TESIS PENERAPAN MULTI OBJECTIVE GENETIC ALGORITHM

(1)

TESIS

PENERAPAN MULTI OBJECTIVE GENETIC

ALGORITHM

_{(MOGA) PADA PENJADWALAN}

DYNAMIC

-MULTI OBJECTIVE DAN SEQUENCE

DEPENDENT SETUP TIMES COMPOUND

FLOW SHOP

_{DI PT.X}

FREDY HARTANTO

9108 201 314

(2)

LATAR BELAKANG

• PT X

–

MANUFAKTUR & PERDAGANGAN KAWAT BAJA

DAN BESI BETON. SEQUENCE PROSES

MANUFAKTUR :

1. STRAIGHTENING & CUTTING (S&C)

2. BENDING (B)

_{MASUK KE WAREHOUSE}

–

TERMASUK PADAT MODAL DAN JOB ORDER

• KONDISI PENJADWALAN EXISTING :

–

FIRST IN FIRST SERVE (FIFS)

(3)

LATAR BELAKANG

• HAL-HAL LAIN UTK PENJADWALAN DI PT X:

–

FLOW SHOP / COMPOUND FLOW SHOP

• URUTAN PROSES SELALU TETAP & JUMLAH MESIN

(PARALEL) LEBIH DARI 1 / STAGE

–

SEQUENCE DEPENDENT SETUP TIMES :

• LAMANYA WAKTU SETUP TERGANTUNG SEQUENCE DARI

JOB YANG DIKERJAKAN

–

JOB SPLITTING :

• 1 JOB BOLEH DIBAGI LEBIH DARI 1 MESIN

–

DYNAMIC MULTI OBJECTIVE :

• TUJUAN YANG HARUS DIPERHATIKAN ADA LEBIH DARI 1,

YAITU : ASPEK KETERLAMBATAN (TOTAL TARDINESS DAN

JUMLAH JOB TARDY) DAN ASPEK EFISIENSI (MAKESPAN DAN

SETUP TIMES)

_{SALING BERKONFLIK}

• DINAMIS : PEMBOBOTAN DINAMIS & DECISION MAKER

HARUS FLEKSIBEL MENYESUAIKAN DENGAN KEADAAN DI PT

X YANG DINAMIS TERSEBUT & PENCARIAN SOLUSI TIDAK

TERJEBAK KONVERGENSI TERETENTU

(4)

LATAR BELAKANG

• PENYELESAIAN MASALAH PENJADWALAN

–

MANUAL

–

SIMULASI

–

PROGRAMA MATEMATIS

–

HEURISTIK & META HEURISTIK

• KOMPLEKSITAS MASALAH DAN BESARNYA JUMLAH

ORDER DI PT X

_{COCOK DENGAN META HEURISTIK}

• SALAH SATU METODE YANG APLIKATIF UNTUK

PENJADWALAN DAN TERBUKTI UNGGUL : GA DAN

DISEBUT MOGA UNTUK MULTI OBJECTIVE (HEJAZI &

SAGHAFIAN, 2005; RUIZ & VAZQUEZ-RODRIGUEZ, 2010)

(5)

PERMASALAHAN

BAGAIMANA MEMBUAT PENJADWALAN & JOB

SEQUENCING UNTUK DYNAMIC MULTI

OBJECTIVE & SEQUENCE DEPENDENT SETUP

TIMES PADA LINGKUNGAN COMPOUND FLOW

SHOP DI PT X DENGAN MEMPERTIMBANGKAN :

TOTAL TARDINESS, JUMLAH JOB YANG TARDY,

(6)

TUJUAN

• MERANCANG ALGORITMA MOGA UNTUK

PENJADWALAN PRODUKSI DI PT X

• MEMBUAT PENJADWALAN DAN JOB

SEQUENCING UNTUK MENYELESAIKAN

PERMASALAHAN PENJADWALAN DI PT X

DENGAN ALGORITMA MOGA

• MENYEDIAKAN HIMPUNAN SOLUSI OPTIMAL

PARETO SEBAGAI PILIHAN ALTERNATIF SOLUSI

BAGI DECISION MAKER SESUAI DENGAN

(7)

MANFAAT PENELITIAN

• MEMBANTU MENYEDIAKAN METODE

PENJADWALAN YANG DAPAT MEMBANTU PT

X

• MENGEMBANGKAN METODE PENJADWALAN

MULTI OBYEKTIF UNTUK COMPOUND FLOW

SHOP DENGAN SEQUENCE DEPENDENT SETUP

TIMES

(8)

BATASAN MASALAH & ASUMSI

• BATASAN MASALAH :

–

HANYA DI DEPARTEMEN PEMOTONGAN PT X

–

PEMENUHAN ORDER SAMPAI BATAS ORDER SELESAI

DIPOTONG DI LOKASI PT X / TJG.PERAK

• ASUMSI :

–

JOB DATANG BERSAMAAN DI AWAL PENJADWALAN

DAN TIDAK ADA PERUBAHAN KUANTITAS

–

MESIN PARALEL ADALAH IDENTIK

–

TIDAK ADA PERBAIKAN & PERAWATAN MESIN

(BERLANGSUNG DI LUAR SHIFT KERJA)

–

SEMUA OPERATOR MASUK PENUH

–

BAHAN BAKU SELALU TERSEDIA

(9)

KAJIAN PUSTAKA

1. FRAMEWORK & HIRARKI PENJADWALAN PRODUKSI

2. TERMINOLOGI UMUM

3. VARIASI PENJADWALAN FLOW SHOP

4. NOTASI DALAM PENJADWALAN

5. PENDEKATAN SOLUSI PENJADWALAN FLOW SHOP &

COMPOUND FLOW SHOP

6. MULTI OBYEKTIF DALAM PENJADWALAN FLOW SHOP

7. WAKTU BAKU & OUTPUT BAKU

8. ALGORITMA GA & MOGA DALAM PENJADWALAN

(10)

KERANGKA PENELITIAN

MOTION & TIME STUDY

DATA WAKTU KERJA + SETUP DATA JOB PERUSAHAAN DITAMBAH PENJADWALAN DENGAN MULTI OBJECTIVE GA

(11)

(12)

(13)

4.1. KONDISI PT X

• 12 MESIN STRAIGHTENING & CUTTING (STAGE 1)

• 2 MESIN BENDING (STAGE 2)

• ALUR SELALU URUT STAGE 1 KE STAGE 2

COMPOUND FLOW SHOP

• BOLEH JOB SPLITTING

• ADA DUE DATE

• ADA SETUP TIMES PADA STAGE 1 YANG LAMANYA

TERGANTUNG PERUBAHAN DIAMETER ANTAR JOB :

–

DARI KECIL KE BESAR

- DARI BESAR KE KECIL

• OBYEKTIF : MULTI OBJECTIVE

_{MINIMASI :}

–

TOTAL TARDINESS

- JUMLAH JOB YANG TARDY

(14)

4.2 TIME & MOTION STUDY

AMBIL DATA WAKTU AWAL :

–

PROSES STRAIGHTENING & CUTTING

_{PER METER}

–

SETUP STRAIGHTENING & CUTTING DIAMETER KECIL KE BESAR

PER GANTI JOB

–

SETUP STRAIGHTENING & CUTTING DIAMETER BESAR KE KECIL

PER GANTI JOB

–

PROSES BENDING

_{PER BENDEL BESI}

• DIAMETER 2,7 – 3,5 = 50 BTG /BDL & DIAMETER 3,6 – 5,4 = 40 BTG / BDL

• DIAMETER 5,5 – 5,9 = 35 BTG / BDL & DIAMETER 6,0 – 6,4 = 30 BTG / BDL

• DIAMETER 6,5 - 6,9 = 25 BTG / BDL & DIAMETER 7 – 7,5 = 20 BTG / BDL

• DIAMETER 7,6 – 8,2 = 15 BTG / BDL

DIKERJAKAN OLEH OPERATOR LAIN:

–

MENYIAPKAN BAHAN

(15)

4.2. TIME & MOTION STUDY

OUTPUT WAKTU BAKU

(16)

4.3. DATA JOB

• DATA JOB YANG DITERIMA PT X :

–

2 PEKAN : 5-10 APRIL 2010 + 12-17 APRIL 2010

–

TOTAL : 99 JOB

• DATA JOB BERUPA TABEL, KOLOM BERISI :

–

KODE JOB

–

KODE IDENTITAS KONSUMEN

–

DIAMETER (DALAM MILIMETER)

–

PANJANG (DALAM METER)

–

JUMLAH BATANG (DALAM BIJI)

(17)

(18)

4.4 MENGOLAH DATA JOB

JOB SPLITTING BILA PERLU

–

PERATURAN JOB SPLITTING : HANYA JOB YANG WAKTU PROSES

STRAIGHTENING & CUTTING LEBIH DARI 1 SHIFT KERJA (8JAM) DAN

DIBAGI RATA KE MESIN YANG MENGERJAKAN

_{JUMLAH MESIN}

YANG MENGERJAKAN = INTEGER(WAKTU PROSES STAGE-1 / 8 JAM) +

1 WAKTU PROSES DI STAGE 1 (STRAIGHTENING & CUTTING)

HITUNG DENGAN : JUMLAH BATANG X PANJANG / WAKTU

BAKU STRAIGTENING & CUTTING PER METER

WAKTU PROSES DI STAGE 2 (BENDING)

_{HITUNG DENGAN :}

JUMLAH BATANG / JUMLAH BATANG PER BENDEL X WAKTU

BAKU BENDING PER BENDEL

(19)

(20)

4.5. PENJADWALAN DI PT X

• PEMILIHAN MESIN :

–

STAGE 1 : BEBAS, YANG PALING CEPAT AVAILABLE

–

STAGE 2 : BEBAS, SUBJOB SELESAI DI STAGE 1 &

ADA MESIN AVAILABLE DI STAGE 2

• JOB DINYATAKAN SELESAI : SAAT SELESAI DI

STAGE 2

• WAKTU SETUP :

–

KECIL KE BESAR

–

BESAR KE KECIL

(21)

4.5. PENJADWALAN DI PT X

• OBYEKTIF (PERSAMAAN DI SUBBAB 4.5) :

–

MAKESPAN : WAKTU SAAT SELESAINYA SEMUA

JOB (SATUAN DETIK)

–

TOTAL TARDINESS : JUMLAH LAMA

KETERLAMBATAN SEMUA JOB (SATUAN HARI)

–

JUMLAH JOB YANG TARDY : JUMLAH JOB YANG

TARDINESS > 0 (SATUAN BUAH JOB)

–

TOTAL SETUP TIMES : JUMLAH WAKTU SETUP

PENGERJAAN SEMUA SUBJOB (SATUAN DETIK)

(22)

(23)

4.6. ALGORITMA MOGA

• 1 INDIVIDU : PERMUTASI JOB SEQUENCING

YANG DIKERJAKAN MESIN STAGE-1 KE-1 S/D 12

–

CONTOH : MESIN 1 : (1,…,5) ; MESIN 2 : (6,…, 10) ;

…. ; MESIN 12 : (56,…,60)

• SOLUSI TIDAK TERDOMINASI DITAMPUNG

DALAM HIMPUNAN SOLUSI OPTIMAL PARETO

YANG BERISI JOB SEQUENCING TIAP MESIN

DAN NILAI PENCAPAIAN SOLUSI TERSEBUT

UNTUK TIAP OBYEKTIF

(24)

4.6. ALGORITMA MOGA

• PARAMETER :

–

Npop = JUMLAH INDIVIDU DALAM 1 POPULASI = 10 & 20

–

Ggen = JUMLAH GENERASI YANG DILAKUKAN = 20 & 50

–

Pc = PROBABILITAS TERJADI CROSSOVER ANTAR 2

INDIVIDU TERPILIH = 0,7

–

Pm = PROBABILITAS TERJADI MUTASI PADA INDIVIDU

OFFSPRING HASIL CROSSOVER = 0,1

–

nE = JUMLAH INDIVIDU ELITE (SOLUSI TIDAK

TERDOMINASI) YANG DILIBATKAN DALAM TIAP GENERASI

BARU

_{2 INDIVIDU}

• STOPPING CRITERION : MENCAPAI Ggen

• KOMBINASI PARAMETER TERBAIK AKAN DICARI

(25)

4.6. ALGORITMA MOGA

• INDIVIDU (SOLUSI) AWAL SEJUMLAH Npop

INDIVIDU : RANDOM

• CEK NILAI PENCAPAIAN TIAP-TIAP OBYEKTIF

UNTUK MASING-MASING INDIVIDU

(PERSAMAAN DI SUBBAB 4.5)

• INDIVIDU YANG TIDAK TERDOMINASI

MASUK HIMPUNAN SOLUSI OPTIMAL PARETO

–

SEMUA OBYEKTIF NILAI PENCAPAIAN <= SOLUSI

LAIN & SETIDAKNYA SATU OBYEKTIF NILAINYA <

(26)

4.6 ALGORITMA MOGA

• TAHAP ITERASI : HITUNG PROBABILITAS SELEKSI

–

Nilai Wi random setiap generasi, Wi > 0,

• LAKUKAN CROSSOVER SESUAI NILAI Pc DAN

(27)

CROSSOVER PMX

PARENT1 : (1,2,3…..,59,60) dan (1,2,3,4,5)

PARENT2 : (1-5,60-56,6-10,…,26-30,35-31) dan (5,2,4,1,3)

• PILIH 2 TITIK ACAK SEBAGAI BATAS CROSSOVER

• GEN DALAM BATAS CROSSOVER BERTUKAR DENGAN GEN

DALAM BATAS CROSSOVER PARENT LAINNYA

–

PILIH TITIK ACAK : TITIK KE-21 DAN KE-40 & TITIK KE-2 DAN KE-3

–

PARENT1 : (1,2,3…., 20| 11-15,50-46,16-20,45-41|,41,…, 60) dan

(1,|2,4|,4,5)

–

PARENT2 : (1-5,…,55-51,|21-40|,21-25,..,35-31) dan (5,|2,3|,1,3)

• SEMUA GEN SISANYA DITULIS DENGAN URUTAN

BERDASAR PADA PARENT SEMULA

–

PARENT1 : (1-10,21-30,|11-15,50-46,16-20,45-41|,31-40,51-60) dan

(1,|2,4|,3,5)

–

PARENT2 : (1-5,…,55-51|21-40|,11-15,50-46,16-20,45-41) dan

(5,|2,3|,1,4)

(28)

MUTASI

_{SHIFT MUTATION}

• UNTUK MASING-MASING INDIVIDU HASIL

CROSSOVER, DENGAN PROBABILITAS Pm :

–

PILIH 2 TITIK ACAK SEBAGAI TITIK MUTASI

• MISAL : TITIK KE-21 DAN KE-25

–

TITIK YANG DI BELAKANG MAJU MENEMPATI

POSISI TITIK YANG DI DEPAN DAN SEMUA TITIK

BERIKUTNYA DIGESER SAMPAI POSISI AWAL TITIK

YANG DI BELAKANG

• MISAL : (1,2,3…..,60) AKAN MENJADI SEPERTI INI :

(1,2,….,20,|25,21,22,23,24|,26,….,60)

(29)

4.6 ALGORITMA MOGA

• INDIVIDU HASIL MUTASI AKAN DIPERIKSA NILAI

PENCAPAIAN PADA TIAP-TIAP OBYEKTIF DAN

DIBANDINGKAN JUGA DENGAN INDIVIDU DALAM

HIMPUNAN PARETO

–

TIDAK TERDOMINASI : MASUK PARETO

–

CEK APABILA ADA INDIVIDU PARETO YANG TERDOMINASI

BUANG DARI PARETO

• CEK JUMLAH GENERASI YANG SUDAH TERJADI, BILA

MENCAPAI Ggen

_{STOP, BILA BELUM LAKUKAN}

ELITE STRATEGY DAN ITERASI LAGI

• ELITE STRATEGY : BUANG SECARA ACAK SEJUMLAH Ne

INDIVIDU HASIL MUTASI YANG TIDAK MASUK PARETO

DAN DIGANTI DENGAN INDIVIDU ELITE DARI PARETO

• KEMBALI ITERASI : KEMBALI KE PROSES SELEKSI

(30)

4.7 OUTPUT PENJADWALAN

- MENAMPILKAN SELURUH SOLUSI TIDAK

TERDOMINASI ANGGOTA HIMPUNAN PARETO

BESERTA NILAI PENCAPAIAN OBYEKTIF

(31)

4.7. OUTPUT PENJADWALAN

- NILAI PENCAPAIAN OBYEKTIF TIAP OUTPUT = TABEL 4.19 (HALAMAN 121)

• NILAI PENCAPAIAN OBYEKTIF TIAP OUTPUT (4

(32)

4.8 ANALISA HASIL

• INTERPRETASI HASIL WAKTU BAKU, DATA JOB SIAP OLAH

DAN HASIL HIMPUNAN PARETO DARI BERBAGAI

KOMBINASI PARAMETER MOGA

• MEMBANDINGKAN KOMBINASI PARAMETER GA YANG

TERBAIK DENGAN METODE CHANG,DKK (2004) DAN UJI

MEAN DUA POPULASI:

–

A : JUMLAH ANGGOTA HIMPUNAN PARETO

–

B : GABUNGKAN HIMPUNAN PARETO KEDUANYA DAN BUANG

YANG TERDOMINASI

_{PISAHKAN HASIL AKHIR KEMBALI KE}

HIMPUNAN MASING-MASING

–

C : NILAI INDEKS A / B

• PERBANDINGAN ANTAR KOMBINASI PARAMETER :

–

INDEKS A : 2-SAMPLE T

_{SAMPEL DARI POPULASI INDEPENDEN}

(33)

(34)

4.8 ANALISA HASIL (INDEK B & C)

• MEMPERTEMUKAN KEDUA OUTPUT PARETO

• CEK YANG TERDOMINASI

• HITUNG JUMLAH ANGGOTA MASING-MASING

SETELAH DI-DUEL-KAN

_{INDEKS B}

(35)

(36)

(37)

4.8 ANALISA HASIL (VS EXISTING)

• MEMBANDINGKAN HASIL PENCAPAIAN

OBYEKTIF ANTARA SOLUSI MOGA DENGAN

(38)

5. KESIMPULAN & SARAN

• MENYIMPULKAN :

–

MOGA DAPAT DIGUNAKAN UNTUK MASALAH

PENJADWALAN DI PT X, HASIL CUKUP BAIK

• SOLUSI BERIMBANG DENGAN KONDISI EXISTING

–

KOMBINASI PARAMETER TERBAIK : Npop = 20 & Ggen =

50 _{496 ANGGOTA PARETO (10X REPLIKASI)}

–

SOLUSI MOGA DAPAT MENJADI ALTERNATIF BAGI

DECISION MAKER MENYESUAIKAN KONDISI PRIORITAS

YANG DIHADAPI

• SARAN :

–

ASUMSI KETERSEDIAAN BAHAN BAKU DILEPAS

(39)

DAFTAR PUSTAKA

• Baker, K.R. dan Trietsch, D. (2009), Principles of Sequencing and Scheduling, John Wiley & Sons, New York.

• Banks, J., Carson II, J.S., Nelson B.L., dan Nicol D.M. (2010), Discrete-Event System

Simulation, 5th _{Edition, Prentice-Hall, New Jersey.}

• Chang, P.C., Hsieh, J.C., dan Wang, Y.W. (2004), “Development of Multi-Objective Genetic Algorithms for Scheduling”, Proceedings of the Fifth Asia Pasific Industrial

Engineering and Management Systems Conference, Gold Coast, hal. 38.6.1-38.6.9.

• Ciptomulyono, U. (2010), Paradigma Pengambilan Keputusan Multikriteria dalam

Perspektif Pengembangan Projek dan Industri yang Berwawasan Lingkungan,

Pidato Pengukuhan untuk Jabatan Guru Besar dalam Bidang Ilmu Pengambilan Keputusan Multikriteria pada Jurusan Teknik Industri, Institut Teknologi Sepuluh November, Surabaya.

• Harrell, C., Ghosh, B.K., dan Boyden, R.O. (2003), Simulation Using Promodel, 2nd

Edition, McGraw-Hill, New York.

• Hejazi, S.R. dan Saghafian, S. (2005), “Flowshop-scheduling Problems with

Makespan Criterion: A Review”, International Journal of Production Research, Vol. 43, No. 14, hal 2895-2929.

(40)

DAFTAR PUSTAKA

• Kelton, W., Sadowski, R.P., dan Sturrock, D.T. (2009), Simulation with

Arena, 5th _{Edition, McGraw-Hill, New York.}

• Konak, A., Coit, D.W., dan Smith, A.E. (2006) “Multi-Objective

Optimization Using Genetic Algorithms: A Tutorial”, Reliability Engineering

and System Safety, Vol. 91, hal. 992-1007.

• Kordoghli, B., Jmali, M., Saadallah, S., dan Liouene, N. (2010), “Multi-Objective Scheduling of Flow Shop Problems in Finishing Factories using Genetic Algorithms”, Journal of Textile and Apparel, Technology and

Management, Vol. 6, No. 3, hal. 1-10.

• Morton, T.E. dan Pentico, D.W. (1993), Heuristics Scheduling Systems:

With Applications to Production Systems and Project Management, John

Willey & Sons, New York.

• Murata, T., Ishibuchi, H, dan Tanaka, H. (1996), “Multi-Objective Genetic Algorithm and Its Applications to Flowshop Scheduling”, Computers and

Industrial Engineering, Vol. 30, No. 4, hal. 957-968.

• Nagano, M.S. dan Moccellin, J.V. (2002), “A High Quality Solution Constructive Heuristic for Flow Shop Sequencing”, Journal of The

(41)

DAFTAR PUSTAKA

• Nagano, M.S., Ruiz, R., dan Lorena, L.A.N. (2008), “A Constructive Genetic Algorithm for Permutation Flowshop Scheduling”, Computers and Industrial

Engineering, Vol. 55, No.1, hal. 195-207.

• Nahmias, S. (2009), Production and Operations Analysis, 6th _edition,

McGraw-Hill, New York.

• Oguz, C. dan Cheung, B. (2002), “A Genetic Algorithm for Flow-shop Scheduling Problems with Multiprocessor Tasks”, Proceedings of The Eight International

Workshop on Project Management and Scheduling, EURO (The Association of

European Operational Research Societies) Working Group on Project Management and Scheduling, Valencia, hal. 282-287

• Pinedo, M.L. (2008), Scheduling: Theory, Algorithms, and Systems, 3rd _edition,

Springer, New York.

• Pitrasari, R.O, Wiratno, S.E., dan Suwignjo, P. (2009), Penjadwalan Dua Mesin

Flow Shop Untuk Meminimasi Total Tardiness Dengan Memperhatikan

Ketidaktersediaan pada Kedua Mesin, Tugas Akhir Jurusan Teknik Industri,

(42)

DAFTAR PUSTAKA

• Ruiz, R. dan Vazquez-Rodriguez, J.A. (2010), “The Hybrid Flow Shop

Scheduling Problem”, European Journal of Operation Research, Vol. 205, No. 1, hal. 1-18.

• Seda, M. (2007), “Mathematical Models of Flow Shop and Job Shop Scheduling Problems”, Proceedings of World Academy of Science,

Engineering, and Technology, Vol. 31, hal 122-127.

• Tabucanon, M.T. (1988), Multiple Criteria Decision Making in Industry, Elsevier, Amsterdam.

• Vallada, E. dan Ruiz, R. (2010), “Genetic Algorithms with Path Relinking for The Minimum Tardiness Permutation Flowshop Problem”, OMEGA: The

International Journal of Management Science, Vol. 38, Vol. 1-2, hal. 57-67.

• Verma, S. dan Singhal, P. (2009), “Flow-Shop Sequencing Model using Genetic Algorithm” International Journal of Computational and Applied

Mathematics, Vol. 4, No. 2, hal. 111-114.

• Wignjosoebroto, S. (1986), Teknik Tata Cara dan Pengukuran Waktu Kerja. Guna Widya, Jakarta.

(43)

DAFTAR PUSTAKA

• Vollmann, T.E., Berry, W.L., Whybark, D.C., dan Jacobs, F.R. (2005),

Manufacturing Planning and Control for Supply Chain Management, 5th

Edition, McGraw-Hill, New York.

• Zdansky, M. dan Pozivil, J. (2002), “Combination Genetic / Tabu Search Algorithm for Hybrid Flowshops Optimization”, Proceedings of

ALGORITMY: Conference on Scientific Computing, Slovak University of

Technology, Podbanske, hal. 230-236.

• Zhang, L., Wang, L., dan Zheng, D.Z. (2006), “An Adaptive Genetic Algorithm with Multiple Operators for Flowshop Scheduling”, The

International Journal of Advanced Manufacturing Technology, Vol. 27, No.

(44)

2.1. FRAMEWORK HIRARKI PENJADWALAN

(NAHMIAS, 2009; VOLLMANN DKK, 2005)

FORECAST AGGREGATE PLANNING MPS MRP SHOP FLOOR CONTROL

(45)

2.2. TERMINOLOGI UMUM

(NAHMIAS, 2009; BAKER & TRIETSCH, 2009)

• FLOW SHOP / JOB SHOP

• FLOW TIME DAN MAKESPAN

• COMPLETION TIME VS DUE DATE

_LATENESS

(TARDINESS & EARLINESS)

• BERBAGAI SEQUENCING RULES :

–

RANDOM, EDD, FIFS, SPT, ST/O

–

PEMILIHAN SEQUENCING DAPAT MEMBERI HASIL

YANG SIGNIFIKAN PADA OBYEKTIF

_SESUAIKAN

DENGAN OBYEKTIF

(46)

2.3. PENJADWALAN FLOW SHOP

• SKIP SHOP

FINITE QUEUE SHOP

(47)

2.4. NOTASI DALAM PENJADWALAN

• DALAM TRIPLET α|β|γ (PINEDO, 2008)

• α ADALAH PARAMETER STRUKTUR PERMASALAHAN

– α1 = KONDISI LINGKUNGAN, MISAL : FH _{HYBRID (COMPOUND)} FLOW SHOP

– α2 = JUMLAH STAGE, DI PT X = 2

– α3 = KONDISI MESIN PARALEL _{P,Q,R}|α₄> 1 DAN HIMPUNAN KOSONG

– α4 = JUMLAH MESIN, DI PT X STAGE 1 = 12 DAN STAGE 2 = 2

• β ADALAH PARAMETER CONSTRAINT, DI PT X:

– Dj : ADA DUE DATES

– Ssd(1) : SEQUENCE DEPENDENT SETUP TIMES PADA STAGE 1

• γ ADALAH PARAMETER TUJUAN, DI PT X:

– {T,U,C,SETUP} : TOTAL TARDINESS, JUMLAH JOB YANG TARDY, MAKESPAN, DAN TOTAL SETUP TIMES

• SECARA KESELURUHAN, NOTASI PENJADWALAN PT X

ADALAH:

(48)

2.5. SOLUSI PENJADWALAN

• MANUAL (MORTON & PENTICO, 1993)

• SIMULASI

– ARENA (KELTON DKK,2009), PROMODEL (HARRELL DKK, 2004), SPREADSHEET (BANKS DKK, 2010)

• PROGRAMA MATEMATIS / EKSAK

_{PROGRAM TERLALU BERAT}

RAWAN ERROR (SEDA, 2007)

– SOFTWARE GAMS, SOLVER, LINDO

– INTEGER NON LINEAR PROGRAMMING (PITRASARI DKK, 2009)

• HEURISTIK (HEJAZI&SAGHAFIAN, 2005; NAGANO&MOCCELLIN,2002)

– JOHNSON, PALMER, CDS, GUPTA, NEH, DSB.

– ALGORITMA JOHNSON DAN NEH YANG PALING TERKENAL

• METAHEURISTIK (HEJAZI & SAGHAFIAN, 2005)

– TABU SEARCH (TS), SIMULATED ANNEALING (SA), ANT COLONY OPTIMIZATION (ACO), GENETIC ALGORITHM (GA)

– GA : MUDAH UNTUK APLIKASI NON OBYEKTIF, UNGGUL PERMASALAHAN

KOMBINATORIAL (RUIZ & VAZQUEZ-RODRIGUEZ,2010) , LANGSUNG MENCARI SOLOUSI DALAM SUATU POPULASI YANG LUAS (TIDAK TERJEBAK KONVERGENSI)

(49)

2.6. MULTI OBYEKTIF

DALAM FLOWSHOP

• MADM VS MODM (TABUCANON, 1988)

PENJADWALAN MASUK DALAM MODM (TABEL 2.1)

• MULTI KRITERIA / MULTI OBYEKTIF : LEBIH DARI SATU

OBYEKTIF DIPERTIMBANGKAN SEKALIGUS & SALING

BERKONFLIK

• HANYA “PUAS” DENGAN SOLUSI TIDAK TERDOMINASI

HIMPUNAN SOLUSI OPTIMAL PARETO

• APLIKASI GA UNTUK MULTI OBYEKTIF

_MOGA

• MOGA TERBUKTI EFEKTIF DIBANDING METODE LAIN

(HEJAZI & SAGHAFIAN, 2005; RUIZ &

VAZQUEZ-RODRIGUEZ, 2010; MURATA DKK, 1996 ; CHANG DKK,

2004)

(50)

2.7. WAKTU BAKU & OUTPUT

BAKU

• TERMASUK TIME & MOTION STUDY

• METODE PALING POPULER DENGAN BANTUAN STOP

WATCH (WIGNJOSOEBROTO, 1986)

• WAKTU BAKU : WAKTU MELAKUKAN SUATU AKTIVITAS

OLEH OPERATOR NORMAL DALAM KONDISI NORMAL

• OPERATOR NORMAL : PERLU PERFORMANCE RATING

• KONDISI NORMAL : PERLU ALLOWANCE

• PENGUJIAN DATA : KENORMALAN, KESERAGAMAN, DAN

KECUKUPAN DATA (PERSAMAAN 2.1)

• PERHITUNGAN WAKTU NORMAL : PERSAMAAN 2.2

• PERHITUNGAN WAKTU BAKU : PERSAMAAN 2.3

(51)

2.8. GA DAN MOGA

• DARI JOHN HOLLAND PADA TAHUN 1975

• MUDAH DIAPLIKASI DAN BISA DIVARIASI TERGANTUNG PENELITI

MASING-MASING (KONAK DKK, 2006; NAGANO DKK, 2008;

VALLADA & RUIZ, 2010; VERMA & SINGHAL, 2009)

• BISA DIGABUNG DENGAN ALGORITMA LAIN (ZDANSKY & POZIVIL,

2002)

• PRINSIP DASAR :

– INDIVIDU ADALAH GAMBARAN SOLUSI POTENSIAL

– MELAHIRKAN POPULASI AWAL SEJUMLAH N INDIVIDU

– MENGEVALUASI NILAI FUNGSI OBYEKTIF DAN FITNESS VALUE

MASING-MASING INDIVIDU

– MELAKUKAN SELEKSI UNTUK REPRODUKSI : INDIVIDU YANG BAIK (FITNESS

VALUE TINGGI) PUNYA PROBABILITAS LEBIH BESAR

– 2 METODE REPRODUKSI : CROSSOVER DAN MUTASI, DETAIL METODENYA

TERGANTUNG MASING-MASING PENELITI DAN MASIH TERUS DIKEMBANGKAN (ZHANG DKK, 2006; OGUZ & CHEUNG, 2002)