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

Transkripsi

1 OPTIMISASI PEMBENTUKAN SEL DIINTEGRASIKAN DENGAN PENEMPATAN MESIN DAN PENJADWALAN DI DALAM SELULAR MANUFAKTUR MENGGUNAKAN ALGORITMA GENETIKA Oleh : Moh Khoiron Dosen pembimbing : Dr. Imam Mukhlas S.Si, MT. Drs. Soetrisno M.Ikomp. JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH NOPEMBER 2013

2 Latar belakang

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. Asumsi 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 tujuan Tujuan dari penelitian tugas akhir ini adalah membuat aplikasi untuk mendapatkan makespan yang lebih singkat. manfaat 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 Tinjauan Pustaka Selular Manufakturing 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 Tinjauan Pustaka Kelebihan Selular Manufakturing 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 Peningkatan dalam moral kerja

10 Isu Utama dalam Selular Manufakturing Pembentukan Sel Penjadwalan Tata letak sel3 M1 M2 M4 M5 M3

11 sel3 Pembentukan Sel 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. sel 2 sel 1

12 M4 M2 M1 M5 M3 Layouting Machine Definisi Group layout (GL) adalah peletakan mesin dalam setiap sel (tata letak intra-sel) dan selsel terhadap satu sama lain (tata letak antarsel). sel 2 sel 1

13 Penjadwalan Definisi Group scheduling (GS) adalah penjadwalan part dalam tiap sel dan hubungannya dengan sel yang lain. sel 2 sel 1

14 Lanjutan Definition of genetic algorithms GA adalah teknik pencarian stokastik menggunakan prinsip-prinsip Darwin yaitu survival of the fittest untuk menemukan solusi terbaik. Lebih tinggi fittestnya maka tinggi pula kemungkinannya untuk bertahan hidup dan begitu juga sebaliknya.

15 Population size objective function Begin GA Create Initial Population Measure Fitness End GA Flow chart of genetic algorithms yes Terminate? Stopping criteria Measure New Fitness No Select parents by Fitness Generic Recommendation possible Mutation seleksi Crossover Mutation

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 population size

17 digunakan untuk mengevaluasi dan menentukan apakah suatu kromosom akan bertahan atau tidak, digunakan untuk mereproduksi kromosom baru. Fungsi Fitness

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 KAWIN SILANG Operator genetik digunakan untuk untuk melestarikan keragaman genetik atau karasteristik kandidat (solusi) pada suatu populasi MUTASI Kriteria Berhenti

20 Metode penelitian Studi literatur Pengolahan Data dan Implementasi Program Uji coba dan evaluasi Penarikan Kesimpulan

21 Bagaimana GA menyelesaikan permasalaha CMS? Penjadwalan Pembentukan Sel Kromosom Tata letak Berat Posisi Fitness function Min n g [j] j=1

22 Fungsi Kendala 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 waktu yang sama.

23 Uji coba program Tampilan GUI Program

24 Data Simulasi Hasil

25 Data yang di ambil dari TA Adib Shururi Hasil

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 berturutturut 0.85, 0.05 memberikan solusi yang optimum. Untuk lebih jelasnya, hasil keseluruhan yang dilakukan pada penelitian ini ditunjukkan pada Tabel 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 probabilitas mutasi 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 sebelumnya adalah 78.6.

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 [3] Drira, A., Pierreval, H., Hajri-Gabouj, S Facility layout problems: A survey. Annual Reviews in Control, Volume 31, Issue 2, Pages [4] Tarn, K.Y.1991.Genetic algorithms, function optimization,and facility layout design. European Journal of Operational Research, Volume 63, Issue 2, Pages [5] Shururi, A 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 Genetic Algorithm Approach for Solving a Cell Formation Problem in Cellular Manufacturing. Expert Systems with Applications, Volume 36, Issue 3, Part 2, Pages [7] Wu, X., Chu,C.H., Wang, Y., Yan, W A genetic algorithm for cellular manufacturing design and layout. European Journal of Operational Research, Volume 181, Issue 1, Pages [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 [9] Muthing, M, Onwubulu, G.C. Integrated Cellular Manufacturing Design And Layout Using Group Genetic Algorithm. HITAL. Toronto. [10 Suyanto Algoritma Genetika dengan Matlab. Andi.