Skripsi

Penjadwalan produksi flow shop menggunakan algoritma genetika / Benawati Yusmariana

Abstrak
Kata Kunci penjadwalan flow shop algoritma genetika makespan. Pada perusahaan manufaktur penjadwalan produksi flow shop memegang peranan penting dalam hal tercapainya kondisi optimal dalam proses produksi. Masalah penjadwalan flow shop adalah menjadwalkan proses produksi dari masing-masing n job yang mempunyai urutan proses produksi dan melalui m mesin yang sama. Melalui penelitian ini penulis bermaksud untuk menerapkan algoritma genetika pada penjadwalan flow shop dengan tujuan minimasi makespan. Dalam implementasinya algoritma genetika akan dikolaborasikan dengan algoritma NEH_Insertion. Algoritma genetika didasari oleh proses evolusi yang berada di alam. Termasuk di dalamnya terjadinya populasi mutasi dan juga berkembang biak. Algoritma Genetika mensimulasikan proses yang terjadi pada populasi alamiah yang merupakan hal penting dalam proses evolusi Algoritma Genetika mengadaptasi proses kerja genetika pada makluk hidup. Idenya berawal dari tujuan mendapatkan populasi baru dengan karakteristik yang lebih baik dari populasi baru dengan karakteristik yang lebih baik dari populasi sebelumnya. Prosesnya di ulang hingga ditemukan penyelesaian baru sampai kriteria yang diinginkan diperoleh. Algoritma genetika baik digunakan untuk menyelesaikan permasalahan yang komplek yaitu masalah optimasi yang memiliki banyak kemungkinan solusi. Hal ini dikarenakan algoritma genetika adalah salah satu algoritma heuristik yang memiliki keseimbangan yang baik antara eksplorasi dan kuantitas optimal dari solusi yang di dapat sehingga merupakan metode fleksibel yang banyak digunakan untuk melakukan optimasi di bidang industri. Penyelesaian permasalahan penjadwalan flow shop dibedakan dalam tiga kasus pada bab III. Penyelesaian yang dikerjakan dengan algoritma Genetika pada kasus 1 menghasilkan makespan sebesar 20 jam pada kasus 2 diperoleh makespan sebesar 56 jam sedangkan pada kasus 3 diperoleh makespan sebesar 116 jam. Pada kasus 2 dan 3 menghasilkan dua urutan job dengan makespan dan nilai fitness yang sama. Sedangkan penyelesaian yang dikerjakan dengan algoritma Simulated Annealing pada kasus 1 menghasilkan makespan 20 jam pada kasus 2 diperoleh makespan sebesar 60 jam sedangkan pada kasus 3 diperoleh makespan sebesar 120 jam. Dan pada algoritma Simulated Annealing diperolah satu urutan job. Dari ketiga kasus tersebut terlihat bahwa algoritma Genetika menghasilkan makespan (lama waktu total penyelesaian seluruh pekerjaan) yang lebih minimum. Kelebihan algoritma Genetika adalah memberikan solusi makespan yang lebih minimum jika dibandingkan dengan algoritma Simulated Annealing dan juga dapat menawarkan beberapa solusi (kromosom terbaik) sekaligus yang memiliki nilai fungsi tujuan (nilai fitness) yang sama. Namun iterasi yang dibutuhkan untuk memperoleh solusi relatif lebih panjang.

Informasi Detail

DDC

Rs 518.1 YUS p

Prodi

Universitas Negeri Malang. Jurusan Matematika, 2011.

Deskripsi Fisik

x, 160 lembar : il., tab. ; 30 cm.

Bahasa

Indonesia

No Reg

03750/KI/11

Edisi

Skripsi (Sarjana)--Universitas Negeri Malang, 2011

Subjek

1. ALGORITMA GENETIKA
2. PENJADWALAN

Pembimbing

1. TOTO NUSANTARA ; 2. MOHAMAD YASIN

Lampiran Berkas