PRESENTASI TUGAS AKHIR CF 1380 PENERAPAN ALGORITMA GENETIKA UNTUK MASALAH PENJADWALAN JOB SHOP PADA LINGKUNGAN INDUSTRI PAKAIAN

Transkripsi

1 PRESENTASI TUGAS AKHIR CF 1380 PENERAPAN ALGORITMA GENETIKA UNTUK MASALAH PENJADWALAN JOB SHOP PADA LINGKUNGAN INDUSTRI PAKAIAN Penyusun Tugas Akhir : Fachrudin Afandi (NRP : ) Dosen Pembimbing : Mahendrawathi, E.R, ST, MSc, Ph.D 14 Januari 2010 Tugas Akhir CF1380 1

2 .:LATAR BELAKANG(1):. Perusahaan diberbagai sektor industri dihadapkan pada kompetisi pasar global yang terus meningkat dan fluktuasi permintaan yang tidak dapat diramalkan. Industri pakaian adalah salah satu yang terkena dampak dari tekanan untuk dapat menghasilkan berbagai macam produk yang sesuai dengan selera konsumen, dengan waktu yang singkat dan biaya yang rendah. Industri pakaian pada umumnya beroperasi dengan sistem job shop dimana penjadwalan job shop untuk industri pakaian adalah suatu penjadwalan yang harus mengerjakan banyak operasi menggunakan banyak mesin yang fleksibel. 14 Januari 2010 Tugas Akhir CF1380 2

3 .:LATAR BELAKANG(2):. Berbagai macam penelitian telah dilakukan terhadap masalah penjadwalan job shop pada industri pakaian. Namun demikian, sebagian besar penelitian yang telah dilakukan sebelumnya hanya berkonsentrasi pada pemecahan suatu masalah dengan metoda tertentu pada lingkungan yang telah terdefinisikan jelas dengan berbagai batasan. Model matematika umum untuk masalah penjadwalan job shop pada industri pakaian belum dibahas dan yang bertujuan meminimalkan penyelesaian pesanan lebih awal atau terlambat juga belum diselidiki. 14 Januari 2010 Tugas Akhir CF1380 3

4 .:LATAR BELAKANG(3):. Pada masalah penjadwalan produk berbaur, dua atau lebih pesanan produksi akan diproduksi dimanapun urutan produk. Sedangkan pada kasus penjadwalan multi produk, dua atau lebih produk diproses secara terpisah. Untuk mengisi celah ini, Guo et al. (2006) mengembangkan metoda algoritma genetika untuk penjadwalan job shop yang bersifat berbaur dan multi produk dalam industri pakaian. 14 Januari 2010 Tugas Akhir CF1380 4

5 .:TUJUAN TUJUAN:. Tujuan tugas akhir ini adalah Mengimplementasikan algoritma genetika untuk melakukan penjadwalan job shop yang dapat meminimalkan total pinalti E/T (Earliness/Tardiness). 14 Januari 2010 Tugas Akhir CF1380 5

6 .:PERMASALAHAN PERMASALAHAN:. Permasalahan yang terkait dalam tugas akhir ini adalah: Bagaimana mengimplementasikan algoritma genetika dalam menyelesaikan masalah penjadwalan job shop dengan tujuan meminimalkan total pinalti E/T (Earliness/Tardiness) Bagaimana solusi yang dihasilkan dapat membantu industri pakaian dalam mengambil keputusan terkait dengan masalah penjadwalan job shop 14 Januari 2010 Tugas Akhir CF1380 6

7 .:BATASAN MASALAH:. Algoritma yang digunakan adalah algoritma genetika untuk masalah penjadwalan job shop. Data yang digunakan berasal dari data-data produksi pada industri perakitan pakaian yang sesuai dengan masalah penjadwalan job shop. Pengembangan aplikasi menggunakan ruang lingkup pemrograman Matlab 14 Januari 2010 Tugas Akhir CF1380 7

8 .:PENJADWALAN JOB SHOP:. Penjadwalan merupakan suatu proses pengaturan sumber daya untuk menyelesaikan tugas-tugas dengan melibatkan pekerjaan, sumber daya, dan waktu. Tujuan dari masalah penjadwalan antara lain meminimumkan waktu penyelesaian semua tugas (makespan), meminimumkan keterlambatan pengerjaan, meminimumkan waktu tunggu pada mesin, meminimumkan biaya, dan lain-lain. 14 Januari 2010 Tugas Akhir CF1380 8

9 .:PENJADWALAN JOB SHOP:. Pada sistem perakitan produk berbaur: dua atau lebih pesanan diproduksi dimanapun urutan berbaur Sedangkan pada sistem perakitan multi produk: dua atau lebih produk diproses secara terpisah didalam batch 14 Januari 2010 Tugas Akhir CF1380 9

10 .:MASALAH PENJADWALAN JOB SHOP:. Job Shop Scheduling Problem (JSSP) melibatkan suatu tugas pada seperangkat kerja pada stasiunkerja (mesin) secara sekuensial Saat mengoptimalkan satu atau lebih sasaran tanpa melanggar batasan-batasan yang diterapkan pada job shop (Guo et al, 2006) Algoritma genetika merupakan salah satu teknik yang paling sering diterapkan dan telah terbukti di beberapa penelitian dapat menemukan solusi heuristik dari suatu variasi yang luas pada aplikasi 14 Januari 2010 Tugas Akhir CF

11 .:Pemodelan JSSP(1):. Beberapa asumsi yang digunakan: 1. Ketika sekali suatu operasi mulai dijalankan, maka tidak dapat disela. 2. Tidak ada kasus kekurangan material, gangguan mesin dan ketidakhadiran operator mesin job shop dalam kerjanya. 3. Job shop digunakan untuk memodelkan adalah dalam keadaan inisialisasi awal job shop kosong, dengan kata lain tidak ada kerja yang menumpuk sebelumnya (Work in Process / WIP) pada setiap stasiun-kerja. 14 Januari 2010 Tugas Akhir CF

12 .:Pemodelan JSSP(2):. C C Batasan-batasan dalam pemodelan: 1. Batasan waktu kedatangan A i SP i (1) 2. Batasan alokasi X ilkj kj, M kj SM il X ilkj 1 il X ilkj 1 kj 0 (3) (4) 3. Batasan operasi il ET il (2) 1 Si' l', Oil P( Oi ' l' ) 4. Batasan waktu proses il S il STP il T il 1 (6) (5) Pemenuhan order Pi tidak dapat dimulai (SPi) sampai waktu kedatangan order Pi tiba (Ai) Setiap mesin (Mkj) harus memproses setidaknya satu operasi (Oil) Setiap mesin harus memproses setidaknya satu operasi Setiap operasi harus diproses Suatu operasi tidak dapat dimulai sebelum operasi yang terdahulu telah diselesaikan (Cil) dan diangkut (ETil) sesuai dengan mesin kerjanya Operasi Oil harus dijalankan dengan waktu proses (Til) dan setup waktu (STPil) 14 Januari 2010 Tugas Akhir CF

13 .:Pemodelan JSSP(3):. Fungsi tujuan: min Z, dengan Z { },{ } SP i X ilkj p i 1 (. TD i i.. EL.(1 )) i i i i (7) Meminimumkan total pinalti Earliness (ELi) atau Tardiness (TDi) 14 Januari 2010 Tugas Akhir CF

14 .:METODA ALGORITMA GENETIKA:. Pada umumnya suatu penerapan algoritma genetika secara generasional sederhana terdiri dari 3 bagian, yaitu: Memilih populasi awal Evaluasi nilai fitness dari setiap individu didalam populasi Ulangi sampai proses berhenti (nilai fitness terbaik terpenuhi) Pilih individu terbaik berdasar ranking untuk reproduksi Bentuk generasi baru melalui pindah silang dan mutasi untuk menghasilkan keturunan baru (child) Evaluasi nilai fitness keturunan yang dihasilkan Setelah diatur terlebih dahulu, gantikan individu dengan nilai fitness terburuk dengan keturunan yang dihasilkan 14 Januari 2010 Tugas Akhir CF

15 .:METODA ALGORITMA GENETIKA:. Evaluasi kromosom: Evaluasi nilai fitness dalam populasi dengan fungsi fitness Penghentian proses: Generasi dan operasi genetika Terpenuhi? Inisialisasi populasi: menugaskan operasi masing-masing, kepada mesin yang mampu menanganinya Kromosom dengan nilai fitness terbaik Membangkitkan kromosom yang feasibel hingga terbentuk populasi Operator mutasi inversi Pindah silang uniformorder (Davis, 1991) Proses seleksi turnamen (Goldberg, Korb, & Deb, 1989) 14 Januari 2010 Tugas Akhir CF

16 .:ALGORITMA GENETIKA UNTUK MASALAH PENJADWALAN JOB SHOP:. Langkah langkah dalam menerapkan GA pada masalah JSS, yaitu: 1. Representasi kromosom 2. Inisialisasi populasi 3. Fitness dan seleksi 4. Operasi genetika 5. Ukuran penghentian proses 14 Januari 2010 Tugas Akhir CF

17 .:IMPLEMENTASI DAN UJI COBA PROGRAM:. Implementasi program menggunakan Matlab 7.7 dalam lingkungan sistem operasi Windows XP. Data yang digunakan adalah data order produksi data efisiensi operasi pada setiap stasiun-mesin (sumber: ref. paper Guo et al, 2006) 14 Januari 2010 Tugas Akhir CF

18 .:IMPLEMENTASI DAN UJI COBA PROGRAM:. Uji coba dilakukan dalam dua eksperimen Eksperimen 1: setiap mesin hanya dapat menampung 1 operasi dalam proses pengolahan order Eksperimen 2: setiap mesin dapat menampung maksimal dua operasi dalam proses pengolahan order 14 Januari 2010 Tugas Akhir CF

19 .:IMPLEMENTASI DAN UJI COBA PROGRAM:. Setiap eksperimen terbagi menjadi 2 mode, yaitu Mode 1: Pengolahan order 1 dijalankan kemudian saat waktu tertentu ditunda untuk menjalankan pengolahan order 2 sampai selesai, kemudian pengolahan order 1 dijalankan kembali sifat produk: multi produk Mode 2: Pengolahan order 1 dijalankan kemudian saat waktu tertentu pengolahan order 1 dan order 2 dijalankan secara simultan sampai order 2 terpenuhi. Setelah itu baru pengolahan order 1 dijalankan kembali sifat produk: berbaur dan multi produk 14 Januari 2010 Tugas Akhir CF

20 .:IMPLEMENTASI DAN UJI COBA PROGRAM:. Untuk melakukan evaluasi digunakan uji kebenaran pada setiap eksperimen. Uji kebenaran Setiap operasi hanya bisa dijalankan pada mesin yang mampu menanganinya Eksperimen 1 Setiap Mesin lockstitch mesin 1 harus 7 hanya memproses menampung operasi setidaknya 2, 3, 4, 11 dan satu 12. operasi Eksperimen 2 Setiap operasi harus diproses Mesin overlock 8 14 hanya menampung operasi 1, 5, 6, 7, 8, 9 dan 10. Mesin lockstitch 1 9 hanya menampung operasi 1, 2, 3, 5, 6, 8, 9, 10, 11, dan 12. Mesin overlock hanya menampung operasi 4, 7, dan Januari 2010 Tugas Akhir CF

21 .:IMPLEMENTASI DAN UJI COBA PROGRAM:. Operasi order harus dijalankan dengan waktu awal (start), waktu pengaturan mesin, dan waktu proses operasi C ( S STP T ) ET Dimana: C = waktu penyelesaian order sepenuhnya (akan ditentukan) S = waktu awal (start) operasi dijalankan (telah ditetapkan) STP = waktu pengaturan mesin dilakukan (telah ditetapkan) T = waktu order selesai dikerjakan (akan ditentukan) ET = waktu penundaan order dijalankan (telah ditetapkan) Pada uji coba eksperimen yang dilakukan waktu pengaturan mesin (STP) dianggap masuk dalam waktu proses (T) 14 Januari 2010 Tugas Akhir CF

22 .:IMPLEMENTASI DAN UJI COBA PROGRAM:. Uji coba pada eksperimen 1 Kasus 1 Bobot tardiness Bobot earliness Jumlah order Order Tenggat waktu Mode 1 Mode 2 Order Uji coba pada eksperimen 2 Kasus 1 Bobot tardiness Bobot earliness Jumlah order Order Tenggat waktu Mode 1 Mode 2 Order Januari 2010 Tugas Akhir CF

23 .:SIMPULAN:. GA dapat digunakan sebagai salah satu metoda alternatif dalam menyelesaikan penjadwalan job shop karena memiliki kemampuan yang baik dalam membangkitkan solusi heuristik dari variasi permasalahan yang luas. Metoda algoritma genetika mampu menyelesaikan masalah penjadwalan job shop yang produknya bersifat berbaur dan multi produk dengan meminimalkan total pinalti E/T (Earliness/Tardiness). Waktu awal dan waktu pengaturan mesin sangat berpengaruh dalam efektifitas penjadwalan job shop yang dihasilkan. 14 Januari 2010 Tugas Akhir CF

24 .:SIMPULAN:. Pada penjadwalan job shop dengan mode 2 dimana ada saat produksi dua order dijalankan secara bersamaan, untuk produksi order 1 dapat dipaksakan produksinya disaat pengolahan order 1 atau disaat pengolahan dua order dijalankan ataupun order 1 dijalankan secara berimbang disaat pengolahan order 1 dan pengolahan dua order. Pinalti E/T dapat dikenakan pada pengolahan order jika waktu awal produksi tidak tepat. Pinalti juga bisa terjadi jika susunan operasi yang dibuat tidak memiliki efektifitas dan efisiensi didalam proses produksi order. Pinalti E/T pada produksi berarti total biaya produksi juga bertambah. 14 Januari 2010 Tugas Akhir CF

25 .:SARAN:. Pengembangan terhadap GA pada masalah penjadwalan job shop dengan mempertimbangkan efek ketidakpastian, diantaranya: Ketidakpastian permintaan konsumen Gangguan mesin Kekurangan bahan baku Ketidakhadiran operator mesin dll. 14 Januari 2010 Tugas Akhir CF

26 .:DAFTAR PUSTAKA:. Watanabe, M., Ida, K., & Gen, M. (2005). A genetic algorithm with modified crossover operator and search area adaption for the jobshop scheduling problem. Computers and Industrial Engineering, 48(4), Ventura, J. A., & Kim, D. (2003). Parallel machine scheduling with earliness-tardiness penalties and additional resource constraints. Computers and Operations Research, 30(13), Seo, D. K., Klein, C. A., & Jang, W. (2005). Single machine stochastic scheduling to minimize the expected number of tardy jobs using mathematical programming models. Computers and Industrial Engineering, 48(2), Poon, P. W., & Carter, J. N. (1995). Genetic algorithm crossover operators for ordering applications. Computers and Operations Research, 22(1), Januari 2010 Tugas Akhir CF

27 .:DAFTAR PUSTAKA:. Park, B. J., Choi, H. R., & Kim, H. S. (2003). A hybrid genetic algorithm for the job shop scheduling problems. Computers and Industrial Engineering, 45(4), Gordon, V., Proth, J., & Chu, C. (2002). A survey of the state-ofthe-art of common due date assignment and scheduling research. European Journal of Operational Research, 139(1), Guo, Z.X., Wong, W.K., Leung, S.Y.S., Fan, J.T., Chan, S.F. (2006). Mathematical model and genetic optimization for the job shop scheduling problem in a mixed- and multi-product assembly environment: A case study based on the apparel industry. Computers & Industrial Engineering 50 (2006) Cheng, R. W., Gen, M., & Tsujimura, Y. (1996). A tutorial survey of job-shop scheduling problems using genetic algorithms.1. Representation. Computers and Industrial Engineering, 30(4), Januari 2010 Tugas Akhir CF

28 .:DAFTAR PUSTAKA:. Lauff, V., & Werner, F. (2004). Scheduling with common due date, earliness and tardiness penalties for multimachine problems: A survey. Mathematical and Computer Modeling, 40(5 6), Brucker, P., Jurisch, B., & Sievers, B. (1994). A branch-andbound algorithm for the job-shop scheduling problem. Discrete Applied Mathematics, 49(1 3), Januari 2010 Tugas Akhir CF

29 TERIMA KASIH 14 Januari 2010 Tugas Akhir CF

30 .:Representasi Kromosom:. Langkah 1: Merepresentasikan kromosom Penjelasan representasi kromosom sebagai berikut: Mesin dibagi menjadi dua tipe, tipe 1 meliputi mesin 1-7 dan tipe 2 meliputi mesin Operasi 1, 2, 3, dan 4 harus diproses pada mesin tipe 1 Sedangkan operasi 5 dan 6 harus diproses pada mesin tipe Januari 2010 Tugas Akhir CF

31 .:Inisialisasi Populasi:. Langkah 2: Inisialisasi populasi 1. Inisialisasi parameter Indeks i 2. Membangkitkan Ukuran populasi kromosom u string integer CHR i PPN PPN Populasi PPN CHR i 3. Set i=i+1. jika i>u, STOP. Jumlah populasi terpenuhi 14 Januari 2010 Tugas Akhir CF

32 .:Seleksi Seleksi:. Langkah 3: Proses seleksi dan fitness Set ukuran turnamen k>=2 Membangkitkan suatu permutasi acak didalam populasi Bandingkan nilai fitness pada kromosom pertama pada daftar permutasi, dan salin yang terbaik ke dalam generasi berikutnya 1 1 jika fitness permutasi habis terpakai, bangkitkan permutasi lain p Z 1 Ulangi langkah 3 ( i dan i. TD 4 i. sampai i i. EL 1 tidak i.(1 diperlukan i )) 1 seleksi lagi untuk generasi berikutnya 14 Januari 2010 Tugas Akhir CF

33 .:Operasi Genetika:. Langkah 4: Operasi genetika Proses pindah silang Proses mutasi 14 Januari 2010 Tugas Akhir CF

34 .:Operasi Genetika(1):. Proses pindah silang Acak beberapa string yang panjangnya sama dengan kromosom Isi beberapa posisi pada anak 1 dengan mencopi gen dari orang tua 1 dimana saja bit string yang memuat 1 Buat daftar gen dari orang tua 1 dihubungkan dengan bit string 0 Mengubah urutan daftar gen sehingga urutannya sama dengan urutan gen yang tampak pada orang tua 2 Salin urutan daftar gen ke dalam posisi kosong pada anak 1 Anak 2 diproduksi menggunakan proses serupa dengan proses pada anak 1 14 Januari 2010 Tugas Akhir CF

35 .:Proses Pindah Silang:. Ubah Salin daftar gen 1 Daftar gen parent 1: (8) (3,10) (1,11) (6,12) (3,10) (8) (6,12) (1,11) (4,7) Ubah Salin daftar gen gen 2 Daftar gen parent 2: (5) (1) (8) (10)(1) (11) (10) (5)(11) (8) (7,13) 14 Januari 2010 Tugas Akhir CF

36 .:Operasi Genetika(2):. Proses mutasi Ambil satu kromosom dari populasi sebagai kromosom asli. Inversi kromosom dengan cara pada tipe mesin yang sama, jika panjang kromosom n, maka tukar posisi gen ke-2 dengan gen ke-n, gen ke-3 dengan gen ke (n- 1), dan seterusnya. Mutasi kromosom dengan cara pada tipe mesin yang sama, tukar secara acak posisi gen yang bersebelahan antara gen ke-2 dan gen terakhir. 14 Januari 2010 Tugas Akhir CF

37 .:Proses Mutasi:. Titik mutasi Kromosom asli ,6 11 6,12 7,13 4,13 Inversi kromosom 5 6, , ,13 4,13 Mutasi kromosom 5 6,12 6, ,13 4,13 Tipe mesin Tipe 1 Tipe Ambil Menginversi Mutasi satu kromosom kromosomdari populasi 14 Januari 2010 Tugas Akhir CF

38 .:Penghentian Proses:. Langkah 5: Ukuran penghentian proses Terpenuhinya 2 kriteria penghentian Sejumlah generasi tertentu Penggunaan keanekaragaman algoritma genetika (Operasi genetika) 14 Januari 2010 Tugas Akhir CF

39 Eksperimen 1 kasus 1 mode 1.:HASIL UJI COBA(1):. operasi Mesin no Order Order Pada order 1 dengan waktu mulai hari ke 0, waktu penundaan 5,43 dan tenggat waktu 15 hari - Waktu rata-rata proses sistem operasi bottleneck 228 detik - Sistem satu order 1125,5 detik - Pada order 2 dengan waktu mulai hari ke 6,57 dan tenggat waktu 12 hari - Waktu rata-rata proses sistem operasi bottleneck 130 detik - Sistem satu order 514,0001 detik 14 Januari 2010 Tugas Akhir CF

40 .:ANALISA HASIL(1):. Hasil Penjadwalan optimasi eks. 11 kasus 11 mode 11 Order 1 Order 2 Waktu Start 0 6,57 Waktu Pengolahan Order 9,53 5,43 Waktu Penundaan 5,43 0 Waktu Penyelesaian Order 14,96 12 Tenggat Waktu Pinalti $100*0,04 =$ Januari 2010 Tugas Akhir CF

41 Eksperimen 1 kasus 1 mode 2.:HASIL UJI COBA(2):. operasi Mesin no Order order Pengolahan order 1 dengan waktu mulai hari ke 0 dan tenggat waktu 15 hari - Pada perakitan 798 pakaian, waktu sistem bottleneck 192 detik dan sistem satu order 1056 detik. - Pengolahan dua order dengan waktu mulai hari ke 2,35 - Order 1: pada perakitan 402 pakaian, waktu sistem bottleneck 685,7143 detik dan sistem satu order 2492,1 detik. - Order 2: waktu sistem bottleneck 230,7692 detik dan sistem satu order 1063,6 detik, dengan tenggat waktu 12 hari 14 Januari 2010 Tugas Akhir CF

42 .:ANALISA HASIL(2):. Penjadwalan Hasil optimasi eks.1 kasus 11 mode 22 Order 1 Order 2 Waktu Start 0 2,35 Waktu Pengolahan Order 14,98 9,64 Waktu Penyelesaian Order 14,98 11,99 Tenggat Waktu Pinalti $100*0,02 =$2 $100*0,01 =$1 14 Januari 2010 Tugas Akhir CF

43 .:HASIL UJI COBA(3):. Eksperimen 2 kasus 1 mode 1 Op. Order 1 Order 2 Mesin no ,3 8 2, , ,7 4, , ,10 9, ,11 10,11 10, Pada order 1 dengan waktu mulai hari ke 0, waktu penundaan 7 hari dan tenggat waktu 15 hari - Waktu rata-rata proses sistem operasi bottleneck 228,8 detik. - Sistem satu order 1523,1 detik. - Pada order 2 dengan waktu mulai hari ke 5 dan tenggat waktu 12 hari - Waktu rata-rata proses sistem operasi bottleneck 201,2903 detik. - Sistem satu order 526,4121 detik. 14 Januari 2010 Tugas Akhir CF

44 .:ANALISA HASIL(3):. Penjadwalan Hasil optimasi eks.2 kasus 11 mode 11 Order 1 Order 2 Waktu Start 0 5 Waktu Pengolahan Order 7,99 7 Waktu Penundaan 7 0 Waktu Penyelesaian Order 14,99 12 Tenggat Waktu Pinalti $100*0,01 =$ Januari 2010 Tugas Akhir CF

45 Eksperimen 2 kasus 1 mode 2.:HASIL UJI COBA(4):. Op. Order 1 2 order Mesin no , , , , , Pengolahan order 1 dengan waktu mulai hari ke 0 dan tenggat waktu 15 hari - Pada perakitan 621 pakaian, waktu sistem bottleneck 277,6471 detik dan sistem satu order 1537,2 detik. - Pengolahan dua order dengan waktu mulai hari ke 3,04 - Order 1: pada perakitan 379 pakaian, waktu sistem bottleneck 672,9412 detik dan sistem satu order 3033,6 detik. - Order 2: waktu sistem bottleneck 257,1429 detik dan sistem satu order 1107,7 detik, dengan tenggat waktu 12 hari 14 Januari 2010 Tugas Akhir CF

46 .:ANALISA HASIL(4):. Penjadwalan Hasil optimasi eks.2 kasus 11 mode 22 Order 1 Order 2 Waktu Start 0 3,04 Waktu Pengolahan Order 14,97 8,96 Waktu Penyelesaian Order 14,97 12 Tenggat Waktu Pinalti $100*0,03 =$ Januari 2010 Tugas Akhir CF