optimalisasi penempatan mesin menggunakan algoritma genetik

OPTIMISASI PEMBENTUKAN SEL
DIINTEGRASIKAN DENGAN PENEMPATAN
MESIN DAN PENJADWALAN DI DALAM
SELULAR MANUFAKTUR MENGGUNAKAN
ALGORITMA GENETIKA
Oleh :
Moh Khoiron
1209 100 705
Dosen pembimbing :
Dr. Imam Mukhlas S.Si, MT.
Drs. Soetrisno M.Ikomp.
JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT TEKNOLOGI SEPULUH NOPEMBER
2013
Latar belakang
Lanjutan…
• Penelitian untuk layouting machine dengan menggunakan GA telah
banyak dilakukan sebelumnya, meskipun berbeda-beda dalam objective
function-nya, diantaranya adalah yang dilakukan Koopmans dan
Beckmann (1957) yang mendefinisikan FLP sebagai masalah untuk
mengkonfigurasi fasilitas, sehingga dapat meminimalkan biaya material
handling.
• Pada kajian yang dilakukan oleh Azadivar dan Wang (2000) mendefinisikan
bahwa tata FLP adalah penentuan lokasi relatif dan alokasi
untuk beberapa fasilitas pada ruangan yang telah diberikan.
• Lee dan Lee (2002) mendefinisikan bahwa FLP terdiri mengatur n fasilitas
dengan ukuran yang berbeda di dalam total ruang yang telah ditentukan,
untuk meminimalkan biaya material handling dan total slack area cost.
• Shayan dan Chittilappilly (2004) mendefinisikan FLP sebagai masalah
optimasi yang membuat layout lebih efisien dengan memperhatikan
berbagai interaksi antara fasilitas dan sistem material handling saat
merancang tata letak.
Lanjutan…
• Adib Shururi melakukan penelitian judul “Optimisasi Tata
Letak Fasilitas Dalam Sistem Manufacturing Cellular Dengan
Menggunakan Pendekatan Genetic Algorithm”
• Permasalahan selular manufakturing yang menggunakan
pendekatan GA yang dikaji hanya terbatas pada tata letak
fasilitas
• Pendekatan dalam pembentukan sel menggunakan algoritma
clustering, kemudian menggunakan GA untuk mengatur tata
letak mesin dalam tiap-tiap sel.
Rumusan Masalah
• Permasalahan yang diangkat adalah
pengintegrasian antara pembentukan sel,
penempatan mesin dan penjadwalan di dalam
selular manufaktur menggunakan algoritma
genetika
Batasan masalah
•
•
•
Data yang digunakan adalah data yang diambil dari Tugas Akhir Adib Shururi
dengan judul “Optimisasi Tata Letak Fasilitas Dalam Sistem Manufacturing
Cellular Dengan Menggunakan Pendekatan Genetic Algorithm”
Tidak memabahas tentang pemilihan material handling
Permasalahan yang dikaji hanya di dalams atu department.
Asumsi
•
•
•
•
Perubahan demand untuk periode berikutnya bersifat linear.
waktu transfer antar satu mesin dengan yang lainnya diabaikan.
Penentuan posisi gen yang merepresentasikan posisi mesin
didalam software Genetic Layout adalah bahwa setiap mesin
memiliki ukuran yang sama.
Pick-up and drop-of adalah dari depan-belakang mesin atau jarak
terdekat dari mesin satu ke yang lainnya.
tujuan
• Tujuan dari penelitian tugas akhir ini adalah membuat aplikasi
untuk mendapatkan makespan yang lebih singkat.
manfaat
• Manfaat dari tugas akhir ini adalah membantu
mencari solusi pembentukan sel, layout mesin dan
scheduling dalam cellular manufacturing yang baik
di suatu perusahaan dengan menggunakan Genetic
Algorithm (GA) serta dapat dijadikan sebagai
tambahan pustaka untuk penelitian selanjutnya.
Tinjauan Pustaka
Selular Manufakturing
• adalah sistem produksi yang mengklasifikasikan
parts yang mirip menjadi bagian part families dan
mesin yang berkaitan ditempatkan ke dalam sel
untuk meningkatkan efektivitas biaya produksi dan
fleksibilitas job shop manufaktur.
Tinjauan Pustaka
Kelebihan Selular Manufakturing
•
•
•
•
•
•
•
•
•
Menurunkan waktu set-up
Menurunkan work-in-process inventory
Menurunkan biaya material handling
Menurunkan biaya tenaga kerja langsung dan tidak
langsung
Peningkatan dalam kualitas
Peningkatan dalam aliran material
Peningkatan dalam utilitas mesin
Peningkatan utilitas space
Peningkatan dalam moral kerja
Isu Utama dalam Selular
Manufakturing
Penjadwalan
Pembentukan Sel
Tata letak
M1
sel3
M2
M4
M3
M5
Pembentukan Sel
sel3
sel 2
Pembentukan Sel (PS)
adalah pengelompokan
part yang didasarkan
pada fitur desain atau
proses yang serupa
menjadi part families
dan mesin yang terkait
ke dalam sel mesin.
sel 1
Definisi……
M1
M2
Layouting Machine
M5
Group layout (GL)
adalah peletakan mesin
dalam setiap sel (tata
letak intra-sel) dan selsel terhadap satu sama
lain (tata letak antarsel).
sel 1
Definisi……
sel 2
M4
M3
Penjadwalan
sel 2
Group scheduling (GS)
adalah penjadwalan
part dalam tiap sel dan
hubungannya dengan
sel yang lain.
sel 1
Definisi……
Lanjutan…
Definition of genetic algorithms
GA adalah teknik pencarian stokastik menggunakan
prinsip-prinsip Darwin yaitu “survival of the fittest”
untuk menemukan solusi terbaik. Lebih tinggi fittestnya maka tinggi pula kemungkinannya untuk bertahan
hidup dan begitu juga sebaliknya.
• Population size
• objective function
Create Initial
Population
Begin GA
yes
Terminate ?
Measure Fitness
No
End GA
• Stopping criteria
Flow chart
of genetic
algorithms
Measure New Fitness
Select parents by
Fitness Generic
Recommendation
possible Mutation
• seleksi
• Crossover
• Mutation
Pengkodean kromosom dan
Inisialisasi Populasi
Pengkodean kromosom
memetakan solusi
karakteristik dalam format
string kromosom. Setiap
kromosom terdiri dari urutan
gen tertentu dari alfabet
Inisialisasi populasi adalah
untuk menghasilkan satu set
solusi awal, yang disebut
populasi. banyaknya solusi
awal yang dimasukkan dalam
populasi disebut
population size
Fungsi Fitness
• digunakan untuk
mengevaluasi dan
menentukan apakah suatu
kromosom akan bertahan
atau tidak,
• digunakan untuk
mereproduksi kromosom
baru.
SELEKSI
Tujuan seleksi adalah untuk
memberikan kepada kandidat
solusi yang ‘terlayak’
mempunyai kemungkinan
yang lebih besar untuk terpilih
menghasilkan keturunan
Roulette Wheel adalah
metode yang menirukan
permainan roulette-wheel
dimana individu-individu
menempati potongan
lingkaran pada roda roulette
sesuai dengan nilai fitnessnya
Operator GA
Operator genetik
digunakan untuk untuk
melestarikan keragaman
genetik atau karasteristik
kandidat (solusi) pada
suatu populasi
Kriteria Berhenti
MUTASI
KAWIN SILANG
Metode penelitian
Studi
literatur
Pengolahan Data dan
Implementasi Program
Uji coba
dan
evaluasi
Penarikan
Kesimpulan
Bagaimana GA
menyelesaikan
permasalaha CMS?
Penjadwalan
Pembentukan Sel
Kromosom
Tata letak
Fitness function
Berat Posisi
𝑛
Min
𝑔[𝑗]
𝑗=1
Fungsi Kendala
• memastikan bahwa setiap mesin dan part hanya ditugaskan ke satu sel.
• mencegah dari menugaskan lebih dari NM mesin untuk setiap sel.
kendala ini juga mencegah semua mesin hanya ditugaskan pada hanya
pada satu sel.
• mencegah dari menugaskan satu atau tidak ada part sama sekali ke
dalam setiap sel.
• membatasi bahwa setiap posisi hanya menerima satu mesin
• menjamin bahwa setiap mesin hanya ditugaskan untuk satu posisi.
• memastikan bahwa sel yang dipilih oleh salah satu part setidaknya
memiliki satu mesin untuk memproses satu operasi dari bagian itu.
• membebankan bahwa operasi dari setiap part diproses menurut urutan.
• menjamin bahwa mesin tidak dapat memproses lebih dari satu part pada
waktu yang sama.
Uji coba program
Tampilan GUI Program
Hasil
Data Simulasi
Hasil
Data yang di ambil dari TA Adib
Shururi
Analisa Hasil
Pada beberapa kombinasi yang digunakan pada data simulasi, fungsi fitness mulai stagnan (tidak ada kenaikan pada nilai
optimum) pada generasi kurang dari 30, sedangkan untuk beberapa kombinasi yang lain, fungsi fitness ini meningkat sampai pada generasi
ke-50. Perubahan nilai fitness ini dikarenakan ruang lingkup permasalahan masih pada lingkup yang kecil. Banyaknya sel yang dibentuk
adalah 2. Sedangkan untuk data dari penelitian sebelumnya, fungsi fitness masih menanjak pada generasi di atas 70 dengan sel yang
dibentuk adalah 3.
Pada hasil tersebut menunjukkan bahwa parameter GA berpengaruh pada hasil solusi yang diperoleh. Pada pembangkitan
populasi awal, sangat penting untuk menyesuaikan popsize dengan ukuran data pada permasalahan yang akan diselesaikan. Dalam
penelitian ini, pada data simulasi dengan ukuran14 x 7, populasi 60 memberikan solusi yang baik, dan 30 generasi sudah memberikan
hasil yang baik, sedangkan untuk data dari penelitian sebelumnya dengan ukuran data 14 x 72, pada generasi 80 nilai fitness sudah stagnan,
dikombinasikan dengan populasi 40. Jadi, secara umum, kombinansi populasi 40 dan 80 generasi mampu memberikan solusi yang
optimum.
Penggunaan operator GA sangat berdampak pada solusi yang dihasilkan. Perubahan hasil yang diperoleh dari penggunaan
probabilitas mutasi atau tidak memberikan perubahan nilai yang jauh lebih tinggi untuk nilai fitness.
Perubahan nilai probabilitas crossover dan mutasi juga memberikan dampak yang berarti pada performa GA. Pada
pengujian yang dilakukan pada kedua data tersebut. Probabilitas crossover dan mutasi berturut-turut 0.65, 0.1 memberikan solusi yang
optimum untuk data simulasi. Untuk data dari penelitian sebelumnya, kombinasi probabilitas crossover dan probabilitas mutasi berturutturut 0.85, 0.05 memberikan solusi yang optimum. Untuk lebih jelasnya, hasil keseluruhan yang dilakukan pada penelitian ini ditunjukkan
pada Tabel 6.13.
Pendekatan cellular manufacturing yang diterapkan dalam penelitian ini, yaitu menggabungkan PS, Gl dan GS, menunjukkan bahwa ketiga
masalah tersebut saling berdampak antara satu dengan yang lainnya. Jadi, untuk pengerjaan ketiga permasalahan tersebut perlu
dipertimbangkan untuk dikerjakan secara bersamaan agar mendapatkan solusi yang lebih baik.
Kesimpulan
1. Algoritma Genetika dapat digunakan untuk menyelesaikan permasalahan CMS
dan dapat memberikan beberapa variasi solusi.
2. Penentuan nilai parameter GA berpengaruh pada pencarian solusi dan tergantung
dari permasalahan yang diangkat
3. Untuk data simulasi dengan ukuran 7 x 14, nilai parameter GA, yaitu inisialisasi
populasi, maksimal generasi, probabilitas crossover dan probabilitas mutasi
berturut-turut 60, 30, 0.65 dan 0.1 mampu memberikan hasil yang optimum.
4. Untuk data penelitian sebelumnya dengan ukuran 14 x 72, nilai parameter GA,
yaitu inisialisasi populasi, maksimal generasi, probabilitas crossover dan
probabilitas mutasi berturut-turut 40, 80, 0.85 dan 0.05 mampu memberikan
hasil yang optimum.
5. Terdapat hubungan yang signifikan antara tiap permasalahan di dalam cellular
manufacturing, yaitu antara pembentukan sel, GL dan GS.
6. Solusi yang diberikan mampu mengurangi makespan dan memperbaiki
keteraturan proses perjalanan produksi tiap part, yaitu diperoleh makespan untuk
data simulasi adalah 35.9 dan makespan untuk data yang diambil dari penelitian
sebelumnya adalah 78.6.
Daftar Pustaka
[1] Purnomo, H., Kusumadewi ,S.. Aplikasi Algoritma Genetikav Untuk Penentuan Tata Letak
Mesin. Yogyakarta. Universitas Islam Indonesia.
[2] Apple, JM. Tata Letak Pabrik dan Pemindahan Bahan. Bandung: ITB. 1990.
[3] Drira, A., Pierreval, H., Hajri-Gabouj, S.2007. Facility layout problems: A survey. Annual
Reviews in Control, Volume 31, Issue 2, Pages 255-267.
[4] Tarn, K.Y.1991.Genetic algorithms, function optimization,and facility layout design. European
Journal of Operational Research, Volume 63, Issue 2, Pages 322-346.
[5] Shururi, A. 2008.Optimisasi Tata Letak Fasilitas Dalam Sistem manufacturing Cellular Dengan
Menggunakan Pendekatan Genetic Algorithm. Tugas Akhir Teknik Industri FTI ITS.
[6] Mahdavi, I, Paydar, M.M., Solimampur, M., Heidarzade, A. 2008. Genetic Algorithm Approach
for Solving a Cell Formation Problem in Cellular Manufacturing. Expert Systems with
Applications, Volume 36, Issue 3, Part 2, Pages 6598-6604
[7] Wu, X., Chu,C.H., Wang, Y., Yan , W.2007. A genetic algorithm for cellular manufacturing
design and layout. European Journal of Operational Research, Volume 181, Issue 1, Pages 156167
[8] Wu, X, Chu , C., Wang, Y., Yue, D.2007.Genetic algorithms for integrating cell formation with
machine layout and scheduling. Computers & Industrial Engineering, Volume 53, Issue 2, Pages
277-289.
[9] Muthing, M, Onwubulu, G.C. Integrated Cellular Manufacturing Design And Layout Using
Group Genetic Algorithm. HITAL. Toronto .
[10 Suyanto. 2007. Algoritma Genetika dengan Matlab. Andi.