PROPOSAL TUGAS AKHIR

OPTIMASI PREVENTIVE MAINTENANCE PADA SHIPPING PUMP

DENGAN HYBRID GENETIC ALGORITHM SIMULATED ANNEALING
DI JOINT OPERATING BODY
PERTAMINA PETROCHINA EAST JAVA (JOB P-PEJ)
SOKO TUBAN

Disusun Oleh:
Ahmad Asrori
NRP. 2410100004

Dosen Pembimbing:
Dr. Bambang Lelono W., S.T., M.T.
Hendra Cordova, S.T., M.T.

NIP. 196905071995121001
NIP. 196905301994121001

PROGRAM STUDI S-1

JURUSAN TEKNIK FISIKA
FAKULTAS TEKNOLOGI INDUSTRI
INSTITUT TEKNOLOGI SEPULUH NOPEMBER
SURABAYA
2013

LEMBAR PENGESAHAN
PROPOSAL TUGAS AKHIR
JURUSAN TEKNIK FISIKA FTI-ITS

Judul

: Optimasi Preventive Maintenance pada Shipping Pump dengan

Hybrid Genetic Algorithm Simulated Annealing Di Joint Operating
Body Pertamina Petrochina East Java (JOB P-PEJ) Soko Tuban
Bidang Studi
: Rekayasa Instrumentasi dan Kontrol
1. a. Nama
: Ahmad Asrori
b. NRP
: 2410100004
c. Jenis Kelamin
: Laki-laki
2. Jangka Waktu
: 6 bulan
3. Pembimbing
: 1. Dr. Bambang Lelono W., S.T., M.T.
2. Hendra Cordova, S.T., M.T.
4. Usulan Proposal Ke : I
5. Status
: Baru

Surabaya, 23 September 2013

Pengusul,

Ahmad Asrori
NRP. 2410100004

Menyetujui,
Pembimbing I,

Pembimbing II,

Dr. Bambang Lelono, S.T., M.T.

NIP. 196905071995121001

Hendra Cordova, S.T., M.T.

NIP. 196905301994121001

Kepala Laboratorium Rekayasa Instrumentasi dan Kontrol,

Ir. Yaumar, M.T.

NIP. 195404061981031003

I.
Judul
Optimasi Preventive Maintenance pada Shipping Pump dengan Hybrid Genetic Algorithm
Simulated Annealing Di Joint Operating Body Pertamina Petrochina East Java (JOB P-PEJ)
Soko Tuban
II.

Mata Kuliah Pilihan Bidang Minat yang Diambil

1. Instrunentasi Industri
2. Pengendalian Proses
3. Teknik Optimasi

III. Pembimbing
1. Dr. Bambang Lelono W., S.T., M.T.
2. Hendra Cordova, S.T., M.T.
IV. Latar Belakang
Di era modern seperti saat ini, energi menjadi kebutuhan yang sangat penting untuk
mendukung berjalannya aktivitas sehari-hari. Pertumbuhan penduduk yang sangat cepat
mengakibatkan permintaan kebutuhan energi terutama Bahan Bakar Minyak (BBM) terus
meningkat pesat. Sehingga perusahaan-perusahaan minyak dituntut untuk selalu konsisten
dalam menjaga kestabilan proses produksinya. Salah satu upaya dalam menjaga kestabilan
proses produksi adalah dengan menjaga kondisi semua alat dan mesin yang digunakan dalam
keadaan optimal. Maka diperlukan kegiatan maintenance (pemeliharaan) pada alat-alat dan
mesin tersebut untuk menjaga reliability (keandalan) sistem dan menyediakan redundant
(cadangan) untuk menghindari penurunan availability (ketersediaan) sistem karena tindakan
pemeliharaan.
Joint Operating Body Pertamina Petrochina East Java (JOB P-PEJ) merupakan salah
satu perusahaan minyak yang melakukan eksplorasi dan produksi pada lapangan utama Blok
Tuban dan sekitarnya. Hasil dari proses di Central Processing Area (CPA) JOB P-PEJ adalah
minyak mentah (crude oil) yang selanjutnya dikirim ke refinery unit untuk diolah menjadi
bahan bakar siap pakai. Pengiriman minyak mentah ke refinery unit dilakukan melalui
Floating Storage Offloading (FSO) di utara pantai Palang Tuban. Untuk itu, JOB P-PEJ
telah membuat piping sepanjang 55,5 km, dengan 37 km berada di bawah tanah dan 18,5 km
di bawah laut untuk aliran minyak mentah dari CPA ke FSO yang dipompakan oleh shipping
pump [1]. Alat ini ,menjadi sangat critical di JOB P-PEJ, karena kerusakannya akan
mengganggu bahkan menghentikan proses produksi minyak mentah di CPA. Sehingga JOB
P-PEJ memasang 5 shipping pump, yaitu PP-8300A/B/C dan PP-8400A/B. Dimana PP8300A/B dan PP-8400A digerakkan oleh motor listrik, sedangkan PP-8300C dan PP-8400B
digerakkan dengan diesel engine. Dalam keadaan biasa terdapat 3 shipping pump yang
beroperasi, sedangkan 2 lainnya sebagai cadangan.
Penggunaan shipping pump cadangan perlu diikuti dengan pemeliharaan yang baik
untuk menekan Life Cycle Cost (LCC) pada setiap alatnya. Ketika terjadi kerusakan pada
salah satu shipping pump, maka JOB P-PEJ akan melakukan breakdown maintenance
(pemeliharaan kerusakan). Pemeliharaan ini memerlukan biaya downtime yang mahal,
sehingga perlu dilakukan preventive maintenance (PM) untuk menekan LCC masing-masing
shipping pump. PM atau pemeliharaan pencegahan tidak memerlukan biaya downtime yang
mahal seperti halnya pemeliharaan kerusakan, karena waktu downtime menjadi lebih kecil [2].
Saat ini, JOB P-PEJ telah menerapkan strategi PM pada setiap shipping pump dengan
melakukan pemeliharaan yang terjadwal secara berkala berdasarkan operation manual dari
vendor. Jadwal pemeliharaan dari vendor didasarkan pada desain awal, bukan berdasarkan
keadaan aktual. Sedangkan fakta yang terjadi di lapangan sekarang tidak sama dengan desain

dari vendor. Karena penggunaan secara terus menerus dan bertambahnya umur shipping pump
akan mengakibatkan penurunan keandalannya [3]. Sehingga mengakibatkan jadwal
pemeliharaan shipping pump menjadi tidak optimal lagi. Untuk itu, perlu dilakukan tindakan
penjadwalan ulang pemeliharaan shipping pump yang akan menjamin keandalannya.
Jadwal pemeliharaan yang optimal dapat diperoleh dengan melakukan perhitungan
stokastik terhadap kejadian kerusakan shipping pump yang kemudian dilakukan optimasi pada
hasil perhitungan tersebut. Terdapat berbagai macam metode yang bisa digunakan untuk
mengoptimasi penjadwalan pemeliharaan, diantaranya yaitu Genetic Algorithm dan Simulated
Annealing. Genetic Algorithm merupakan algoritma pencarian heuristik yang didasarkan atas
mekanisme evolusi biologis, sedangkan Simulated Annealing adalah algoritma pencarian
heuristik yang didasarkan atas suatu proses bagaimana membuat bentuk cair berangsur-angsur
menjadi bentuk yang lebih padat seiring dengan penurunan temperatur [4]. Pada penelitian ini
akan dicari solusi penjadwalan pemeliharaan shipping pump yang optimal menggunakan
Hybrid Genetic Algorithm Simulated Annealing (GA-SA). Penggabungan kedua metode
tersebut diharapkan mampu memberikan solusi lebih cepat dan optimal untuk penjadwalan
pemeliharaan dalam jangka waktu yang panjang.
V.

Rumusan Masalah
Jadwal pemeliharaan shipping pump yang diterapkan oleh JOB P-PEJ pada saat ini
sudah kurang optimal, karena tidak sesuai dengan kondisi aktual. Sehingga dapat dirumuskan
permasalahan yang ingin diteliti yaitu bagaimana menentukan jadwal pemeliharaan shipping
pump yang optimal dengan memaksimalkan reliability dan meminimalkan total cost
pemeliharaan menggunakan metode Hybrid Genetic Algorithm Simulated Annealing untuk
penjadwalan pemeliharaan dalam jangka waktu yang panjang.
VI. Tujuan
Tujuan utama dari penelitian ini adalah mendapatkan jadwal pemeliharaan shipping
pump dengan reliability maksimal serta total cost pemeliharaan yang minimal menggunakan
metode optimasi Hybrid Genetic Algorithm Simulated Annealing. Sehingga dapat diperoleh
hasil kalkulasi yang lebih cepat dan lebih optimal untuk jangka panjang.
VII. Batasan Masalah
Agar tidak menyimpang jauh dari tujuan, maka diberikan beberapa batasan masalah
dalam penelitian sebagai berikut:
1. Preventive maintenance didefinisikan sebagai aktivitas pemeliharaan secara periodik atau
berkala, bukan secara rutin setiap hari.
2. Optimasi preventive maintenance hanya dilakukan untuk mendapatkan reliability
maksimal dan total cost pemeliharaan minimal dengan waktu penjadwalan yang tepat.
3. Penjadwalan hanya dilakukan pada dua shipping pump yang memiliki reliability paling
rendah dari jenis motor penggeraknya masing-masing, yaitu electrical motor (PP-8300A/B
dan PP-8400A) serta diesel engine (PP-8300C dan PP-8400B).
4. Data maintenance shipping pump berasal dari hasil rekap oleh Department of Construction
and Maintenance JOB P-PEJ selama bulan februari hingga pertengahan september tahun
2013.
VIII. Tinjauan Pustaka
Beberapa pustaka yang menimbulkan gagasan dan mendasari penelitian ini adalah
sebagai berikut:
[1] Nursubiyantoro, Eko. Triwiyanto. Sistem Manajemen Perawatan Unit MMU Pump dan
Oil Shipping Pump Industrial Engineering Conference (IEC): Yogyakarta. 2012.

[2]

[3]

[4]

[5]

[6]

Pada penelitian tersebut dilakukan perhitungan Mean Time Between Failure (MTBF),
Mean Time Between Run (MTTR), keandalan mesin (Availability) untuk menunjukkan
data kerusakan, waktu perawatan, dan keandalan dari masing-masing mesin MMU Pump
serta Oil Shipping Pump di Joint Operating Body Pertamina Petrochina East Java (JOB
P-PEJ).
Fithri, Prima. Optimasi Preventive Maintenance dan Penjadwalan Penggantian
Komponen mesin Kompressor dengan Menggunakan Mixed Integer Non Linear
Programming dari Kamran Thesis: Program Pascasarjana Teknik Industri, Universitas
Indonesia, Salemba. 2010.
Pada penelitian tersebut dicari sebuah solusi untuk menyelesaikan masalah penjadwalan
pemeliharaan yang optimal pada mesin kompressor dengan menggunakan Mixed Integer
Non Linear Programming dari Kamran S. Moghaddam and John S. Usher (2010). Model
Kamran ini mempertimbangkan faktor perbaikan seperti biaya kerusakan, replacement,
dan biaya lain dalam proses maintenance dengan fungsi tujuan meminimalkan biaya dan
memaksimalkan keandalan mesin.
Tsai, You-Tern. Wang, Kuo-Shong. Teng, Hwei-Yuan. Optimizing Preventive
Maintenance for Mechanical Components Using Genetic Algorithms Reliability
Engineering & System Safety: Science Direct. 2001.
Pada penelitian tersebut dilakukan penjadwalan pemeliharaan secara periodik dengan
melakukan preventive maintenance dan preventive replacement untuk mechanical
component suatu mesin menggunakan pendekatan mechatronic system berupa Genetic
Algorithm. Penjadwalan dibuat dalam jangka waktu yang panjang selama biaya
pemeliharaan masih lebih murah daripada biaya untuk membeli mesin yang baru.
Safaei, Nima. Banjevic Dragan. Jardine, Andrew K.S.. Multi-objective Simulated
Annealing for A Maintenance Workforce Scheduling Problem: A Case Study Simulated
Annealing, I-Tech Education and Publishing: Vienna, Austria. 2008. hal 27-48.
Pada panelitian tersebut dilakukan optimasi penjadwalan tenaga kerja pada bagian
maintenance dengan Multi-objective Simulated Annealing (MOSA) untuk meminimalkan
biaya tenaga kerja dan memaksimalkan ketersediaan dari equipment yang digunakan.
Penggunaan metode MOSA dikarenakan dalam optimasi ini tidak hanya menyangkut
tentang penjadwalan mesin, tetapi penjadwalan tenaga kerja yang melakukan
pemeliharaan terhadap mesin tersebut.
Sohrabi, Babak. A Comparison Between Genetic Algorithm and Simulated Annealing
Performance in Preventive Part Replacement Management Knowledge: University of
Tehran. 2006.
Pada penelitian tersebut dilakukan investigasi terhadap kemampuan Genetic Algorithm
dan Simulated Annealing untuk optimasi penjadwalan penggantian komponen. Hasil
investigasi kemudian dibandingkan dengan kriteria berupa quality of solution and
computation time, code difficulty and ease of implementation, flexibility, simplicity and
analyzability, dan robustness.
Dahal, Keshav P.. Chakpitak, Nopasit. Generator Maintenance Scheduling in Power
Systems Using Metaheuristic-based Hybrid Approaches Electrical Power Systems
Research: Science Direct. 2006.
Pada penelitian tersebut dilakukan optimasi jadwal pemeliharaan dengan teknik yang
lebih efisien. Teknik yang digunakan yaitu dengan melakukan hibridaisasi Genetic
Algorithm dengan Simulated Annealing (GA/SA) dan GA/SA dengan Heuristic Hybrid
Approaches (GA/SA/Combines). Dimana GA/SA hybrid menggunakan kriteria
penerimaan probabilistik dari SA dalam GA framework, sedangkan GA/SA/Combine
menggunakan kombinasi heuristic approaches dalam GA/SA hybrid untuk pembenihan
initial solution.

[7] Dahal, K.P.. Burt, G.M.. McDonald, J.R.. Galloway, S.J.. GA/SA Hybrid Techniques for
The Scheduling of Generator Maintenance in Power System Rolls-Royee University
Technology Centre: Department of Electrical and Electronic Engineering, University of
Strathclyde, Glasgow. 2000.
Pada penelitian tersebut menggunakan Hybrid Genetic Algorithm Simulated Annealing
(GA/SA) untuk penjadwalan pemeliharaan generator. Penerapan metode GA/SA
dilakukan dengan memasukkan kriteria penerimaan probabilistik dari SA dalam GA
framework. Hasilnya menunjukkan bahwa GA/SA memberikan solusi yang lebih efektif
daripada penerapan GA atau SA secara tunggal.
IX. Teori Penunjang
9.1. Shipping Pump
Dalam melakukan aktivitas produksinya, JOB P-PEJ hanya menghasilkan minyak
mentah yang kemudian dikirmkan ke refinery unit melalui FSO untuk diolah menjadi bahan
bakar siap pakai. Terminal FSO berada di tengah laui utara pantai Palang Tuban dengan
jarak sekitar 55,5 km dari CPA. Minyak mentah dari CPA harus dipompakan dengan tekanan
tinggi untuk menghasilkan flow rate yang cukup agar mampu mencapai terminal FSO [1].
Proses pemompaan ini dilakukan oleh shipping pump dan menjadi unit terakhir dari proses
hasil produksi di CPA. Unit ini menjadi bagian yang sangat critical dalam proses produksi di
CPA, karena modal yang ditanamkan pada unit tersebut sangat besar dan kerusakannya akan
menghentikan seluruh proses produksi [5,6]. Sehingga JOB P-PEJ memasang 3 electrical
motor shipping pump, serta 2 diesel engine shipping pump sebagai redundant (cadangan).

Gambar 1. (a) Diesel Engine Shipping Pump (b) Electrical Motor Shipping Pump
Dengan jumlah yang banyak diharapkan availability (ketersediaan) unit ini akan menjadi
tinggi. Namun konsekuensi yang harus diterima yaitu LCC dari unit tersebut juga semakin
tinggi. Untuk itu, kegiatan pemeliharaan harus dilakukan secara optimal untuk menekan total
cost dengan hasil reliability maksimal. Dimana JOB P-PEJ telah memilih strategi PM untuk
melakukan pemeliharaan secara berkala terhadap setiap shipping pump.
9.2. Preventive Maintenance (PM)
Terdapat banyak cara untuk melakukan pemeliharaan terhadap peralatan dan mesin di
industri. Salah satu diantarannya adalah Preventive Maintenance (PM), dimana pemeliharaan
dilakukan untuk mencegah konsekuensi kegagalan pada tingkat komponen maupun tingkat
pabrik [2]. PM sendiri dapat dibedakan menjadi 2 macam, yaitu routine maintenance dan
periodic maintenance. Routine maintenance (pemeliharaan rutin) merupakan kegiatan
pemeliharaan yang dilakukan secara rutin setiap hari, seperti pembersihan fasilitas atau
peralatan, pelumasan atau pengecekan oli, pengecekan isi bahan bakar, dan pemanasan
(warming up) selama beberapa menit sebelum mesin dinyalakan. Sedangkan periodic

maintenance (pemeliharaan periodik) dilakukan secara berkala dalam jangka waktu tertentu,
sehingga dibutuhkan sistem penjadwalan yang harus ditentukan sebelumnya.

Gambar 2. Performansi Alat atau Mesin yang Dilakukan PM dan Tanpa PM [6]
9.3. Distribusi Data Kerusakan
Hal terpenting yang harus diperhatikan dalam melakukan penjadwalan PM yaitu
distribusi data kerusakan mesin. Pencatatan waktu kerusakan menjadi wajib dilakukan jika
perusahaan menghendaki PM pada suatu mesin tertentu. Sebuah mesin akan melalui siklus
kerusakan seperti yang ditunjukkan oleh Bath Tube Curve.

Gambar 2. Bath Tube Curve

Mesin yang baru dioperasikan (Burn in) mempunyai tingkat kerusakan agak tinggi kemudian
menurun secara cepat. Hal ini dapat dikarenakan operator belum terbiasa dengan mesin
tersebut dan/atau pengaturan mesin masih belum sesuai dengan proses. Kemudian setelah
semuanya normal, kerusakan pada mesin akan bersifat acak (Useful life). Fokus pemeliharaan
mesin adalah pada bagian ini. Dan karena kerusakan bersifat acak, maka dilakukan
pendekatan statistik untuk menentukan waktu perawatan yang tepat. Selanjutnya, pada masa
tertentu mesin akan mengalami kerusakan yang semakin lama semakin tinggi (Wear out)
karena keusangan.
Pengolahan data kerusakan suatu mesin akan menghasilkan sebuah distribusi tertentu
yang menunjukkan karakteristik kerusakannya. Karakteristik tersebut selanjutnya digunakan
sebagai dasar penjadwalan pemeliharaan mesin. Distribusi yang paling sering dijumpai pada
data kerusakan sebuah mesin sejenis pompa adalah distribusi Weibull, Normal, Lognormal,
dan Exponential.
a. Distribusi Weibull
Distribusi Weibull umumnya didapati pada distribusi data kerusakan komponen mekanik.
Pendekatan data kerusakan menggunakan distribusi ini sering dilakukan karena mencakup
ketiga fase kerusakan seperti pada Bath Tube Curve. Terdapat dua parameter karakteristik

dari distribusi ini, yaitu shape parameter () yang menentukan bentuk kurva distribusi
kerusakan dan scale parameter () yang menentukan seberapa tinggi kerusakan yang
terjadi.

Gambar 3. Kurva Distribusi Weibull (a) Shape Parameter (b) Scale Parameter
b. Distribusi Lognormal
Distribusi Lognormal bisa memiliki berbagai macam bentuk, sehingga seringkali data
kerusakan berdistribusi Weibull juga sesuai dengan distribusi ini. Karakteristik dari
distribusi Lognormal ditentukan oleh shape parameter (s) sebagai penentu bentuk kurva
dan location parameter (tmed) yang merupakan median dari time to failure.

Gambar 4. Kurva Distribusi Lognormal

c. Distribusi Normal
Distribusi data kerusakan yang sesuai dengan distribusi Normal yaitu fenomena keausan
pada mesin. Parameter yang mentukan karakteristiknya yaitu median () atau nilai tengah
dan standard deviation ().

Gambra 5. Kurva Distribusi Normal

d. Distribusi Exponential
Distribusi Exponential merupakan distribusi dari data kerusakan dengan laju yang konstan
atau tetap terhadap waktu, artinya probabilitas kerusakan tidak tergantung pada umur alat.
Parameter dari karakteristik distribusi ini adalah hazard rate () yang menujukkan rata-rata
kedatangan kerusakan yang terjadi.

Gambar 6. Kurva Distribusi Exponential

9.4. Persamaan Dasar
Pelaksanaan PM pada suatu mesin dilakukan berdasarkan perhitungan statistik dan
stokastik terhadap data waktu kerusakan yang dialami oleh mesin tersebut untuk mengetahui
nilai-nilai sebagai berikut:
a. Reliability
Reliability (keandalan) adalah probabilitas dari suatu item untuk dapat melaksanakan
fukngsi yang telah ditetapkan pada kondisi pengoperasian dan lingkungan tertentu untuk
periode waktu yang telah ditentukan [7]. Perhitungan nilai keandalan dari suatu item
(mesin) tergantung pada distribusi kerusakannya.
Distribusi Weibull
( )

( )

(9.1)

Dimana:

Distribusi Lognormal
( )

(9.2)

Dimana:

Distribusi Normal
( )

(9.3)

Dimana:

Distribusi Exponential
( )

(9.4)

Dimana:

b. Mean Time to Failure

Mean Time to Failure (MTTR) merupakan rata-rata selang waktu kerusakan dari suatu
distribusi dimana waktu ini merupakan ekspektasi terjadinya kerusakan dari unit-unit
identik yang beroperasi secara normal.
(9.5)
( )
( )

( )
c. Mean Time to Repair
Mean Time to Repair (MTTR) merupakan rata-rata waktu untuk menyelesaikan perbaikan
pada mesin yang rusak hingga dapat beroperasi kembali. Dalam menghitungnilai MTTR
perlu diperhatikan distribusi perbaikannya.
(9.6)
( )

(
( ))
Dimana:
( ) adalah fungsi kepadatan peluang untukTTR
( ) adalah fungsi distribusi komulatif untuk TTR
9.5. Genetic Algorithm (GA)
Genetic Algorithm (GA) merupakan sebuah teknik optimasi yang didasarkan pada
mekanisme genetika dan evolusi secara alami yang dapat digunakan untuk menyelesaikan
permasalahan-permasalahan rumit [8]. GA sangat berguna dan efisien untuk masalah dengan
karakteristik sebagai berikut:
a. Ruang masalah sangat besar, kompleks, dan sulit dipahami.
b. Kurang pengetahuan yang memadai untuk merepresentasikan masalah ke dalam ruang
pencarian yang lebih sempit.
c. Tidak tersedianya analisis matematika yang memadai.
d. Ketika metode konvensional sudah tidak mampu menyelesaikan masalah yang dihadapi.
e. Solusi yang diharapkan tidak harus optimal, tetapi cukup bagus ata bisa diterima.
f. Terdapat batasan waktu, misalnya real time system.
Pada dasarnya untuk membangun GA diperlukan 7 komponen algoritma [9], yaitu:
a. Skema pengkodean
Terdapat 3 skema pengkodean yang paling umum digunakan,
Real number encoding, yaitu nilai gen berada dalam interval [0,R] dimana R adalah
bilangan real positifb dan biasanyabernilai 1.
Discrete decimal encoding, dimana setiap gen bisa bernilai salahsatu bilangan bulat
dalam interval [0,9]
Binary encoding, dimana setiap gen hanya bisa bernilai 0 atau 1.
b. Nilai fitness
Suatu individu dievaluasi berdasarkan fungsi tertentu sebagai ukuran performansinya. Di
dalam evolusi alam, individu yang bernilai fitness tinggi yang akan bertahan hidup.
Sedangkan yang bernilai fitness rendah akan mati. Pada masalah optimasi, jika solusi yang
dicari adalah memaksimalkan sebuah fungsi h (dikenal sebagai masalah maksimasi), maka
nilai fitness yang digunakan adalah nilai dari fungsi h tersebut, yakni f = h (dimana f
adalah nilai fitness). Tetapi jika masalahnya adalah meminimalkan fungsi h (masalah
minimasi), maka fungsi h tidak bisa digunakan secara langsung. Hal ini disebabkan karena

adanya aturan individu yang memiliki nilai fitness tinggi lebih mampu bertahan hidup pada
generasi berikutnya.Oleh karena itu, nilai fitness yang bisa digunakan adalah f = 1/h, yang
artinya semakin kecil nilai h, semakin besar nilai f. Tetapi hal ini akan menjadi maslah jika
h dapat bernilai 0. Sehingga ditambahkan sebuah bilangan yang dianggap sangat kecil dan
menjadikan nilai fitness didefinisikan menjadi:
(

(9.7)

c. Seleksi orang tua

Pemilihan dua buah kromosom sebagai orang tua yang akan dipindahsilangkan biasanya
dilakukan secara proporsional sesuai dengan nilai fitness. Metode seleksi yang umum
digunakan adalah roulette-wheel dimana masing-masing kromosom menempati potongan
lingkaran pada roulette-wheel dengan luas secara proporsional berdasarkan nilai fitness.

Gambar 7. Metode Seleksi Roylette-wheel

d. Crossover
Sebuah kromosom yang mengarah pada solusi yang bagus bisa diperoleh dari proses
memindah-silangkan (crossover) dua buah kromosom.

Gambar 8. Ilustrasi Proses Pindah Silang

e. Mutasi
Untuk semua gen yang ada, jika bilangan random yang dibangkitkan kurang dari
probabilitas mutasi (Pmut) yang ditentukan, maka gen tersebut harus diubah menjadi nilai
kebalikannya. (dalam binary encoding, 0 diubah 1, dan 1 diubah 0). Biasanya Pmut diatur
sebagai 1/n, dimana n adalah jumlah gen dalam kromosom.

Gambar 9. Ilustrasi Proses Mutasi

f. Elitisme
Karena seleksi pada GA dilakukan secara random, maka tidak ada jaminan bahwa individu
bernilai fitness tertinggi akan selalu terpilih. Jika terpilih, mungkin individu tersebut akan
rusak (nilai fitness menurun) karena proses pindah silang. Maka, individu tersebut harus
digandakan satu lagi atau beberapa, prosedur inilah yang dinamakan elitisme.
g. Penggantian populasi
Skema pergantian populasi atau generational replacement dapat dilakukan dalam GA
meskipun hanya mengganti satu individu saja dalam sebuah populasi. Agar jumlah
individu dalam populasi tetap sama, maka dalam skema penggantian harus ada individu
yang dihilangkan, bisa dipilih individu yang paling tua atau individu dengan fitness paling
rendah.
9.6. Simulated Annealing (SA)
Simulated Annealing (SA) merupakan penganalogian proses pendinginan logam yang
dilakukan secara pelan-pelan untuk keperluan optimasi. Sifat terakhir yang dimiliki oleh
logam tergantung pada jadwal pendinginannya. Jika didinginkan dengan terlalu cepat, maka
sifat logam akan mudah rusak karena strukturnya yang tidak sempurna. Ketika menyelesaikan
permaslahan optimasi menggunakan metode SA, yang perlu dipahami terlebih dahulu adalah
analogi-analogi fisis sebagai berikut [10]:
Tabel 1. Analogi Sistem Fisis dengan Proses Optimasi SA

SA pada dasarnya hanya terdiri dari tiga langkah utama, yaitu memperbaharui solusi,
mengevaluasi solusi, dan menerima solusi jika memang lebih baik daripada sebelumnya.
Secara umum, langkah-langkah dalam SA meliputi [4,11]:
a. Evaluasi keadaan awal. Jika keadaan awal merupakan tujuan, maka pencarian berhasil dan
KELUAR. Jika tidak demikian, lanjutkan dengan menetapkan keadaan awal sebagai
kondisi sekarang.

b. Inisialisasi BEST_SO_FAR untuk keadaan sekarang.

c. Inisialisasi t sesuai dengan annealing schedule.
d. Kerjakan hingga solusi ditemukan atau sudah tidak ada lagi operator baru yang akan
diaplikasikan ke kondisi sekarang.
Gunakan operator yang belum pernah digunakan untuk menghasilkan kondisi baru.
Evaluai kondisi yang baru dengan menghitung nilai sekarang dikurangi nilai keadaan
baru.
- Jika kondisi baru merupakan tujuan, maka pencarian berhenti dan KELUAR.
- Jika bukan tujuan, namun memiliki nilai yang lebih baik daripada kondisi sekarang,
maka tetapkan kondisi baru sebagai kondisi sekarang. Demikian pula
BEST_SO_FAR untuk kondisi yang baru tadi.
- Jika nilai kondisi baru tidak lebih baik daripada kondisi sekarang, maka tetapkan
kondisi baru sebagai kondisi sekarang dengan probabilitas
. Langkah ini
biasanya dikerjakan dengan membangkan suatbilangan random r pada range [0 1].
Jika
, maka perubahan kondisi baru menjadi kondisi sekarang diperbolehkan,
Namun jika tidak demikian, maka tidak akan dikerjakan apapun.
e. BEST_SO_FAR adalah jawaban yang dimaksudkan.

Gambar 10. Proses Iterasi Algoritma SA

Dari algoritma tersebut, secara umum terdapat 3 hal yang patut diperhatikan dalam
penerapan algoritma SA, yaitu:
a. Nilai awal untuk temperatur (T0)
Nilai ini biasanya ditetapkan cukup besar, karena jika T mendekati 0 maka gerakan SA
akan sama dengan gerakan Hill Climbing.
b. Kriteria yang digunakan untuk memutuskan apakah temperature sistem seharusnya
dikurangi.
c. Berapa besarnya pengurangan temperatur dalam setiap waktu.
Berdasarkan penelitian yang pernah dilakukan [12], algoritma SA memiliki beberapa
keunggulan yang tidak ada pada GA, diantaranya yaitu:
a. Algoritma SA mampu melakukan proses komputasi lebih cepat daripada GA.
b. Algoritma SA lebih mudah dimengerti daripada GA dalam pengkodean.
c. Algoritma SA dapat dengan mudah mengendalikan perubahan pada objective function,
sedangakn GA harus menggunakan fitness function.
d. Algoritma SA tetap mudah dianalisis ketika dilakukan pensederhanaan.

9.7. Hybrid Genetic Algorithm Simulated Annealing (GA/SA)

Baik GA maupun SA, masing-masing mempunyai kelebihan yang berbeda. Dimana
kelebihan GA sebagaian besar merupakan kekurangan SA, begitu pula sebaliknya. Hal ini
menimbulkan sebuah pemikiran untuk mengkombinasikan antara GA dengan SA (GA/SA)
agar menghasilkan optimasi yang lebih optimal, karena keduanya saling menutupi kekurangan
masing-masing. Proses hibridisasi dilakukan dengan memasukkan kriteria penerimaan
probabilistik dari SA dalam GA framework [13]. Dimana algoritma hibridisasi GA/SA adalah
sebagai berikut:

Gambar 11. Algoritma Hybrid GA/SA

9.8. Masalah Optimasi
Pemeliharaan mesin menjadi agenda wajib bagi perusahaan agar proses produksi tetap
berjalan lancer. Semakin sering dilakukan pemeliharaan, maka keandalan mesin menjadi
semakin bagus, namun biaya yang dibutuhkan akan semakin meningkat. Sebaliknya, ketika
biaya pemeliharaan dikurangi akan berakibat penurunan keandalan mesin secara drastis. Pola
pemeliharaan yang optimal perlu dicari agar antara biaya pemeliharaan bisa seimbang pada
total cost yang paling minimal dengan hasil keandalan mesin diperoleh paling maksimal.
Untuk menghitung total cost dapat dilakukan dengan persamaan berikut:
a. Failure cost
(9.8)
( )
b. Preventive cost
( )

)+

))}

)+

))}

(9.9)

Dimana:
adalah biaya failure (biaya teknisi + Biaya kehilangan produksi + biaya
komponen) x Tf
adalah nilai MTTF
adalah biaya siklus preventive biaya teknisi x Tp
adalah interval waktu preventive maintenance
( ) adalah peluang keandalan yang diharapkan
X.

Metodologi Penelitian
Penyelesaian penelitian Tugas Akhir ini dilakukan melalui beberapa tahapan sebagai
berikut:
1. Studi Literatur
Untuk membuka wawasan penulis terhadap perkembangan penelitian yang hampir serupa,
maka dilakukan studi literatur terhadap beberapa jurnal penelitian untuk mencari sebuah
inovasi baru. Studi literatur juga dilakukan melalui bebrapa buku dan melakukan
konsultasi secara langsung ke perusahaan (JOB P-PEJ) dengan Supervisor Construction
and Maintenance Department agar pengolahan data bisa sesuai dengan kondisi di lapangan.
2. Pengumpulan Data
Data diperoleh dari pencatatan pemeliharaan shipping pump oleh Construction and
Maintenance Department JOB P-PEJ selama pelaksanaan program Kerja Praktek pada
bulan September 2013.
3. Pengolahan Data
Rekap data pemeliharaan dari JOB P-PEJ yang masih tercampur, kemudian
diklasifikasikan berdasarkan jenis alat, kerusakan, dan waktu kerusakannya. Hasil tersebut
selanjutnya diolah menggunakan metode statistik untuk menghitung reliability, MTTF, dan
MTTR.
4. Implementasi Metode Optimasi
Metode optimasi yang digunakan adalah Hybrid Genetic Algorithm Simulated Annealing
dengan menggunakan bantuan software MATLAB.
5. Analisis Hasil Optimasi
Dilakukan analisis terhadap hasil optimasi untuk mengetahui baik tidaknya hasil yang
diperoleh.
6. Penyusunan dan Penulisan Laporan Tugas Akhir
XI. Jadwal Kegiatan
Kegiatan penelitian Tugas Akhir ini akan dilaksanakan dalam jangka waktu 6 bulan
denganrincian sebagai berikut:
BULAN
No.
KEGIATAN
1 2 3 4 5 6
Studi Literatur
Jurnal penelitian serupa
1.
Buku referensi tentang maintenance dan optimasi
Konsultasi dengan supervisor, engineer, dan
operator JOB P-PEJ tentang shipping pump
Pengumpulan Data
Rekap data maintenance shipping pump dari JOB
P-PEJ
2.
Operating manual shipping pump JOB P-PEJ
Inspeksi langsung ke lapangan

3.
4.
5.
5.

Pengolahan Data
Pemilihan data maintenance
Penghitungan reliability, MTTF, dan MTTR
Implementasi Metode Optimasi GA/SA
Analisis Hasil Optimasi
Penyusunan dan Penulisan Laporan Tugas Akhir

XII. Daftar Pustaka

[1] Fatimah, Ai Siti. 2004. Laporan Praktek Kerja Lapangan: Proses Produksi Di
Lapangan Mudi. Yogyakarta: Jurusan Teknik Perminyakan Universitas Proklamasi
45.
[2] Soetadji, Prabowo. 2012. Preventive and Predictive Maintenance (PM & PdM). P.T.
Indotrain Consultant.
[3] Ebeling, Charles E.. 1997. Reliability and Maintainability Engineering. Singapore:
McGraw-Hill International Edition.
[4] Kusumadewi, Sri. Purnomo, Hari. 2005. Penyelesaian Masalah Optimasi dengan
Teknik-teknik Heuristik. Yogyakarta: Graha Ilmu.
[5] Nursubiyantoro, Eko. Triwiyanto. Sistem Manajemen Perawatan Unit MMU Pump
dan Oil Shipping Pump. Yogyakarta: Industrial Engineering Conference (IEC). 2012.
[6] Fithri, Prima. Optimasi Preventive Maintenance dan Penjadwalan Penggantian
Komponen mesin Kompressor dengan Menggunakan Mixed Integer Non Linear
Programming dari Kamran. Salemba: Thesis Program Pascasarjana Teknik Industri
Universitas Indonesia. 2010.
[7] Priyanta, Dwi. Keandalan dan Perawatan. Surabaya: Modul Ajar Jurusan Teknik
Sistem Perkapalan Institut Teknologi Sepuluh Nopember. 2000.
[8] Tsai, You-Tern. Wang, Kuo-Shong. Teng, Hwei-Yuan. Optimizing Preventive
Maintenance for Mechanical Components Using Genetic Algorithms. Reliability
Engineering & System Safety: Science Direct. 2001.
[9] Suyanto. Algoritma Genetika dalam MATLAB. Yogyakarta: Andi. 2005.
[10] Hidayanto, Akhmad. Omar Moeis, Armand. Komarudin. Sukoco, Oscar Sriloka.
Konsep dan Penjelasan Pustaka Simulated Annealing untuk Menyelesaikan
Permaslahan Tata Letak Mesin. Depok: Universitas Indonesia. 2013.
[11] Safaei, Nima. Banjevic Dragan. Jardine, Andrew K.S.. Multi-objective Simulated
Annealing for A Maintenance Workforce Scheduling Problem: A Case Study
Simulated Annealing, I-Tech Education and Publishing: Vienna, Austria. 2008. hal 2748.
[12] Sohrabi, Babak. A Comparison Between Genetic Algorithm and Simulated Annealing
Performance in Preventive Part Replacement Management Knowledge. Tehran:
University of Tehran. 2006.
[13] Dahal, Keshav P.. Chakpitak, Nopasit. Generator Maintenance Scheduling in Power
Systems Using Metaheuristic-based Hybrid Approaches Electrical Power Systems
Research: Science Direct. 2006.
[14] Dahal, K.P.. Burt, G.M.. McDonald, J.R.. Galloway, S.J.. GA/SA Hybrid Techniques
for The Scheduling of Generator Maintenance in Power System Rolls-Royee
University Technology Centre: Department of Electrical and Electronic Engineering,
University of Strathclyde, Glasgow. 2000.