6

BAB II
TINJAUAN PUSTAKA
Di bawah ini akan dijabarkan mengenai landasan teori yang digunakan sebagai
referensi atau acuan yang berhubungan dengan permasalahan tugas akhir ini yaitu
konsep permodelan sebuah sistem penjadwalan produksi.
2.1 PenelitianTerdahulu
Penelitian yang telah dilakukan sebelumnya yangberhubungan dengan penjadwalan
produksi diantaranya adalah:
1. Wieldan (2011), menerapkan algoritma genetika untuk mengoptimalkan waktu
body repair mobil. Hasil dari penelitian ini mendapatkan nilai probabilitas
crossover (Pc) di 90% dan probabilitas mutasi (Pn) 90%, menjadikan hasil fitness
tertinggi dan beragam. Karena banyaknya jumlah generasidan jumlah populasi
yang terproses, maka semakin besar pula nilai fitnessnya karena semakin
beragamnya kromosom yang terbentuk. Berlaku sebaliknya semakin kecil nilai
probabilitas crossover (Pc) yaitu (10%) dan probabilitas mutasi (Pm) 10% maka
2.

didapat nilai fitness yang kecil.

Lestari (2009), melakukan penelitian untuk mencari solusi yang mendekati optimal
pada penjadwalan produksi dengan menggunakan algoritma semut dan hasilnya
akan dibandingkan dengan software win QSB. Hasil dari pengujian diperoleh nilai
parameter-parameter yang menghasilkan solusi relatif optimal yaitu jumlah semut=
15, feromon awal= 1, tingkat kepentingan relatif dari informasi heuristik= 1,
konstanta feromon= 10, dan tetapan penguapan tidak berpengaruh. Algoritma semut
menghasilkan solusi yang mendekati optimal dibandingkan dengan Software win
QSB.

Unsur
Obyek Penelitian
Metode
Alat
Hasil

Wieldan
Bengkel
Algoritma Genetika
Microsoft Visual C
Mendapatkan

Darmayanti Puji Lestari

Algoritma semut
Software win QSB
nilai Diperoleh nilai parameter-

probabilitas crossover (Pc) parameter

yang

di 90% dan probabilitas menghasilkan solusi relatif

mutasi
menjadikan
tertinggi

(Pn)

90%, optimal

hasil
dan

yaitu

jumlah

fitness semut= 15, feromon awal=

beragam. 1,

tingkat

kepentingan

7
Karena banyaknya jumlah relatif
generasidan
populasi

dari

jumlah heuristik=

yang

1,

informasi
konstanta

terproses, feromon= 10, dan tetapan

maka semakin besar pula penguapan

nilai

fitnessnya

semakin

karena berpengaruh.

semakin

Algoritma

beragamnya semut menghasilkan solusi

kromosom yang terbentuk. yang

Berlaku

tidak

mendekati

sebaliknya dibandingkan
kecil

optimal
dengan

nilai Software win QSB.

probabilitas crossover (Pc)

yaitu

(10%)

dan

probabilitas mutasi (Pm)

10% maka didapat nilai
fitness yang kecil.

2.2 Penjadwalan
Penjadwalan adalah proses pengalokasian sumber-sumber untuk memilih
sekumpulan tugas dalam jangka waktu tertentu (Nurhadi, 2009).
Dari penjelasan tersebut mengandung dua arti yaitu :
1.
2.

Penjadwalanmerupakanfungsipengambilankeputusan, yaitumenentukanjadwal.
Penjadwalan merupakan suatu teori, yaitu suatu kelompok prinsip-prinsip dasar,
model, teknik, dan kesimpulan logis dalam proses pengambilan keputusan yang
memberikan pengertian dalam fungsi penjadwalan.
Penjadwalan juga dapat didefinisikan sebagi pengambilan keputusan tentang

penyesuaian aktivitas dan sumber daya dalam rangka menyelesaikan sekumpulan job
supaya tepat pada waktunya dan memiliki kualitas seperti yang diinginkan. Keputusan
yang dibuat dalam penjadwalan meliputi:
1. Pengurutan pengerjaan (sequencing).
2. Waktu mulai dan selesai pekerjaan (timing).
3. Urutan operasi untuk suatu pekerjaan (routing).
Masalah penjadwalan akan datang apabila job datang bersamaan pada satu waktu
pada satu mesin , sedangkan mesin hanya dapat memproses satu job dalam satu waktu.
Oleh karena itu, harus dibuat penjadwalan yang baik.
Adapun tujuan utama dari proses penjadwalan adalah sebagai berikut :
1. Meningkatkan produktivitas mesin dengan cara mengurangi waktu
(menganggur)

idle

8
2.

Mengurangi jumlah rata-rata pekerjaan yang menunggu dalam antrian suatu mesin

3.

karena mesin tersebut sibuk.

Mengurangi keterlambatan karena telah melampaui batas waktu dengan cara
mengurangi maksimum keterlambatan dan mengurangi jumlah pekerjaan yang
terlambat.
Berdasarkan

aliran

proses,

pada

penjadwalanjob

dikenaldengan

model

penjadwalan, yaitu penjadwalanflow shop dan penjadwalan job shop. Ppenjadwalanflow

shop adalah usaha untuk mengurutkan n job yang diproses dalam setiap m mesin
dimana urutan mesin pada setiap job sama dan tetap. Sedangkan pada penjadwalanjob
shop mengurutkan n job yang diproses dalam setiap mesin tetapi masing-masing job
dapat mempunyai urutan mesin yang berbeda. (Nurhadi, 2009).
Pada penjadwalanjob shop sendiri terdapat penjadwalanjob shop statis dan
penjadwalanjob shop dinamis jika dilihat dari waktu kedatangan job. Pada job shop
statis, penambahan job baru saat proses akan diabaikan, sedangkan job dinamis , jika
saat proses terdapat penambahan job saat t-waktu maka job tersebut akan diproses, bisa
dijadwalkan ulang atau dengan menambah proses setelah waktu ditambahkan. Job
dinamis dibagi menjadi job dinamis deterministik dan non deterministik, bisa disebut
deterministik jika informasi waktu kedatangan job telah diketahui sebelumnya
sebaliknya

jika

informasi

job

belum

diketahui

sebelumnya

maka

disebut

penjadwalanjob non deterministik.

Terdapat 3 pendekatan untuk penjadwalan ulang, yaitu melakukan penjadwalan
kembali dari awal, melakukan perbaikan terhadap jadwal, dan menghilangkan beberaoa
operasi yang telah dikerjakan pada proses lama, dan melakukan penjadwalan ulang
terhadap operasi yang belum dikerjakan.
2.2.1 ElemenPenjadwalan
Pada permasalahan penjadwalan terdapat elemen-elemen penting didalamnya,
diantaranya:
1. Job
Jobialah suatu pekerjaan yang harus dikerjakan dan diselesaikan untuk
mendapatkan suatu produk. Job terdiri atas beberapa operasi yang harus dikerjakan
(minimal satu operasi)
2. Operasi
Untuk menyelesaikan suatu job, operasi dalam job harus diurutkan dalam suatu
urutan pengerjaan tertentu. Suatu operasi dapat dikerjakan apabila operasi yang
mendahuluinnya telah selesai dikerjakan.
3. Mesin

9
Mesin ialah sumber daya yang diperlukan untuk menyelesaikan job. Mesin hanya
dapt memproses satu job pada satu waktu.
2.3 Penjadwalan Produksi
Menurut Ponnambalan (2001), Penjadwalan produksi dapat diartikan sebagai
pengalokasi sumber daya untuk pengerjaan operasi-operasi tertentu dengan tujuan
memperoleh jadwal produksi yang paling optimal.
Pada penjadwalan produksi yang dimaksudsebagai operasi adalah job, sedangkan
sumber dayanya adalah mesin produksi. Sehingga permasalahan penjadwalan produksi
dapat diartikan sebagaiproses pengurutan job-job pada mesin-mesin yang berbeda
dalam suatu unit produksi untuk mencapai kondisi yang optimal.
Untuk setiap permasalahan jobmesin, ada banyak jadwal yang bisa dibangun.
Untuk menunjukkan proses penjadwalan yang terjadi, biasanya jadwal produksi
direpresentasikan ke dalam bentuk ghant chart, dikembangkan oleh Henri L Gant.
Ghant Chart merupakan representasik grafis pekerjaan- pekerjaan yang harus
diselesaikan, digambarkan dalam bentuk susunan balok yang analog dengan waktu
penyelesaian pekerjaan (Nurhadi, 2009).
Penjadwalan terdiri dari 3 buah job dan 3 proses, yaitu job 1 yang dijalankan
pertama pada mesin 1 dimulai pertama kali saat t = 0 dengan nilai 2 menit dab berakhir
pada saat t = 2 kemudian job 1 proses kedua dijalankan mesin 2 dimulai setelah proses
job proses 1 proses pertama selesai, yaitu saat t = 2 pada saat bersamaan job 3 proses
pertama di proses pada mesin 1 dimulai setelah mesin tersebut tidak digunakan (saat
proses sebelumnya pada mesin tersebut selesai) yakni saat job 1 pada mesin 1 selesai
dikerjakan yaitu pada saat t = 2, kemudian job 1 proses ketiga diproses pada mesin 3
menunggu sampai proses pada job 1 sebelumnya diselesaikan , dan seterusnya hingga
didapatkan hasil waktu maksimum untuk proses tersebut yaitu ketika waktu mencapai
12 menit, job terakhir yang diselesaikan yaitu job 2 diproses pada mesin ketiga.
Adapun keuntungan dari Gant Chartantara lain :
1. Semua job diperlihatkan dalam bentuk peta grafis yang mudah dipahami.
2. Kemajuan pekerjaan mudah diamati setiap waktu karena mudah dilihat.
2.2.3 TujuanPenjadwalanProduksi
Tujuan dari penjadwalan produksi adalah untuk mencari urutan pekerjaan yang
paling optimal. Salah satu tujuannya adalah meminimalisasi waktu makespan.
Makespan merupakan total waktu yang dibutuhkan untuk menyelesaikan semua job
hingga semua job terselesaikan (Laha, 2008).
2.3 Penjadwalan Flow Shop

10
Penjadwalan flow shop (Rosnani, 2009) merupakan suatu pergerakan unit-unit yang
terus-menerus melalui suatu rangkaian stasiun-stasiun kerja yang disusun berdasarkan
produk. Susunan suatu proses produksi jenis flow shop dapat diterapkan dengan tepat
untuk produk-produk dengan desain yang stabil dan diproduksi secara banyak.
Sistem penjadwalan dalam flow shop adalah penjadwalan dari seluruh job dengan
urutan proses sama dan masing-masing job menuju ke massing-masing mesin dalam
waktu tertentu. Sistem ini dapat digambarkan seperti urutan linier pada mesin-mesin
seperti pada lini perakitan. Setiap job diproses sesuai dengan urutan prosesnya dan dari
suatu mesin ke mesin lainnya. Penjadwalan yang memiliki urutan yang sama atas
penggunaan masing-masing mesin disebut dengan permutation schedule. Dalam kriteria
pengukuran diperlukan penjadwalan yang terus berjalan tanpa adanya waktu nganggur.
Perhitungan penjadwalan harus dipertimbangkan ketika didapatkan solusi yang optimal
dengan meningkatkan jumlah job atau mesin.
Pada umumnya setiap operasi berikutnya berasal dari satu operasi yang
mendahuluinya dan operasi kedua dari terakhir mempunyai satu operasi yang
mengikutinya. Oleh karena itu setiap job memiliki urutan operasi yang spesifik untuk
menyelesaikan job tersebut. tipe struktur ini sering disebut sebagai linier precedence
diagram.
Lantai produksi terdiri dari m mesin berbeda, setiap job terdiri dari m operasi yang
memerlukan mesin yang berbeda. Karakteristik flow shop dinyatakan dengan aliran
pekerjaan yang terarah. Pada pekerjaan flow shop penomoran mesin dimungkinkan,
sehingga jika operasi ke-j dari suatu jobmendahului operasi ke-k, maka mesin yang
diperlukan dari operasi ke-j mempunyai nomor yang lebih kecil dibandingkan dengan
mesin yang dibutuhkan oleh operasi ke-k, maka mesin yang diperlukan dari operasi ke-j
mempunyai nomor yang lebih kecil dibandingkan dengan mesin yang dibutuhkan oleh
operasi ke-k. Mesin-mesin dalam penjadwalan flow shop dicirikan job cenderung
memiliki kesamaan urutan proses operasi (routing) untuk semua job. Flow shop
dibedakan atas Pure Flow shop,yaitu flow shop yang memiliki pola aliran proses yang
berbeda. Ini disebabkan adanya variasi dalam pengerjaan tugas yang datang tidak harus
dikerjakan pada semua mesin. Jadi mungkin saja suatu proses dilewati. Penjadwalan
Flow shop terdiri dari:
1. Pure Flow shop
Yaitu flow shop yang memiliki jalur produksi yang sama untuk semua tugas.
Pure Flow shop dengan teknologikal terjadi dijadwalkan dengan tiap job harus
Input
(Pekerjaan-pekerjaann baru)
M1

M2

M3

M4
Output

11
diproses maka Mk sebelum Ml. Itu sama untuk semua job. Semua job
memerlukan dan dikerjakan dimana satu operasi dikerjakan pada satu mesin.
Dengan kata lain urutan proses untuk tiap-tiap pekerjaan pada mesin adalah
identik (sama).

Gambar 2.1 Pola Aliran Pure Flow Shop

Sumber: Baker (1974)
2. General Flow shop
Yaitu flow shop yang memiliki pola aliran yang berbeda. Ini disebabkan adanya
variasi dalam pengerjaan tugas, sehingga tugas sehingga tugas yang adatang
tidak dikerjakan pada semua mesin. Jadi memungkinkan suatu proses dilewati.
Penjadwalan dilakukan dengan membagi permasalahan kedalam beberapa tipe.

Input

Input

M1

Output

M2

Output

Input
Input

M3

Input

M4

Output
Output

M5
55\\
\5n
Output
55

Gambar 2.2 Pola Aliran General Flow Shop

Sumber: Baker (1974)

Dalam general flow shop dibagi menjadi 3 kategori yaitu:

1) Skip Flow Shop
Aliran pekerjaan pada jenis aliran proses ini cenderung melalui urutan
proses yang sama, tetapi ada beberapa pekerjaan yang tidak diproses pada
mesin-mesin tertentu. Lebih jelasnya dapat dilihat di gambar 2.3.

Gambar 2.3 Pola Aliran Proses Skip Flow Shop

Sumber: Baker (1974)
2) Reentrant Flow Shop
Yakni proses dimana terdapat penggunaan satu atau beberapa mesin lebih
dari sekali dalam membuat produk yang dimaksud. Lebih jelasnya dapat
dilihat pada gambar 2.4.

12

M1

M2

M3

M4

M5

Gambar 2.4 Pola Aliran Proses Reentrant Flow Shop

Sumber : Baker (1974)

3) Compound Flow Shop

Yakni aliran proses yang memuat kelompok jenis mesin pada setiap tahap
prosesnya. Kelompok mesin biasanya berupa mesin-mesin pararel seperti
pada gambar 2.5.

M1

M4

M6

M2

M5

M7

M3

M8

Gambar 2.5 PolaAliran Proses Compound Flow Shop

Sumber: Baker (1974)
Penjadwalan Flow shop berdasarkan suatu aliran produksi, yang mana mesinmesin yang ada disusun sesuai dengan urutan proses produksinya (seri) dan job
harus melalui urutan mesin yang sama. penjadwalan flow shop dapat disebut
sebagai permutation flow shop apabila urutan job yang ada pada tiap mesin
tidak berubah. Penjadwalan flow shop ini memiliki beberapa asumsi, antara
lain:
1. Tidak ada 2 operasi pada job yang sama berjalan secara simultan.
2. No pre-emption, artinya setiap operasi pada suatu mesin harus dikerjakan
sampai selesai sebelum operasi lain terjadi pada mesin tersebut.
3. No cancellation, setiap job harus diproses hingga selesai.
4. Waktu proses untuk setiap job pada setiap mesin selalu tetap.
5. Setiap mesin hanya bisa diproses oleh satu job dalam waktu yang sama.
2.3 Penyelesaian Masalah Optimasi
Penjadwalanhybridflow shop merupakan salah satu masalah optimasi, dimana
diharapkan hasil akhir dari proses penjadwalan menghasilkan nilai yang optimal.
Masalah optimasi dapat diselesaikan dengan dua cara yaitu dengan metode
konvensional dan metode heuristik.

13
2.3.1 Metode Konvensional
Metode konvensional adalah metode yang menggunakan perhitungan matematika
biasa. Metode konvensional yang biasa digunakan adalah Algoritma Djiksta.
2.3.2 Metode Heutistik
Algoritma Heuristik merupakan algoritma yang dikembangkan untuk mengatasi
permasalahan kombinatorial yang kompleks. Pada algoritma heuristik ruang masalah
yang dikerjakan dibatasi, sehingga waktu yang dibutuhkan untuk melakukan komputasi
lebih cepat dari pada algoritma non heuristik. Algoritma heuristik tidak selalu dapat
menghasilkan solusi yang paling optimal karena pembatasan tersebut, tetapi solusi yang
dihasilkan mendekati optimal.
Algoritma heuristik dibedakan menjadi 2 tipe, yaitu constructive heuristis dan
improvement heuristic memulai pencarian denagn satu solusi sebagai inisial awal yang
didapatkan

dengan

metode

tertentu,

yang

termasuk

algoritma

constriuctive

heuristikdiantaranya adalah NEH. Sedangkan algoritma improvement heuristic

melakukan pencarian secara iteratif, yang termasuk improvement heuristic adalah
algoritma genetika dan tabu search.
2.4 Algoritma Genetika
Algoritma genetika diperkenalkan oleh Jon Holland (1975) di Universitas Michigan
Amerika Serikat. Melalui sebuah penelitian dan dipopulerkan oleh salah satu uridnya
David Goldberg. Algoritma genetika yaitu algoritma yang didasarkan mekanisme
kinerja evolusi biologis (Nedi Satriawan, 2010). Keberagaman pada evolusi biologis
adalah

variasi

susunan

kromosom

antar

individu.

Variasi

kromosom

akan

memperngaruhi laju reproduksi dann ketahanan untuk tetap hidup. Individu kuat akan
lebih dapat bertahan hidup. Pada saat tertentu, akan terjadi proses ketahanan hidup dan
akhirnya banyak memuat organisme yang baik. Konsep biologis inilah yang akhirnya
mendasari untuk diperkenalkan algoritma genetika.
Algoritma genetika berpeluang untuk menemukan daerah solusi yang merupakan
solusi global optimum. Algoritma genetika melakukan pencarian secara iteratif pada
sekumpulan solusi yang dinamakan populasi, dengan dilengkapi operator crossover dan
mutasi algoritma genetika akan mengalami konvergensi (keseregaman) pada solusi
optimum.

14
Algoritma genetika memiliki beberapa perbedaan dari metode tradisional lainnya
diantaranya adalah (Wainwright, 1993) :
1.
2.
3.

Algoritma genetik bekerja dalam bentuk kode dengan sekumpulan parameter.

Algoritma genetika bekerja dari sempulan solusi, bukan hanya satu titik.
Aplikasi operator algoritma genetika menyebabkan informasi dari generassi

4.

sebelumnya untuk digunakanpada generasi berikutnya.

Algoritma genetika menggunakan aturan transisi probabilistik, bukan aturan
deterministik.

2.4.1 Parameter Algoritma Genetika

Menurut Kuswadi (2007), parameter standart Algoritma Genetika meliputi :
1. Ukuran populasi
Ukuran populasi akan mempengaruhi kinerja algoritma genetika, ukuran populasi
yang terlalu kecil kinerjannya kurang baik, karena tidak mewakili seluruh
2.

permasalahan.
Probabilitas Crossover
Kemungkinanterjadinya

operator

crossoverdikendalikan

oleh

probabilitas

crosovernya,jika probabilitas crosovernya tinggi, maka kromosom yang memiliki

3.

kualitas baik akan cepat hilang dari populasi.

Probabilitas Mutasi
Nilai probabilitas mutasi yang rendah akan mengakibatkan kurangnya variasi
individu.Parameter

algoritma

genetika

ini

akan

menentukan

proses

keberlangsungan penjadwalan. Nilai parameter ditentukan berdasar permasalahan

yang akan dipecahkan.
2.4.2 Komponen Algoritma Genetika
Terdapat 6 komponen dalam algoritma genetika (Kusuma Dewi, 2005)
1. Penyandian/ representasi Chromosome
Representasi chromosome meliputi penyandian gen dan kromosom. Gen merupakan
bagian dari kromosom, gen merupakan wakil dari satu variabel.Pada permasalahan
paenjadualan job shop representasi penyandian dapat dituliskan sebagai berikut.
[425136]
Pada penyandian tersebut menunjukkan jadwal produksi dalam permasalahan 6 job,
sehingga kromosom yang tersusun sebanyak 6 gen. Tiap gen ditandai 1 sampai 6
2.

yang merepresentasikan urutan job yaitu

425136
Prosedur inisialisasi
Inisialisai kromosom dilakukan secara acak , dan tetap harus memperhatikan
domain solusi dan kendala permasalahan yang ada. Ukuran populasi tergantung

15
pada masalah yang akan dipecahkan dan jenis operator genetika yang akan
3.

diimplementasikan.
Fungsi Fitnes
Fungsi fitness adalah suatu fungsi yang digunakan oleh algoritma genetika untuk
menentukan

nilai

kecocokan

(fitness)

suatu

kromosom.

Sebagian

besar

permasalahan optimasi yag dihadapi, fungsi fitness dibangun berdasarkan fungsi

objektif nya. Nilai fitness tiap kromosom menjadi ukuran kualitas kromosom.
Kromosom dengan nilai fitness tertinggi memiliki kesempatan yang lebih besar
untuk terpilih sebagai parent

dan diharapkan dapat menghasilkan keturunan-

keturunan yang lebih baik dari pada orang tuanya, sehingga didapatkan suatu
solusi setelah beberapa generasi.
Untuk penentuan nilai fitness yang banyak digunakan pada algoritma genetika
unakan rumus 2.1.
F=
4.

( 2.1 )

Seleksi
Menurut Kusumadewi dan Purnomo (2005), tujuan dari seleksi adalah memberikan
kesempatan reproduksi yang lebih besar bagi anggota populasi yang paling fit.
Metode yang paling sering digunakan untuk seleksi ini adalah roulette wheels,
karena metode ini yang dianggap paling

sederhana. Langkah-langkah seleksi

menggunakan roulette wheels adalah sebagai berikut ( Kusumadewi dan Purnomo,

2005) :

5.

a. Hitung total fitness

b. Hitung relatif fitness tiap individu
c. Hitung fitness komulatif
d. Pilih individu yang akan menjadi kandidat untuk crossover
Operator Genetika
Pada algoritma genetika, menggunakan dua macam operator yaitu operator
crossover dan operator mutasi.
1. Crossover
Operator crossover mempunyai peranan yang penting dalam algoritma
genetika karena terdapat proses perkawinan gen antara dua individu (parent)
yang akan menghasilkan dua individu baru (offspring) pada generasi berikutnya.
Terdapat beberapa jenis crossover, one point crossover, multi point crossover,
order based crossover. Multi point crossover hampir sama dengan one point
crossover. Pada one point
jumlahnya lebih dari satu.

jumlah titik satu, sedangjan pada multi point

16
Penggabungan dua buah individu untuk mendapatkan dua buah individu anak
(offspring). Berikut gambaran 2.2 yang menunjukkan proses crossover dan
penjelasannya menggunakan metode order based crossover (OX) (Suyanto,
2005).

[251436
Induk 2 [ 3 2 6 1 5 4]
Anak 1 [ 2 4 6 1
Gambar 2.2
5 Proses
3 ] Crossover OX
Berikut penjabaran langkah-langkah proses order based crossover
Anak
2
[ 2seperti
6 1gambar
4
a. Dua kromosom yang
menjadi
induk
diatas yaitu induk 1
35]
dan induk 2.
b. Pilih substring dari sebuah induk secara acak.
Induk 1 [ 2 5 1 4 3 6 ]
Induk 2 [ 3 2 6 1 5 4 ]
c. Bangkitkan protochild dengan mengkosongkan tempat substring induk 2
pada induk 1.
Protochild 1 [ x x 1 4 3 x ]
Protochild 2 [ x x 6 1 5 x ]
d. Tempatkan alele dari substring pada tempat yang bersesuaian.
Protochild 1 [ 2 5 x x x 6 ]
Protochild 2 [ 3 2 x x x 4 ]
e. Tukar substring antar dua induk.
Anak 1 [ 2 4 6 1 5 3 ]
Anak 2 [ 2 6 1 4 3 5 ]
2. Mutasi
Mutasi adalah nilai gen individu induk untuk mendapatkan individu anak.
Berikut gambar 2.3 yang menunjukkan proses mutasi invers mutation
(Suyanto, 2005).
Induk [ 1 2 4 5 3
] 2.3 Proses invers mutation
Gambar
Berikut penjabaran langkah-langkah proses invers mutation
a. Pilih induk yang akan mengalami mutasi

Induk [ 1 2 4 5 3 ]
b. Tentukan titik awal dan akhir substring yang akan mengalami mutasi
Substring [ x 2 4 5 x ]
c. Balik susunan substring
Substring [ x 5 4 2 x ]
d. Gabungan
Anak [ 1 5 4 2 3 ]

17
6.

Penentuan Parameter
Nilai parameter ditentukanberdasarkanpermasalahan
Parameter

kontrolalgoritmagenetikayaitu,

yang

ukuranpopulasi,

akandipecahkan.
peluangcrossover,

danpeluangmutasi.
2.5 Alternatif Algoritma
2.5.1 Algoritma Semut
Algoritma semut diperkenalkan oleh Moyson dan Manderick dan secara luas
dikembangkan

oleh

Marco

Dorigo,

merupakan

teknik

probabilistik

untuk

menyelesaikan masalah komputasi dengan menggunakan jalur terbaik melalui grafik

Algoritma semut diadopsi dari perilaku koloni semut yang dikenal sebagai
sistem semut. Secara alamiah koloni semut mampu menemukan rute terpendek dalam
perjalanan sarang ke tempat-tempat sumber makanan. Koloni semut dapat menemukan
rute terpendek antara sarang dan tempat sumber makanan berdasarkan jejak kaki pada
lintasan yang telah dilalui. Semakin banyak semut yang melalui suatu lintasan, maka
semakin jelas bekas kakinya. Hal ini akan menyebabkan lintasan yang dilalui semut
semakin sedikit, semakin lama semakin berkurang kepadatan semut yang melewatinya,
atau bahkan akan tidak dilewati sama sekali. Sebaliknya lintasan yang dilalui semut
dalam jumlah banyak, semakin lama akan semakin bertambah kepadatan semut yang
melewatinya, atau bahkan semua semut akan melalui lintasan tersebut.
AlgoritmaSemutmenawarkansolusimendekatioptimaldalampenjadwalan flow
shop dengan cara menemukan jalur terbaik melalui graf. Obyek masalah (job dan
mesin)akandirepresentasikansebagaisimpuldalamgraf,sedangkanhubunganantar
obyek (waktu proses) direpresentasikan dengan garis yang menghubungkan simpul
simpultersebut.

2.6 Matlab
Matlab adalah sebuah bahasa dengan (high-performance) kinerja tinggi untuk
komputasi masalah teknik. Matlab mengintegrasikan komputasi, visualisasi, dan
pemrograman dalam suatu model yang sangat mudah untuk digunakan, dimana
masalah-masalah dan penyelesaiannya diekspresikan dalam notasi matematika yang
familiar. Penggunaan matlab meliputi bidang:
1.
2.
3.

Matematika dan Komputasi

Pembentukan Algorithm
Akusisi Data

18
4.
5.
6.

Permodelan, simulasi, dan pembuatan prototipe

Analisa data, explorasi, dan visualisasi
Grafik Keilmuan dan bidang Rekayasa

Matlab merupakan perangkat lunak yang cocok dipakai sebagai alat komputasi
yang melibatkan penggunaan matriks dan vektor. Matlab memberikan sistem interaktif
yang menggunakan konsep array/matrik sebagai standar variabel elemennya tanpa
membutuhkan pendeklarasian array pada bahasa lainnya.
Nama MATLAB merupakan singkatan dari matrix laboratory. MATLAB
dikembangkan oleh MathWorks, pada awalnya ditulis untuk memudahkan akses
perangkat lunak matrik yang telah dibentuk oleh LINPACK dan EISPACK. Saat ini
perangkat MATLAB telah menggabung dengan LAPACK dan BLAS library, yang
merupakan saru kesatuan dari sebuah seni tersendiri dalam perangkat lunak untuk
komputasi matrik.
Fungsi-fungsi dalam toolbox Matlab dibuat untuk memudahkan perhitungan
tersebut. sebagai contoh, matlab dapat dengan mudah dipakai untuk menyelesaikan
permasalahan linier, program linier dengan simpleks hingga sistem yang kompleks
seperti peramalan runtun waktu (time series).
Banyaknya model jaringan syaraf tiruan menggunakan menipulasi matris/vektor
dalam iterasinya. Matlab menyediakan fungsi-fungsi khusus untuk menyelesaikan
model

jaringan

syaraf

tiruan.

Pengguna

hanya

perlu

memasukkan

vektor

masukan,target, model dan parameter yang diinginkan (laju pemahaman,threshold, bias,

dll).