Evaluasi Kinerja Optimasi Ant Colony berdasarkan Strategi

Solusi terhadap Masalah Keseimbangan Lintasan Model Mixed

1. Pendahuluan
Lini perakitan pertama kali diciptakan untuk menghasilkan berbagai produk
yang memiliki volume tinggi. Perusahaan memungkinkan biaya produksi yang
rendah, mengurangi waktu siklus dan meningkatkan kualitas yang akurat dan
tinggi. Hal ini sangant penting bagi perusahaan dimana perusahaan bisa
mendapatkan keuntungan jika perusahaan tersebut ingin tetap kompetitif. Di sisi
lain, keadaan pasar saat ini, yang intensif, kompetitif dan konsumen yang sentris,
memaksa produsen untuk memproduksi satu model dengan fitur yang berbeda.
Oleh karena itu, karena tingginya biaya pembangunan dan memelihara jalur
perakitan untuk masing-masing model, perusahaan manufaktur memproduksi satu
model dengan fitur yang berbeda atau beberapa model pada jalur perakitan
tunggal. Jenis jalur perakitan yang digambarkan untuk waktu yang pertama
disebut model jalur perakitan campuran.
Berdasarkan literatur yang relevan dan terbukti, masalah keseimbangan di
jalur perakitan model campuran diklasifikasikan menjadi dua kelompok, model
campuran masalah keseimbangan perakitan (Mixed Model Assembly Line
Balancing Problems) tipe I dan tipe II, disingkat dengan MMALBP-I dan
MMALBP-II. Masing-masing MMALBP-II (masing-masing MMALBP-I) terdiri
dari tugas-tugas untuk workstation sedemikian rupa sehingga hubungan
didahulukan dari masing-masing model dan siklus waktu (masing-masing jumlah
workstation) yang dapat diminimalkan untuk memberikan jumlah workstation
(masing-masing waktu siklus) dan model M diberikan, kumpulan tugas yang
terkait dengan masing-masing model, waktu kinerja tugas, dan himpunan relasi
diutamakan untuk tugas masing-masing model. Kedua versi masalah ini adalah
NP keras.
Solusi strategi untuk MMALBP-II dapat diklasifikasikan ke dalam dua
kelompok yaitu pemecahan iteratif dan pemecahan pendekatan langsung.
Sedangkan pendekatan solusi iteratif mencoba untuk mendapatkan solusi untuk

memecahkan MMALBP-I untuk beberapa kali siklus kerja, pendekatan solusi

secara langsung mencoba untuk mendapatkan solusi langsung. Solusi pendekatan
iteratif menjelajahi dualitas masalah hubungan kapal antara tipe I dan tipe II. Oleh
karena itu, berkat solusi strategi iteratif, setiap upaya untuk memecahkan masalah
tipe I dapat dengan mudah diterapkan untuk menbagi masalah II. Solusi
pendekatan iterative untuk memeriksa apakah tugas layak direalisasikan untuk
siklus uji coba waktu iterasi ini. Cara buatan semut yang membangun jalur
perakitan untuk keseimbangan jalur perakitan yaitu setiap semut memilih tugas
untuk menggunakan prosedur yang ditugaskan. Di sisi lain, diusulkan pendekatan
optimalisasi sebuah koloni semut hibrida yang disebut beam ant colony
optimization (ACO) untuk jenis perakitan sederhana untuk jalur penyeimbangan
masalah (SALBP-I ). Tujuannya adalah untuk belajar efek pheromone dengan
menerapkan beam ACO. Studi menunjukkan bahwa komputasi pheromone yang
mutakhir untuk membuat algoritma itu lebih kuat dan lebih cepat. Kesimpulan
komentar untuk mendorong upaya dalam studi saat ini dalam membandingkan
lokal dan global pheromone adalah dengan memperbarui peraturan. Dalam
literatur terdapat prosedur heuristik dan metaheuristik yang menggunakan metode
berulang. Pendekatan solusi hanya pada tipe masalah keseimbangan perakitan
sederhana/Simple Assembly Line Balancing Problem (SALBP-II). SALBP adalah
versi dasar dari masalah keseimbangan jalur perakitan. Hanya satu jenis produk
diproduksi pada baris yang berulang dengan waktu siklus yang tetap, waktu
pengolahan deterministik, tidak ada pembatasan tugas, tata letak serial, stasiun
satu sisi, dan stasiun sama-sama dilengkapi dan tingkat peluncuran yang tetap.
Tipe SALBP-I mencoba untuk meminimalkan jumlah workstation untuk
penambahan waktu siklus, sedangkan tipe II SALBP mencoba untuk
meminimalkan waktu siklus untuk sejumlah workstation tertentu.
Hackman, Magazine, dan Wee mengembangkan prosedur yang telah
ditetapkan oleh batas ketat embedding dalam prosedur heuristik untuk masalah
tipe I. Papachritou mengembangkan prosedur heuristik dua tahap. Pada tahap
pertama sebuah solusi awal diperoleh, dan kemudian tahap kedua mencoba untuk
memperbaiki solusi awal tersebut. Liu, Ong, dan Huang mengajukan prosedur dua

arah yang bertujuan untuk mendapatkan solusi awal dan meningkatkan solusi
awal dengan prosedur perdagangan dan transfer. Prosedur heuristik Nearchou
didasarkan pada metode evolusi diferensial. Boysen dan Fliedner hadir dengan
grafik heuristik algoritma berbasis dua tahap dan algoritma koloni semut untuk
menyelesaikan semua versi SALBP. Algoritma genetika digunakan oleh Anderson
dan Ferris dan Kim, Kim, dan Cho untuk memecahkan SALBP-II. Algoritma ini
meminimalkan waktu siklus dengan menghaluskan beban kerja antara nomor
yang telah ditentukan oleh stasiun kerja. Scholl mengembangkan prosedur
perbaikan heuristik untuk SALBP-II yang dikombinasikan dengan prosedur tabu
search. Prosedur untuk meningkatkan solusi layak awal dengan menerapkan
pergeseran dan gerakan swap. Nearchou mengusulkan metode baru, berdasarkan
optimasi PSO untuk SALBP-II dengan tujuan memaksimalkan tingkat produksi
(meminimalkan waktu siklus ekuivalen) dan memaksimalkan beban kerja. SeyedAlagheband, Fatemi Ghomi, dan Zandieh mengusulkan algoritma simulated
annealing untuk SALBP-II dengan setiap pengaturan tergantung urutan antara
tugas-tugas.
Dalam model ini, tujuannya adalah untuk meminimalkan dua fungsi objektif
secara bersamaan. Tujuan pertama fungsi ini adalah untuk meminimalkan waktu
siklus (C), untuk sejumlah operator yang telah ditetapkan (S) dalam jalur
perakitan. Jumlah workstation di jalur perakitan adalah sama dengan jumlah
operator (S). Namun, jika beberapa operator melakukan tugas yang sama dalam
workstation yang berbeda, jumlah workstation yang berbeda mungkin lebih kecil
dari jumlah workstation. Oleh karena itu, panjang garis panjang digunakan untuk
menentukan jumlah workstation yang berbeda di jalur perakitan. Karena sifat
masalah model campuran, waktu pengolahan tugas mungkin bervariasi dari satu
model ke model lain dan, dengan demikian beban kerja yang ditugaskan untuk
workstation juga dapat bervariasi dari satu model ke model lain. Untuk campuran
model perakitan yang seimbang diperlukan untuk setiap operator dalam
melakukan dugaan jumlah pekerjaan yang sama untuk masing-masing model yang
dirakit. Dalam konteks ini, fungsi tujuan kedua, B, berkaitan dengan
menghaluskan keseimbangan beban kerja dalam setiap workstation.

Seperangkat kendala menghitung panjang garis. Dalam set kendala ini, M

adalah bilangan bulat positif yang sangat besar. Kendala zonasi positif memaksa
petugas yang ditugaskan ke workstation yang sama untuk didefinisikan oleh
seperangkat kendala. Seperangkat kendala untuk mendefinisikan kendala zonasi
negatif, yang melarang penetapan pasangan tugas ke workstation yang sama.
Akhirnya, seperangkat kendala mendefinisikan variabel keputusan domain.
Namun, sejumlah besar kendala dan variabel biner mencegah model matematis
yang sedang diselesaikan secara kontinyu untuk dunia nyata MMALBP-II. Oleh
karena itu, algoritma heuristic dan metaheuristic telah dikembangkan untuk
berurusan dengan MMALBP-II. Pada bagian berikut algoritma metaheuristic
disajikan berdasarkan solusi berbasis prosedur ACO iteratif untuk berurusan
dengan dunia nyata MMALBP-II. Karena artikel saat ini berkaitan dengan model
pemrograman multi tujuan dari masalah,

maka sangat penting untuk

mempertimbangkan kondisi dari setiap workstation.

2. Tinjauan Pustaka Metode Optimisasi Ant Colony
Algoritma ACO telah menarik banyak peneliti di bidang perakitan dalam
menyeimbangkan masalah selama bertahun-tahun. Konferensi pasal oleh bautista
dan pereira merupakan publikasi pertama untuk memasukkan sebuah aplikasi
penyeimbang alogaritma ACO bagian perakitan untuk memecahkan masalah pada
family versi sederhana. Setiap semut iteratively memilih untuk menggunakan
tugas dan prosedur. Di lain pekerjaan, usulan pendekatan optimalisasi sebuah
koloni semut hibrida disebut beam ACO untuk jenis keseimbangan perakitan
masalah sederhana (SALBP-I). Tujuannya adalah untuk belajar efek pheromone
dengan menerapkan beam ACO tanpa pheromone pemutakhiran. Studi
menunjukkan bahwa komputasi pheromone pemutakhiran membuat algoritma itu
lebih kuat dan lebih cepat. Ini menyimpulkan dorongan upaya dalam komentar
studi saat ini untuk membandingkan lokal dan global pheromone dalam
memperbarui peraturan.
Model lintasan perakitan jenis U tunggal untuk menyeimbangkan masalah
disebutkan oleh Sabuncuoglu, Erel dan Alp. Penulis mengusulkan pendekatan

ACO untuk jenis ALBP. Di artikel lain, Simaria, Zanella de S dan Vilarinho
tertarik dalam memecahkan masalah merancang lini perakitan fleksibel berbentuk
U menggunakan ACO di bawah filosofi just in time. Tujuan artikel ini adalah
untuk menemukan solusi untuk desain fasilitas dengan menghadirkan sistem
perakitan fleksibel garis konfigurasi berbentuk U.
Lini perakitan pertama kali diciptakan untuk menghasilkan berbagai produk
yang memiliki volume tinggi. Perusahaan memungkinkan biaya produksi yang
rendah, mengurangi waktu siklus dan tingkat kualitas yang akurat dan tinggi. Hal
ini sangant penting bagi perusahaan dimana perusahaan bisa mendapatkan
keuntungan jika perusahaan tersebut ingin tetap kompetitif. Di sisi lain, keadaan
pasar saat ini, yang intensif, kompetitif dan konsumensentris, memaksa produsen
untuk memproduksi satu model dengan fitur yang berbeda. Oleh karena itu,
karena tingginya biaya pembangunan dan pemeliharaan jalur perakitan untuk
masing-masing model, perusahaan manufaktur memproduksi satu model dengan
fitur yang berbeda atau beberapa model pada jalur perakitan tunggal. Jenis jalur
perakitan, yang digambarkan untuk pertama kali dalam literatur oleh
Thomopoulos disebut model jalur perakitan campuran.
Hasil yang diperoleh dari perbandingan studi menunjukkan bahwa misi
untuk menciptakan sebuah solusi keseimbangan outperformed untuk usaha kecil,
medium dan large dalam menguji masalah. Pheromone memperbarui peraturan
lokal itu untuk menunjukkan kinerja lebih baik daripada global pheromone dalam
memperbarui aturan. Selanjutnya, perubahan dalam misi semut buatan memiliki
efek yang lebih pada kinerja ACO dari perubahan pheromone melepaskan strategi.
Hal ini dapat disimpulkan bahwa ACO-2 jauh lebih cocok untuk hybridizing ACO
(konstruktif jenis alogaritma) dengan perbaikan jenis alogaritma. Ini karena,
meskipun ACO-1 memiliki kinerja yang superior sebagai strategi pencarian
global, kemampuan pencarian lokal ACO-2 sangat bagus dan ACO-2 telah buatan
semut. Ini menciptakan solusi encodings dan kemudian decode mereka ke dalam
solusi layak seperti perbaikan algoritma lain, yaitu algoritma genetik, simulasi
annealing dan pencarian tabu.

3. Deskripsi Masalah
Dalam penelitian ini, ALBP memiliki tiga jenis kendala, bernama
precedence, zoning dan capacity constraint. Precedence constraint, yang biasanya
digambarkan dalam diagram precedence, menentukan urutan menurut mana tugas
dapat diproses. Tugas hanya dapat ditugaskan untuk workstation jika tidak
memiliki pendahulu atau jika semua pendahulunya telah ditugaskan untuk
workstation . Zonasi kendala bisa positif atau negatif. Kendala zonasi Positif
memaksa tugas tugas tertentu untuk workstation tertentu. Kendala zonasi Negatif
melarang tugas tugas untuk workstation yang sama. Keterbatasan kapasitas
memberikan bahwa beban kerja dari workstation tidak melebihi waktu siklus.
Dalam beberapa kondisi permintaan, jalur perakitan mungkin perlu dioperasikan
dengan waktu siklus sehingga beberapa tugas dalam proses perakitan memiliki
pengolahan lebih tinggi daripada waktu siklus. Dalam hal ini, dalam rangka untuk
memenuhi permintaan, replikasi workstation yang tugas dengan waktu
pengolahan yang lebih tinggi daripada waktu siklus yang ditugaskan diperlukan.
Asumsi dasar tertentu harus dinyatakan untuk benar-benar mendefinisikan
masalah.
a. Jalur ini digunakan untuk merakit satu set model serupa M dari suatu
produk.
b. Proporsi keseluruhan jumlah unit model m yang berkumpul yaitu qm
c. Setiap model telah menetapkan sendiri hubungan yang diutamakan, tapi
ada bagian dari tugas umum untuk semua model. Oleh karena itu, diagram
diutamakan untuk semua model dapat dikombinasikan sedemikian rupa
sehingga diagram yang dihasilkan berisi tugas N.
d. Waktu tim yang diperlukan untuk melakukan tugas pada model m dapat
bervariasi dari satu model ke model lain. tim = 0 berarti bahwa model m
tidak memerlukan tugas i.
e. Suatu tugas dapat diberikan ke hanya satu workstation dan, akibatnya,
tugas yang umum

untuk beberapa model perlu dilakukan pada

workstation yang sama. Waktu pengoperasian tugas bersama dapat

menunjukkan sedikit perbedaan antara model.

f. Workstation sepanjang garis dapat direplikasi untuk menciptakan

workstation paralel, ketika beberapa tugas memiliki pengolahan kali lebih
tinggi daripada waktu siklus.
g. Penugasan tugas untuk workstation yang lebih spesifik dapat dipaksa atau
dilarang melalui definisi kendala zonasi.
Dalam model ini, tujuannya adalah untuk meminimalkan dua fungsi
obyektif secara bersamaan. Fungsi tujuan pertama untuk meminimalkan waktu
siklus (C), untuk sejumlah yang telah ditetapkan operator (S) di jalur perakitan.
Jumlah workstation di jalur perakitan adalah sama dengan jumlah operator (S).
Namun, jika beberapa operator melakukan set tugas yang sama di parallel
workstations, jumlah workstation yang berbeda mungkin lebih kecil dari jumlah
workstation. Oleh karena itu, panjang garis panjang (LL) digunakan untuk
menentukan jumlah workstation yang berbeda di jalur perakitan. Karena sifat
campuran-model masalah, waktu pengolahan tugas dapat bervariasi dari satu
model ke model lain dan dengan demikian beban kerja yang ditugaskan untuk
workstation juga dapat bervariasi dari satu model ke model lain. Untuk campuran
model jalur perakitan yang seimbang diperlukan bahwa setiap operator melakukan
kira-kira jumlah yang sama bekerja untuk masing-masing model yang dirakit.
Dalam konteks ini, fungsi tujuan kedua, B, berkaitan dengan menghaluskan
keseimbangan beban kerja dalam setiap workstation.
4. Prosedur Masalah Optimasi Koloni Semut untuk MMALBP-II
Prosedur solusi usulan yang berbasis ACO diuraikan langkah demi langkah
sebagai berikut.
Langkah 1: Masukkan nomor model yang dirakit (M), proporsi keseluruhan dari
jumlah unit model yang akan dirakit (qm), tugas untuk semua model
(tim),

hubungan

grafik

berdasarkan

grafik

hubungan

yang

didahulukan dan nomor yang dikehendaki dari stasiun kerja ( w0).

Langkah 2: Tentukan siklus waktu trial awal (C) sebagai batas bawah sesuai
dengan persamaan (4).

Langkah 3: Memecahkan

MMALBP-I

mengenai

waktu

siklus

trial

menggunakan ACO.
Langkah 4: Jika ACO memberikan nomor stasiun kerja yang diinginkan (w0),
lanjutkan ke langkah 6. Kemudian pergi ke langkah 5.
Langkah 5: Ubah C menggunakan persamaan (5) dan pergi ke langkah 3.
Dimana wcurrent adalah jumlah yang berasal dari stasiun kerja setelah
iterasi saat ini, Ccurrent adalah waktu siklus yang valid untuk iterasi
saat ini, (0 < 1) adalah parameter yang ditentukan leh pengguna
dan Skmis adalah waktu tunggu dari stasiun kerja k ke dalam model
m.
Langkah 6:

Hentikan prosedur, nyatakan tugas-tugas dan waktu siklus untuk

nomor yang dikehendaki dari stasiun kerja.

Pada artikel ini, kinerja prosedur solusi iteratif ACO berbasis dibandingkan
pada MMALBP-II, di mana tujuannya adalah untuk meminimalkan waktu siklus
untuk sejumlah workstation yang telah ditetapkan. Pertama, dua solusi pendekatan
berbasis different ACO, ACO-1 andACO-2, dibangun dengan memungkinkan
setiap semut untuk menciptakan solusi keseimbangan yang pertama dan denga
memungkinkan solusi setiap semut untuk digunakan di masing-masing dua
pendekatan berbasis ACO. Pada bagian pertama strategi rilis feromon, merupakan
solusi keeimbangan terbaik dalam melepaskan sejumlah feromon (aturan global
pheromone updating), sedangkan semua solusi balancing merilis jumlah feromon
dalam strategi kedua (lokal pheromone update rule). Kedua, 20 perwakilan
MMALBP-II dengan workstation paralel dan kendala penggunaan zonasi ACO-1
dan ACO-2 diselesaikan dengan dua rilis feromon yang berbeda strategi. Ketiga,
hasil solusi dibandingkan dalam hal waktu siklus dan kualitas solusi. Penelitian ini
adalah yang pertama di mana MMALBP-II dipecahkan menggunakan metode
ACO, dan pertunjukan dari ACO-1 dan ACO-2, dengan membandingkan feromon
global yang memperbarui aturan dan feromon untuk memperbarui aturan local.

5. Contoh Ilusrasi
Dalam bagian ini contoh numerik digunakan untuk menggambarkan empat
prosedur solusi ACO berbasis. Contoh numerik memiliki karakteristik sebagai
berikut.
a. Tiga model, A, B dan C, dengan nilai bagi hasil QA = 0.33, QB = 0,5 dan
QC = 0.17 secara bersamaan dirakit dalam garis dengan 17 workstation.
b. Diagram precedence gabungan dengan 30 tugas digambarkan pada
Gambar 1.

Gambar 1. Diagram Precedence untuk Contoh Numerik

Tabel 1. Waktu Proses dan Waktu Tugas Rata-rata Berat untuk Contoh
Numerik

c. Waktu pengolahan dan rata-rata tertimbang tugas untuk model A, dan C

ditunjukkan pada Tabel 1, di mana tA, tB dan tC menunjukkan waktu
tugas untuk model A, B dan C, masing-masing.
d. Tugas 21 dan tugas 22 tidak dapat dijalankan pada workstation yang sama.
e. Workstation dapat direplikasi jika melakukan tugas dengan waktu
pengerjaan lebih besar dari garis waktu siklus.
6. Hasil Penelitian
Dua puluh masalah tes digunakan untuk mengevaluasi kinerja prosedur
solusi berbasis ACO. Tes-bed MMALBP-II dikonversi dari MMALBP-I
digunakan oleh Akpinar dan Bayhan, dan nilai-nilai batas bawah dari Vilarinho
dan Simaria digunakan sebagai nomor yang dikehendaki dari workstation untuk
MMALBP-II. Karakteristik utama dari masalah uji ditunjukkan pada Tabel 4,
dimana N, M dan S menunjukkan jumlah tugas precedence diagram gabungan,
jumlah model dan jumlah yang diinginkan workstation dari jalur perakitan,
masing-masing. Diagram diutamakan (nama masalah) digunakan untuk mengatur
masalah ditunjukkan dalam kolom terakhir. Seperti dalam studi Akpinar dan
Bayhan (2011), masalah tes juga tergolong berukuran kecil (masalah 1-4),

menengah (5-14 masalah) dan berukuran besar (masalah 15-20) sesuai dengan
jumlah tugas mereka.
7. Kesimpulan
Pada artikel ini, kinerja prosedur solusi iteratif ACO berbasis dibandingkan
pada MMALBP-II, di mana tujuannya adalah untuk meminimalkan waktu siklus
untuk sejumlah yang telah ditetapkan workstation. Pertama, dua pendekatan solusi
perbedaan berbasis ACO, ACO-1 dan ACO-2, dibangun dengan memungkinkan
setiap semut untuk menciptakan solusi keseimbangan dalam yang pertama dan
dengan memungkinkan setiap semut untuk membuat coding dari solusi kedua.
Selanjutnya, dua strategi rilis feromon yang berbeda yang digunakan untuk
masing-masing dua pendekatan ACO berbasis. Pada bagian pertama strategi rilis
feromon, solusi terbaik balancing melepaskan sejumlah feromon (pheromone
updating rule global), sedangkan semua solusi balancing merilis jumlah feromon
dalam strategi kedua (feromon lokal memperbarui aturan). Kedua, 20 perwakilan
MMALBP-II dengan workstation paralel dan kendala zonasi diselesaikan
usingACO-1 andACO-2 dengan dua strategi rilis feromon yang berbeda. Ketiga,
hasil solusi dibandingkan dalam hal waktu siklus dan kualitas solusi.