Abstrak. Penjadualan dapat di jadikan konsep kunci dalam proses produksi di bidang industri. Penjadualan flow shop ada
sejumlah pekerjaan dan mesin dengan setiap pekerjaan yang penentuan urutan pengerjaannya dilakukan dengan lintasan
produk yang sama, hal ini dapat diselesaikan dengan algoritma semut (ant colony algorithm). Pada penelitian kali ini yang
dilaksanakan di PT. Indo Bali, penulis menggunakan pengembangan algoritma Ant Colony menjadi Modified Ant Colony.
Penelitian ini mengacu pada Mathiyalagan (2010) dimana adanya perbedaan antara algoritma Ant Colony dan Modified Ant
Colony yang terletak pada update pheromone yang ditinggalkan oleh koloni semut dalam pencarian jalur terpendek.
Kata kunci: Ant Colony, Ant Colony Termodifikai, Flow Shop
1. PENDAHULUAN
Produksi merupakan kegiatan perusahaan untuk memenuhi kebutuhan pasar. Penjadualan dapat
di jadikan konsep kunci dalam proses produksi. Sistem penjadualan produksi, antara lain open shop,
flow shop, dan job shop. Pada permasalahan penjadualan flow shop ada sejumlah pekerjaan dan
sejumlah mesin dengan setiap pekerjaan yang penentuan urutan pegerjaannya dilakukan dengan
lintasan produk yang sama. Flow shop scheduling problem diselesaikan dengan metode pendekatan
yaitu metode heuristik. Algoritma semut (ant colony algorithm) merupakan salah satu metode
pemecahan masalah yang bersifat heuristik.
Pada penelitian kali ini yang dilaksanakan di PT. Indo Bali, penulis menggunakan
pengembangan algoritma Ant Colony menjadi Modified Ant Colony. Penelitian ini mengacu pada
Mathiyalagan (2010), Modified Ant Colony Algorithm for Grid Scheduling di mana adanya perbedaan
antara algoritma Ant Colony dan algoritma Ant Colony Modified yaitu terletak pada update pheromone
yang ditinggalkan oleh koloni semut untuk mencari jalur terpendek dari sarang ke sumber
makanannya. Pheromone adalah zat kimia yang berasal dari kelenjar endokrin dan digunakan oleh
makhluk hidup untuk mengenali sesama jenis , individu lain, dan kelompok.
2. METODOLOGI
Dengan
Dimana,
= waktu job i pada mesin j, = jumlah lokasi, = parameter dari 0 sampai 1,
= perubahan pheromone
Update pheromone global
{
= nilai pheromone akhir setelah mengalami pembaharuan lokal, = waktu tercepat pada akhir
siklus, = parameter dengan nilai antara 0 sampai 1
e. Jika pemberhentian terpenuhi atau jumlah maksimum iterasi sudah selesai, ambil urutan job/operasi
yang memiliki makespan time terkecil, jika tidak kembali ke langkah ke-b.
{ }
dengan,
{
129
3.2 Proses Representasi Data Flow Shop Kedalam Graf
Proses ini dilakukan untuk merepresentasikan data flow shop yang dimasukkan ke dalam
bentuk node-node yang saling berhubungan sehingga dapat digunakan oleh semut dalam menentukan
rute perjalanan.
130
d. Perhitungan Perhitungan Update Pheromone
Pheromone adalah bobot pada setiap lintasan yang digunakan untuk menempatkan job i pada
posisi j.
Tabel 2. Update Pheromone
Makespan Update Pheromone Lokal Update Pheromone Global Update Pheromone
Modified Ant Colony
m1 m2 m3 m1 m2 m3 m1 m2 m3
0,0071 0,0078 0,0074 0,0076 0,0085 0,0080 0,0078 0,0089 0,0084
174 0,0095 0,0085 0,0086 0,0113 0,0110 0,0105 0,0125 0,0128 0,0118
0,0084 0,0081 0,0081 0,0132 0,0130 0,0138 0,0167 0,0165 0,0180
0,0070 0,0077 0,0073 0,0075 0,0084 0,0079 0,0078 0,0089 0,0083
178 0,0094 0,0084 0,0085 0,0112 0,0109 0,0104 0,0124 0,0127 0,0118
0,0079 0,0079 0,0082 0,0129 0,0129 0,0140 0,0164 0,0164 0,0181
181 0,0069 0,0076 0,0072 0,0074 0,0083 0,0078 0,0077 0,0088 0,0082
0,0084 0,0093 0,0083 0,0104 0,0116 0,0103 0,0118 0,0133 0,0116
0,0081 0,0078 0,0078 0,0130 0,0128 0,0137 0,0166 0,0164 0,0179
182 0,0069 0,0075 0,0072 0,0074 0,0083 0,0078 0,0077 0,0088 0,0082
0,0083 0,0084 0,0093 0,0103 0,0109 0,0110 0,0118 0,0127 0,0122
0,0081 0,0078 0,0078 0,0130 0,0128 0,0137 0,0165 0,0164 0,0178
185 0,0068 0,0074 0,0071 0,0073 0,0082 0,0077 0,0077 0,0088 0,0082
0,0083 0,0092 0,0082 0,0103 0,0115 0,0102 0,0118 0,0132 0,0116
0,0077 0,0077 0,0080 0,0127 0,0127 0,0138 0,0163 0,0163 0,0179
186 0,0068 0,0074 0,0070 0,0073 0,0082 0,0077 0,0076 0,0087 0,0081
0,0082 0,0092 0,0082 0,0102 0,0115 0,0102 0,0117 0,0132 0,0116
0,0077 0,0077 0,0080 0,0127 0,0127 0,0138 0,0163 0,0163 0,0179
Tabel 2 menjelaskan tentang update pheromone algoritma ant colony dan modified ant colony,
untuk update pheromone lokal menunjukkan perubahan nilai pheromone yang ditinjau dari sisi
banyaknya penguapan pheromone, hanya fokus terhadap satu mesin dan satu pekerjaan. Pada update
pheromone global, perubahan nilai pheromone terjadi secara global yang meliputi pekerjaan pertama,
kedua, dan ketiga dengan nilai perubahan pheromone adalah invers dari tur terbaik yang dilakukan
pada proses produksi. Pada update pheromone Modified Ant Colony, perubahan nilai pheromone
terjadi secara global dengan nilai perubahan pheromone adalah invers dari tur terbaik, sementara untuk
mengetahui secara lokalnya dipakai parameter penguapan pheromone. Hal inilah yang membedakan
antara kedua algoritma tersebut dan update pheromone berkinerja terbaik adalah milik algoritma
modified ant colony karena memiliki nilai yang terbesar dalam perhitungan numerik matlab 2012.
4. KESIMPULAN
Hasil makespan time yang paling minimum diperoleh sebesar 174 menit sehingga mampu
menghemat waktu selama 8,167 menit dari makespan time perusahaan yang sebesar 182,167 menit.
Berdasarkan hasil simulasi numerik Update pherome Algoritma Modified Ant Colony berkinerja lebih
baik dibandingkan dengan update pheromone algoritma Ant Colony, ini dapat dilihat pada Tabel 2.
DAFTAR PUSTAKA
Dorigo, M. dan Thomas, S., (2004), Ant Colony Optimizatio, MIT Press Cambridge, Massachusetts,
London, England.
Imamah, N., (2011), Penerapan Algoritma Ant Colony pada Penjadualan Produksi, Fakultas
Matematika dan Ilmu Pengetahuan, Institut Teknologi Sepuluh Nopember Surabaya.
Mathiyalagan, P. dkk., (2010), Modified Ant Colony Algorithm for Grid Scheduling, International
Journal on Computer Science and Engineering, (2), No. 3, Halaman 132-139.
Rajendran, C. dan Hans, Z., (2002), Ant-Colony Algorithms for Permutation Flowshop Scheduling to
Minimize Makespan/Total Flowtime of Jobs, University of Passau, Germany.
Rosnani, G., (2009), Penjadwalan Mesin, Graha ilmu, Yogyakarta.
Wardy, I.S., (2007), Penggunaan Graf dalam Algoritma Semut Untuk Melakukan Optimasi, Jurusan
Teknik Informatika Institut Teknologi Bandung.
131