Professional Documents
Culture Documents
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. 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
2.2
Penjadwalan
Algoritma Genetika
dengan
gen
Processing Time
(hari)
A
5
B
10
C
2
D
8
E
6
Penjadwalan dengan aturan FCFS, hasilnya
adalah sebagai berikut:
Produksi
Gambar kromosom
locus
kromosom
Job
Gambar 1 Kromosom
Gen
locus
4
Job 4 pada locus 1
Start
Time
0
Processing
Time
5
10
2
8
6
31
Completion
Time
5
15
17
25
31
93
18,6
Flow
Time
5
15
17
25
31
93
18,6
Evaluasi
Seleksi
Fitness
Individu
Job
J1
J2
J3
J4
J5
J6
J7
Reproduksi:
Crossover
Populasi
Baru
Dan Mutasi
M1
200
220
220
200
200
220
200
Kecepatan Mesin
(meter per menit)
M2
M3
200
200
200
200
200
200
200
200
200
200
200
200
200
200
M4
150
150
150
150
150
150
150
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.
Color
C
7
30
500
300
169000
300
500
170
95000
300
500
124
69000
30
700
160
120000
450
700
102
80000
30
700
100
78000
Ji
Article
Size
(ml)
15
Qty Meter
(meter)
140000
Keterangan: Ji
= job keQty = Jumlah
Qty M = Jumlah meter
Tabel 4 Mesin-Mesin yang Digunakan untuk
Pengerjaan Pesanan Prioritas
Kode
Mesin
Jumlah
Mesin
GR-601
GR-701
LRM-02
LMD-02
BC-04
Mesin
Gravure Printing
Bobbin Cutting
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
perhitungannya
adalah
sebagai
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
Kromosom
Sub Populasi 1
Ms
MFT
1/fitness
4-7-6-3-5-1-2
10194,50
7614,21
5,615E-05
4-7-6-3-5-1-2
10194,50
7614,21
5,615E-05
MFT
4-7-6-3-5-1-2
10194,50
7614,21
5,615E-05
4-7-6-3-5-1-2
10194,50
7614,21
5,615E-05
Sub Populasi 1
Ms
4-6-7-3-5-1-2
10194,50
7623,57
6-4-7-3-5-1-2
10213,14
7696,14
4-7-6-3-5-1-2
10194,50
7614,21
5,615E-05
7614,21
4-7-6-3-5-1-2
10194,50
7614,21
5,615E-05
4-7-6-3-5-1-2
10194,50
7614,21
5,615E-05
4-7-6-3-5-1-2
10194,50
4-6-3-7-5-1-2
10194,50
7656,00
4-6-7-5-3-1-2
10194,50
7693,86
Kromosom
Sub Populasi 2
Ms
MFT
1/fitness
4-7-6-3-5-1-2
10194,50
7614,21
5,615E-05
4-6-7-3-1-5-2
10194,50
7685,00
4-6-7-3-5-2-1
10334,50
7707,79
4-7-6-3-5-1-2
10194,50
7614,21
5,615E-05
4-7-6-3-5-1-2
10194,50
7614,21
5,615E-05
4-7-6-3-5-1-2
10194,50
7614,21
5,615E-05
4-6-7-3-5-1-2
10194,50
7623,57
5,612E-05
4-6-7-3-5-1-2
10194,50
7623,57
5,612E-05
4-6-7-3-5-1-2
10194,50
7623,57
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.
0.000058
0.000056
0.000054
0.000052
0.00005
0.000048
Generasi 0
fitness
9 10
Perusahaan (FCFS)
Algoritma Genetika
Urutan Job
J1-J2-J3-J4-J5-J6-J7
J4-J7-J6-J3-J5-J1-J2
Makespan
10991,5 menit
10194,5 menit
9331,57 menit
7614,23 menit
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. 2003. Algoritma Genetika: Suatu
Alternatif Penyelesaian Permasalahan
Searching, Optimasi dan Machine
Learning. Politeknik Elektronika Negeri
Surabaya.
PENS-ITS.
Surabaya.
http://www.eepisits.edu/~basuki/lecture/
AlgoritmaGenetika.pdf.
Buffa, E. S dan Sarin R. K. 1996. Manajemen
Operasi dan Produksi Modern. Jilid 1.
Binarupa Aksara.
Djunaidy, A. dkk. Simulasi Penjadwalan JobShop Dinamis Dengan Menggunakan
Algoritma Genetika. Fakultas Teknologi
Informasi-ITS. Surabaya.
http://www.si.its.ac.id/penelitian/jurnal
/eka_aditya.pdf.
Elsayed, A. 1990. Analysis and Control of
Production
Systems.
Prentice-Hall
International Edition. New Jersey.
Ginting, R. 2009. Penjadwalan Mesin. Edisi
Pertama. Graha Ilmu. Yogyakarta.
Lukas, S. dkk. 2005. Penyelesaian Masalah
Penugasan dengan Algoritma Genetika
Teknik Cycle Crossover. Jurnal Ilmiah
Ilmu Komputer. Vol. 3 Nomor 2. Jakarta.
Purwanto, A. 2003. Algoritma Genetika
sebagai Alternatif Proses Pencarian dan
Optimasi.
Jurnal
Komputer
dan
Informatika. Vol. 4 Nomor 1. Fakultas
Teknologi Informatika. Universitas
Tarumanegara. Jakarta.