespan
Z = Objective function
T = Total Tardiness
Rumus
minimize
bicriteria
dengan
memproiritaskan makespan:
Min Z = 0.3*T + 0.7*C
Rumus
minimize
bicriteria
dengan
memproiritaskan total tardiness:
Min Z = 0.7*T + 0.3*C
Rumus minimize bicriteria dengan bobot
yang seimbang:
Min Z = 0.5*T + 0.5*C
Pengujian
algoritma
dilakukan
dengan membuat kode program algoritma
pada software Matlab (kode dilampirkan
pada Lampiran 2).
Langkah awal pengujian algoritma
adalah dengan melakukan validasi algoritma
yaitu dengan melakukan pengujian model
sederhana
dengan
uji
coba
numerik
(manual) dan di running dengan software.
3.5 Uji validasi
Pada contoh ini, data yang di gunakan
pada uji validasi berupa permasalahan
penjadwalan produksi flow shop dengan
mesin parallel, yang melibatkan 3 job, 2
blok mesin, blok mesin 1 terdiri dari 2 buah
mesin, dan pada blok 2 terdiri dari 3 buah
mesin
Data waktu proses, ready time dan
duedate diberikan seperti pada tabel 4.5
berikut:
Table 3.1 Waktu proses, ready time dan due date contoh
Job
M1
M2
Rt
dd
j1
2
5
1
8
j2
3
2
1
6
j3
4
8
1
13
Dari
data
di
atas
kemudian
diselesaikan dengan metode enumerasi dan
Cross
Entropy
untuk
mendapatkan
makespan , total tardiness serta z minimum,
untuk perhitungan kali ini di pakai a=0.3
dan b = 0.7.
Penyelesaian dengan enumerasi
Urutan
proses
penyelesaian
permasalahan ini adalah sebagai berikut:
Langkah 1 Generate kandidat solusi
Pada tahap ini di generate semua kandidat
solusi yang mungkin dari kombinasi job
yang ada.
Langkah 2 Jadwalkan pada mesin yang ada
Dari
kandidat
solusi
kemudian
job
dijadwalkan kedalam mesin yang tersedia
dengan memperhatikan redy time dari job
yang bersangkutan.
Langkah 3 Hitung nilai makespan, total
tardiness dan objective function.
Setiap kandidat solusi di hitung nilai
makespan, total tardiness dan objective
functionnya
Langkah 4 Pemilihan solusi terbaik dari
kandidat solusi
Pada tahapan ini dipilih dari kandidat solusi
yang menghasilkan objective function paling
kecil untuk dijadikan solusi terbaik.
Permasalahan
diatas
dapat
diselesaikan dengan metode pembuatan
gantt chart dimulai dari generate kandidat
solusi dengan kandidat solusi : 1-2-3, 1-3-2,
2-1-3, 2-3-1, 3-1-2, 3-2-1, kemudian dari
kandidat solusi tersebut di plotting pada
mesin yang tersedia seperti gantcahart.
Contoh gantt chart untuk urutan 1-3-2
seperti berikut:
Table 3.2 Gantt chart kandidat solusi 1-3-2
Kemudian di hitung completion time,
tardiness, total tardiness, makespan dan
objective
function-nya.
Rekap
hasil
perhitungannya adalah sebagai berikut:
Table 3.3 Nilai total tardiness, makespan, dan objective function setiap kandidat solusi
Dari perhitungan diatas maka di pilih satu
solusi terbaik dari kandidat solusi dengan z
paling minimum yaitu z = 9.7 dengan jadwal
optimum 1-3-2/3-1-2.
Metode Cross Entropy
Dari problem di atas kemudian akan
diselesaikan dengan metode cross entropy
dengan langkah – langkah sebagai berikut:
Langkah 1 Tahap inisialisai
Pada tahap ini ditetapkan rho sebesar
0.01, alpha=0.8, toleransi 0.005, dengan
sampel yang dibangkitkan sebanyak 1000.
Langkah 2 tahap pembangkitan matriks
transisi
Pada tahap ini dibangkitkan matriks n
x n dimana n adalah jumlah job dalam hal
ini n = 3. Mekanisme pembangkitannya
adalah dengan node placement sebagai
berikut: P
ij=Sehingga didapatkan matriks transisi sebagai
berikut:
P =
0.333
0.333
0.333
0.333
0.333
0.333
0.333
0.333
0.333
Langkah 3 Tahap pembangkitan N jadwal
Pada tahap ini dibangkitkan jadwal sejumlah
N sebagai sampel awal. Jadwal yang
dibangkitkan pada tahap ini adalah sebagai
berikut:
Tabel 3.4 Hasil pembangkitan jadwal metode cross entropy
Langkah 4 Penghitungan objective function
Dari setiap urutan jadwal diatas di hitung z
dengan rumus
Z=a*T+b*C
Maka di dapatkan nilai Z dari jadwal yang
dibangkitkan seperti pada tabel 4.12 berikut:
Tabel 3.5 Hasil objective function jadwal CE
Jadwal
T
C
Z
2-3-1
3
13
10
1-3-2
2
13
9.7
2-1-3
3
16 12.1
1-3-2
2
13
9.7
1-3-2
2
13
9.7
1-2-3
2
15 11.1
2-3-1
3
13
10
2-1-3
3
16 12.1
2-1-3
3
16 12.1
1-2-3
2
15 11.1
Langkah 5 Pemilihan sampel elite
Dari sampel yang dibangkitkan diatas
kemudaian dipilih sampel elite setelah
diurutkan
menurut
objective
function,
dengan rumus rho*N, pada tahap ini diambil
sebanyak 6 sampel elit seperti tabel 4.15
berikut:
Tabel 4.6 Sampel elit cross entropy
jadwal
2
4
5
1
7
6
Z
9.7 9.7
9.7
10
10 11.1
Langkah 6 Update parameter
Setelah didapatkan sampel elite maka akan
di update parameter, parameter yang
dimaksud disini yaitu matriks transisi.
Parameter yang baru ini selanjutnya akan
digunakan untuk membangkitkan sampel
yang baru yang lebih baik.
Langkah 7 Ulangi langkah 2 sampai
langkah 6
Setelah didapatkan parameter baru maka
ulangi langkah ke dua sampai langkah ke
enam begitu seterusnya hingga tercapai
stopping criteria. Stopping criteria adalah
ketika matriks transisi pada transisi ini tidak
ada perubahan signifikan dari matrik transisi
iterasi sebelumnya, atau selisih antara
matriks saat ini dengan matriks pada iterasi
sebelumnya mendekati 0.
Setelah delakukan 7 tahap diatas
hingga tercapai stopping criteria maka akan
di
dapatkan
jadwal
optimal
seperti
ditunjukkan pada gambar 4.3 berikut:
Gambar 3.2 Output software matlab untuk cross entropy
3.6 Pengujian Data
Pada tahap ini dilakukan pengujian
dari data yang sudah dikumpulkan dengan
code yang sudah dibuat untuk kasus FPMSP.
Pengujian ini digunakan pembangkitan
sampel dengan node placement sesuai
dengan
ketentuan
pada
pembangkitan
matriks transisi pada cross entropy untuk
masalah penjadwalan produksi. Stopping
criteria dari permasalahan ini ditentukan
jika selesih antara matriks transisi pada
iterasi sekarang dan sebelumnya melebihi
batas toleransi yaitu 0.005. dalam pengujian
kali ini ditentukan nilai N sampel sebesar
10000 sampel yang dibangkitkan, dengan
parameter lain rho = 0.01 dan alpha sebesar
0.8. Input data untuk pengujian data pada
software MATLAB menggunakan data pada
tabel 4.4
3.6.1 Pengujian data untuk sekenario
pertama
Pada sekenario pertama digunakan
fungsi dengan mengutamakan makespan
dimana bobot untuk total tardiness 0.3 dan
bobot makespan ditentukan 0.7 seperti
rumus (35).
Adapun hasil dari skenario pertama ini
adalah total tardiness sebesar 57 jam,
makespan 168 jam dan nilai z = 134,7. Dari
pengujian ini didapatkan jadawal urutan job
optimal seperti pada tabel 4.16 berikut:
Tabel 3.7 Output matlab untuk jadwal optimal sekenario I
Dalam
running
kali
ini
juga
ditunjukkan grafik dari solusi tiap iterasi
yang ditunjukkan pada gambar 4.4
Gambar 3.3 Output MATLAB grafik solusi tiap iterasi skenario 1
3.6.2 Pengujian data untuk sekenario
Kedua
Pada sekenario kedua digunakan
fungsi dengan mengutamakan total tardiness
dimana bobot total tardiness ditentukan 0.7
dan bobot untuk makespan 0.3 seperti rumus
(36). Untuk parameter inisial sama dengan
sekenario pertama.
Adapun hasil dari sekenario kedua ini
adalah Total tardiness sebesar 48 jam,
makespan 168 jam dan nilai z = 84. Dari
pengujian ini didapatkan jadawal urutan job
optimal seperti pada tabel 4.17 berikut:
Tabel 3.8 Output MATLAB untuk jadwal optimal sekenario II
Dalam
running
kali
ini
juga
ditunjukkan grafik dari solusi tiap iterasi
yang ditunjukkan pada gambar 4.5
Gambar 3.4 Output MATLAB grafik solusi tiap iterasi skenario 2
3.6.3 Pengujian Data Untuk Sekenario
Ketiga
Pada sekenario ketiga digunakan
fungsi
yang seimbang dimana bobot
makespan ditentukan 0.5 dan bobot untuk
total tardiness 0.5 seperti rumus 37. Untuk
parameter inisial sama dengan sekenario
pertama.
Adapun hasil dari skenario ketiga ini
adalah Total tardiness sebesar 48 jam,
makespan 168 jam dan nilai z = 108. Dari
pengujian ini didapatkan jadawal urutan job
optimal seperti pada tabel 4.17 berikut:
Tabel 3.9 Output matlab untuk jadwal optimal sekenario III
Dalam
running
kali
ini
juga
ditunjukkan grafik dari solusi tiap iterasi
yang ditunjukkan pada gambar 4.6
Gambar 3.5 Output MATLAB grafik solusi tiap iterasi skenario 3
4. Analisis dan Pembahasan
Pada bab ini akan dijelaskan mengenai analisa dan pembahasan dari hasil pengumpulan dan pengolahan data serta pengujian algoritma pada bab sebelumnya. Hasil analisa dan pembahasan ini akan digunakan sebagai dasar untuk membuat suatu kesimpulan dan saran untuk penelitian selanjutnya.
4.1 Analisis Hasil Uji Validasi
Dari pengujian contoh numerik yang di selesaikan dengan cara manual pembuatan gantchart dan menggunakan metode cross entropy didapatkan hasil solusi yang sama antara hasil manual dan cross entropy. Hal ini disebabkan karena set data yang dipakai kecil sehingga mudah untuk menemukan solusi optimalnya (global optimal solution) nya.
Selain itu dengan hasil uji yang sama menunjukkan bahwa problem FSPMSP dapat diselesaikan dengan metode cross entropy dan metode cross entropy yang dibuat valid.
4.2 Analisis Hasil Pengujian Data
Pada analisis hasil pengujian data ini akan di analisis hasil uji masing masing sekenario dan di bandingkan hasil yang di dapat dari penelitian dengan kondisi existing perusahaan. Dari data yang diambil dari perusahaan untuk keseluruhan
job dihasilkan makespan 181 jam dan total tardiness 63 jam.
4.2.1 Analisis Hasil Uji Sekenario I
Pada sekenario pertama ini dibuat sekenario pencarian jadwal optimal jika perusahaan lebih mementingkan atau menitik beratkan makespan untuk diminimasi. Dalam pengujian sekenario ini untuk makespan diberi bobot 70 % sedangkan total tardiness diberi bobot 30 %.
Pada sekenario pertama didapatkan hasil
total tardiness sebesar 57 jam, makespan
168 jam dan nilai z = 134,7. Perbaikan yang
dapat dilakukan pada hasil eksperimen dari
kondisi eksisting perusahaan adalah sebesar
8 % dan untuk makespan perbaikannya
adalah sebesar 8 %.
4.2.2 Analisis Hasil Uji Data Sekenario II Pada sekenario kedua ini dibuat sekenario pencarian jadwal optimal jika perusahaan lebih mementingkan atau menitik beratkan total tardiness untuk diminimasi. Dalam pengujian sekenario ini untuk makespan diberi bobot 30 % sedangkan total tardiness diberi bobot 70 %.
Dari hasil percobaan didapat hasil untuk total tardiness
sebesar 48 jam, makespan 168
jam dan nilai z = 84
, perbaikan yang didapat dari sekenario kedua untuk total tardiness sebesar 24 % dan untuk makespan sebesar 8%. 4.2.3 Analisis Hasil Uji data Sekenario IIIPada sekenario ketiga ini dibuat sekenario pencarian jadwal optimal jika perusahaan sama – sama menginginkan untuk meminimasi makespan dan total tardiness tanpa ada yang diprioritaskan untuk diminimasi. Dalam pengujian sekenario ini untuk makespan diberi bobot 50 % sedangkan total tardiness diberi bobot 50 %.
Dari hasil percobaan didapat hasil untuk total tardiness sebeasar 48 makespan sebesar 168 dan z sebeasar 108, perbaikan yang didapat dari sekenario kedua untuk total tardiness sebesar 24% dan untuk makespan sebesar 8%.
4.3 Analisis Performansi Model Serta Perbandingan Aktual dan Model.
Dari grafik yang ditunjukkan pada iterasi I,II dan III menunjukkan grafik yang cenderung
menurun, ini menunjukkan bahwa solusi dari metode cross entropy ini merupakan solusi yang semakin mengerucut, dari iterasi ke satu sampai iterasi ke n hasilnya akan selalu lebih baik atau minimal sama dengan hasil sebelumnya, sehingga metode ini dapat menemukan titik optimal lebih cepat. Inilah salah satu keunggulan metode cross entropy dibandingkan dengan metode – metode yang lain.
Dari hasil eksperimen yang dilakukan terlihat perrformansi dari model lebih tinggi dibandingkan dengan kondisi eksisting, dengan kata lain model ini dapat meningkatkan performansi perusahaan jika diterapkan dalam pencarian jadwal optimal perusahaan.
Jika dilihat dari nilai prosentase peningkatan performasi maka peningkatan performansi model dari kondisi aktual tidak terlalu besar tetapi sebenarnya peningkatan yang didapatkan cukup besar mengingat pada aktual diberlakukan jam lembur sedangkan pada model tidak memperhitungkan jam lembur, sehingga jam kerja yang ada di kondisi eksisting perusahaan lebih banyak dibanding dengan model. Dengan jam kerja yang lebih sedikit jadwal hasil eksperimen bisa menyelesaikan pekerjaan lebih cepat dengan total keterlambatan yang lebih sedikit dibandingkan aktual, maka performansi model jauh lebih baik dibandingkan dengan eksisting.
Dari hasil ketiga metode dihasilkan makespan yang hampir sama tetapi untuk total tardiness berbeda – beda ini menunjukkan bahwa makespan maksimal dari problem ini yang mungkin untuk di capai adalah sebesar 168 jam. sehingga dari ketiga sekenario yang dibuat sekenario kedua yang memprioritaskan total tardiness merupakan solusi terbaik untuk permasalahan penjadwalan yang ada pada perusahaan ini.
5. Kesimpulan dan Saran
Bab ini dipaparkan tentang kesimpulan yang dapat diambil selama proses penelitian yang telah dilakukan serta saran-saran yang diperlukan baik bagi perusahaan maupun penelitian selanjutnya.
5.1 Kesimpulan
Berikut beberapa kesimpulan yang dapat diambil dari hasil penelitian:
1. Metode cross entropy dapat diaplikasikan untuk menyelesaikan permasalahan penjadwalan sistem produksi flowshop dengan mesin paralel.
2. Metode cross entropy menghasilkan jadwal dengan makespan dan total tardiness yang lebih kecil daripada kondisi eksisting
3. Perbaikan yang dapat dilakukan pada
hasil eksperimen sekenario pertama dari
kondisi eksisting perusahaan adalah
sebesar 8 % untuk total tardiness dan
untuk makespan perbaikannya adalah
sebesar 8 %.
4. Perbaikan yang
dapat dilakukan pada hasil
eksperimen
sekenario keduadari kondisi
eksisting perusahaan
untuk total tardiness sebesar 24 % dan untuk makespan sebesar 8%.5. Perbaikan yang
dapat dilakukan pada hasil
eksperimen
sekenario ketigadari kondisi
eksisting perusahaan
untuk total tardiness sebesar 24 % dan untuk makespan sebesar 8%.6. Dari ketiga eksperimen menghasilkan hasil dan urutan penjadwalan yang berbeda – beda namun semuanya lebih baik dari kondisi eksisting.
5.2 Saran
Berikut ini beberapa saran yang diberikan untuk masukan penelitian selanjutnya dengan topik atau bahasan yang sama
1. Penelitian ini masih berpotensi untuk dikembangkan dengan mengizinkan pre-emption dan memperhitungkan waktu lembur karyawan.
2. Melakukan hybrid metaheuristic untuk pembangkitan random sampel awal agar waktu komputasi lebih cepat.
6. Daftar Pustaka
Baker, Kenneth R. 1974. "Introduction to Sequencing and Scheduling". USA: John Wiley&Sons, inc.
Doerner, Karl F. dkk. 2007. "Metaheuristics Progress in Complex Systems Optimization". New York: Springer Science+Business Media, Inc.
Dreo, Johann dkk. 2005. "Metaheuristics for Hard Optimization : simulated annealing, tabu search, evolutionary and genetic algorithms, ant colonies,…". Heidelberg: Springer.
Lathifi, Muhammad Fahmi.
2010.
“Pengembangan metode hibrid tabu
search-cross
entropy
untuk
penjadwalan flowshop”. Tugas Akhir.
Jurusan
Teknik
Industri
ITS.
Surabaya.
Glover, Fred, Gary A. Kochenberger. 2003. "Handbook Of Metaheuristics". New York: Kluwer Academic Publishers. Nasution, Arman Hakim. 1999. "Perencanaan
dan Pengendalian Produksi". Jakarta: Guna Widya
Rubinstein, Reuven Y. Dirk P Kroese. 2004. "The Cross-Entropy Method: a unified approach to combinatorial optimization, monte carlo simulation, and machine learning". New York: Springer Science+Business Media, Inc.
Ruiz, Ruben & Allahverdi, Ali. 2009. “Minimizing the bicriteria of makespan and maximum tardiness with an upper bound on maximum tardiness”. Computers & Operations Research, Vol. 36, pp. 1268-1283.
Rera, Gladiez Florista. 2010. “Penerapan
Metode
Cross
Entropy
dalam
Penyelesaian Capacitated Vehicle
Routing Problem”. Tugas Akhir.
Jurusan
Teknik
Industri
ITS.
Surabaya.
Sawik, T. 2005. “Integer Programming Approach to Production Scheduling for Make-To-Order Manufacturing”. Mathematical and Computer Modelling, Vol. 41, pp. 99-118
Venkataraman, P. 2002. "Applied Optimization with MATLAB Programming". New York: The Math Work, Inc.