PENGEMBANGAN ALGORITMA ANT COLONY OPTIMIZATION UNTUK MENYELESAIKAN PERMASALAHAN LAYOUT

Ukuran: px

Mulai penontonan dengan halaman:

Download "PENGEMBANGAN ALGORITMA ANT COLONY OPTIMIZATION UNTUK MENYELESAIKAN PERMASALAHAN LAYOUT"

Hendra Hartono
6 tahun lalu
Tontonan:

1 PENGEMBANGAN ALGORITMA ANT COLONY OPTIMIZATION UNTUK MENYELESAIKAN PERMASALAHAN LAYOUT Risang Galih Bhaktiaji Dosen pembimbing: Arief Rahman S.T., M.Sc.

2 pendahuluan PROCESS PRODUCT GT Minimasi material handling ABS MODEL GRAPHTHEORY METAHEURISTIK GA, CROSS ENTROPY, ACO, PSO, DLL

3 PENDAHULUAN Menentukan susunan mesin pada shop floor dengan konstrain dimensi shop flor to solve LAYOUT PROBLEM Salah satu metode terbaik untuk menyelesaikan QAP (Stuzle and Dorigo, 1999) GT Layout / CMS Dewi Pratiwi, 2009

4 pendahuluan Rumusan Masalah Pengembangan algoritma ACO untuk perancangan ulang tata letak fasilitas untuk mengurangi total jarak perpindahan part antar fasilitas pada kasus pembentukan cellular manufacturing system di lantai produksi PT Alstom. Tujuan Penelitian 1. Mengembangkan algoritma ACO untuk kasus penyusunan layout. 2. Mengimplentasikan metode ACO untuk penyelesaian problem layout pada suatu program komputer. 3. Menganalisa performansi algoritma ACO terhadap algoritma GA.

5 Tinjauan pustaka LAYOUT Fungsi Tujuan i j c ij d ij f ij (minimum material handling cost) GT LAYOUT / CMS MENGELOMPOKKAN MESIN BERDASARKAN PART FAMILIES

6 Model matematis Min i j c ij d ij f ij Subject to i j i=1 j=1 d ij C Fungsi tujuan meminimasi material handling cost Ukuran mesin tidak boleh melebihi ukuran shopfloor C l=1 x il, l = 1,2,, C Satu lokasi hanya diisi satu mesin C i=1 x il, l = 1,2,, C Satu mesin menempati satu lokasi

7 Ant colony optimization Berdasarkan perilaku semut ketika berjalan dari sarangnya untuk mencari makanan Semut k dari node i akan menuju ke node j dengan probabilitas Pembentukan rute Evaluasi rute Update feromon others 0 M j if, ), ( ), ( ), ( ), ( ), ( k M k u k u i u i j i j i j i p N k k j i j i j i 1,,, ) 1 (

8 Aco untuk layout η ij =1/d ij ACO for TSP d ij = jarak antar kota i & j η ij visibilitas Agar tiap mesin punya peluang untuk didekatkan η ij =1/f ij +1 ACO for Layout f ij = frekuensi antar mesin i & j

9 Critical review Layout 1. Algoritma Genetika (Pratiwi 2009) 2. Algoritma Corelap, Planar Graph, dan 2-OPT (Sholikhin 2009) 3. Manufaktur Sellular (Fitriasari 2008) ACO 1. ACO for inter-cell (Solimanpur 2002) 2. ACO for machine part cell formation (Xiangyong 2010) 3. ACO for TSP (Dorigo 1997) 4. ACO for CLRP (Rogam 2010) ACO untuk Layout dengan Batasan Ukuran Fasilitas

10 Metodologi penelitian START Pengembangan Algoritma ACO untuk Problem Layout Validasi Model Algoritm a Valid? A

11 Metodologi penelitian A Eksperimen Bandingkan dengan Metode Lain Analisis & Interpretasi Kesimpulan & Saran FINISH

12 CONTOH SOAL Nama Part Urutan Mesin Frekuensi Part Part Part Part Part Mesin Ukuran 1 3x3 2 4x4 3 2x2 4 5x5 Shop Floor 10x10 Matriks frekuensi antar mesin

13 Dengan enumerasi No Rute Total Biaya Hasil optimal Penataan mesin dalam shopfloor

14 Dengan aco 1. Inisialisasi α : 1 Initial Parameter β : 3 ρ : 0.5 Parameter kontrol feromon Parameter kontrol visibilitas Koefisien penguapan Feromon awal Visibilitas ( f 1 ) η = ij ij 0 0,77 0,07 0,47 0,77 0 2,07 0,07 0,07 2,07 0 0,97 0,47 0,07 0,97 0

15 Dengan aco 2. Pembentukan Urutan Mesin 1. Dimulai dari mesin yang dipilih secara random 2. Pemilihan mesin berikutnya menggunakan probabilitas (i, j) j) (i, p k ( i, um k j) / 0, (i, u) (i, u), if j M k others Perpindahan dari node-3 i,j pij p cumulative random 3-1 0, , , , , , , Perpindahan dari node-2 i,j pij p cumulative random , Urutan yang terbentuk Perpindahan dari node-1 i,j pij p cumulative random ,

16 DENGAN ACO 3. Evaluasi Urutan Mesin Total biaya =

17 DENGAN ACO 4. Update feromon ρ : 0.5 k ( 1 i, j ) i, j k1 Rute ant k: τ = N i, j ,05 0, , , , , , , ,05 0, , ,05 0, , , ,05 τ i,j k = Q f k = 10/1055 = 0,0094 k urutan mesin nilai solusi semut semut semut semut semut semut semut semut semut semut

18 DENGAN ACO 5. Kriteria Pemberhentian Iterasi maksimum 6. Hasil paling optimal Solusi Terbaik Dua Iterasi Iterasi Urutan mesin Total Biaya MH

19 Eksperimen dan analisis Urutan Proses beserta Volume, Batch dan Frekuensinya CM Part Urutan Mesin Volume Batch Frekuensi CM 1 Part Part Part Part Part Part Part Part Part Part Part Part CM 2 Part Part Part Part Part Part Part Part Part Part Part Part Sumber: Dewi Pratiwi, 2009

20 Eksperimen dan analisis Dimensi Mesin CM Nama Mesin No. Mesin Panjang Lebar 1 Manual Drilling Machine CNC Burning Cutting CNC Lathe Machine Plate Bending Roll Layout Marking Hydrostatic Testing Cleaning before Harp Asy Grinding after CNC BC Band Saw Heat Treatment Slot Furnace Low Temp Lathe Machine Pipe Bender 3"4" Lathe Machine Pneum Scarfing Machine Bug-O Prog Saddle & Elbow Cutter Shearing Machine Band Saw Press Break Heat Treatment Slot Furnace Low Temp CNC Drilling Machine Con-O Press Iron Worker Manual Drilling Machine Sumber: Dewi Pratiwi, 2009 Ukuran Shopfloor CM Ukuran 1 26 x x 41

21 EKSPERIMEN DAN ANALISIS CM1 Urutan mesin : Total biaya MH = f=36 f=280 f= Frekuensi antar mesin

22 EKSPERIMEN DAN ANALISIS CM2 Urutan mesin : Total biaya MH = 9.598,5 f=166 f=166 f= Frekuensi antar mesin

23 EKSPERIMEN DAN ANALISIS CM1 hubungan jumlah ITERASI dengan pencapaian hasil optimal 26 JUMLAH ITERASI CM2 REPLIKASI KE Dipengaruhi oleh solusi yang terbentuk di iterasi awal dan bilangan random untuk memilih node pertama Jumlah Replikasi Jumlah Iterasi JUMLAH ITERASI REPLIKASI KE Jumlah Replikasi Jumlah Iterasi

24 EKSPERIMEN DAN ANALISIS PERBANDINGAN GA DAN ACO Perbandingan Hasil GA dan ACO CM Total Biaya GAP GA ACO ,3% ,5 36,2% Kemungkinan penyebab: 1. Kurangnya populasi awal yang dibangkitkan sehingga solusi kurang bervariasi untuk kemudian dilakukan cross over dan mutasi 2. Kurangnya jumlah replikasi

25 Kesimpulan 1. Modifikasi ACO untuk penyelesaian layout adalah dengan mengubah rumus visibilitas menjadi berdasarkan frekuensi dan biaya perpindahan per satuan jarak dengan rumus η ij = ( f ij *c ij +1). 2. Algoritma Ant Colony Optimization terbukti dapat digunakan untuk menyelesaikan permasalahan penyusunan layout yang memiliki batasan ukuran shopfloor tertentu. 3. ACO mampu memberikan hasil yang lebih baik dibandingkan dengan GA pada kedua sel manufaktur yang menjadi objek penelitian. Pada sel manufaktur 1 terjadi perbaikan sebesar 18,3%, sedangkan pada sel manufaktur 2 terjadi perbaikan sebesar 36,2%. 4. Jumlah iterasi tidak menunjukkan pengaruh pada jumlah replikasi yang harus dilakukan untuk mendapatkan hasil yang optimal.

26 saran 1. Digunakan set data dengan ukuran yang lebih bervariatif dan lebih besar untuk menguji algoritma ACO agar hasil uji performansinya lebih valid. 2. ACO dapat digabungkan dengan algoritma lain untuk membentuk algoritma hybrid. Penggabungan dengan algoritma lain diharapkan mampu menghasilkan solusi yang lebih baik dan dapat membangkitkan urutan yang lebih random sehingga hasil lebih banyak.

27 Daftar pustaka 1. Aribowo, N. (2008), Perancangan Ulang Tata Letak Fasilitas Produksi dengan Menggunakan Algoritma CORELAP, Algoritma 2-OPT, danalgoritma PLANAR GRAPH untuk Meminimasi Biaya Material handling (Studi Kasus di PT. Swadaya-Gresik,. Laporan Tugas Akhir Teknik Industri - ITS. 2. Benjaafar, S. (2000), Design of Flexible Plant Layout, IIE Trans vol.32 (4), hal Dorigo, M. and L. M. Gambardella. (1997), "Ant colonies for the travelling salesman problem", Biosystems 43(2): Fitriasari, I. (2008), Perancangan Ulang Tata Letak Fasilitas Produksi dengan Pendekatan Manufaktur Seluller, Laporan Tugas Akhir Teknik Industri - ITS. 5. Heragu, S. (1997), Facilities Design, Boston: WS Publishing Company. 6. Heragu, S. (2006), Facilities Design Second Edition, Lincoln: iuniverse, Inc. 7. Prasetyawan, Y. (2006), Perbaikan Tata Letak Lini Produksi O-5 in XYZ Ltd, Seminar Nasional Mesin dan Industri, Universitas Tarumanegara, Jakarta. 8. Pratiwi, D. (2009), Perancangan Ulang Tata Letak Fasilitas Produksi Dengan Pendekatan Hybrid Layout Pada PT. Alstom Power Energy System Indonesia, Laporan Tugas Akhir Teknik Industri - ITS. 9. Santosa, B., Willy, P. (2011), Metoda Heuristik Konsep dan Implementasi, Surabaya: Guna Widya. 10. Sholikhin. (2009), Desain Relayout dengan Menggunakan Algoritma Corelap, Planar Graph, dan 2- OPT untuk Meningkatkan Performansi Perusahaan (Studi Kasus: PT Djitoe Indonesia Tobacco Coy), Laporan Tugas Akhir Teknik Industri - ITS. 11. Solimanpur, M., Vrat, P., Shankar, R. (2004), Ant colony optimization algorithm to the inter-cell layout problem in cellular manufacturing layout problem in cellular manufacturing, European Journal of Operation Research vol.157, hal Tompkins, J. A., White, J. A., Bozer, Y. A., & Tanchoco, J. M. (2003), Facilities Planning Third Edition, New York: Jhon Wiley & Sons, Inc. 13. Wignjosoebroto, S. (2003), Tata Letak Pabrik dan Pemindahan Bahan Edisi Ketiga, Surabaya: Guna Widya. 14. Xiangyong, Li., Baki, M. F., Aneja, Y. P. (2010), An ant colony optimization metaheuristic for machine part cell formation problems, Computers & Operation Research vol.37, hal

dokumen-dokumen yang mirip

Pengembangan Algoritma Ant Colony Optimization untuk Menyelesaikan Permasalahan Layout

Pengembangan Algoritma Ant Colony Optimization untuk Menyelesaikan Permasalahan Layout Risang Galih Bhaktiaji, Arief Rahman Jurusan Teknik Industri Institut Teknologi Sepuluh Nopember (ITS) Surabaya, Indonesia