Latar Belakang
Proses penjadwalanproduksi ataupun manufaktur dalam dunia industri merupakan hal yang sangat penting untuk diperhatikan. Pada dasarnya kegiatan Proses produksi dalam suatu Perusahaan manufaktur ataupun Jasa akan berjalan lancar jika penyusunan jadwal sesuai dengan kebutuhan, serta kondisi di suatu lantai produksi tersebut. Proses penjadwalan di PT NAKAYAMA dilakukan secara continue dan merupakan hal yang rumit untuk dikerjakan secara manual. Selain itu penjadwalan yang manual akan memakan waktu yang lama karena banyaknya faktor yang harus dipertimbangkan.
Faktor-faktor tersebut
antara lain adalah jumlah bahan baku yang disediakan, jumlah stasiun kerja,
jumlah karyawan produksi, serta kebutuhan konsumen dan instansi lainnya juga
menjadi pertimbangan dalam suatu penjadwalan. Misalnya, karyawan tidak boleh berkerja
penuh dalam sehari, sehingga karyawan harus diberikan jeda atau waktu untuk
beristirahat.
Distribusi jadwal proses
produksi diharapkan dapat merata setiap harinya untuk setiap stasiun kerja dan
merata juga untuk pembagian bahan baku agar tidak menumpuk jadwal produksinya
dalam satu hari. Misalkan dalam satu hari bahan baku yang dianjurkan maksimal 2
kali atau sesuai peraturan yang diberikan oleh pihak perusahaan.
Selain itu sebuah jadwal
dibentuk sedemikian rupa agar bahan baku tidak berhenti pada stasiun lainnya
yang berbeda pada hari dan jam yang sama. Sebuah penjadwalan dikatakan baik
apabila dapat memberikan solusi terhadap faktor-faktor tersebut, tentu saja
tidak semua sistem penjadwalan memiliki permasalahan yang sama, karena
disesuaikan dengan kebutuhan instansi ataupun tempat yang akan dilakukan
penjadwalan.
Permasalahan di atas
biasanya terjadi di Stasiun Pengecoran dan Peleburan Baja. Dari
permasalahan-permasalahan tersebut diharapkan terdapat sistem yang mampu
memecahkan setiap detail masalah yang muncul dalam proses penjadwalan di
Stasiun Pengecoran dan Peleburan Baja. Banyak metode yang dapat digunakan dalam
menyelesaikan masalah penjadwalan seperti metode tabu search (Betrianis
& Aryawan, 2003), metode particle swarm optimization (Wati & Rochman,
2013), metode algoritma genetika (Sam'ani, 2012) serta metode optimasi koloni
semut dan optimasi fuzzy (Ramadhan & Hamsi, 2013).
Dalam penelitian ini
penulis akan menggunakan metode Algoritma Genetika untuk memecahkan masalah
penjadwalan ini. Algoritma genetika merupakan salah satu metode optimasi yang
kuat dan bisa digunakan pada berbagai macam studi kasus, baik kasus yang
sederhana hingga kasus yang rumit karena menggunakan prinsip teori evolusi
(Pradnyana, Sunaryono, & Munif, 2012). Penggunaan metode algoritma genetika
pada penelitian ini diharapkan dapat membantu mengoptimalkan dan memenuhi
segala permasalahan dalam penjadwalan produksi.
Selain itu dapat membuat
sistem melakukan proses penjadwalan secara otomatis. Berdasarkan latar belakang
di atas, maka penulis berusaha merancang sebuah sistem penjadwalan menggunakan
metode algoritma genetika dan mengangkatnya menjadi sebuah penelitian yang
berjudul Sistem Penjadwalan Produksi Spareparts Menggunakan Algoritma
Genetika di PT NAKAYAMA.
Rumusan Masalah
Berdasarkan latar
belakang yang telah dikemukakan, maka bisa dirumuskan masalah sebagai berikut:
- Bagaimana menerapkan metode algoritma genetika untuk menyelesaikan masalah optimasi penjadwalan produksi spareparts?
- Bagaimana menentukan representasi kromosom yang paling efisien untuk permasalahan optimasi penjadwalan produksi spareparts?
- Bagaimana parameter algoritma genetika yang paling optimal untuk menyelesaikan masalah optimasi penjadwalan produksi spareparts?
Batasan Masalah
- Batasan masalah yang akan dijadikan sebagai pedoman dalam pelaksanaan penelitian ini adalah sebagai berikut:
- Jenis produksi hanya terbatas pada spareparts otomotif dan kelompok sparepart yang ada diminta oleh pasar.
- Parameter masukan berupa proses produksi, bahan baku dan jenis produk jadinya yang dipilih untuk diproses menggunakan algoritma genetika sehingga dihasilkan output berupa rekomendasi komposisi jenis produk beserta proporsi proses produksi dan prediksi keuntungan.
- Data yang dijadikan perhitungan dalam optimasi adalah data kuantitatif meliputi biaya produksi, bahan baku minimal dan hasil produksi pada masing-masing produk.
Tujuan dan Manfaaat Penelitian
1. Tujuan
Dari uraian pada latar
belakang dan batasan masalah, maka tujuan dari penelitian ini adalah:
- Mengimplementasikan algoritma genetika untuk merekomendasikan proporsi proses produksi yang optimal untuk penjadwalan produksi spareparts.
- Mengetahui representasi kromosom yang efisien untuk permasalahan optimasi penjadwalan produksi spareparts.
- Menganalisa dan menguji penerapan algoritma genetika untuk optimasi penjadwalan produksi spareparts.
2. Manfaat
Hasil dari penelitian ini
diharapkan dapat membantu proses penjadwalan produksi spareparts yang
dilakukan di PT NAKAYAMA agar lebih cepat dan mempermudah pembuatan
jadwal produksi, selain itu bahan baku tidak akan squencing dalam
sehari penuh dan para karyawan tidak dijadwalakan berurutan dalam sehari maka
jadwal yang dihasilkan dapat memberikan jeda waktu karyawan dan permesinan
dalam aktifitas proses produksi tersebut.
Tinjauan Pustaka
1. Algoritma Genetika
Algoritma Genetika (GA)
digunakan untuk mengoptimasi parameter yang optimal dengan ruang lingkup yang
besar, dengan pemilihan para-meter yang tepat algoritma genetika akan lebih
optimal (Wang et al., 2013). Algoritma genetika memiliki kelemahan yaitu
pemilihan parameter yang salah dapat mengurangi akurasi yang dihasilkan.
Permasalahan yang sering
dihadapi oleh algoritma genetika adalah memperoleh solusi optimal setelah
serangkaian melakukan perulangan, tetapi kejadian ini dapat dihindari dengan
memilih nilai-nilai parameter yang tepat. GA adalah menemukan popularitas
sebagai alat desain karena fleksibilitas, intuitif dan kemampuan untuk
memecahkan sangat non-linear, optimasi mixed integer masalah
(Khoshahval et al., 2011). Algoritma Genetika digunakan untuk meng-optimasi
parameter yang optimal dengan ruang lingkup yang besar, dengan pemilihan
parameter yang tepat algoritma genetika akan lebih optimal (Wang et al., 2013).
Algoritma genetika
merupakan evolusi/perkembangan dunia komputer dalam bidang kecerdasan
buatan (artificial intelligence). Sebenarnya kemunculan
algoritma genetika ini terinspirasi oleh teori evolusi Darwin (walaupun pada
kenyatanya teori tersebut terbukti keliru) dan teori-teori dalam ilmu biologi,
sehingga banyak istilah dan konsep biologi yang digunakan.
Karena itu sesuai dengan
namanya, proses-proses yang terjadi dalam algoritma genetika sama dengan apa
yang terjadi pada evolusi biologi. Algoritma genetika merupakan teknik
pencarian nilai optimum secara stochastic berdasarkan mekanisme
seleksi alam. Algoritma genetika berbeda dengan teknik konvergensi konvensional
yang lebih bersifat deterministic.
Metodenya sangat berbeda
dengan kebanyakan algoritma optimasi lainnya, yaitu mempunyai ciri-cirinya
sebagai berikut:
- Menggunakan hasil pengkodean dari parameter, bukan parameter itu
- sendiri.
- Bekerja pada populasi bukan pada sesuatu yang unik.
- Menggunakan nilai satu-satunya pada fungsi dalam prosesnya. Tidak
- mengunakan fungsi luar atau pengetahuan luar lainnya.
- Menggunakan fungsi transisi probabilitas, bukan sesuatu yang pasti
Alogritma genetika berbeda dengan teknik pencarian konvensional, dimana pada
algoritma genetika kondisi diawali dengan setting awal solusi acak
yang disebut populasi. Tiap individu dalam populasi disebut kro-mosom, yang
mempresentasikan suatu solusi atas permasalahan. Kromosom berevolusi melalui
iterasi berkelanjutan, yang disebut generasi. Selama tiap generasi, kromosom
dievaluasi menggunakan beberapa ukuran fitness.
Untuk menghasilkan
generasi berikutnya, kromosom baru yang disebut offspring, dibentuk
baik melalui penyatuan dua kromosom dari generasi awal menggunakan operator
perkawinan silang (crossover) atau memodifikasi kromosom menggunakan operator
mutasi (mutation). Suatu generasi baru dibentuk melalui proses seleksi beberapa
induk (parents) dan anak (offspring), sesuai dengan nilai fitness, dan
melalui eliminasi kro-mosom lainya agar ukuran populasi tetap konstan. Kromosom
yang sesuai memiliki kemungkinan tertinggi untuk dipilih. Setelah beberapa
generasi, algoritma menghasilkan kromosom-kromosom terbaik yang diharapkan
mewakili solusi optimal atau sub optimal atas permasalahan.
Komponen-Komponen Algoritma Genetika
Ada beberapa komponen
dalam algoritma genetika, yaitu:
Inisialisasi
populasi awal
merupakan suatu metode untuk menghasilkan kromosom-kromosom awal. Jumlah
individu pada populasi awal meru-pakan masukan dari pengguna. Setelah jumlah
individu pada populasi awal ditentukan, dilakukan inisialisasi terhadap
kromosom yang ter-dapat pada populasi tersebut. Inisialisasi dilakukan secara
acak, namun tetap memperlihatkan domain solusi dan kendala permasalahan yang
ada.
Fungsi
evaluasi dalam
algoritma genetika merupakan sebuah fungsi yang memberikan penilaian kepada
kromosom (Fitnes value) untuk dijadikan suatu acuan dalam mencapai
nilai optimal pada algoritma genetika. Nilai Fitness ini kemudian
menjadi nilat bobot suatu kromosom. Ada dua hal yang harus dilakukan dalam melakukan
evaluasi kromosom, yaitu: evaluasi fungsi objektif, fungsi tujuan dan konversi
fungsi objektif dengan nilai yang tidak negatif, jika ternyata nilai fungsi
objektif bernilai negatif maka perlu ditambahkan suatu konstanta x agar
nilai fitness yang terbentuk tidak bernilai negatif. Pada evolusi
alam individu yang bernilai fitness tinggi yang akan bertahan hidup.
Sedangkan individu yg bernilai fitness rendah akan mati. Bias
dibangkitkan dengan persamaan (1)
Pada
masalah optimasi,
jika solusi yang akan dicari adalah memaksimalkan fungsi h (dikenal sebagai
masalah makasimasi) sehingga nilai fitness yang digunakan adalah nilai
dari fungsi h tersebut, yakni f=h (di mana f adalah nilai fitness).
Tetapi jika masalahnya adalah meminimalkan fungsi h (masalah minimasi), maka
fungsi h tidak bisa digunakan secara langsung. Hal ini disebabkan adanya aturan
bahwa individu yang memiliki nilai fitness tinggi lebih mampu
bertahan hidup pada generasi berikutnya. Oleh karena itu nilai fitness yang
bisa digunakan adalah f=1/h, yang artinya semakin kecil nilai h,
semakin besar nilai f. tetapi hal ini akan menjadi masalah jika h
bisa bernilai 0, yang mengakibatkan f bisa bernilai tak hingga. Untuk
mengatasinya, h perlu ditambah sebuah bilangan yang dianggap kecil [0-1]
sehingga nilai fitness dapat ditunjukkan dengan persamaan. (2)
Fitness = 1/(1 + a)
atau,
Fitness = 1/(1 +
total kesalahan) (2)
Dapat ditunjukkan pada
persamaan (3)
Fitness = (L* αi * Penalti
1 – αi penalti 2 (3)
Keterangan:
L =
Luas lahan produksi yang dimiliki
Xi =
proporsi luas Stasiun kerja[i]
K[i] =
Keuntungan Mesin Produksi ke [i]
1 =
Konstanta 1
dengan a adalah bilangan
yang kecil dan bervariasi [0-1] sesuai dengan masalah yang akan diselesaikan [1
1]. Oleh karena itu fungsi fitness menjadi masalah atau penentu utama
keberhasilan algoritma genetika. Pada penelitian ini batasan atau constrain dalam
penyusunan jadwal produksi yang dijadikan fungsi objektifnya yaitu meminimumkan
penumpukan pada proses produksi terhadap constrain yang telat
ditentukan. Nilai fitness inilah yang nantinya akan digunakan
pada tahap seleksi berikutnya (Kusumadewi, 2003).
Seleksi
merupakan proses
pemilihan orang tua untuk reproduksi (biasanya didasarkan pada nilai fitness).
Pada tahap ini menjadi : Total nilai fitness = nilai fitness k1
+ nilai fitness k2 +...+ n dengan n = jumlah kromosom yang ditentukan
dan k = kromosom. Dapat ditunjukkan pada persamaan (4)
dengan n = jumlah
kromosom yang ditentukan.
Interval nilai [0-1] =
probabilitas kromosom 1 + probabilitas kromosom 2
Pindah
silang atau crossover adalah
sebuah proses yang membentuk kromosom baru dari dua kromosom induk dengan
menggabungkan
bagian informasi dari
masing-masing kromosom. Crossover meng-hasilkan kromosom baru yang
disebut kromosom anak (offspring). Crossover bertujuan untuk menambah
keanekaragaman string dalam satu populasi dengan penyilangan antar string yang
diperoleh dari reproduksi sebelumnya. Pindah silang juga berakibat buruk jika
ukuran populasinya sangat kecil.
Untuk mengatasi masalah
ini digunakan suau bahwa pindah silang hanya bisa dilakukan dengan probabilitas
tertentu (probabilitas crossover). Artinya pindah silang bias dilakukan
hanya jika suatu bilangan random [0-1] yang dibangkitkan kurang dari
probabilitas crossover (Pc) yang ditentukan. Pada umumnya Pc diset
mendekati 1, misalnya 0,8 [1 1].
Probabilitas crossover (Pc) bertujuan untuk mengendalikan
operator crossover. Jika n adalah banyaknya string pada
populasi, maka sebanyak (Pc) x n string akan mengalami crossover.
Semakin besar nilai (Pc), semakin cepat pula string baru muncul dalam
populasi. Dan juga jika (Pc) terlalu besar, string yang merupakan
kandidat solusi terbaik mungkin dapat hilang lebih cepat pada generasi
berikutnya.
Dan dapat dibangkitkan
dengan persamaan (5)
C1 = P1 + α (P2 –
P1)
C2 = P2 + α (P1 –
P2) (5)
Mutasi
merupakan proses
mengubah secara acak nilai dari satu atau beberapa gen dalam suatu kromosom.
Mutasi adalah operator algoritma genetika yang bertujuan untuk membentuk
individu-individu yang baik atau memiliki kualitas diatas rata-rata. Selain itu
mutasi dipergunakan untuk mengembalikan kerusakan materi genetik akibat
proses cross-over. Pada mutasi terdapat satu parameter yang sangat
penting, yaitu probabilitas mutasi (Pm) yang bertujuan untuk mengendalikan
operator mutasi.
Probabilitas mutasi
didefinisikan sebagai persentasi dari jumlah total gen dalam populasi yang akan
mengalami mutasi. Disetiap generasi diperkirakan terjadi mutasi sebanyak (Pm) x
n string. Pada seleksi alam murni, mutasi jarang sekali muncul sehingga
probabilitas mutasi yang digunakan umumnya kecil, lebih kecil dari
probabilitas crossover. Pm biasanya diset antara [0-1], misalnya 0.1
[1 1]. Misalkan offspring yang terbentuk adalah 100 dengan jumlah gen
setiap kro-mosom adalah 4 dan peluang mutasi adalah 0.10, maka diharapkan
terdapat 40 kromosom dari 400 gen yang ada pada populasi tersebut akan
mengalami mutasi.
Dapat ditunjukkan pada
persamaan (6)
X’i = X’i +
r (max i – min j) (6)
Metode Penelitian
Metodologi penelitian
merupakan rangkaian tahapan penelitian yang tersusun secara sistematis. Tujuan
dari metodologi penelitian adalah agar pelaksanaan penelitian mendapatkan hasil
yang sesuai dengan tujuan penelitian.
Rangkaian
tahapan yang akan dilakukan adalah sebagai berikut:
1. Tempat dan Waktu Penelitian
Penelitian ini dilakukan
di PT NAKAYAMA, Jln. Brajan No 12 Wonokromo, Bantul, Yogyakarta, mulai bulan
Februari sampai Juni 2016.
2. Metode Penelitian
Penelitian dilakukan
dengan berbagai metode, mulai dari wawancara, analisis metode pemodelan,
inisialisasi parameter, desain masalah, studi pustaka dan pengolahan data.
3. Metode Wawancara
Merupakan metode
pengumpulan data langsung dengan memberi pertanyaan kepada beberapa orang guna
mendapatkan data peneltian awal. Salah satu diantaranya adalah bagian HRD (Human
Resources Development) atau Personalia Kepegawaian dari PT NAKAYAMA.
Wawan-cara ini dilakukan guna melakukan validasi awal untuk membuat
inisialisasi parameter yang akan dijadikan sebagai metode pemodelan untuk
desain masalahnya.
Analisis Metode Pemodelan
1. Pengkodean Kromosom
Kromosom yang akan
dihasilkan dari penelitian ini meru-pakan representasi dari jadwal mingguan di
PT NAKAYAMA, Pada data kromosom dapat dilihat bahwa terdapat sejumlah n
karyawan yang akan dijadwalkan yaitu P1, P2,…Pn. Dalam penjadwalan ini akan
digunakan pola mingguan yang terdiri atas 6 hari (hari Senin sampai Sabtu).
Penentuan
fungsi fitness, Fungsi fitness digunakan
untuk mengukur ketangguhan setiap kromosom di dalam suatu populasi.
Fungsi fitness merupakan ukuran kinerja dari suatu individu agar
tetap bertahan hidup yaitu mengukur kelayakan sebuah kromosom untuk dipelihara
atau ditiadakan. Fungsi fitness harus memperhatikan pada fungsi
objektifnya. Pada penelitian ini fungsi objektifnya adalah meminimalkan penalty yang
dihasilkan oleh pelanggaran terhadap batasan yang telah ditentukan.
Inisialisasi Parameter
1. Penentuan Parameter Genetika
Jumlah populasi (pop_size)
merupakan angka yang menu-njukkan jumlah kromosom.
Jumlah generasi (max_gen)
merupakan angka yang menun-jukkan jumlah generasi yang diproses
Probabilitas crossover (Pc)
menunjukkan kemungkinan kromo-som dalam satu populasi untuk melakukan pindah
silang.
Probabilias mutasi (Pm)
digunakan untuk menunjukkan kemungkinan banyak gen yang akan mengalami mutasi
Tahap Inisialisasi
(Pembentukan Populasi Awal) Teknik peng-kodean yang digunakan pada TSPPC
adalah konsep peng-kodean dengan bilangan bulat. Pada pengkodean ini setiap
struktur kromosom merupakan sebuah string bilangan bulat dari 1
sampai banyaknya titik. Misalkan pada tiap kro-mosom berisi 7 gen, maka
pengkodean gen pada kromosom dapat diperlihatkan.
Tipe Penelitian
Tipe penelitian ini
adalah diskriptif yang bertujuan untuk memberikan gambaran mengenai kondisi
stasiun produksi yang terjadi di PT NAKAYAMA sekarang ini, dukungan dan potensi
yang ada dalam pengembangan model sistematik penjadwalan, berbagai kendala yang
dihadapi oleh karyawan baik yang bersifat teknis maupun manajerial dan upaya
pengembangan lebih lanjut mengenai penjadwalan produksi di PT NAKAYAMA.
Studi Literatur Data Sekunder
Data sekunder diperoleh
dengan mengumpulkan sumber tertulis atau dokumen dari Kantor PT NAKAYAMA, Surat
Usaha, Dinas Per-industrian, dan dari berbagai buku pustaka yang ada kaitan
dengan penelitian ini.
Teknik Pengumpulan Data
Data penelitian diperoleh
melalui observasi dan dokumentasi, wawancara mendalam dan data sekunder yang
ada. Observasi dan dokumentasi dilakukan untuk memperoleh gambaran mengenai
kondisi umum mengenai desain masalah yang ada di PT NAKAYAMA. Wawancara mendalam
dilakukan untuk mengetahui lebih jauh mengenai kondisi permasalahan optimasi
penjdwalan produksi spareparts, baik mengenai potensi, dukungan yang
ada dan berbagai kendala yang ada dan untuk melakukan validasi terhadap hasil
pengumpulan.
Wawancara mendalam
dilakukan terhadap Kepala bagian Supervisor beberapa ang-gota Kepala Produksi,
pejabat dari dinas/instansi terkait di PT NAKAYAMA. Data sekunder untuk
melengkapi gambaran umum mengenai kondisi penjadwalan produksi yang berasal
dari berbagai data dan dokumentasi yang sudah ada.
Teknik Analisis Data
Analisis adalah suatu
proses penyusunan data agar dapat ditafsirkan. Analisis yang digunakan terhadap
data yang diperoleh dalam penelitian kualitatif ini adalah menggunakan analisis
data secara induktif. Proses analisis data dimulai dengan menelaah seluruh data
yang dihimpun melalui wawancara dan observasi lapangan maupun dokumen resmi
dari beberapa instansi terkait dengan penelitian.
Setelah ditelaah dan
dipelajari kemudian digenerasikan ke dalam suatu kesimpulan yang bersifat umum
yang didasarkan atas fakta-fakta yang empiris tentang lokasi penelitian. Tahap
terakhir dari analisis data adalah mengadakan pemeriksaan keabsahan data. Dalam
penelitian ini digunakan teknik pengumpulan populasi dan parameter pemodelan
dan parameter pengkodean dengan sumber yaitu dengan membandingkan dan mengecek
balik derajat kepercayaan suatu informasi yang diperoleh.
Jadwal Penelitian
Tabel
7.1 Jadwal Penelitian
No |
Kegiatan |
Februari |
Maret |
April |
Mei |
Juni |
|||||||||||||||
1 |
Menentukan Tema dan
Identifikasi Masalah |
||||||||||||||||||||
2 |
Menentukan Lokasi
Penelitian |
|
|||||||||||||||||||
3 |
Pengurusan Izin |
||||||||||||||||||||
4 |
Penyusunan Instrumen |
||||||||||||||||||||
5 |
Pengumpulan Data |
||||||||||||||||||||
6 |
Pengolahan dan Analisis
Data |
||||||||||||||||||||
7 |
Penyusunan Proposal
Penelitian |
||||||||||||||||||||
8 |
Penyajian Proposal |
|
|||||||||||||||||||
9 |
Pengumpulan Laporan
Proposal |
||||||||||||||||||||
10 |
Seminar dan Ujian
Proposal |
Daftar Pustaka
- Afandi, Fachrudin. “Penerapan Algoritma Genetika Untuk Masalah Penjadwalan Job Shop pada Lingkungan Industri Pakaian”. Skripsi Sarjana, Fakultas Teknologi Informasi Institut Teknologi Sepuluh November (ITS), Surabaya, 2009.
- Buliali, JL, Herumurti. D, Wiriapraja, .G. 2008. “Penjadwalan mata kuliah dengan menggunakan algoritma genetika dan constraint satisfaction”. Jurnal Teknik Industri, Surabaya.
- Fadlisyah, Arnawan, Faisal. Algoritma Genetika. Graha Ilmu, Yogyakarta, 2009.
- Janata, Ari. “Sistem Penjadwalan Outsourcing Menggunakan Algoritma Genetika (Studi Kasus : PT. Syarikatama)”. Jurnal CoreIT, Vol.1, No.2, Pekanbaru, Desember 2015
- Tasidjawa, Arens F. “Analisa Sistem Informasi Atma Jaya Yogyakarta (Siatma) Dengan Mengunakan Model Kesuksesan Delone Mclean”. Skripsi, Fakultas Teknologi Industri Universitas Atma Jaya Yogyakarta, Yogyakarta, 2015
- Uktaviya, Rina. 2012. Penerapan Metode Pindah Silang Cycle Crossover (CX) Untuk Travelling Salesman Problem (TSP). Skripsi tidak diterbitkan. Malang: Universitas Negeri Malang.