Husnul Hakim (5106100101) Pembimbing : Ahmad Saikhu, S.Si, MT
Penjadwalan
job-shop
merupakan masalahyang kompleks untuk diselesaikan.
Pendekatan dalam menyelesaikan
penjadwalan job-shop :
- Analitis dengan model matematis. - Heuristik dengan menerapkan
dispatching rules.
Fuzzy rule base
sehingga diperoleh metodepenjadwalan adaptif.
Kenapa adaptif ?
pemilihan
control vector
BERDASARKAN Implementasi MATLAB 7.0
Job-shop
terdiri dari empatworkcenter
yaituarea pemotongan, area pembengkokan, area permesinan, dan area pengelasan.
Mengimplementasikan metode
fuzzy rule
base
pada kasusjob-shop
dengan penjadwalan adaptif. Memperoleh perbandingan
flow-time
antarabeberapa skenario pada implementasi
fuzzy
rule base
pada kasusjob-shop
denganKarakteristik :
◦ Jobs : J={J1,J2,...,Jn}
◦ Ada resource (mesin) R={R1 , R2,..., Rn }
◦ Operasi : Oi = O1i, O12,..., Oni
◦ Waktu proses λ =λ1, λ2 ,..., λn ◦ Presedences urutan operasi
Dispatching rules
menentukan urutanjob
. Berikut ini adalah beberapa contoh daridispatching rules
.◦ FIFO (First In First Out)
◦ SPT (Shortest Processing Time) ◦ LPT (Longest Processing Time) ◦ Random
Latar belakang lahirnya
banyaknya fenomena yang bersifat samar
/serba tidak
Pada kenyataannya, tidak ada tepat 100%
Logika fuzzy memberi nilai spesifik pada
setiap nilai antara
true
ataufalse
dengan menentukan fungsi keanggotaan(
membership function).
Input diberi nilai 0 sampai 1, sehingga
memungkinkan bagi suatu persamaan memiliki nilai true dan false secara
Fuzzy rule base
berisi pernyataan-pernyataanlogika
fuzzy
yang berbentukpernyataan-pernyataan
IF-THEN
. Bentuk umum darifuzzy
rule base
adalah :“If x
1is A
11and x
Peranan
- Menentukan
control vector
yang tepat untukstate vectors
dalamsubspace
. Pemilihan
control vector
melalui 2 tahapanutama yaitu :
a. Knowledge Acquisition Phase b. Decision Making Phase
Control vectors
adalah vektor yang berisibobot dari penggunaan
dispatching rules
yang digunakan, yaitu NPT, dan NUNQ.
NPT Normalized Processing Time
NUNQ Normalized Urgency of Next
Dari
control vector
dapat diperolehpriority
index
job ke-k pada workcenter ke-s dengan rumus :c1 c2 c3 c4
0 1 0 1
Priority Index
menentukan prioritas job untukdikerjakan pada suatu
workcenter
. Contoh : digunakan
control vector 1
:Priority (k,s) = Σi wi x Criterioni(k,s)
Priority (k,s) = 0xNUNQ + (-1)*NPT
Job dengan
priority
lebih tinggi akan
State Vectors
berisistates variables.
Merupakan variabel-variabel yangmenunjukkan keadaan sistem.
State variables
yang dipilih :x
1:
NPT maksimum dari antrianx
2 : NUNQ maksimum dari antrianx
3 : NPT minimum dari antrian Pada tahap ini dikumpulkan data dan
dilakukan proses fuzzifikasi.
Proses fuzzifikasi yang dilakukan adalah
menggunakan bilangan fuzzy K=3.
Untuk membangun
rule
padaknowledge
acquisition phase
dilakukan perhitungan : - Degree of Effectiveness- Cumulative Scores - Degree of Suitability
Menghitung derajat kekuatan dari
control
vector dengan rumus :
(PV
worstxp- PV
cxp
)
DE
cxp=
(PV
worstxp- PV
Menghitung nilai efektivitas dari semua
control vector untuk semua
subspace,
dengan rumus:β(c|A
K Menghitung kekuatan control vector untuk seluruh
subspace, dengan rumus : β(c|AK ij...v)- βij...v DS(c|AK ij..v )= Maxt{β(t|AK ij..v)} Σt=1q β(t|AK ij..v) βij...v = q
Control vector yang memiliki nilai degree of suitability
maksimal, merupakan control vector yang paling optimal untuk
Dengan terpilihnya masing-masing satu
control vector
terbaik untuk tiapsubspace
maka dapat dibangun
rule base :
“Jika x
1= .... x
2= .... x
3= .... x
4= .... Maka
Tahap ini adalah tahap penentuan
control
Rata-rata waktu pengerjaan pada setiap
workcenter
& antrian diperoleh melalui proses simulasi.
Generate random number
dengan distribusiTRIANGULAR (0.9, 1, 1.1) untuk pengali waktu pengerjaan di tiap
workcenter
dan untuk jumlah antrian di setiapworkcenter
. Input : p x1 x2 x3 x4 PVC1 PVC2 PVC3 PVC4 1 0.00 0.00 0.26 0.00 38.38 38.68 39.80 39.76 2 0.55 0.59 1.00 0.70 42.85 43.20 44.78 44.48 3 0.14 0.45 0.44 0.28 39.91 40.22 41.22 41.50 4 0.19 0.41 0.58 0.43 40.90 41.23 42.82 42.52 5 0.00 0.00 0.26 0.06 39.14 38.92 39.44 40.03 6 0.42 0.55 0.67 0.55 41.37 41.68 43.43 43.11 7 0.01 0.18 0.33 0.21 39.68 40.03 41.51 41.24 8 0.08 0.09 0.14 0.09 38.78 39.07 40.52 40.22 9 0.00 1.00 1.00 1.00 44.89 45.20 46.81 46.45 10 0.27 0.41 0.54 0.53 41.30 41.61 43.21 42.90
Degree of Effectiveness 1 0.787 0 0.0258 1 0.815 0 0.153 1 0.807 0.175 0 1 0.827 0 0.159 0.807 1 0.534 0 1 0.849 0 0.155 1 0.805 0 0.148 1 0.836 0 0.176 1 0.836 0 0.185 1 0.836 0 0.161
Cumulative Scores
Uji Coba-Skenario 1(cont)
1.36 0.228 0.00015 9 1.32 0.441 0.00454 0.00264 0.0215 0.00045 5 1.24 0.206 0.00014 5 1.22 0.381 0.00381 0.00221 0.0179 0.00038 1 0.229 0.03 2.59e-005 0.249 0.036 9 2.86e-005 4.78e-005 6.68e-006 5.45e-009 0.1 0.029 1 1.3e-005 0.078 7 0.056 5 0.00071 6 0.00039 5 0.0034 4 7.57e-005
0.462 0.373 -0.37 -0.465 0.459 0.363 -0.409 -0.413 0.461 0.373 -0.376 -0.457 0.457 0.381 -0.354 -0.484 0.481 0.345 -0.435 -0.391 0.499 0.338 -0.495 -0.343 0.499 0.336 -0.483 -0.352 0.502 0.334 -0.498 -0.338 0.499 0.336 -0.501 -0.335 ... ... ... ... ... ... ... ... 0.508 0.322 -0.492 -0.338 0.508 0.323 -0.492 -0.339 0.508 0.324 -0.492 -0.339
Rules:
“Jika x1 kecil, x2 kecil, x3 sedang, x4 besar
gunakan control vector ke-1 “
...
“Jika x1 besar, x2 besar, x3 besar, x4 besar
Decision Making Phase
Diinputkan
current vector
:0.8385 0.5681 0.3704 0.7027
x1 x2 x3 x4
Hasil :
DA =
0.5025 0.3344 -0.4754 -0.3611
Decision : Kontrol Vector untuk current state
Input p x1 x2 x3 x4 PVC1 PVC2 PVC3 PVC4 1 0,24 1,00 1,00 0,37 44,80 44,81 44,85 44,84 2 0,08 0,40 0,45 0,17 41,22 41,23 41,26 41,26 3 0,25 1,00 1,00 1,00 55,67 55,68 55,73 55,72 4 0,11 0,31 0,31 0,29 43,43 43,44 43,48 43,48 5 0,35 0,60 0,58 0,53 47,63 47,64 47,68 47,64 6 0,37 0,80 0,93 0,77 51,94 51,94 52,00 51,99 7 0,04 0,40 0,38 0,15 37,25 37,25 37,29 37,28 8 0,00 0,00 0,00 0,00 38,29 38,29 38,33 38,32 9 0,23 1,00 0,89 0,85 56,25 56,24 56,29 56,28
Rule
... ...
23. Jika x1 kecil, x2 besar, x3 sedang, x4 sedang gunakan control vector ke-1
24. Jika x1 kecil, x2 besar, x3 sedang, x4 besar gunakan control vector ke-2.
... ...
78. Jika x1 sedang, x2 besar, x3 sedang, x4 besar gunakan control vector ke-2
79. Jika x1 besar, x2 besar, x3 besar, x4 kecil gunakan control vector ke-1
0,00 10,00 20,00 30,00 40,00 50,00 60,00 70,00 0 2 4 6 8 10 12 Fl ow T im e
State Vectors
Ke-Flow Time
Triangular Normal
Fuzzy rule base dapat diimplementasikan untuk
kasus job-shop.
Penggunaan distribusi yang berbeda, yaitu
TRIANGULAR dan NORMAL untuk waktu proses suatu entitas pada workcenter mempengaruhi flow-time
dari job-shop.
Pada saat dilakukan uji coba, rule yang menunjuk
control vector 1 yaitu (0,-1) sebagai control vector
untuk suatu subspace lebih dominan dibandingkan dengan control vector lainnya. Ini menunjukkan
bahwa untuk job-shop dengan karakteristik seperti yang diujicobakan, NPT lebih banyak digunakan
dibandingkan dengan penggunaan kombinasi antara NUNQ-NPT yang diwakilkan oleh control vector
Penggunaan simulasi bukan hanya untuk dasar
dalam pembangkitan bilangan acak, tetapi
benar-benar dilakukan untuk menilai performa dari control vector. Dengan
demikian, penghitungan prioritas juga dapat
langsung dilakukan dengan simulasi tanpa harus dihitung berdasarkan bilangan acak yang
dibangkitkan.
Gunakan kombinasi control vector selain control
vector yang digunakan pada tugas akhir ini.
Untuk kriteria performa selain flow-time dapat
digunakan dispatching rules yang lain selain NUNQ dan NPT.