PENGGUNAAN ALGORITMA GENETIKA PADA PENJADWALAN PRODUKSI DI PT DNP INDONESIA PULO GADUNG

Transkripsi

1 PENGGUNAAN ALGORITMA GENETIKA PADA PENJADWALAN PRODUKSI DI PT DNP INDONESIA PULO GADUNG Suriadi AS, Ulil Hamida, N. Anna Irvani STMI Jakarta, Kementerian Perindustrian RI ABSTRAK Permasalahan yang terjadi di PT DNP Indonesia adalah seringnya terjadi keterlambatan penyelesaian pesanan. Keterlambatan ini disebabkan oleh penjadwalan produksi di perusahaan. Saat ini perusahaan menggunakan penjadwalan FCFS. Penjadwalan dengan FCFS berarti bahwa job yang datang diproses sesuai dengan job mana yang datang terlebih dahulu. Dengan metode FCFS, job yang datang terlebih dahulu diproses terlebih dahulu, dan job yang terakhir datang, diproses setelah job yang lebih dulu datang selesai. Padahal bisa jadi job yang datang terlebih dahulu memiliki batas waktu yang lebih lama dibandingkan job yang datang terakhir. Oleh karena itu digunakan metode algoritma genetika untuk melakukan perbaikan penjadwalan agar tidak terjadi keterlambatan lagi. Berdasarkan penelitian yang telah dilakukan, penjadwalan dengan algoritma genetika menghasilkan performansi yang lebih baik dibandingkan dengan metode FCFS, metode penjadwalan yang dibuat dengan menggunakan algoritma genetika mendapatkan hasil penjadwalan yang optimal. Ini terlihat dari waktu penyelesaian seluruh pengerjaan pesanan dan rata-rata waktu yang digunakan oleh tiap job pada lantai produksi mengalami penghematan waktu masing-masing sebesar 7,25 % dan 18,4 %. Penghematan waktu tersebut akhirnya berdampak pada pengurangan keterlambatan pesanan. Kata kunci: penjadwalan produksi, FCFS, algoritma genetika. 1. PENDAHULUAN PT DNP Indonesia sebagai sebuah perusahaan kemasan fleksibel (flexible packaging) yang menghasilkan produk bervariasi berupa kemasan makanan dan minuman, kemasan pewangi, dan lain sebagainya sesuai dengan permintaan konsumen yang bersifat MTO (make to order). Tahapan proses produksi perusahaan tersebut melalui gravure printing, rewind, lamination, finishing dan packing dengan menggunakan plastic film dan aluminium foil sebagai bahan baku, serta bahan tambahan lainnya sebagai bahan campuran. Saat ini, perusahaan kadang mengalami masalah keterlambatan dalam proses penyelesaian produk yang berdampak pada keterlambatan dalam pengiriman pesanan ke pelanggan. Hal ini terkait dengan penjadwalan produksi yang dilakukan oleh perusahaan. Dalam melakukan penjadwalan, perusahaan menggunakan aturan First Come First Served (FCFS). Penjadwalan dengan FCFS mengasumsikan bahwa job yang datang diproses sesuai dengan job mana yang datang terlebih dahulu (Ginting, 2009). Dengan metode FCFS, job yang datang terlebih dahulu diproses terlebih dahulu, dan job yang terakhir datang, diproses setelah job yang lebih dulu datang selesai. Padahal bisa jadi job yang datang terlebih dahulu memiliki batas waktu yang lebih lama dibandingkan job yang datang terakhir. Sehingga terjadi akhirnya sering terjadi keterlambatan. Oleh karena itu diperlukan suatu perbaikan metode penjadwalan sehingga diharapkan dapat diperoleh waktu penyelesaian produk optimal yang akan memperlancar proses produksi dan dapat mengurangi keterlambatan serta meningkatkan efisiensi dan efektivitas baik material maupun non-material. Dalam hal ini, akan digunakan metode heuristik; yaitu melakukan pendekatan suatu solusi optimal dengan menggunakan algoritma genetika. Algoritma genetika (Genetic Algorithm) dapat

2 diimplementasikan untuk mendapatkan solusi terbaik dari suatu penjadwalan, baik untuk job shop maupun flow shop yang bertipe MTO (Ginting, 2009). Tujuan dari penelitian ini adalah melakukan penjadwalan dengan menggunakan algoritma genetika untuk mendapatkana penjadwalan yang optimal. Kriteria optimal didasarkan pada nilai makespan dan mean flow time yang minimum. 2. LANDASAN TEORI Menurut Baker, penjadwalan didefinisikan sebagai proses pengalokasian sumber daya untuk memilih sekumpulan tugas dalam jangka waktu tertentu (Ginting, 2009). Penjadwalan proses produksi yang baik dapat mengurangi waktu menganggur (idle time) pada unit-unit produksi dan meminimumkan barang yang sedang dalam proses (work in process). 2.1 Penjadwalan Produksi dengan Aturan First Come First Served (FCFS) Aturan ini mengasumsikan bahwa job akan diproses sesuai dengan urutan kedatangannya. Contoh kasus sederhana: Tabel 1 Data Job Processing Time Job (hari) A 5 B 10 C 2 D 8 E 6 Penjadwalan dengan aturan FCFS, hasilnya adalah sebagai berikut: Tabel 2 Hasil Penjadwalan dengan FCFS Job Start Processing Completion Flow Time Time Time Time A B C D E Total Mean 18,6 18,6 gen maka flow time untuk tiap job sama dengan completion time-nya. Mean Completion Time Ci 93 = = = 18,6 hari n 5 Mean Flow Time Ci 93 = = = 18,6 hari n 5 Makespan = ti = =31 hari 2.2 Penjadwalan Produksi dengan Algoritma Genetika Pada algoritma genetika, data dan informasi yang akan diolah dinyatakan dalam bentuk kromosom yang melambangkan genetik manusia. Pembuatan peta kromosom diartikan sebagai pengurutan job dalam penjadwalan diilustrasikan pada Gambar 1. - Gambar kromosom Gambar 1 Kromosom Gambar penjadwalan job 4 locus kromosom Gen Job 4 pada locus 1 Gambar 2 Kromosom Penjadwalan Job Secara umum, tahapan yang perlu dilakukan untuk melakukan penjadwalan dengan algoritma genetika digambarkan pada Gambar 3. Catatan: diasumsikan semua job siap dikerjakan pada saat jadwal dimulai (t=0),

3 Populasi Evaluasi Seleksi 3. DATA PENELITIAN Data yang digunakan dalam penelitian ini adalah contoh data pesanan produksi yang digunakan dalam penelitian, daftar mesin yang ada, kapasitas mesin untuk setiap job dan waktu proses setiap job. Ji Tabel 3 Data Pesanan Produksi Article Populasi Sumber: PPC PT DNP Indonesia Reproduksi: Gambar 3 Langkah Algoritma Genetika Color Size Length Qty Order Qty Meter C (ml) (meter) (roll) (meter) J1 MT. Ultra Blue J2 MT. Ultra Blue J3 MT. Ultra SB Blue J4 MT. Ultra SB Grenn J5 MT. Wangi Pink J6 MT. Soft Blue Sky J7 MT. Soft Pink Airflow Keterangan: Ji = job ke- Qty = Jumlah Qty M = Jumlah meter Tabel 4 Mesin-Mesin yang Digunakan untuk Pengerjaan Pesanan Prioritas Kode Jumlah Mesin Mesin Mesin Gravure Printing GR GR Large Rewind Machine LRM-02 1 Lamination Machine Dryer LMD-02 1 Bobbin Cutting BC-04 1 Sumber: PPC PT DNP Indonesia Tabel 5 Kapasitas Mesin Tiap Job Kecepatan Mesin Job (meter per menit) M1 M2 M3 M4 J J J J J J J Keterangan: M1 = Mesin Gravure Printing M2 = Mesin LRM M3 = Mesin LMD M4 = Mesin BC Tabel 6 Waktu Proses Tiap Job pada Masing- Masing Mesin Ji Waktu Proses/ti (menit ) M1 M2 M3 M4 J1 700,00 700,00 630,00 840,00 J2 768,18 845,00 760, ,00 J3 431,82 475,00 427,50 570,00 J4 345,00 345,00 310,50 414,00 J5 600,00 600,00 540,00 720,00 J6 363,64 400,00 360,00 480,00 J7 390,00 390,00 351,00 468,00 4. METODOLOGI PENELITIAN Langkah langkah yang digunakan dalam melakukan penelitian ini adalah sebagai berikut: 1. Pembentukan populasi awal Sebuah populasi awal terdiri dari sejumlah kromosom. Pembentukan populasi awal dapat diperoleh secara acak atau menggunakan metode heuristik tertentu (Purwanto, 2003). Pembentukan ini dilakukan secara terusmenerus sampai didapatkan jumlah kromosom yang diinginkan. Dalam proses selanjutnya tidak perlu lagi dilakukan pembangkitan populasi karena populasi berikutnya merupakan hasil seleksi dan operasi genetika, maka diupayakan ukuran populasi tetap dan konvergen pada kromosom terbaik (Lukas dkk, 2005). 2. Perhitungan fungsi tujuan dari setiap kromosom Perhitungan fungsi tujuan dari tiap kromosom berdasarkan kromosom yang terbentuk. Fungsi tujuan ini merupakan sebuah fungsi yang memberikan penilaian kepada kromosom yang disebut sebagai nilai fitness. Nilai fitness inilah

4 yang kemudian menjadi bobot suatu kromosom, apakah suatu kromosom layak untuk dipertahankan dalam keturunan/generasi berikutnya. Oleh karena itu, fungsi fitness menjadi masalah atau penentu utama keberhasilan algoritma genetika (Djunaidy dkk). Fungsi fitness dari proses penjadwalan ini adalah: Fungsi fitness = 1 makespan (Ms) + mean flow time (MFT) 3. Pembangkitan populasi baru a. Seleksi Seleksi dilakukan untuk mendapatkan calon induk yang baik. Induk yang baik akan menghasilkan keturunan yang baik. Proses seleksi ini dilihat dari nilai fitness, semakin tinggi nilai fitness suatu individu maka semakin besar kemungkinannya untuk terpilih. b. Pindah silang (crossover) Crossover merupakan salah satu operator dalam algoritma genetika yang melibatkan dua induk untuk menghasilkan keturunan yang baru. Crossover dilakukan dengan melakukan pertukaran gen dari dua induk secara acak (Basuki, 2003). b. Mutasi Mutasi merupakan operator yang menukar nilai gen dengan nilai inversinya. Setiap individu mengalami mutasi gen dengan probabilitas mutasi yang ditentukan (Basuki, 2003). 4. Pengulangan Ulangi langkah kedua dan ketiga sampai tercapai kriteria pemberhentian tertentu atau maksimum generasi tercapai. Semakin banyak percobaan semakin baik hasil yang diperoleh, hanya kromosom dengan hasil terbaik yang akan bertahan sampai pengulangan terakhir. Beberapa kriteria pemberhentian yang sering dilakukan adalah: Berhenti pada generasi tertentu. Berhenti setelah dalam beberapa generasi berturut-turut didapatkan nilai fitness tertinggi tidak berubah. Berhenti bila dalam n generasi berikutnya tidak didapatkan nilai fitness yang lebih tinggi. 5. HASIL DAN PEMBAHASAN 5.1 Penjadwalan dengan Metode FCFS Perusahaan melakukan penjadwalan dengan menggunakan aturan First Come First Served (FCFS), yaitu pesanan yang pertama datang dijadwalkan terlebih dahulu. Dalam tugas akhir ini, dari data pesanan tabel 4.2 terlihat bahwa pesanan job ke 1 (J1) diproses terlebih dahulu dan selanjutnya diteruskan dengan J2, J3, J4, J5, J6 sampai pada job terakhir yaitu J7. Penjadwalan untuk tiap job dilakukan sesuai dengan pesanan yang diterima, dengan jumlah tiap pesanan (quantity order) yang berbedabeda (lihat tabel 4.2). Waktu penyelesaian (makespan) dan rata-rata waktu yang digunakan (mean flow time) dari ke-7 job yang telah dijadwalkan tersebut adalah masing-masing sebesar 10991,50 menit dan 9331,57 menit. 5.2 Implementasi Penjadwalan Job dengan Menggunakan Metode Algoritma Genetika Parameter yang ditentukan dalam penelitian ini adalah sebagai berikut: Ukuran populasi = 7 Populasi awal = Generasi 0 (GEN=0) Generasi (GEN) = 10 Probabilitas crossover (Pc) = 1 Probabilitas mutasi (Pm) = 0,01 Pembangkitan Populasi Awal Solusi awal dibangkitkan dengan menggunakan urutan yang diperoleh dari metode CDS. Berdasarkan spesias awal tersebut dibangkitkan kromosom dengan ukuran populasi yang tetap pada setiap generasi. Langkah perhitungannya adalah sebagai berikut: Menukar urutan gen ke- k dengan gen kek+1 dari kromosom. Kromosom berasal dari sub populasi 1 dan sub populasi 2, ditentukan bahwa ukuran populasi adalah

5 7. Hasil perhitungannya dapat dilihat pada tabel Tabel 7 Urutan Gen serta Makespan dan Mean Flow Time Sub Populasi 1 Kromosom Sub Populasi 1 Ms MFT , , , , , , , , , , , , , ,79 Dari Tabel 7 dapat dijelaskan bahwa awal urutan gen (job) dari sub populasi 1 yaitu , kemudian ditukarkan urutan gen ke- 1 (k) dengan gen ke-2 (k+1) menjadi Letakkan lagi ke urutan gen awal kemudian ditukarkan kembali urutan gen ke-2 dengan gen ke-3 menjadi Selanjutnya, kembalikan lagi urutan gen ke posisi awal lalu tukarkan kembali urutan gen ke-3 dengan gen ke-4 menjadi Demikian selanjutnya sampai dengan urutan gen terakhir yaitu urutan gen ke-6 (k) dengan gen ke-7 (k+1). Setelah menukar urutan gen tersebut, maka didapatkan kromosomkromosom baru dengan ukuran populasi adalah 7. Kromosom baru tersebut merupakan urutan job baru dengan menghasilkan nilai makespan (Ms) dan mean flow time (MFT) yang berbeda. Dari Tabel 7 telah didapatkan hasil makespan dan mean flow time masingmasing kromosom. Dari populasi awal yang dibangkitkan dilakukan pembangkitan populasi selanjutnya dengan melakukan seleksi nilai fitness, crossover dan mutasi. Pada populasi ke-10, dihasilkan populasi seperti pada Tabel 8. Pada populasi tersebut dapat dilihat nilai mean flow time lebih kecil dari generasi pertama, tapi untuk nilai makespan tidak mengalami perbaikan. Hal ini disebabkan populasi awal dibangkitkan dari metode yang cukup handal yaitu metode CDS. Tabel 8 Generasi Kesepuluh (GEN=10) pada Metode Algoritma Genetika Kromosom Sub Populasi 1 Ms MFT 1/fitness , ,21 5,615E , ,21 5,615E , ,21 5,615E , ,21 5,615E , ,21 5,615E , ,21 5,615E , ,21 5,615E-05 Kromosom Sub Populasi 2 Ms MFT 1/fitness , ,21 5,615E , ,21 5,615E , ,21 5,615E , ,21 5,615E , ,57 5,612E , ,57 5,612E , ,57 5,612E-05 Berdasarkan algoritma genetika yang diterapkan untuk penjadwalan tersebut, diperoleh perbaikan nilai fitness dari penjadwalan job seperti yang tercantum pada Gambar 4. Sejak populasi ke 6, perubahan nilai fitness mendekati 0 sehingga pengulangan dihentikan Generasi fitness Gambar 4 Nilai Fitness untuk Setiap Generasi Analisis Perbandingan Penjadwalan Job Perusahaan dengan Penjadwalan Job Menggunakan Algoritma Genetika Tujuan penjadwalan dengan algoritma genetika pada penelitian ini adalah untuk menghasilkan urutan job dengan makespan dan mean flow time yang minimum. Hasil dari algoritma genetika ini kemudian dibandingkan dengan metode penjadwalan perusahaan. Perbandingan keduanya dapat dilihat pada Tabel 9.

6 Tabel 9 Perbandingan Performansi Penjadwalan Perusahaan (FCFS) dengan Algoritma Genetika Penjadwalan Perusahaan (FCFS) Algoritma Genetik Urutan Job J1-J2-J3-J4-J5-J6-J7 J4-J7-J6-J3-J5-J1-J Makespan 10991,5 menit 10194,5 menit Mean Flow Time 9331,57 menit 7614,23 menit Sumber: Hasil Pengolahan Data Dari Tabel 9 terlihat bahwa penjadwalan job dengan algoritma genetika menghasilkan performansi yang lebih baik. Ini dilihat dari terjadinya penurunan nilai makespan dan mean flow time. Untuk nilai makespan terjadi penurunan sebesar 7,25 %, sedangkan untuk nilai mean flow time mengalami penurunan sebesar 18,4 %. Artinya terjadi penghematan waktu makespan dan mean flow time dengan menggunakan algoritma genetika. Perubahan ini terlihat cukup besar sehingga metode algoritma genetika yang diterapkan menghasilkan urutan job dengan nilai makespan dan mean flow time yang optimal. 6. KESIMPULAN DAN SARAN Kesimpulan 1. Penjadwalan dengan algoritma genetika menghasilkan performansi yang lebih baik dibandingkan dengan penjadwalan perusahaan, metode penjadwalan yang dibuat dengan menggunakan algoritma genetika mendapatkan hasil penjadwalan yang optimal. Ini terlihat dari waktu penyelesaian seluruh pengerjaan pesanan dan rata-rata waktu yang digunakan oleh tiap job pada lantai produksi mengalami penghematan waktu masingmasing sebesar 7,25 % dan 18,4 %. Penghematan waktu tersebut berdampak pula pada pengurangan waktu tunggu bahan yang berada dalam proses pengerjaan. 2. Urutan penyelesaian job yang diperoleh dengan menggunakan metode algoritma genetika adalah J4 J7 J6 J3 J5 J1 J2, dengan kriteria yang diperoleh berdasarkan nilai makespan yaitu sebesar 10194,50 menit dan mean flow time sebesar 7614,23 menit. Saran Berdasarkan penelitian yang dilakukan saran yang diberikan adalah sebagai berikut: 1. Perusahaan sebaiknya melakukan pengerjaan pesanan di lantai produksi tidak berdasarkan pada pesanan yang datang terlebih dahulu, tetapi perlu dilihat dari spesifikasi job dan quantity yang dipesan serta waktu penyelesaian untuk pengiriman pesanan tersebut. 2. Perusahaan dapat menerapkan sistem penjadwalan baru yaitu algoritma genetika yang dapat menghasilkan kriteria dalam penjadwalan yang lebih baik, seperti memperkecil nilai makespan dan mean flow time sehingga masalah keterlambatan penyelesaian pesanan dapat segera diatasi. 7. DAFTAR PUSTAKA Basuki, A Algoritma Genetika: Suatu Alternatif Penyelesaian Permasalahan Searching, Optimasi dan Machine Learning. Politeknik Elektronika Negeri Surabaya. PENS-ITS. Surabaya. AlgoritmaGenetika.pdf. Buffa, E. S dan Sarin R. K Manajemen Operasi dan Produksi Modern. Jilid 1. Binarupa Aksara. Djunaidy, A. dkk. Simulasi Penjadwalan Job- Shop Dinamis Dengan Menggunakan Algoritma Genetika. Fakultas Teknologi Informasi-ITS. Surabaya. /eka_aditya.pdf. Elsayed, A Analysis and Control of Production Systems. Prentice-Hall International Edition. New Jersey. Ginting, R Penjadwalan Mesin. Edisi Pertama. Graha Ilmu. Yogyakarta. Lukas, S. dkk Penyelesaian Masalah Penugasan dengan Algoritma Genetika Teknik Cycle Crossover. Jurnal Ilmiah Ilmu Komputer. Vol. 3 Nomor 2. Jakarta. Purwanto, A Algoritma Genetika sebagai Alternatif Proses Pencarian dan Optimasi. Jurnal Komputer dan Informatika. Vol. 4 Nomor 1. Fakultas Teknologi Informatika. Universitas Tarumanegara. Jakarta.