Date post: | 06-Jul-2018 |
Category: |
Documents |
Upload: | asrul-abbas |
View: | 214 times |
Download: | 0 times |
of 46
8/17/2019 ITS Undergraduate 7801 PresentasiTA 5204100017
1/46
14 Januari 2010 Tugas Akhir – CF1380 1
PENERAPAN ALGORITMA GENETIKA UNTUK
MASALAH PENJADWALAN JOB SHOP PADA
LINGKUNGAN INDUSTRI PAKAIAN
PRESENTASI TUGAS AKHIR – CF 1380
Penyusun Tugas Akhir :
Fachrudin Afandi
(NRP : 5204.100.017)
Dosen Pembimbing :
Mahendrawathi, E.R, ST, MSc, Ph.D
8/17/2019 ITS Undergraduate 7801 PresentasiTA 5204100017
2/46
14 Januari 2010 Tugas Akhir – CF1380 2
Perusahaan diberbagai sektor industri dihadapkan pada
kompetisi pasar global yang terus meningkat dan fluktuasi
permintaan yang tidak dapat diramalkan.
Industri pakaian adalah salah satu yang terkena dampak dari
tekanan untuk dapat menghasilkan berbagai macam produk
yang sesuai dengan selera konsumen, dengan waktu yangsingkat dan biaya yang rendah.
Industri pakaian pada umumnya beroperasi dengan sistem job
shop dimana penjadwalan job shop untuk industri pakaianadalah suatu penjadwalan yang harus mengerjakan banyak
operasi menggunakan banyak mesin yang fleksibel.
.:.:LATAR BELAKANLATAR BELAKANG(1):.G(1):.
8/17/2019 ITS Undergraduate 7801 PresentasiTA 5204100017
3/46
14 Januari 2010 Tugas Akhir – CF1380 3
.:.:LATAR BELAKANLATAR BELAKANG(2):.G(2):.
Berbagai macam penelitian telah dilakukan terhadapmasalah penjadwalan job shop pada industri pakaian.
Namun demikian, sebagian besar penelitian yang telahdilakukan sebelumnya hanya berkonsentrasi padapemecahan suatu masalah dengan metoda tertentu pada
lingkungan yang telah terdefinisikan jelas denganberbagai batasan.
Model matematika umum untuk masalah penjadwalan
job shop pada industri pakaian belum dibahas dan yangbertujuan meminimalkan penyelesaian pesanan lebihawal atau terlambat juga belum diselidiki.
8/17/2019 ITS Undergraduate 7801 PresentasiTA 5204100017
4/46
14 Januari 2010 Tugas Akhir – CF1380 4
.:.:LATAR BELAKANLATAR BELAKANG(3):.G(3):.
Pada masalah penjadwalan produk berbaur, dua ataulebih pesanan produksi akan diproduksi dimanapunurutan produk. Sedangkan pada kasus penjadwalan multiproduk, dua atau lebih produk diproses secara terpisah.
Untuk mengisi celah ini, Guo et al. (2006)
mengembangkan metoda algoritma genetika untukpenjadwalan job shop yang bersifat berbaur dan multiproduk dalam industri pakaian.
8/17/2019 ITS Undergraduate 7801 PresentasiTA 5204100017
5/46
14 Januari 2010 Tugas Akhir – CF1380 5
Tujuan tugas akhir ini adalah
Mengimplementasikan algoritma genetika untukmelakukan penjadwalan job shop yang dapat
meminimalkan total pinalti E/T (Earliness/Tardiness).
.:.:TUJUANTUJUAN:.:.
8/17/2019 ITS Undergraduate 7801 PresentasiTA 5204100017
6/46
14 Januari 2010 Tugas Akhir – CF1380 6
Permasalahan yang terkait dalam tugas akhir ini adalah:
Bagaimana mengimplementasikan algoritma genetikadalam menyelesaikan masalah penjadwalan job shop
dengan tujuan meminimalkan total pinalti E/T
(Earliness/Tardiness)
Bagaimana solusi yang dihasilkan dapat membantu
industri pakaian dalam mengambil keputusan terkaitdengan masalah penjadwalan job shop
.:.:PERMASALAHANPERMASALAHAN:.:.
8/17/2019 ITS Undergraduate 7801 PresentasiTA 5204100017
7/46
14 Januari 2010 Tugas Akhir – CF1380 7
.:BATASAN MASALAH:..:BATASAN MASALAH:.
Algoritma yang digunakan adalah algoritma genetika
untuk masalah penjadwalan job shop.Data yang digunakan berasal dari data-data produksi
pada industri perakitan pakaian yang sesuai dengan
masalah penjadwalan job shop.
Pengembangan aplikasi menggunakan ruang lingkup
pemrograman Matlab
8/17/2019 ITS Undergraduate 7801 PresentasiTA 5204100017
8/46
14 Januari 2010 Tugas Akhir – CF1380 8
.:PENJADWALAN JOB SHOP:..:PENJADWALAN JOB SHOP:.
Penjadwalan merupakan suatu proses pengaturan sumber
daya untuk menyelesaikan tugas-tugas denganmelibatkan pekerjaan, sumber daya, dan waktu.
Tujuan dari masalah penjadwalan antara lainmeminimumkan waktu penyelesaian semua tugas
(makespan), meminimumkan keterlambatan pengerjaan,
meminimumkan waktu tunggu pada mesin,
meminimumkan biaya, dan lain-lain.
8/17/2019 ITS Undergraduate 7801 PresentasiTA 5204100017
9/46
14 Januari 2010 Tugas Akhir – CF1380 9
.:PENJADWALAN JOB SHOP:..:PENJADWALAN JOB SHOP:.
Pada sistem perakitan produk berbaur: dua atau lebih
pesanan diproduksi dimanapun urutan berbaur
Sedangkan pada sistem perakitan multi produk: dua atau
lebih produk diproses secara terpisah didalam batch
8/17/2019 ITS Undergraduate 7801 PresentasiTA 5204100017
10/46
14 Januari 2010 Tugas Akhir – CF1380 10
.:MASALAH PENJADWALAN JOB SHOP:..:MASALAH PENJADWALAN JOB SHOP:.
Job Shop Scheduling Problem (JSSP) melibatkansuatu tugas pada seperangkat kerja pada stasiun-kerja (mesin) secara sekuensial
Saat mengoptimalkan satu atau lebih sasaran tanpamelanggar batasan-batasan yang diterapkan pada jobshop
(Guo et al, 2006)
Algoritma genetika merupakan salah satu teknikyang paling sering diterapkan dan telah terbukti di
beberapa penelitian dapat menemukan solusiheuristik dari suatu variasi yang luas pada aplikasi
8/17/2019 ITS Undergraduate 7801 PresentasiTA 5204100017
11/46
14 Januari 2010 Tugas Akhir – CF1380 11
.:.:PemodelanPemodelan JSSP(1):.JSSP(1):.
Beberapa asumsi yang digunakan:
1. Ketika sekali suatu operasi mulai dijalankan, makatidak dapat disela.
2. Tidak ada kasus kekurangan material, gangguanmesin dan ketidakhadiran operator mesin job shop
dalam kerjanya.
3. Job shop digunakan untuk memodelkan adalahdalam keadaan inisialisasi awal job shop kosong,
dengan kata lain tidak ada kerja yang menumpuksebelumnya (Work in Process / WIP) pada setiapstasiun-kerja.
8/17/2019 ITS Undergraduate 7801 PresentasiTA 5204100017
12/46
14 Januari 2010 Tugas Akhir – CF1380 12
.:.:PemodelanPemodelan JSSP(2):.JSSP(2):.
Batasan-batasan dalam pemodelan:1. Batasan waktu kedatangan
2. Batasan alokasi
3. Batasan operasi
4. Batasan waktu proses
)1(ii SP A
)2(0,
ilkj SM M kj
ilkj X
)3(1 il
ilkj X
)4(1 kj
ilkj X
)5()(,1 '''' liilliilil OPOS ET C
)6(1 ilililil T STPS C
Pemenuhan order Pi tidak dapat dimulai (SPi) sampaiwaktu kedatangan order Pi tiba ( Ai)
Setiap mesin (Mkj) harus memproses setidaknya satu
operasi (Oil)
Setiap mesin harus memproses setidaknya satu operasi
Setiap operasi harus diproses
Suatu operasi tidak dapat dimulai sebelum operasiyang terdahulu telah diselesaikan (Cil) dan diangkut
(ETil) sesuai dengan mesin kerjanya
Operasi Oil harus dijalankan dengan waktu proses (Til)
dan setup waktu (STPil)
8/17/2019 ITS Undergraduate 7801 PresentasiTA 5204100017
13/46
14 Januari 2010 Tugas Akhir – CF1380 13
.:.:PemodelanPemodelan JSSP(3):.JSSP(3):.
Fungsi tujuan:
Meminimumkan total pinalti Earliness (ELi) atau Tardiness (TDi)
)7())1.(...(,min1
}{},{
p
i
iiiiii X SP
ELTD Z dengan Z ilkji
8/17/2019 ITS Undergraduate 7801 PresentasiTA 5204100017
14/46
14 Januari 2010 Tugas Akhir – CF1380 14
.:METODA ALGORITMA GENETIKA:..:METODA ALGORITMA GENETIKA:.
Pada umumnya suatu penerapan algoritma genetika
secara generasional sederhana terdiri dari 3 bagian,yaitu:
Memilih populasi awal
Evaluasi nilai fitness dari setiap individu didalam populasi
Ulangi sampai proses berhenti (nilai fitness terbaik
terpenuhi)
Pilih individu terbaik berdasar ranking untuk reproduksi
Bentuk generasi baru melalui pindah silang dan mutasi untukmenghasilkan keturunan baru (child )
Evaluasi nilai fitness keturunan yang dihasilkan
Setelah diatur terlebih dahulu, gantikan individu dengan nilai fitness
terburuk dengan keturunan yang dihasilkan
8/17/2019 ITS Undergraduate 7801 PresentasiTA 5204100017
15/46
14 Januari 2010 Tugas Akhir – CF1380 15
.:METODA ALGORITMA GENETIKA:..:METODA ALGORITMA GENETIKA:.
Inisialisasi populasi:
•menugaskan operasimasing-masing, kepadamesin yang mampu
menanganinya•Membangkitkankromosom yang feasibelhingga terbentuk populasi
Evaluasi kromosom:
Evaluasi nilai fitness dalam populasidengan fungsi fitness
Penghentian proses:
Generasi dan operasi genetika
Terpenuhi ?
Proses seleksi turnamen
(Goldberg, Korb, & Deb, 1989)Pindah silang uniform-
order (Davis, 1991)
Operator
mutasi inversi
Kromosom
dengan nilai
fitness terbaik
8/17/2019 ITS Undergraduate 7801 PresentasiTA 5204100017
16/46
14 Januari 2010 Tugas Akhir – CF1380 16
.:ALGORITMA GENETIKA UNTUK.:ALGORITMA GENETIKA UNTUK
MASALAH PENJADWALAN JOB SHOP:.MASALAH PENJADWALAN JOB SHOP:.
Langkah – langkah dalam menerapkan GA
pada masalah JSS, yaitu:1. Representasi kromosom
2. Inisialisasi populasi
3. Fitness dan seleksi
4. Operasi genetika
5. Ukuran penghentian proses
8/17/2019 ITS Undergraduate 7801 PresentasiTA 5204100017
17/46
14 Januari 2010 Tugas Akhir – CF1380 17
.:IMPLEMENTASI DAN UJI COBA PROGRAM:..:IMPLEMENTASI DAN UJI COBA PROGRAM:.
Implementasi program menggunakan Matlab 7.7
dalam lingkungan sistem operasi Windows XP.
Data yang digunakan adalah
data order produksi
data efisiensi operasi pada setiap stasiun-mesin
(sumber: ref. paper Guo et al, 2006)
8/17/2019 ITS Undergraduate 7801 PresentasiTA 5204100017
18/46
14 Januari 2010 Tugas Akhir – CF1380 18
.:IMPLEMENTASI DAN UJI COBA PROGRAM:..:IMPLEMENTASI DAN UJI COBA PROGRAM:.
Uji coba dilakukan dalam dua eksperimen
Eksperimen 1: setiap mesin hanya dapat menampung1 operasi dalam proses pengolahan order
Eksperimen 2: setiap mesin dapat menampungmaksimal dua operasi dalam proses pengolahan order
8/17/2019 ITS Undergraduate 7801 PresentasiTA 5204100017
19/46
14 Januari 2010 Tugas Akhir – CF1380 19
.:IMPLEMENTASI DAN UJI COBA PROGRAM:..:IMPLEMENTASI DAN UJI COBA PROGRAM:.
Setiap eksperimen terbagi menjadi 2 mode, yaitu
Mode 1: Pengolahan order 1 dijalankan kemudian saatwaktu tertentu ditunda untuk menjalankanpengolahan order 2 sampai selesai, kemudianpengolahan order 1 dijalankan kembali
sifat produk: multi produk
Mode 2: Pengolahan order 1 dijalankan kemudian saatwaktu tertentu pengolahan order 1 dan order 2dijalankan secara simultan sampai order 2 terpenuhi.
Setelah itu baru pengolahan order 1 dijalankankembali
sifat produk: berbaur dan multi produk
8/17/2019 ITS Undergraduate 7801 PresentasiTA 5204100017
20/46
14 Januari 2010 Tugas Akhir – CF1380 20
.:IMPLEMENTASI DAN UJI COBA PROGRAM:..:IMPLEMENTASI DAN UJI COBA PROGRAM:.
Untuk melakukan evaluasi digunakan uji
kebenaran pada setiap eksperimen.Uji kebenaran
Setiap operasi hanya bisa dijalankan pada mesin
yang mampu menanganinya
Setiap mesin harus memproses setidaknya satu
operasi
Setiap operasi harus diproses
Eksperimen 1Mesin lockstitch 1 – 7 hanya menampung operasi 2, 3, 4, 11 dan 12.Mesin overlock 8 – 14 hanya menampung operasi 1, 5, 6, 7, 8, 9 dan 10.
Eksperimen 2Mesin lockstitch 1 – 9 hanya menampung operasi 1, 2, 3, 5, 6, 8, 9, 10, 11,
dan 12.
Mesin overlock 10 – 11 hanya menampung operasi 4, 7, dan 13.
8/17/2019 ITS Undergraduate 7801 PresentasiTA 5204100017
21/46
14 Januari 2010 Tugas Akhir – CF1380 21
.:IMPLEMENTASI DAN UJI COBA PROGRAM:..:IMPLEMENTASI DAN UJI COBA PROGRAM:.
Operasi order harus dijalankan dengan waktu awal(start), waktu pengaturan mesin, dan waktu proses
operasi
Pada uji coba eksperimen yang dilakukan waktu pengaturan mesin (STP)dianggap masuk dalam waktu proses (T)
ET T STPS C )(
Dimana:
C = waktu penyelesaian order sepenuhnya (akan ditentukan)
S = waktu awal (start) operasi dijalankan (telah ditetapkan)
STP = waktu pengaturan mesin dilakukan (telah ditetapkan)
T = waktu order selesai dikerjakan (akan ditentukan)ET = waktu penundaan order dijalankan (telah ditetapkan)
8/17/2019 ITS Undergraduate 7801 PresentasiTA 5204100017
22/46
14 Januari 2010 Tugas Akhir – CF1380 22
.:IMPLEMENTASI DAN UJI COBA PROGRAM:..:IMPLEMENTASI DAN UJI COBA PROGRAM:.
Uji coba pada eksperimen 1
Kasus 1
Uji coba pada eksperimen 2
Kasus 1
Bobottardiness
Bobotearliness
Jumlahorder
Tenggatwaktu
Order 1 5000 100 1200 15
Order 2 3000 100 1200 12
Bobottardiness
Bobotearliness
Jumlahorder
Tenggatwaktu
Order 1 6000 100 1000 15
Order 2 4000 100 1000 12
Mode 1
Mode 2
Mode 1
Mode 2
8/17/2019 ITS Undergraduate 7801 PresentasiTA 5204100017
23/46
14 Januari 2010 Tugas Akhir – CF1380 23
.:SIMPULAN:..:SIMPULAN:.
GA dapat digunakan sebagai salah satu metodaalternatif dalam menyelesaikan penjadwalan job shop
karena memiliki kemampuan yang baik dalammembangkitkan solusi heuristik dari variasipermasalahan yang luas.
Metoda algoritma genetika mampu menyelesaikanmasalah penjadwalan job shop yang produknya bersifatberbaur dan multi produk dengan meminimalkan totalpinalti E/T (Earliness/Tardiness).
Waktu awal dan waktu pengaturan mesin sangatberpengaruh dalam efektifitas penjadwalan job shopyang dihasilkan.
8/17/2019 ITS Undergraduate 7801 PresentasiTA 5204100017
24/46
14 Januari 2010 Tugas Akhir – CF1380 24
.:SIMPULAN:..:SIMPULAN:.
Pada penjadwalan job shop dengan mode 2 dimana adasaat produksi dua order dijalankan secara bersamaan,
untuk produksi order 1 dapat dipaksakan produksinyadisaat pengolahan order 1 atau disaat pengolahan duaorder dijalankan ataupun order 1 dijalankan secaraberimbang disaat pengolahan order 1 dan pengolahan
dua order.Pinalti E/T dapat dikenakan pada pengolahan orderjika waktu awal produksi tidak tepat. Pinalti juga bisaterjadi jika susunan operasi yang dibuat tidak memiliki
efektifitas dan efisiensi didalam proses produksi order.Pinalti E/T pada produksi berarti total biaya produksijuga bertambah.
8/17/2019 ITS Undergraduate 7801 PresentasiTA 5204100017
25/46
14 Januari 2010 Tugas Akhir – CF1380 25
.:SARAN:..:SARAN:.
Pengembangan terhadap GA pada masalahpenjadwalan job shop dengan mempertimbangkanefek ketidakpastian, diantaranya:
Ketidakpastian permintaan konsumen
Gangguan mesin
Kekurangan bahan baku
Ketidakhadiran operator mesin
dll.
8/17/2019 ITS Undergraduate 7801 PresentasiTA 5204100017
26/46
14 Januari 2010 Tugas Akhir – CF1380 26
.:DAFTAR PUSTAKA:..:DAFTAR PUSTAKA:.
Watanabe, M., Ida, K., & Gen, M. (2005). A genetic algorithmwith modified crossover operator and search area adaption
for the jobshop scheduling problem. Computers andIndustrial Engineering, 48(4), 743-752.
Ventura, J. A., & Kim, D. (2003). Parallel machine schedulingwith earliness-tardiness penalties and additional resourceconstraints. Computers and Operations Research, 30(13),1945–1958.Seo, D. K., Klein, C. A., & Jang, W. (2005). Single machinestochastic scheduling to minimize the expected number oftardy jobs using mathematical programming models.
Computers and Industrial Engineering, 48(2), 153–161.Poon, P. W., & Carter, J. N. (1995). Genetic algorithmcrossover operators for ordering applications. Computersand Operations Research, 22(1), 135–147.
8/17/2019 ITS Undergraduate 7801 PresentasiTA 5204100017
27/46
14 Januari 2010 Tugas Akhir – CF1380 27
.:DAFTAR PUSTAKA:..:DAFTAR PUSTAKA:.
Park, B. J., Choi, H. R., & Kim, H. S. (2003). A hybrid geneticalgorithm for the job shop scheduling problems. Computers andIndustrial Engineering, 45(4), 597–613.
Gordon, V., Proth, J., & Chu, C. (2002). A survey of the state-of-the-art of common due date assignment and scheduling research.European Journal of Operational Research, 139(1), 1–25.
Guo, Z.X., Wong, W.K., Leung, S.Y.S., Fan, J.T., Chan, S.F. (2006).
Mathematical model and genetic optimization for the job shopscheduling problem in a mixed- and multi-product assemblyenvironment: A case study based on the apparel industry.Computers & Industrial Engineering 50 (2006) 202–219.
Cheng, R. W., Gen, M., & Tsujimura, Y. (1996). A tutorial survey of job-shop scheduling problems using genetic algorithms.1.Representation. Computers and Industrial Engineering, 30(4), 983–997.
8/17/2019 ITS Undergraduate 7801 PresentasiTA 5204100017
28/46
14 Januari 2010 Tugas Akhir – CF1380 28
.:DAFTAR PUSTAKA:..:DAFTAR PUSTAKA:.
Lauff, V., & Werner, F. (2004). Scheduling with common due
date, earliness and tardiness penalties for multimachine
problems: A survey. Mathematical and Computer Modeling,40(5–6), 637–655.
Brucker, P., Jurisch, B., & Sievers, B. (1994). A branch-and-
bound algorithm for the job-shop scheduling problem.Discrete Applied Mathematics, 49(1–3), 107–127.
8/17/2019 ITS Undergraduate 7801 PresentasiTA 5204100017
29/46
14 Januari 2010 Tugas Akhir – CF1380 29
TERIMA KASIH
8/17/2019 ITS Undergraduate 7801 PresentasiTA 5204100017
30/46
14 Januari 2010 Tugas Akhir – CF1380 30
.:.:RepresentasiRepresentasi KromosomKromosom:.:.
Langkah 1: Merepresentasikan kromosom
Penjelasan representasi kromosom sebagai berikut:
Mesin dibagi menjadi dua tipe, tipe 1 meliputi mesin 1-7 dan
tipe 2 meliputi mesin 8-12.
Operasi 1, 2, 3, dan 4 harus diproses pada mesin tipe 1
Sedangkan operasi 5 dan 6 harus diproses pada mesin tipe 2.
8/17/2019 ITS Undergraduate 7801 PresentasiTA 5204100017
31/46
14 Januari 2010 Tugas Akhir – CF1380 31
.:.:InisialisasiInisialisasi PopulasiPopulasi:.:.
Langkah 2: Inisialisasi populasi
1. Inisialisasi parameter
2. Membangkitkan kromosom string integer CHRi
3. Set i=i+1. jika i>u, STOP . Jumlah populasi terpenuhiiCHRPPN PPN
Indeks i
Ukuran populasi u
Populasi PPN
8/17/2019 ITS Undergraduate 7801 PresentasiTA 5204100017
32/46
14 Januari 2010 Tugas Akhir – CF1380 32
.:.:SeleksiSeleksi:.:.
Langkah 3: Proses seleksi dan fitness
Set ukuran turnamen k>=2Membangkitkan suatu permutasi acak didalam populasi
Bandingkan nilai fitness pada kromosom pertama pada
daftar permutasi, dan salin yang terbaik ke dalamgenerasi berikutnya
jika permutasi habis terpakai, bangkitkan permutasi lain
Ulangi langkah 3 dan 4 sampai tidak diperlukan seleksilagi untuk generasi berikutnya
p
i iiiiii ELTD Z
fitness
1 1))1.(...(
1
1
1
8/17/2019 ITS Undergraduate 7801 PresentasiTA 5204100017
33/46
14 Januari 2010 Tugas Akhir – CF1380 33
.:.:OperasiOperasi GenetikaGenetika:.:.
Langkah 4: Operasi genetika
Proses pindah silang
Proses mutasi
8/17/2019 ITS Undergraduate 7801 PresentasiTA 5204100017
34/46
14 Januari 2010 Tugas Akhir – CF1380 34
.:.:OperasiOperasi Genetika(1):.Genetika(1):.
Proses pindah silang
Acak beberapa string yang panjangnya sama dengan
kromosom
Isi beberapa posisi pada anak 1 dengan mencopi gen dariorang tua 1 dimana saja bit string yang memuat “1”
Buat daftar gen dari orang tua 1 dihubungkan dengan bitstring “0”
Mengubah urutan daftar gen sehingga urutannya sama
dengan urutan gen yang tampak pada orang tua 2
Salin urutan daftar gen ke dalam posisi kosong pada anak 1
Anak 2 diproduksi menggunakan proses serupa denganproses pada anak 1
8/17/2019 ITS Undergraduate 7801 PresentasiTA 5204100017
35/46
14 Januari 2010 Tugas Akhir – CF1380 35
.:.:ProsesProses PindahPindah SilangSilang:.:.
Ubah daftar gen 1 Daftar gen parent 1: (3,10) (6,12) (8) (1,11) (4,7)
Daftar gen parent 2: (5) (8) (1) (10) (11) (7,13)
Daftar gen parent 1: (8) (1,11) (3,10) (6,12) (4,7)
Daftar gen parent 2: (1) (10) (11) (5) (8) (7,13)Ubah daftar gen 2
Salin daftar gen 1
Salin daftar gen 2
8/17/2019 ITS Undergraduate 7801 PresentasiTA 5204100017
36/46
14 Januari 2010 Tugas Akhir – CF1380 36
.:.:OperasiOperasi Genetika(2):.Genetika(2):.
Proses mutasi
Ambil satu kromosom dari populasi sebagai kromosomasli.
Inversi kromosom dengan cara pada tipe mesin yang
sama, jika panjang kromosom n, maka tukar posisi
gen ke-2 dengan gen ke-n, gen ke-3 dengan gen ke (n-
1), dan seterusnya.
Mutasi kromosom dengan cara pada tipe mesin yang
sama, tukar secara acak posisi gen yang bersebelahan
antara gen ke-2 dan gen terakhir.
8/17/2019 ITS Undergraduate 7801 PresentasiTA 5204100017
37/46
14 Januari 2010 Tugas Akhir – CF1380 37
.:.:ProsesProses MutasiMutasi:.:.
5
Tipe 1 Tipe 2
Kromosom asli
Inversi kromosom
Mutasi kromosom
Tipe mesin
Titik mutasi
4,137,136,12112,6103189
5 4,137,13981310116,26,12
5 4,137,139813102,6116,12
1. Ambil satu kromosom dari populasi2. Menginversi kromosom3. Mutasi kromosom
8/17/2019 ITS Undergraduate 7801 PresentasiTA 5204100017
38/46
14 Januari 2010 Tugas Akhir – CF1380 38
.:.:PenghentianPenghentian ProsesProses:.:.
Langkah 5: Ukuran penghentian proses
Terpenuhinya 2 kriteria penghentian
Sejumlah generasi tertentu
Penggunaan keanekaragaman algoritma genetika
(Operasi genetika)
8/17/2019 ITS Undergraduate 7801 PresentasiTA 5204100017
39/46
14 Januari 2010 Tugas Akhir – CF1380 39
.:HASIL UJI COBA(1):..:HASIL UJI COBA(1):.
Eksperimen 1 kasus 1 mode 1
- Pada order 1 dengan waktu mulai hari ke 0, waktu penundaan 5,43 dantenggat waktu 15 hari
- Waktu rata-rata proses sistem operasi bottleneck 228 detik
- Sistem satu order 1125,5 detik
- Pada order 2 dengan waktu mulai hari ke 6,57 dan tenggat waktu 12 hari- Waktu rata-rata proses sistem operasi bottleneck 130 detik
- Sistem satu order 514,0001 detik
operasi Mesin no.
1 2 3 4 5 6 7 8 9 10 11 12 13 14
Order1 3 2 2 4 4 3 3 6 1 1 5 6 6 5
Order2 12 11 11 12 11 11 12 10 7 7 9 8 8 9
8/17/2019 ITS Undergraduate 7801 PresentasiTA 5204100017
40/46
14 Januari 2010 Tugas Akhir – CF1380 40
.:ANALISA HASIL(1):..:ANALISA HASIL(1):.
Hasil optimasi eks. 1 kasus 1 mode 1
Order 1 Order 2
Waktu Start 0 6,57
Waktu Pengolahan Order 9,53 5,43
Waktu Penundaan 5,43 0Waktu Penyelesaian Order 14,96 12
Tenggat Waktu 15 12
Pinalti $100*0,04=$4
0
Penjadwalan eks. 1 kasus 1 mode 1
8/17/2019 ITS Undergraduate 7801 PresentasiTA 5204100017
41/46
14 Januari 2010 Tugas Akhir – CF1380 41
.:HASIL UJI COBA(2):..:HASIL UJI COBA(2):.
Eksperimen 1 kasus 1 mode 2
- Pengolahan order 1 dengan waktu mulai hari ke 0 dan tenggat waktu 15 hari- Pada perakitan 798 pakaian, waktu sistem bottleneck 192 detik dan
sistem satu order 1056 detik.- Pengolahan dua order dengan waktu mulai hari ke 2,35
- Order 1: pada perakitan 402 pakaian, waktu sistem bottleneck 685,7143detik dan sistem satu order 2492,1 detik.
- Order 2: waktu sistem bottleneck 230,7692 detik dan sistem satu order1063,6 detik, dengan tenggat waktu 12 hari
operasi Mesin no.
1 2 3 4 5 6 7 8 9 10 11 12 13 14
Order1 2 4 2 3 4 3 3 1 1 1 5 5 6 6
2 order 11 3 2 12 4 4 11 8 1 7 5 6 9 10
8/17/2019 ITS Undergraduate 7801 PresentasiTA 5204100017
42/46
14 Januari 2010 Tugas Akhir – CF1380 42
.:ANALISA HASIL(2):..:ANALISA HASIL(2):.
Penjadwalan eks.1 kasus 1 mode 2
Order 1 Order 2
Waktu Start 0 2,35
Waktu Pengolahan Order 14,98 9,64
Waktu Penyelesaian Order 14,98 11,99
Tenggat Waktu 15 12
Pinalti $100*0,02
=$2
$100*0,01
=$1
Hasil optimasi eks.1 kasus 1 mode 2
8/17/2019 ITS Undergraduate 7801 PresentasiTA 5204100017
43/46
14 Januari 2010 Tugas Akhir – CF1380 43
.:HASIL UJI COBA(3):..:HASIL UJI COBA(3):.
Eksperimen 2 kasus 1 mode 1
- Pada order 1 dengan waktu mulai hari ke 0, waktu penundaan 7 hari dan
tenggat waktu 15 hari- Waktu rata-rata proses sistem operasi bottleneck 228,8 detik.
- Sistem satu order 1523,1 detik.
- Pada order 2 dengan waktu mulai hari ke 5 dan tenggat waktu 12 hari- Waktu rata-rata proses sistem operasi bottleneck 201,2903 detik.
- Sistem satu order 526,4121 detik.
Op. Mesin no.
1 2 3 4 5 6 7 8 9 10 11
Order1
1,3 8 2,6 3 8 1 2,5 5 6 4,7 4,7
Order2
11 11,12 12 9,10 9,11 12 10,11 10,11 10,12 13 13
8/17/2019 ITS Undergraduate 7801 PresentasiTA 5204100017
44/46
14 Januari 2010 Tugas Akhir – CF1380 44
.:ANALISA HASIL(3):..:ANALISA HASIL(3):.
Penjadwalan eks.2 kasus 1 mode 1
Order 1 Order 2
Waktu Start 0 5
Waktu Pengolahan Order 7,99 7
Waktu Penundaan 7 0Waktu Penyelesaian Order 14,99 12
Tenggat Waktu 15 12
Pinalti $100*0,01=$1
0
Hasil optimasi eks.2 kasus 1 mode 1
AS COBA
8/17/2019 ITS Undergraduate 7801 PresentasiTA 5204100017
45/46
14 Januari 2010 Tugas Akhir – CF1380 45
.:HASIL UJI COBA(4):..:HASIL UJI COBA(4):.
Eksperimen 2 kasus 1 mode 2
- Pengolahan order 1 dengan waktu mulai hari ke 0 dan tenggat waktu 15 hari- Pada perakitan 621 pakaian, waktu sistem bottleneck 277,6471 detik dan
sistem satu order 1537,2 detik.- Pengolahan dua order dengan waktu mulai hari ke 3,04
- Order 1: pada perakitan 379 pakaian, waktu sistem bottleneck 672,9412detik dan sistem satu order 3033,6 detik.
- Order 2: waktu sistem bottleneck 257,1429 detik dan sistem satu order
1107,7 detik, dengan tenggat waktu 12 hari
Op. Mesin no.
1 2 3 4 5 6 7 8 9 10 11
Order1
2 8 6 5,8 2 1 6 5 3 4 7
2order
1,12 10 2,11 9 5 11 3,6 1 8 4,7 13
ANALISA HASIL(4)ANALISA HASIL(4)
8/17/2019 ITS Undergraduate 7801 PresentasiTA 5204100017
46/46
14 Januari 2010 Tugas Akhir – CF1380 46
.:ANALISA HASIL(4):..:ANALISA HASIL(4):.
Penjadwalan eks.2 kasus 1 mode 2
Order 1 Order 2
Waktu Start 0 3,04
Waktu Pengolahan Order 14,97 8,96
Waktu Penyelesaian Order 14,97 12
Tenggat Waktu 15 12
Pinalti $100*0,03
=$3
0
Hasil optimasi eks.2 kasus 1 mode 2