OPTIMISASI PEMBENTUKAN SEL DIINTEGRASIKAN DENGAN PENEMPATAN MESIN DAN PENJADWALAN DI DALAM SELULAR MANUFAKTUR MENGGUNAKAN ALGORITMA GENETIKA

(1)

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.

(2)

(3)

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

.

(4)

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.

(5)

Rumusan Masalah

• Permasalahan yang diangkat adalah

pengintegrasian antara pembentukan sel,

penempatan mesin dan penjadwalan di dalam

selular manufaktur menggunakan algoritma

genetika

(6)

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.

(7)

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.

(8)

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.

(9)

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

(10)

Isu Utama dalam Selular

Manufakturing

sel3 Pembentukan Sel Tata letak Penjadwalan M1 M5 M4 M3 M2

(11)

Definisi……

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 1

(12)

Definisi……

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 1

(13)

Definisi……

Group scheduling (GS) adalah penjadwalan

part dalam tiap sel dan hubungannya dengan sel yang lain.

Penjadwalan

sel

2

sel

(14)

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.

(15)

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

(16)

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

(17)

Fungsi Fitness

• digunakan untuk mengevaluasi dan

menentukan apakah suatu kromosom akan bertahan atau tidak,

• digunakan untuk

mereproduksi kromosom baru.

(18)

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

(19)

Operator GA

Operator genetik

digunakan untuk untuk melestarikan keragaman genetik atau karasteristik kandidat (solusi) pada suatu populasi

MU

TASI

KAWIN SILANG

(20)

Uji coba dan evaluasi

Pengolahan Data dan

Implementasi Program

Penarikan Kesimpulan Studi literatur

Metode penelitian

(21)

Fitness function

Min 𝑔[𝑗] 𝑛 𝑗=1

Bagaimana GA

menyelesaikan

permasalaha CMS?

Pembentukan Sel Tata letak

Penjadwalan

Berat Posisi

Kromosom

(22)

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

(23)

Uji coba program

(24)

Hasil

(25)

Hasil

Data yang di ambil dari TA Adib Shururi

(26)

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.

(27)

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

(28)

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 .