OPTIMISASI PEMBENTUKAN SEL
DIINTEGRASIKAN DENGAN PENEMPATAN
MESIN DAN PENJADWALAN DI DALAM
SELULAR MANUFAKTUR MENGGUNAKAN
ALGORITMA GENETIKA
JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH NOPEMBER
2013
Oleh :
Moh Khoiron
1209 100 705
Dosen pembimbing :
Dr. Imam Mukhlas S.Si, MT.
Drs. Soetrisno M.Ikomp.
Lanjutan…
•
Penelitian untuk layouting machine dengan menggunakan GA telah
banyak dilakukan sebelumnya, meskipun berbeda-beda dalam objective
function-nya, diantaranya adalah yang dilakukan Koopmans dan
Beckmann (1957) yang mendefinisikan FLP sebagai masalah untuk
mengkonfigurasi fasilitas, sehingga dapat meminimalkan biaya
material
handling
.
•
Pada kajian yang dilakukan oleh Azadivar dan Wang (2000) mendefinisikan
bahwa tata FLP adalah penentuan lokasi relatif dan alokasi
untuk beberapa fasilitas pada ruangan yang telah diberikan.
•
Lee dan Lee (2002) mendefinisikan bahwa FLP terdiri mengatur n fasilitas
dengan ukuran yang berbeda di dalam total ruang yang telah ditentukan,
untuk meminimalkan biaya
material handling
dan total slack area cost.
•
Shayan dan Chittilappilly (2004) mendefinisikan FLP sebagai masalah
optimasi yang membuat layout lebih efisien dengan memperhatikan
berbagai interaksi antara fasilitas dan sistem material handling saat
merancang tata letak
.
Lanjutan…
•
Adib Shururi melakukan penelitian judul “Optimisasi Tata
Letak Fasilitas Dalam Sistem
Manufacturing Cellular
Dengan
Menggunakan Pendekatan
Genetic Algorithm”
•
Permasalahan selular manufakturing yang menggunakan
pendekatan GA yang dikaji hanya terbatas pada tata letak
fasilitas
•
Pendekatan dalam pembentukan sel menggunakan algoritma
clustering,
kemudian menggunakan GA untuk mengatur tata
letak mesin dalam tiap-tiap sel.
Rumusan Masalah
•
Permasalahan yang diangkat adalah
pengintegrasian antara pembentukan sel,
penempatan mesin dan penjadwalan di dalam
selular manufaktur menggunakan algoritma
genetika
Batasan masalah
• Data yang digunakan adalah data yang diambil dari Tugas Akhir Adib Shururi dengan judul “Optimisasi Tata Letak Fasilitas Dalam Sistem Manufacturing Cellular Dengan Menggunakan Pendekatan Genetic Algorithm”
• Tidak memabahas tentang pemilihan material handling
• Permasalahan yang dikaji hanya di dalams atu department.
• Perubahan demand untuk periode berikutnya bersifat linear.
• waktu transfer antar satu mesin dengan yang lainnya diabaikan.
• Penentuan posisi gen yang merepresentasikan posisi mesin didalam software Genetic Layout adalah bahwa setiap mesin memiliki ukuran yang sama.
• Pick-up and drop-of adalah dari depan-belakang mesin atau jarak terdekat dari mesin satu ke yang lainnya.
manfaat
•
Tujuan dari penelitian tugas akhir ini adalah membuat aplikasi
untuk mendapatkan
makespan
yang lebih singkat
.
tujuan
•
Manfaat dari tugas akhir ini adalah membantu
mencari solusi pembentukan sel,
layout
mesin dan
scheduling dalam
cellular manufacturing
yang baik
di suatu perusahaan dengan
menggunakan
Genetic
Algorithm
(GA) serta dapat dijadikan sebagai
tambahan pustaka untuk penelitian selanjutnya.
Selular Manufakturing
Tinjauan Pustaka
•
adalah sistem produksi yang mengklasifikasikan
parts
yang mirip menjadi bagian
part families
dan
mesin yang berkaitan ditempatkan ke dalam sel
untuk meningkatkan efektivitas biaya produksi dan
fleksibilitas
job shop
manufaktur.
Kelebihan Selular Manufakturing
Tinjauan Pustaka
•
Menurunkan waktu
set-up
•
Menurunkan
work-in-process inventory
•
Menurunkan biaya
material handling
•
Menurunkan biaya tenaga kerja langsung dan tidak
langsung
•
Peningkatan dalam kualitas
•
Peningkatan dalam aliran material
•
Peningkatan dalam utilitas mesin
•
Peningkatan utilitas space
Isu Utama dalam Selular
Manufakturing
sel3 Pembentukan Sel Tata letak Penjadwalan M1 M5 M4 M3 M2Definisi……
Pembentukan Sel (PS) adalah pengelompokan
part yang didasarkan pada fitur desain atau proses yang serupa menjadi part families
dan mesin yang terkait ke dalam sel mesin.
Pembentukan Sel
sel3 sel 2 sel 1Definisi……
Group layout (GL)
adalah peletakan mesin dalam setiap sel (tata letak intra-sel) dan sel-sel terhadap satu sama lain (tata letak antar-sel).
Layouting Machine
M1 M5 M4 M3 M2 sel 2 sel 1Definisi……
Group scheduling (GS) adalah penjadwalan
part dalam tiap sel dan hubungannya dengan sel yang lain.
Penjadwalan
sel
2
sel
Lanjutan…
GA adalah teknik pencarian stokastik menggunakan prinsip-prinsip Darwin yaitu “survival of the fittest” untuk menemukan solusi terbaik. Lebih tinggi fittest -nya maka tinggi pula kemungkinan-nya untuk bertahan hidup dan begitu juga sebaliknya.
yes
Create Initial Population
Measure New Fitness
Select parents by Fitness Generic Recommendation possible Mutation Measure Fitness Terminate ? No • Stopping criteria • seleksi • Crossover • Mutation • objective function • Population size Begin GA End GA
Flow chart
of genetic
algorithms
Pengkodean kromosom dan
Inisialisasi Populasi
Pengkodean kromosom memetakan solusi
karakteristik dalam format string kromosom. Setiap
kromosom terdiri dari urutan gen tertentu dari alfabet
Inisialisasi populasi adalah untuk menghasilkan satu set solusi awal, yang disebut populasi. banyaknya solusi awal yang dimasukkan dalam populasi disebut
Fungsi Fitness
• digunakan untuk mengevaluasi dan
menentukan apakah suatu kromosom akan bertahan atau tidak,
• digunakan untuk
mereproduksi kromosom baru.
SELEKSI
Tujuan seleksi adalah untuk memberikan kepada kandidat solusi yang ‘terlayak’
mempunyai kemungkinan
yang lebih besar untuk terpilih menghasilkan keturunan
Roulette Wheel adalah metode yang menirukan permainan roulette-wheel dimana individu-individu menempati potongan
lingkaran pada roda roulette sesuai dengan nilai fitnessnya
Operator GA
Operator genetik
digunakan untuk untuk melestarikan keragaman genetik atau karasteristik kandidat (solusi) pada suatu populasi
MU
TASI
KAWIN SILANG
Uji coba dan evaluasi
Pengolahan Data dan
Implementasi Program
Penarikan Kesimpulan Studi literaturMetode penelitian
Fitness function
Min 𝑔[𝑗] 𝑛 𝑗=1Bagaimana GA
menyelesaikan
permasalaha CMS?
Pembentukan Sel Tata letak
Penjadwalan
Berat Posisi
Kromosom
Fun
gsi K
end
ala
• memastikan bahwa setiap mesin dan part hanya ditugaskan ke satu sel. • mencegah dari menugaskan lebih dari NM mesin untuk setiap sel.
kendala ini juga mencegah semua mesin hanya ditugaskan pada hanya pada satu sel.
• mencegah dari menugaskan satu atau tidak ada part sama sekali ke dalam setiap sel.
• membatasi bahwa setiap posisi hanya menerima satu mesin
• menjamin bahwa setiap mesin hanya ditugaskan untuk satu posisi. • memastikan bahwa sel yang dipilih oleh salah satu part setidaknya
memiliki satu mesin untuk memproses satu operasi dari bagian itu.
• membebankan bahwa operasi dari setiap part diproses menurut urutan. • menjamin bahwa mesin tidak dapat memproses lebih dari satu part pada
Uji coba program
Hasil
Hasil
Data yang di ambil dari TA Adib Shururi
Analisa Hasil
Pada beberapa kombinasi yang digunakan pada data simulasi, fungsi fitness mulai stagnan (tidak ada kenaikan pada nilai optimum) pada generasi kurang dari 30, sedangkan untuk beberapa kombinasi yang lain, fungsi fitness ini meningkat sampai pada generasi ke-50. Perubahan nilai fitness ini dikarenakan ruang lingkup permasalahan masih pada lingkup yang kecil. Banyaknya sel yang dibentuk adalah 2. Sedangkan untuk data dari penelitian sebelumnya, fungsi fitness masih menanjak pada generasi di atas 70 dengan sel yang dibentuk adalah 3.
Pada hasil tersebut menunjukkan bahwa parameter GA berpengaruh pada hasil solusi yang diperoleh. Pada pembangkitan populasi awal, sangat penting untuk menyesuaikan popsize dengan ukuran data pada permasalahan yang akan diselesaikan. Dalam penelitian ini, pada data simulasi dengan ukuran14 x 7, populasi 60 memberikan solusi yang baik, dan 30 generasi sudah memberikan hasil yang baik, sedangkan untuk data dari penelitian sebelumnya dengan ukuran data 14 x 72, pada generasi 80 nilai fitness sudah stagnan, dikombinasikan dengan populasi 40. Jadi, secara umum, kombinansi populasi 40 dan 80 generasi mampu memberikan solusi yang optimum.
Penggunaan operator GA sangat berdampak pada solusi yang dihasilkan. Perubahan hasil yang diperoleh dari penggunaan probabilitas mutasi atau tidak memberikan perubahan nilai yang jauh lebih tinggi untuk nilai fitness.
Perubahan nilai probabilitas crossover dan mutasi juga memberikan dampak yang berarti pada performa GA. Pada pengujian yang dilakukan pada kedua data tersebut. Probabilitas crossover dan mutasi berturut-turut 0.65, 0.1 memberikan solusi yang optimum untuk data simulasi. Untuk data dari penelitian sebelumnya, kombinasi probabilitas crossover dan probabilitas mutasi berturut-turut 0.85, 0.05 memberikan solusi yang optimum. Untuk lebih jelasnya, hasil keseluruhan yang dilakukan pada penelitian ini ditunjukkan pada Tabel 6.13.
Pendekatan cellular manufacturing yang diterapkan dalam penelitian ini, yaitu menggabungkan PS, Gl dan GS, menunjukkan bahwa ketiga masalah tersebut saling berdampak antara satu dengan yang lainnya. Jadi, untuk pengerjaan ketiga permasalahan tersebut perlu dipertimbangkan untuk dikerjakan secara bersamaan agar mendapatkan solusi yang lebih baik.
Kesimpulan
1. Algoritma Genetika dapat digunakan untuk menyelesaikan permasalahan CMS dan dapat memberikan beberapa variasi solusi.
2. Penentuan nilai parameter GA berpengaruh pada pencarian solusi dan tergantung dari permasalahan yang diangkat
3. Untuk data simulasi dengan ukuran 7 x 14, nilai parameter GA, yaitu inisialisasi
populasi, maksimal generasi, probabilitas crossover dan probabilitas mutasi
berturut-turut 60, 30, 0.65 dan 0.1 mampu memberikan hasil yang optimum. 4. Untuk data penelitian sebelumnya dengan ukuran 14 x 72, nilai parameter GA,
yaitu inisialisasi populasi, maksimal generasi, probabilitas crossover dan
probabilitasmutasi berturut-turut 40, 80, 0.85 dan 0.05 mampu memberikan
hasil yang optimum.
5. Terdapat hubungan yang signifikan antara tiap permasalahan di dalam cellular
manufacturing, yaitu antara pembentukan sel, GL dan GS.
6. Solusi yang diberikan mampu mengurangi makespan dan memperbaiki
keteraturan proses perjalanan produksi tiap part, yaitu diperoleh makespan untuk
data simulasi adalah 35.9 dan makespan untuk data yang diambil dari penelitian
Daftar Pustaka
[1] Purnomo, H., Kusumadewi ,S.. Aplikasi Algoritma Genetikav Untuk Penentuan Tata Letak
Mesin. Yogyakarta. Universitas Islam Indonesia.
[2] Apple, JM. Tata Letak Pabrik dan Pemindahan Bahan. Bandung: ITB. 1990.
[3] Drira, A., Pierreval, H., Hajri-Gabouj,S.2007. Facility layout problems: A survey. Annual Reviews in Control, Volume 31, Issue 2, Pages 255-267.
[4] Tarn, K.Y.1991.Genetic algorithms, function optimization,and facility layout design. European Journal of Operational Research, Volume 63, Issue 2, Pages 322-346.
[5] Shururi, A. 2008.Optimisasi Tata Letak Fasilitas Dalam Sistem manufacturing Cellular Dengan
Menggunakan Pendekatan Genetic Algorithm. Tugas Akhir Teknik Industri FTI ITS.
[6] Mahdavi, I, Paydar, M.M., Solimampur, M., Heidarzade, A. 2008. Genetic Algorithm Approach
for Solving a Cell Formation Problem in Cellular Manufacturing. Expert Systems with
Applications, Volume 36, Issue 3, Part 2, Pages 6598-6604
[7] Wu, X., Chu,C.H., Wang, Y., Yan , W.2007. A genetic algorithm for cellular manufacturing
design and layout. European Journal of Operational Research, Volume 181, Issue 1, Pages
156-167
[8] Wu, X, Chu , C., Wang, Y., Yue, D.2007.Genetic algorithms for integrating cell formation with
machine layout and scheduling. Computers & Industrial Engineering, Volume 53, Issue 2, Pages
277-289.
[9] Muthing, M, Onwubulu, G.C. Integrated Cellular Manufacturing Design And Layout Using
Group Genetic Algorithm. HITAL. Toronto .