MULTI–OBJECTIVE NO–WAIT PERMUTATION FLOW SHOP SCHEDULING PROBLEM MENGGUNAKAN ALGORITMA GREYWOLF UNTUK MEMINIMALKAN
TARDINESS DAN KONSUMSI ENERGI
SKRIPSI
Diajukan Kepada Universitas Muhammadiyah Malang Untuk Memenuhi Salah Satu Persyaratan Akademik
Dalam Menyelesaikan Program Sarjana Teknik
Disusun Oleh:
Sabila Zahra Umamy 201810140311184
JURUSAN TEKNIK INDUSTRI FAKULTAS TEKNIK
UNIVERSITAS MUHAMMADIYAH MALANG
2022
i
KATA PENGANTAR
Skripsi ini merupakan salah satu persyaratan akademik untuk dapat mencapai gelar kesarjanaan pada Fakultas Teknik Universitas Muhammadiyah Malang. Sehubungan dengan hal tersebut, skripsi ini ditulis untuk mencapai persyaratan tersebut. Skripsi ini berisi tentang “Multi–Objective No–Wait Permutation Flow Shop Scheduling Problem Menggunakan Algoritma Greywolf untuk Meminimalkan Tardiness dan Konsumsi Energi”. Penulis menyadari bahwa tanpa bantuan dan bimbingan dari berbagai pihak, dari masa perkuliahan sampai pada penyusunan skripsi, sangatlah sulit bagi penulis untuk dapat menyelesaikan skripsi ini. Penulis mengucapkan terimakasih kepada semua pihak yang telah membantu dan memberikan dukungan demi terselesaikan skripsi ini. Ucapan terima kasih ini penulis ucapkan kepada:
1. Allah SWT yang telah memberikan kesehatan, kelancaran, kemudahan, ilmu pengetahuan kepada penulis sehingga dapat menyelesaikan skripsi ini.
2. Ibu Shanty Kusuma Dewi., ST., MT selaku Ketua Jurusan Teknik Industri Universitas Muhammadiyah Malang.
3. Ibu Ikhlasul Amallynda., ST., MT selaku Koordinator Skripsi.
4. Ibu Ir. Annisa Kesy Garside, S.T., M.T., IPM., ASEAN Eng. selaku Dosen Pembimbing Skripsi Pertama yang telah memberikan masukan positif serta ilmu yang berharga dalam penulisan skripsi ini.
5. Bapak Ir. Dana Marsetiya Utama., ST., MT. selaku Dosen Pembimbing Skripsi Kedua yang telah banyak memberikan ilmu yang berharga serta selalu memberikan semangat dalam penulisan skripsi ini.
6. Ibu saya: Ibu Titin Rustini yang tiada henti-hentinya selalu mendengarkan keluh kesah saya, mendoakan saya setiap waktu dan selalu memberikan semangat.
7. Kakak – kakak saya: Alfi Zuhriya Khoirunnisa, Evada Aulia Azhari, Rifial Ridho Assidiqi dan Muhammad Riyadhus Sholihin yang selalu memberikan banyak dukungan kepada saya.
ii
8. Mas Iqbal Alif Daffa Lukito yang sudah menemani penulis sejak tahun 2014 hingga sekarang. Selalu memberikan semangat tiada hentinya kepada penulis dari awal pengerjaan skripsi hingga akhir.
9. Teman - teman seangkatan Teknik Industri 2018 terutama kelas D yang sudah memberikan banyak motivasi kepada penulis dalam menyelesaikan Skripsi.
Penulis menyadari bahwa skripsi ini masih jauh dari kesempurnaan. Oleh karena itu, penulis mohon maaf apabila ditemukan kesalahan dalam skripsi ini. Secara khusus penulis mengharapkan agar skripsi ini dapat memberikan wawasan dan pengetahuan yang baru bagi setiap pembaca.
Malang, April 2022
Penulis
iii DAFTAR ISI
HALAMAN JUDUL………..
LEMBAR PENGESAHAN SKRIPSI………
LEMBAR BIMBINGAN DOSEN PEMBIMBING……….……….
BERITA ACARA UJIAN………..
SURAT PERNYATAAN KEASLIAN………..
KATA PENGANTAR ... i
ABSTRAK ... iii
ABSTRACT ... iv
DAFTAR ISI ... v
DAFTAR TABEL ... viii
DAFTAR GAMBAR ... x
DAFTAR LAMPIRAN ... xi
BAB I PENDAHULUAN ... 1
1.1 Latar Belakang ... 1
1.2 Rumusan Masalah ... 2
1.3 Tujuan Penelitian ... 3
1.4 Manfaat Penelitian ... 3
1.5Batasan Masalah ... 3
1.6 Asumsi... 3
BAB II LANDASAN TEORI ... 4
2.1 Penjadwalan Produksi ... 4
2.2 Penjadwalan Flowshop... 6
2.3 Formulasi Matematika No – Wait Permutation Flowshop Scheduling ... 8
2.4 Largest Rank Value (LRV) ... 10
iv
2.5 Optimasi Multi - Objective ... 11
2.6 Teknik Penyelesaian Optimasi Multi – Objective ... 15
2.7 Multi – Objective Discreate Artificial Bee Colony (MO-DABC) ... 16
2.8 Multi – Objective Grey Wolf Optimizer (MOGWO) ... 21
2.9 Literature Review ... 25
BAB III METODOLOGI PENELITIAN ... 28
3.1 Flowchart Tahapan Penelitian ... 28
3.2 Deskripsi Metode Penelitian ... 29
3.2.1 Tahap Identifikasi Masalah ... 29
3.2.2Tahap Pengumpulan Data ... 29
3.2.3 Tahap Pengolahan Data... 30
3.2.4 Tahap Analisis Dan Pembahasan ... 34
3.2.5 Tahap Kesimpulan dan Saran... 35
BAB IV PENGUMPULAN DAN PENGOLAHAN DATA ... 36
4.1 Pengumpulan Data ... 36
4.2Pengolahan Data ... 38
4.2.1Coding Matlab untuk fungsi penjadwalan MOGWO ... 38
4.2.2 Uji Verifikasi dan Validasi... 56
4.2.3Penjadwalan dengan Algoritma Usulan ... 56
4.2.4 Perbandingan algoritma MOGWO dan MO-DABC ... 69
BAB V ANALISIS DAN PEMBAHASAN ... 71
5.1 Analisis Pareto Frontier Algoritma MOGWO dan MO-DABC ... 71
5.1.1 Analisis Pareto Frontier Algoritma MOGWO ... 71
5.1.2 Analisis Pareto Frontier Algoritma MO-DABC ... 73
v
5.1.3 Perbandingan Performansi Algoritma MOGWO dan MO-DABC Berdasarkan
𝑁𝑆 dan 𝐼𝐺𝐷 ... 74
5.1.4 Perbandingan Total tardiness dan Konsumsi Energi Pada Algoritma MOGWO dan MO-DABC ... 75
5.1.5 Pengaruh Kecepatan Mesin Terhadap Total Tardiness Dan Konsumsi Energi ... 77
BAB VI KESIMPULAN DAN SARAN... 78
6.1 Kesimpulan ... 78
6.2Saran ... 78
DAFTAR LAMPIRAN ... 79
DAFTAR PUSTAKA ... 118
vi DAFTAR TABEL
Tabel 2.1 Set Indeks dan Parameter NWPFS... 8
Tabel 2.2 Constraint MILP dan CP ... 8
Tabel 2.3 Set Solusi Dua Fungsi Tujuan ... 11
Tabel 2.4 Klasifikasi Solusi ... 12
Tabel 2.5 Klasifikasi Solusi ... 14
Tabel 2.6 Literature Review ... 25
Tabel 3.1 Hasil Komputasi ... 33
Tabel 3.2 Rekapitulasi Efisiensi MOGWO dan MO-DABC ... 34
Tabel 4.1 Waktu Proses dan Due Date 20 × 5 ... 36
Tabel 4.2 Data Parameter ... 37
Tabel 4.3 Data waktu proses dan due date kasus sederhana ... 42
Tabel 4.4 Rekapitulasi Random Bilangan Posisi ... 42
Tabel 4.5 Urutan Job ... 43
Tabel 4.6 Rekapitulasi waktu mulai mesin 1 ... 44
Tabel 4.7 Rekapitulasi Tardiness ... 45
Tabel 4.8 Rekapitulasi Urutan Job ... 46
Tabel 4.9 Solusi Non - Dominasi ... 47
Tabel 4.10 Rekapitulasi 𝑋1 ... 48
Tabel 4.11 Rekapitulasi 𝑋2 ... 49
Tabel 4.12 Rekapitulasi 𝑋3 ... 50
Tabel 4.13 Posisi terbaik iterasi 1 ... 50
Tabel 4.14 Rekapitulasi Urutan Job ... 50
Tabel 4.15 Rekapitulasi 𝑋1 ... 51
Tabel 4.16 Rekapitulasi 𝑋2 ... 52
Tabel 4.17 Rekapitulasi 𝑋3 ... 53
Tabel 4.18 Posisi terbaik iterasi 2 ... 54
Tabel 4.19 Rekapitulasi Urutan Job ... 54
Tabel 4.20 Solusi Non - Dominasi ... 55
Tabel 4.21 Hasil Komputasi Set Data 20 × 5 MOGWO ... 57
vii
Tabel 4.22 Hasil Komputasi Set Data 20 × 5 MO-DABC ... 57
Tabel 4.23 Hasil Komputasi Set Data 20 × 10 MOGWO ... 58
Tabel 4.24 Hasil Komputasi Set Data 20 × 10 MO-DABC ... 59
Tabel 4.25 Hasil Komputasi Set Data 20 × 20 MOGWO ... 59
Tabel 4.26 Hasil Komputasi Set Data 20 × 20 MO-DABC ... 60
Tabel 4.27 Hasil Komputasi Set Data 50 × 5 MOGWO ... 61
Tabel 4.28 Hasil Komputasi Set Data 50 × 5 MO-DABC ... 62
Tabel 4.29 Hasil Komputasi Set Data 50 × 10 MOGWO ... 62
Tabel 4.30 Hasil Komputasi Set Data 50 × 10 MO-DABC ... 63
Tabel 4.31 Hasil Komputasi Set Data 50 × 20 MOGWO ... 63
Tabel 4.32 Hasil Komputasi Set Data 50 × 20 MO-DABC ... 64
Tabel 4.33 Hasil Komputasi Set Data 100 × 5 MOGWO ... 65
Tabel 4.34 Hasil Komputasi Set Data 100 × 5 MO-DABC ... 65
Tabel 4.35 Hasil Komputasi Set Data 100 × 10 MOGWO ... 66
Tabel 4.36 Hasil Komputasi Set Data 100 × 10 MO-DABC ... 67
Tabel 4.37 Hasil Komputasi Set Data 100 × 20 MOGWO ... 67
Tabel 4.38 Hasil Komputasi Set Data 100 × 20 MO-DABC ... 68
Tabel 4.39 Hasil Perbandingan Algoritma MOGWO dan MO-DABC ... 69
viii DAFTAR GAMBAR
Gambar 2.1 Pure Permutation Flowshop ... 7
Gambar 2.2 No - Wait Permutation Flowshop... 7
Gambar 2.3 No - Idle Permutation Flowshop ... 7
Gambar 2.4 Contoh LRV ... 11
Gambar 2.5 Koordinat dua fungsi tujuan ... 12
Gambar 2.6 Solusi dan Ranking Pareto ... 15
Gambar 2.7 Tipe – tipe Evolutionary Computing ... 15
Gambar 2.8 Flowchart Algoritma MO-DABC ... 20
Gambar 2.9 Flowchart Algoritma MOGWO ... 24
Gambar 3.1 Flowchart Metodologi Penelitian... 28
Gambar 3.2 Flowchart MOGWO Algorithm ... 32
Gambar 4.1 Coding MONWPFS ... 39
Gambar 4.2 Coding MOGWO ... 41
Gambar 4.3 Penerapan LRV ... 43
Gambar 4.4 Gantt chart solusi pertama ... 55
Gambar 4.5 Gantt chart solusi kedua ... 55
Gambar 4.6 Hasil Komputasi Software MATLAB ... 56
Gambar 5.1 Pareto Frontier Set Data 20 × 10, a untuk kecepatan fast, b kecepatan normal, c kecepatan slow ... 72
Gambar 5.2 Pareto Frontier Set Data 20 × 10, a untuk kecepatan fast, b kecepatan normal, c kecepatan slow ... 74
Gambar 5.3 Perbandingan total tardiness dan konsumsi energi set data 20 × 5, a untuk kecepatan fast, b kecepatan normal, c kecepatan slow ... 76
Gambar 5.4 Kecepatan Mesin pada Algoritma MOGWO ... 77
ix
DAFTAR LAMPIRAN
Lampiran 1 Hasil Perhitungan Duedate Problem 2 – Problem 9 ... 79 Lampiran 2 Pareto Frontier Algoritma MOGWO ... 100 Lampiran 3 Pareto Frontier Algoritma MO-DABC ... 106 Lampiran 4 Grafik total tardiness dan konsumsi energi pada algoritma MOGWO dan MO-DABC ... 112 Lampiran 5 Grafik Pengaruh Kecepatan Mesin Terhadap Total Tardiness dan Konsumsi energi... 117
x
DAFTAR PUSTAKA
Adaryani, M. R., Karami, A., & Systems, E. (2013). Artificial bee colony algorithm for solving multi-objective optimal power flow problem. International Journal of Electrical Power, 53, 219-230.
Aldowaisan, T., & Allahverdi, A. (2004). New heuristics for m-machine no-wait flowshop to minimize total completion time. Omega, 32(5), 345-352.
Baker, K. R. (2009). Safe scheduling: Setting due dates in single-machine problems. European Journal of Operational Research, 196(1), 69-77.
Baker, K. R., & Trietsch, D. (2013). Principles of sequencing and scheduling: John Wiley & Sons.
Coello, C. A. C., Lamont, G. B., & Van Veldhuizen, D. A. (2007). Evolutionary algorithms for solving multi-objective problems (Vol. 5): Springer.
Collette, Y., & Siarry, P. (2004). Multiobjective optimization: principles and case studies: Springer Science & Business Media.
Darvish Falehi, A. (2020). Novel harmonic elimination strategy based on Multi- Objective Grey Wolf Optimizer to ameliorate voltage quality of odd-nary multi-level structure.
Derrac, J. (2011). A practical tutorial on the use of nonparametric statistical tests as a methodology for comparing evolutionary and swarm intelligence algorithms. Swarm Evolutionary Computation, 1(1), 3-18.
Fallah, M. (2019). Energy-Aware Permutation Flow Shop Scheduling Problem Considering the Inventory, Tardiness and Energy Costs. Paper presented at the 2019 International Conference on Industrial Engineering and Systems Management (IESM).
Fu, Y., & Tian, G. (2019). Stochastic multi-objective modelling and optimization of an energy-conscious distributed permutation flow shop scheduling problem with the total tardiness constraint. Journal of Cleaner Production, 226, 515-525.
Garside, A. K., & Amallynda, I. (2021). A Crossbreed Discrete Artificial Bee Colony for Permutation Flow Shop Scheduling Problem to Minimize Total Earliness and Tardiness. International Journal of Intelligent Engineering &
Systems.
Garside, A. K., Harto, S., & Utama, D. M. (2016). Penjadwalan Produksi Menggunakan Algoritma Non Delay Untuk Meminimalkan Makespan Studi Kasus di CV Bima Mebel. Jurnal Spektrum Industri, 14(1), 123-128.
Ginting, R. Y. G. I. (2009). Penjadwalan mesin. Yogyakarta: Graha Ilmu.
Gomes, A. C. L., Ravetti, M. G., & Carrano, E. G. (2021). Multi-objective matheuristic for minimization of total tardiness and energy costs in a steel industry heat treatment line. Computers Industrial Engineering, 151, 106929.
Iqbal, P., & Uduman, P. S. (2014). Genetic algorithm for permutation flowshop scheduling problem to minimize the makespan. International Journal of Computing Algorithm, 3(02), 1086-1091.
xi
Karaboga, D. (2005). An idea based on honey bee swarm for numerical optimization. Retrieved from
Keskin, K., & Engin, O. (2021). A hybrid genetic local and global search algorithm for solving no-wait flow shop problem with bi criteria. SN Applied Sciences, 3(6), 1-15.
Li, X., & Yin, M. (2013). An opposition-based differential evolution algorithm for permutation flow shop scheduling based on diversity measure. Advances in Engineering Software, 55, 10-31.
Lu, C., Gao, L., Pan, Q., Li, X., & Zheng, J. (2019). A multi-objective cellular grey wolf optimizer for hybrid flowshop scheduling problem considering noise pollution. Applied Soft Computing, 75, 728-749.
Madhushini, N., & Rajendran, C. (2020). Branch-and-bound algorithms for scheduling in an m-machine no-wait flowshop. Sadhana, 45(1), 1-11.
Makuchowski, M. (2015). Permutation, no-wait, no-idle flow shop problems.
Archives of Control Sciences.
Mansouri, S. A., Aktas, E., & Besikci, U. (2016). Green scheduling of a two- machine flowshop: Trade-off between makespan and energy consumption.
European Journal of Operational Research, 248(3), 772-788.
Minella, G., Ruiz, R., & Ciavotta, M. (2008). A review and evaluation of multiobjective algorithms for the flowshop scheduling problem. INFORMS Journal on Computing, 20(3), 451-471.
Mirjalili, S., Saremi, S., Mirjalili, S. M., & Coelho, L. d. S. (2016). Multi-objective grey wolf optimizer: a novel algorithm for multi-criterion optimization.
Expert Systems with Applications, 47, 106-119.
Naderi Boldaji, M. (2021). Color Image Segmentation Using Multi-Objective Swarm Optimizer and Multi-level Histogram Thresholding. arXiv e-prints, arXiv: 2110.09217.
Pan, Q.-K., & Ruiz, R. (2014). An effective iterated greedy algorithm for the mixed no-idle permutation flowshop scheduling problem. Omega, 44, 41-50.
Pinedo, M. (2012). Scheduling (Vol. 29): Springer.
Ren, Y., Tian, G., Zhao, F., Yu, D., & Zhang, C. (2017). Selective cooperative disassembly planning based on multi-objective discrete artificial bee colony algorithm. Engineering Applications of Artificial Intelligence, 64, 415-431.
Taillard, E. (1993). Benchmarks for basic scheduling problems. European Journal of Operational Research, 64(2), 278-285.
Tasgetiren, M. F. (2019). A discrete artificial bee colony algorithm for the energy- efficient no-wait flowshop scheduling problem. Procedia Manufacturing, 39, 1223-1231.
Utama, D. (2021). Minimizing Number of Tardy Jobs in Flow Shop Scheduling Using A Hybrid Whale Optimization Algorithm. Paper presented at the Journal of Physics: Conference Series.
Utama, D. M., Ardiansyah, L. R., & Garside, A. K. (2019). Penjadwalan Flow Shop untuk Meminimalkan Total Tardiness Menggunakan Algoritma Cross Entropy–Algoritma Genetika. Jurnal Optimasi Sistem Industri, 18(2), 133- 141.
xii
Utama, D. M., Widodo, D. S., Ibrahim, M. F., Hidayat, K., Baroto, T., & Yurifah, A. (2020). The hybrid whale optimization algorithm: A new metaheuristic algorithm for energy-efficient on flow shop with dependent sequence setup.
Paper presented at the Journal of Physics: Conference Series.
Utama, D. M., Widodo, D. S., Wicaksono, W., & Ardiansyah, L. R. (2019). A new hybrid metaheuristics algorithm for minimizing energy consumption in the flow shop scheduling problem. International Journal of Technology, 10(2), 320-331.
Wang, S., & Mason, S. J. (2020). Stochastic optimization for flow-shop scheduling with on-site renewable energy generation using a case in the United States.
Computers Industrial Engineering.
Yüksel, D. (2020). An energy-efficient bi-objective no-wait permutation flowshop scheduling problem to minimize total tardiness and total energy consumption. Computers Industrial Engineering.
industri.umm.ac.id | [email protected]
FORM CEK PLAGIARISME LAPORAN TUGAS AKHIR Nama Mahasiswa : Sabila Zahra Umamy
NIM : 201810140311184
Judul TA : Multi–Objective No–Wait Permutation Flow Shop Scheduling Problem Menggunakan Algoritma Greywolf Untuk Meminimalkan Tardiness Dan Konsumsi Energi
Hasil Cek Plagiarisme dengan Turnitin
No. Komponen Pengecekan Nilai Maksimal
Plagiarisme (%)
Hasil Cek Plagiarisme (%)
1. Bab 1 – Pendahuluan 10 % 7%
2. Bab 2 – Landasan Teori 25 % 14%
3. Bab 3 – Metodologi Penelitian 30 % 23%
4. Bab 4 – Pengumpulan Pengolahan Data 30 % 4%
5. Bab 5 – Analisa dan Pembahasan 15 % 4%
6. Bab 6 – Kesimpulan dan Saran 5% 4%
7. Jurnal 20% 6%
Mengetahui, Dosen Pembimbing I
(Ir. Annisa Kesy Garside, S.T., M.T., IPM., ASEAN Eng.)
Dosen Pembimbing II
(Ir. Dana Marsetiya Utama, S.T., M.T.) Menyetujui,
Koordinator TA
Ikhlasul Amallynda, S.T., M.T
