INTEGRAL, Vol. 10 No.

1, Maret 2005

PENJADWALAN JOB SHOP STATIK DENGAN

ALGORITMA TABU SEARCH
Henry P. Panggabean
Jurusan Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam,
Universitas Katolik Parahyangan, Bandung
email : henrypp@home.unpar.ac.id

Intisari
Makalah ini membahas penerapan algoritma tabu search (TS) dalam
penyelesaian masalah penjadwalan job shop statik. Implementasi dalam
bentuk perangkat lunak membuktikan bahwa algoritma ini dapat
menghasilkan jadwal job shop yang valid. Kualitas jadwal diukur dengan
kriteria completion time atau makespan, dan dibandingkan dengan hasil
dari algoritma simulated annealing (SA) dan perangkat lunak penjadwalan
Quant System. Disimpulkan bahwa algoritma TS mengungguli algoritma SA
dan Quant System dalam hal kualitas solusi, dengan waktu komputasi yang
masih dapat diterima.

Kata kunci : penjadwalan job shop, algoritma tabu search, makespan

Abstract
This paper presents the application of tabu search (TS) algorithm in solving
static job shop scheduling problem. Software implementation proves that
this algorithm can give valid job shop schedules. The quality of solution is
measured with completion time (makespan) and compared with result from
simulated annealing (SA) algorithm and Quant System scheduling software.
It is concluded that TS algorithm exceeds SA algorithm and Quant System in
terms of solution quality, with reasonable computation time.

Keywords :job shop scheduling, tabu search algorithm, makespan

Diterima : 24 Januari 2005

Disetujui untuk dipublikasikan : 15 Februari 2005

1. Pendahuluan Carlier dan Pinson dengan menggunakan

Masalah penjadwalan job shop m-mesin
n-job merupakan salah satu masalah
optimasi kombinatorial NP-hard yang
paling sulit. Waktu komputasi untuk
mencari solusi optimal meningkat secara
eksponensial seiring dengan
membesarnya nilai parameter masalah
(jumlah mesin dan jumlah job). Salah
satu indikasi tingkat kesulitannya adalah
fakta bahwa kasus uji 10 job 10 mesin
yang dibuat oleh Muth dan Thompson
pada tahun 1963 baru dapat ditemukan
solusi optimalnya pada tahun 1989 oleh
algoritma branch and bound dengan
waktu komputasi 5 jam pada komputer
PRIME 2655 [1].
Algoritma tabu search (TS)
diperkenalkan oleh Fred Glover pada
tahun 1986. Pada tahun 1988, Committee
on the Next Decade of Operations
Research (CONDOR) menetapkan TS,
bersama dengan simulated annealing dan
genetic algorithm, sebagai metode yang
sangat menjanjikan untuk aplikasi praktis
[2]. Saat ini TS telah menjadi salah satu

34
INTEGRAL, Vol. 10 No. 1, Maret 2005
teknik optimasi yang digunakan secara
luas di berbagai bidang dan metode ini
telah mengalami banyak perkembangan
melalui berbagai penelitian.
Tabu search adalah sebuah meta-
heuristik yang menuntun prosedur local
search untuk melakukan eksplorasi di
daerah solusi di luar titik optimum lokal.
Metode ini menerapkan konsep adaptive
memory dan responsive exploration,
untuk dapat melakukan proses pencarian
secara efektif dan efisien dengan cara
memanfaatkan informasi tentang ciri
solusi yang baik pada saat menjelajahi
daerah pencarian yang baru. Kenyataan
ini memberi harapan bahwa algoritma TS
dapat menghasilkan jadwal job shop
dengan kualitas yang baik dalam waktu
komputasi yang relatif kecil
dibandingkan metode enumeratif [2].
Penelitian ini bertujuan untuk
menerapkan algoritma TS dalam
menyelesaikan masalah job shop, serta
membandingkan kualitas jadwal yang
dihasilkan (dalam satuan makespan)
terhadap hasil dari algoritma simulated
annealing (SA) dan perangkat lunak
penjadwalan Quant System, yang
menerapkan metode heuristik priority
dispatching. Untuk mencapai tujuan
tersebut, dibangun sebuah model
perangkat lunak (program) penjadwalan
job shop dengan algoritma TS dan
dilakukan percobaan dengan berbagai
ukuran masalah job shop.
2. Masalah Penjadwalan Job shop
Secara umum masalah penjadwalan job
shop dinyatakan sbb.:
Terdapat n buah job {J1, J2, ..., Jn} yang
akan diproses pada m buah mesin {M1,
M2, ..., Mm}. Waktu yang dibutuhkan
untuk mengerjakan job Ji pada mesin Mj
(operasi Oij) adalah tij. Masalahnya
adalah menentukan urutan pengerjaan
yang menghasilkan solusi terbaik
berdasarkan kriteria tertentu. Dalam
penelitian ini, kriteria yang digunakan 35
adalah lama waktu total penyelesaian
seluruh job (completion time atau
makespan).
Asumsi berikut digunakan dalam
penelitian ini :
1. Pada waktu t = 0, seluruh job sudah
siap untuk dikerjakan. Tipe masalah
job shop seperti ini disebut juga
masalah job shop statis.
2. Semua job harus melewati semua
mesin (jumlah operasi dalam tiap job
= jumlah mesin).
3. Setiap job hanya memiliki satu
routing (urutan pengerjaan pada
mesin). Tiap operasi hanya dapat
dikerjakan oleh mesin sesuai dengan
routing-nya.
4. Tidak ada penghentian operasi yang
sedang dikerjakan (non-preemptive
scheduling).
5. Pada suatu waktu tertentu, setiap job
hanya dapat dikerjakan pada satu
mesin tertentu dan setiap mesin
hanya dapat mengerjakan satu
operasi dari satu job. Tidak terdapat
mesin paralel.
6. Waktu setup mesin dan waktu
transportasi job antar mesin
diabaikan. Mesin selalu tersedia dan
tidak pernah mengalami kerusakan.
Sumber daya lain di luar mesin tidak
diperhatikan.
Setiap solusi feasibel dari masalah job
shop disebut jadwal. Masalah job shop
dengan m mesin n job akan menghasilkan
(n!)m buah jadwal, namun tidak semua
jadwal tersebut layak digunakan. Sebuah
jadwal dikatakan valid jika urutan
pengerjaan operasi-operasi dalam suatu
job memenuhi routing yang telah
ditetapkan, dan tidak ada overlap waktu
pengerjaan dari operasi-operasi yang
dikerjakan pada mesin yang sama.
Masalah job shop berhasil diselesaikan
jika waktu awal pengerjaan dari setiap
operasi telah diperoleh dan kedua syarat
di atas dipenuhi.

Representasi disjunctive graph (digraph)
sangat sesuai untuk digunakan dalam
pemodelan masalah penjadwalan job
shop [1]. Graph ini dinotasikan dalam
bentuk G = {V, A, E}, dimana V =
himpunan vertex (simpul) yang mewakili
operasi-operasi; A = himpunan busur
konjungtif (berarah) yang
menghubungkan operasi-operasi dalam
suatu job tertentu; dan E = himpunan
busur disjungtif (berarah bolak balik)
yang menghubungkan operasi-operasi
yang dikerjakan pada mesin yang sama,
yang didefinisikan sebagai berikut:
• V = O ∪ {0} ∪ {N+1}, dimana O
adalah himpunan seluruh operasi
dalam masalah job shop; N = ⏐O⏐=
jumlah seluruh operasi dalam
masalah job shop, serta {0} dan
{N+1} adalah vertex khusus yang
mewakili vertex awal (start) dan
vertex akhir (completion) dari
masalah job shop.
• A = {(i,j) : operasi i adalah
predesesor langsung dari operasi j
dalam job Ji (= Jj)} ∪ {(0,j) : j ∈ O}
∪ {(i,N+1) : i ∈ O}.
• E = {(i,j) : Mi = Mj atau operasi i dan
j dikerjakan pada mesin yang sama,
i,j ∈ O}
• Pada tiap vertex i ∈ O, diberikan
sebuah bobot di; vertex 0 dan N+1
memiliki bobot 0.
Waktu awal dari vertex 0 dan waktu
akhir dari vertex N+1 merepresentasikan
waktu awal dan waktu penyelesaian dari
masalah job shop tersebut. Jadi,
penyelesaian masalah job shop sama
dengan penentuan orientasi (arah) dari
busur-busur disjungtif dalam graph G
sedemikian rupa sehingga graph G tidak
mengandung cycle dan panjang lintasan
terpanjang dari vertex 0 menuju vertex
N+1 diminimalkan.
3. Algoritma Tabu Search (TS)
Tabu search adalah sebuah metode 36
optimasi yang berbasis pada local search.
INTEGRAL, Vol. 10 No. 1, Maret 2005
Proses pencarian bergerak dari satu solusi
ke solusi berikutnya, dengan cara
memilih solusi terbaik dari neighborhood
solusi sekarang (current) yang tidak
tergolong solusi terlarang (tabu). Ide
dasar dari algoritma tabu search adalah
mencegah proses pencarian dari local
search agar tidak melakukan pencarian
ulang pada ruang solusi yang sudah
pernah ditelusuri, dengan memanfaatkan
suatu struktur memori yang mencatat
sebagian jejak proses pencarian yang
telah dilakukan [1].
Struktur memori fundamental dalam tabu
search dinamakan tabu list. Tabu list
menyimpan atribut dari sebagian move
(transisi solusi) yang telah diterapkan
pada iterasi-iterasi sebelumnya. Tabu
search menggunakan tabu-list untuk
menolak solusi-solusi yang memenuhi
atribut tertentu guna mencegah proses
pencarian mengalami cycling pada
daerah solusi yang sama, dan menuntun
proses pencarian menelusuri daerah
solusi yang belum dikunjungi. Tanpa
menggunakan strategi ini, local search
yang sudah menemukan solusi optimum
lokal dapat terjebak pada daerah solusi
optimum lokal tersebut pada iterasi-
iterasi berikutnya.
Perekaman solusi secara lengkap dalam
sebuah forbidden list dan pengecekan
apakah sebuah kandidat solusi tercatat
dalam list tersebut merupakan cara yang
mahal, baik dari sisi kebutuhan memori
maupun kebutuhan waktu komputasi.
Jadi tabu list hanya menyimpan langkah
transisi (move) yang merupakan lawan
atau kebalikan dari langkah yang telah
digunakan dalam iterasi sebelumnya
untuk bergerak dari satu solusi ke solusi
berikutnya. Dengan kata lain tabu list
berisi langkah-langkah yang
membalikkan solusi yang baru ke solusi
yang lama [3].
Pada tiap iterasi, dipilih solusi baru yang
merupakan solusi terbaik dalam
INTEGRAL, Vol. 10 No. 1, Maret 2005

neighborhood dan tidak tergolong penanganan khusus terhadap move yang

sebagai tabu. Kualitas solusi baru ini dinilai dapat menghasilkan solusi yang
tidak harus lebih baik dari kualitas solusi baik namun move tersebut berstatus tabu.
sekarang. Apabila solusi baru ini Dalam hal ini, jika move tersebut
memiliki nilai fungsi objektif lebih baik memenuhi kriteria aspirasi yang telah
dibandingkan solusi terbaik yang telah ditetapkan sebelumnya, maka move
dicapai sebelumnya, maka solusi baru ini tersebut dapat digunakan untuk
dicatat sebagai solusi terbaik yang baru. membentuk solusi berikutnya (status
tabunya dibatalkan). Berikut ini
Sebagai tambahan dari tabu-list, dikenal diberikan kerangka umum algoritma tabu
adanya kriteria aspirasi, yaitu suatu search dalam notasi bahasa Pascal [1].

begin
{Buat solusi awal s yang feasibel dengan
menggunakan
suatu metode heuristik tertentu atau secara
acak}
best := cost(s);
s* := s; {s* adalah solusi terbaik yang
diperoleh}
tabu_list := null;
repeat
Candidate(s) := (s’ ∈ N(s): merupakan move
dari s
ke s’ yang tidak tergolong elemen dari tabu-
list atau
memenuhi kriteria aspirasi};
(pilih s ∈ Candidate(s): s adalah solusi yang
memiliki nilai cost minimum );
(simpan move yang berlawanan ke dalam tabu-
list, yaitu
yang mengubah s ke s );
s := s ;
if (cost(s) < best) then
s* := s;
best := cost(s);
until (stopping-criteria = TRUE);
return(s*);
end;

Algoritma 1. Kerangka Umum Tabu Search

37

4. Penerapan Algoritma TS untuk
Penjadwalan Job Shop
Untuk mengaplikasikan algoritma TS ke
dalam masalah penjadwalan job shop,
perlu didefinisikan enam hal berikut
secara tepat, yaitu :
(a) Tahap pembuatan solusi (jadwal)
awal
Solusi awal untuk algoritma TS dapat
dibuat secara acak atau dengan
menggunakan metode heuristik tertentu.
Dalam penelitian ini solusi awal dibuat
dengan menggabungkan jadwal-jadwal
tiap mesin yang disusun dengan
menggunakan algoritma Schrage.
Algoritma ini merupakan bagian dari
algoritma Carlier yang digunakan untuk
masalah penjadwalan satu mesin [4].
Keputusan untuk tidak membuat solusi
awal secara acak diambil karena dari
hasil percobaan diperoleh kesimpulan
sementara bahwa pembuatan solusi job
shop secara acak membuka peluang lebih
besar untuk dihasilkannya graph jadwal
job shop yang mengandung cycle,
terutama pada kasus uji berukuran besar,
sehingga proses pembuatan jadwal awal
perlu diulang beberapa kali.
(b) Tahap evaluasi fungsi biaya dan
penentuan lintasan kritis
Setelah diperoleh sebuah graph untuk
jadwal awal, dihitung nilai ES (earliest
start time) dan LS (latest start time) dari
setiap operasi dalam graph dengan
menggunakan critical path method
(CPM) [5]. Makespan jadwal adalah nilai
ES atau LS dari operasi terakhir (operasi
dummy N+1). Pada proses komputasi ini
juga sekaligus dilakukan identifikasi
apakah terdapat cycle dalam graph. Jika
dalam graph terdapat cycle, maka jadwal
tersebut ditolak dan dibuat jadwal baru.
Setelah menghitung makespan jadwal,
diidentifikasi lintasan kritis dalam graph,
yaitu himpunan busur-busur dari vertex
38
INTEGRAL, Vol. 10 No. 1, Maret 2005
pertama menuju vertex terakhir yang
memenuhi syarat berikut :
• Nilai ES dan LS dari setiap vertex
yang dihubungkan oleh busur-busur
tersebut harus sama.
• Untuk busur u → v, hasil
penjumlahan start time dan waktu
pengerjaan dari operasi u harus sama
dengan start time dari operasi v.
(c) Tahap pembuatan neighbour baru
Neighbourhood dari sebuah jadwal ialah
himpunan jadwal baru yang dapat
diperoleh dengan menerapkan fungsi
transisi terhadap jadwal tersebut [1].
Fungsi transisi dalam kasus penjadwalan
job shop memilih vertex v dan w
sedemikian rupa sehingga:
• v dan w adalah dua operasi
berurutan sembarang yang
dikerjakan pada mesin k.
• busur (v,w) ∈ Ei adalah sebuah
busur kritis, atau (v,w) berada pada
lintasan kritis dari graph.
Fungsi transisi akan memilih satu solusi
feasibel secara acak dari himpunan
neighborhood, yang berisi semua
kemungkinan solusi yang dapat diperoleh
dengan penukaran urutan terhadap
operasi-operasi semesin yang posisinya
bersebelahan pada lintasan kritis [1].
Sebuah neighbour (tetangga) dari suatu
jadwal dibuat dengan cara
mempertukarkan urutan pengerjaan
operasi v dan w pada mesin k atau
membalikkan arah busur (v,w). Struktur
neighbourhood ini didasarkan pada dua
fakta bahwa :
• Pembalikan sebuah busur kritis
dalam graph Di tidak akan
menghasilkan graph Dj yang cyclic.
• Jika pembalikan sebuah busur non
kritis dalam Di menghasilkan graph
acyclic Dj, maka lintasan kritis q
dalam Dj tidak mungkin lebih
pendek daripada lintasan kritis p
dalam Di, karena Dj masih memuat
lintasan p.
INTEGRAL, Vol. 10 No. 1, Maret 2005
Dengan cara ini, dapat dihindari
pemilihan jadwal yang tidak
menghasilkan penurunan makespan dan
jadwal yang mengakibatkan terjadinya
cyclic graph. Struktur neighbourhood ini
memungkinkan model TS hanya
meninjau graph-graph yang mewakili
solusi yang feasibel. Jadi, transisi ini
menyebabkan pembalikan busur yang
menghubungkan v dan w dari (v,w)
menjadi (w,v) dan penggantian busur
(u,v) dan (w,x) dengan busur (u,w) dan
(v,x), dimana u adalah operasi sebelum v
pada mesin k, dan x adalah operasi
setelah w pada mesin k.
(d) Tahap pengelolaan tabu list
Tabu list memiliki ukuran yang terbatas,
dan dikelola dengan menggunakan
metode FIFO (first in first out), dimana
setiap kali solusi baru dibuat, algoritma
TS menyimpan atribut move yang
membentuk solusi baru tersebut dan
menghapus sebuah atribut move yang
lama dari list [6].
Kinerja algoritma TS sangat bergantung
kepada cara penentuan panjang tabu list
secara tepat. Secara empirik, ukuran tabu
list untuk menghasilkan kualitas solusi
yang baik akan bertambah seiring dengan
membesarnya ukuran masalah. Namun
tidak ada aturan baku yang dapat
memberikan kriteria panjang tabu list
yang tepat untuk setiap jenis masalah.
Hal ini disebabkan ukuran list yang tepat
sebenarnya tergantung pada ketatnya
tingkat kriteria tabu yang diterapkan;
kriteria tabu yang semakin ketat akan
mengurangi panjang tabu list yang
dibutuhkan. Ukuran tabu list yang terlalu
pendek akan mengakibatkan seringnya
terjadi cycling dalam daerah pencarian
yang menyebabkan pencarian terjebak
dalam solusi optimum lokal, sedangkan
ukuran yang terlalu panjang akan
mengakibatkan memburuknya kualitas
solusi karena terlalu banyak move yang
dilarang [3].
39
Dalam penelitian ini, panjang tabu list
ditentukan berdasarkan ukuran masalah
yang ditangani, dengan mengalikan
jumlah job dengan sebuah konstanta
tertentu, yang nilainya diubah pada tiap
eksekusi program untuk mendapatkan
kualitas solusi yang terbaik. Pengaruh
perubahan panjang tabu list terhadap
kualitas solusi yang dihasilkan
ditunjukkan pada Tabel 3.
Dapat terjadi situasi dimana semua move
dalam neighborhood dari sebuah solusi
ternyata tergolong sebagai tabu. Jika hal
ini terjadi, dapat ditempuh salah satu dari
dua alternatif berikut: menghentikan
proses pencarian sama sekali (terminasi
algoritma), atau memilih salah satu dari
move yang tabu tersebut sebagai solusi
berikutnya. Ada dua cara untuk memilih
move tabu yang akan digunakan, yaitu
memilih move tabu yang menghasilkan
nilai makespan terbaik (cara
deterministik), atau memilih secara acak
tanpa memperhatikan nilai makespan
yang dihasilkan (cara stokastik). Dalam
penelitian ini, cara yang ditempuh adalah
cara stokastik.
(e) Tahap pendefinisian kriteria aspirasi
Berdasarkan kenyataan bahwa pada suatu
kondisi tertentu, tabu search dapat
melarang sebuah move yang sebenarnya
dapat menuntun proses pencarian
bergerak ke daerah solusi yang belum
dikunjungi, yang mungkin dapat
memberikan solusi yang baik, maka
diperlukan suatu metode untuk dapat
membatalkan efek dari tabu list, yang
disebut kriteria aspirasi (aspiration
criteria) [6]. Kriteria aspirasi
diperkenalkan dalam tabu search untuk
menentukan kapan sebuah forbidden-
move tetap dapat digunakan, atau
merupakan bagian dari tabu search yang
berfungsi untuk membatalkan efek dari
tabu list untuk beberapa move pada
kondisi tertentu. Penerapan aturan yang
tepat sebagai kriteria aspirasi merupakan

hal yang sangat penting untuk mencapai
kinerja tabu search yang baik.
Aturan dasar yang digunakan dalam
kriteria aspirasi pada model algoritma TS
dalam penelitian ini adalah untuk tiap
kandidat move yang merupakan anggota
dari tabu list dihitung panjang lintasan
kritis dari solusi yang dihasilkannya. Jika
panjang lintasan kritisnya (yang
mewakili nilai makespan untuk solusi
baru tersebut) lebih kecil dari solusi
terbaik yang telah ditemukan
sebelumnya, maka status tabu dari move
tersebut dihapuskan dan move itu
digunakan untuk membuat solusi
berikutnya.
(f) Tahap penentuan kriteria terminasi
Terdapat beberapa kondisi yang dapat
digunakan sebagai kriteria terminasi
dalam algoritma TS, di antaranya adalah :
(i) Ditemukannya sebuah solusi
optimal.
(ii) N(s,k+1) = ∅, artinya tidak ada
lagi solusi baru yang dapat
dibangkitkan dari neighborhood
solusi sekarang, karena semua
move dalam neighborhood
tersebut terdapat dalam tabu list
(iii) Jumlah iterasi k sudah melebihi
jumlah iterasi maksimum yang
ditetapkan di awal.
(iv) Jumlah iterasi yang dilakukan
sejak diperoleh solusi terbaik
yang terbaru sudah melebihi
batas maksimum iterasi non-
improving yang ditetapkan di
awal.
Dalam penelitian ini, digunakan kondisi
(iii) dan (iv) sebagai kriteria terminasi,
dimana jumlah iterasi maksimum dan
batas maksimum iterasi yang non-
improving ditetapkan dengan mengalikan
jumlah job dan jumlah mesin dengan
sebuah konstanta tertentu, yang nilainya 40
berada antara 2 – 10.
INTEGRAL, Vol. 10 No. 1, Maret 2005
5. Implementasi Model dan
Analisis Hasil Percobaan
Model algoritma TS untuk masalah
penjadwalan job shop yang telah
diuraikan di atas diimplementasikan ke
dalam perangkat lunak menggunakan
bahasa Pascal dan dieksekusi dengan
perangkat keras Intel Pentium(II) dengan
RAM 64 MB. Kinerja model algoritma
TS akan dibandingkan dengan model
algoritma simulated annealing (SA) dan
perangkat lunak penjadwalan Quant
System yang menggunakan teknik
priority dispatching (tergolong dalam
metode heuristik) dalam melakukan
penjadwalan produksi. Sebagai kasus uji,
digunakan 30 buah kasus dengan 10
golongan ukuran parameter masalah,
mulai dari 4-mesin 4-job sampai dengan
15-mesin 20-job [7]. Untuk tiap kasus
uji, model algoritma TS dieksekusi
sebanyak 30 kali dengan berbagai variasi
panjang tabu list dan jumlah iterasi.
Solusi terbaik yang diperoleh dari
sejumlah eksekusi ini ditunjukkan dalam
Tabel 2.
5.1 Pembuktian Validitas Jadwal Job
Shop
Dalam sebuah jadwal job shop yang valid
urutan pengerjaan operasi-operasi dalam
tiap job memenuhi routing yang telah
ditetapkan, dan tidak ada overlap waktu
pengerjaan dari semua operasi yang
dikerjakan pada mesin yang sama. Untuk
membuktikan bahwa jadwal yang
dihasilkan algoritma TS valid, berikut
ini disajikan sebuah contoh kasus job
shop yang telah diselesaikan dengan
algoritma TS, yaitu masalah 6-mesin 6-
job kasus uji no.1 (jumlah operasi per job
= 6). Tabel 1 menunjukkan data routing
dan waktu operasi dari tiap job. Setiap
operasi dalam job diberi nomor urut,
mulai dari operasi pertama pada job ke-1
(nomor urut 1) hingga operasi terakhir
pada job ke-6 (nomor urut 36).
INTEGRAL, Vol. 10 No. 1, Maret 2005

Job ke- Nomor Operasi (Mesin yang Mengerjakan, Waktu Operasi)

1 1 (4, 95) 2 (6, 72) 3 (2, 72) 4 (3, 91) 5 (5, 78) 6 (1, 52)
2 7 (2, 82) 8 (6, 83) 9 (1, 82) 10 (5, 88) 11 (4, 91) 12 (3, 63)
3 13 (3, 76) 14 (1, 75) 15 (5, 60) 16 (4, 91) 17 (6, 69) 18 (2, 93)
4 19 (6, 88) 20 (5, 83) 21 (3, 79) 22 (4, 79) 23 (2, 60) 24 (1, 56)
5 25 (2, 86) 26 (3, 76) 27 (6, 65) 28 (1, 84) 29 (4, 96) 30 (5, 87)
6 31 (2, 60) 32 (6, 87) 33 (1, 64) 34 (4, 66) 35 (3, 51) 36 (5, 85)

Tabel 1. Data routing dan waktu operasi untuk masalah job shop 6-mesin 6-job kasus uji no. 1

Nilai makespan terbaik yang diperoleh
dari 30 kali percobaan dengan algoritma
TS adalah 711, lebih baik dibandingkan
solusi yang dihasilkan algoritma SA dan
Quant System. Di bawah ini ditunjukkan
solusi terbaik yang diperoleh untuk
masalah 6-mesin 6-job kasus uji no.1.
Untuk tiap operasi dituliskan nomor
operasinya (di luar tanda kurung) dan
sebuah triple dalam tanda kurung yang
berisi titik waktu awal pengerjaan
operasi, lama pengerjaan operasi, dan
titik waktu penyelesaian operasi tersebut.

41
 INTEGRAL, Vol. 10 No. 1, Maret 2005

M-1 : 14 (76,75,151) Æ 28 (232,84,316) Æ 9 (316,82,398) Æ 33 (402,64,466)

Æ 24 (551,56,607) Æ 6 (607,52,659)
M-2 : 25 (0,86,86) Æ 7 (86,82,168) Æ 3 (168,72,240) Æ 31 (240,60,300)
Æ 23 (491,60,551) Æ 18 (551,93,644)
M-3 : 13 (0,76,76) Æ 26 ( ( 4 ( 21
(86,76,162) (240,91,331) (331,79,410)
( 35 ( 12
(557,51,608) (648,63,711)
M-4 1 (0,95,95) ( 16 ( 29 ( 22
: (211,91,302) (316,96,412) (412,79,491)
( 34 ( 11
(491,66,557) (557,91,648)
M-5 15 ( 20 ( 5 ( 10
: (151,60,211) (211,83,294) (331,78,409) (409,88,497)
( 30 ( 36
(497,87,584) (608,85,693)
M-6 19 (0,88,88) ( 2 ( 27 ( 8
: (95,72,167) (167,65,232) (232,83,315)
( ( 17
32(315,87,402) (402,69,471)

Jadwal job shop terbaik berdasarkan nomor mesin

J-1 : 1 (0,95,95) Æ 2 (95,72,167) Æ 3 (168,72,240) Æ 4 (240,91,331)

Æ 5 (331,78,409) Æ 6 (607,52,659)
J-2 : 7 (86,82,168) Æ 8 (232,83,315) Æ 9 (316,82,398) Æ 10 (409,88,497)
Æ 11 (557,91,648) Æ 12 (648,63,711)
J-3 : 13 (0,76,76) Æ 14 (76,75,151) Æ 15 (151,60,211) Æ 16 (211,91,302)
Æ 17 (402,69,471) Æ 18 (551,93,644)
J-4 : 19 (0,88,88) Æ 20 (211,83,294) Æ 21 (331,79,410) Æ 22 (412,79,491)
Æ 23 (491,60,551) Æ 24 (551,56,607)
J-5 : 25 (0,86,86) Æ 26 (86,76,162) Æ 27 (167,65,232) Æ 28 (232,84,316)
Æ 29 (316,96,412) Æ 30 (497,87,584)
J-6 : 31 (240,60,300) Æ 32(315,87,402) Æ 33 (402,64,466) Æ 34 (491,66,557)
Æ 35 (557,51,608) Æ 36 (608,85,693)

Jadwal job shop terbaik berdasarkan nomor job

5.2 Pengukuran Kualitas Solusi dari dispatching, serta terhadap makespan

Algoritma TS jadwal yang dihasilkan oleh algoritma
Pengukuran kualitas solusi algoritma TS SA [7]. Menu program Quant System
ini dilakukan dengan membandingkan yang dipilih dalam penyelesaian masalah
makespan jadwal yang dihasilkannya job shop ini adalah option no. 2, yaitu
terhadap makespan jadwal yang menerapkan semua aturan priority
dihasilkan oleh perangkat lunak dispatching yang disediakan oleh
penjadwalan Quant System yang program untuk penyusunan jadwal job
menggunakan teknik priority shop.

Masalah No Makespan Jadwal Masalah No Makespan Jadwal

SA TS QS SA TS QS
 INTEGRAL, Vol. 10 No. 1, Maret 2005

1 420 420 420 1 1147 1135 1179

4M-4J 2 477 477 477 10M-10J 2 1067 1044 1121
3 470 470 470 3 1072 1052 1121
1 631 631 641 1 1149 1127 1294
5M-5J 2 626 626 630 10M-15J 2 1184 1137 1189
3 560 560 560 3 1414 1310 1530
1 717 711 717 1 1382 1372 1429
6M-6J 2 703 703 711 10M-20J 2 1406 1370 1454
3 835 830 848 42 3 1500 1432 1554
1 771 766 866 1 1301 1255 1414
5M-10J 2 783 737 842 15M-15J 2 1298 1264 1350
3 814 810 878 3 1300 1275 1387
1 1411 1411 1411 1 1609 1562 1659
5M-20J 2 1282 1282 1336 15M-20J 2 1448 1387 1557
3 1512 1512 1521 3 1597 1516 1618

Tabel 2. Perbandingan kualitas solusi metode Simulated Annealing, Tabu Search,

dan perangkat lunak Quant System

Tabel 2 memuat perbandingan nilai
makespan jadwal yang dihasilkan oleh
algoritma TS, SA, dan Quant System
untuk 30 kasus job shop berbeda dengan
berbagai ukuran jumlah mesin dan
jumlah job. Dari tabel ini tampak bahwa
dari 30 kasus yang diselesaikan, kualitas
solusi yang dihasilkan oleh Quant System
tidak pernah mengungguli algoritma TS
dan hanya mampu menyamainya pada 5
kasus uji berukuran kecil (kolom yang
dicetak miring). Pada 25 kasus uji
lainnya (kolom yang dicetak tebal),
algoritma TS selalu menghasilkan solusi
dengan kualitas yang lebih baik
dibandingkan Quant System, dengan
persentase perbaikan nilai makespan
terbesar adalah 14,38% dari hasil Quant
System.
Algoritma TS juga mengungguli
algoritma SA dalam sebagian besar kasus
uji yang dicobakan. Pada 10 dari 30
kasus uji (kolom yang dicetak miring),
diperoleh solusi dengan nilai makespan
yang sama untuk TS dan SA. Selebihnya,
algoritma TS menghasilkan jadwal
dengan makespan lebih baik.
dibandingkan SA, yaitu pada 20 kasus uji
(kolom yang dicetak tebal), dengan
persentase perbaikan nilai makespan
terbesar adalah 7,36% dari hasil
algoritma SA.
Hal menarik yang diamati dalam
percobaan adalah kondisi dimana semua
move dalam neighborhood tergolong
tabu. Kondisi ini dapat ditangani secara
deterministik dengan memilih solusi tabu
terbaik atau secara stokastik dengan
memilih solusi tabu secara acak. Hasil
percobaan menunjukkan bahwa cara
stokastik menghasilkan kualitas solusi
yang lebih baik dibandingkan cara
deterministik.
 INTEGRAL, Vol. 10 No. 1, Maret 2005

Masalah No Panjang Tabu list

NumJob × 2 NumJob × 4 NumJob × 5 NumJob × 6 NumJob × 8
1 1211 ↓ 1151 ↑ 1210 ↓ 1167 ↓ 1159
10M-10J
2 1130 ↓ 1102 = 1102 = 1102 = 1102
3 1118 = 1118 = 1118 = 1118 = 1118
1 1254 ↓ 1238 ↓ 1146 ↓ 1139 ↑ 1177
10M-15J
2 1214 ↓ 1146 ↓ 1142 ↑ 1159 ↓ 1137
3 1605 ↓ 1498 ↑ 1502 ↓ 1415 ↓ 1374
1 1538 ↓ 1420 ↓ 1401 ↓ 1372 ↑ 1385
10M-20J
2 1462 ↓ 1406 ↓ 1382 ↓ 1370 ↑ 1386
3 1601 ↓ 1463 ↓ 1446 ↓ 1432 ↑ 1465
1 1449 ↓ 1284 ↓ 1269 ↑ 1279 ↓ 1255
15M-15J
2 1330 ↓ 1302 ↓ 1268 ↑ 1320 ↑ 1326
3 1369 ↓ 1350 ↓ 1307 ↓ 1275 ↑ 1307
1 1773 ↓ 1566 ↑ 1610 ↑ 1674 ↓ 1606
15M-20J
2 1487 ↓ 1387 ↑ 1466 ↓ 1425 ↑ 1436
3 1557 ↓ 1521 ↑ 1557 = 1557 ↓ 1516
Rekapitulasi ↓ : 14 ;↑ : 0 ↓ : 8 ;↑ : 5 ↓ : 8 ;↑ : 4 ↓ : 6 ;↑ : 7

Tabel 3. Pengaruh panjang tabu list terhadap kualitas solusi yang dihasilkan algoritma TS

Tabel 3 menunjukkan pengaruh terlalu panjang menurunkan kualitas

perubahan panjang tabu list terhadap
kualitas solusi (nilai makespan jadwal)
yang dihasilkan algoritma TS. Bagian
yang diarsir menunjukkan nilai makespan
terbaik yang diperoleh dari 5 alternatif
panjang tabu list yang digunakan.
Percobaan dilakukan terhadap 15 kasus
uji dari 5 golongan masalah yang
berukuran besar, dengan kriteria
terminasi algoritma: (1) jumlah solusi
yang dipilih = NumJob × NumMach × 5,
atau (2) tidak ada solusi yang lebih baik
dalam = NumJob × NumMach × 2 iterasi.
Tanda panah ke bawah menunjukkan
pengecilan nilai makespan, yang berarti
peningkatan kualitas solusi, sedangkan
tanda panah ke atas menunjukkan
pembesaran nilai makespan yang berarti
penurunan kualitas solusi. Tampak
bahwa panjang tabu list sangat
berpengaruh terhadap kinerja algoritma
TS. Tabu list yang terlalu pendek atau
solusi TS. Tidak dapat ditentukan
panjang tabu list yang terbaik untuk
semua kasus uji, masing-masing kasus uji
membutuhkan panjang tabu list yang
berbeda untuk dapat mencapai solusi
terbaiknya.
Perbandingan waktu komputasi tidak
dilakukan dalam penelitian ini karena
program Quant System tidak
menyediakan fasilitas untuk menghitung
waktu komputasi. Namun dari
pengalaman empirik dalam eksekusi
program, algoritma TS membutuhkan
waktu komputasi yang lebih besar
dibandingkan Quant System, terutama
untuk masalah-masalah job shop berskala
besar. Sedangkan bila dibandingkan
dengan algoritma SA, TS membutuhkan
waktu komputasi yang relatif sama besar.
7. Kesimpulan

44
INTEGRAL, Vol. 10 No. 1, Maret 2005

Pada penelitian ini, telah berhasil shop Scheduling Problem”, Annals

dibangun sebuah perangkat lunak of Operations Research, Vol. 41,
penjadwalan job shop dengan 231 – 252, 1993.
menerapkan algoritma TS. Perangkat [2] Glover, F., Laguna, M., “Tabu
lunak tersebut telah digunakan untuk Search”, Kluwer Academic
menyelesaikan berbagai ukuran kasus Publishers, Massachusetts, 1997.
penjadwalan job shop dan jadwal yang [3] Glover, F., Taillard, E., Werra, D.,
dihasilkannya telah dibuktikan valid. “A User’s Guide to Tabu Search”,
Annals of Operations Research,
Dari serangkaian percobaan yang telah Vol. 41, 3 – 28, 1993.
dilakukan dapat diambil kesimpulan [4] Carlier, J., “The One-Machine
bahwa kualitas solusi yang dihasilkan Sequencing Problem”, European
oleh algoritma TS lebih baik Journal of Operational Research,
dibandingkan algoritma SA dan Vol.11, 42 – 47, 1982.
perangkat lunak Quant System, terutama [5] Elsayed, E.A., Boucher, T.O.,
untuk kasus job shop berukuran besar, “Analysis and Control of
meskipun untuk itu TS membutuhkan Production Systems”, 2nd ed.,
waktu komputasi yang lebih besar Prentice-Hall Int., New Jersey,
dibandingkan Quant System. Kualitas 1994.
solusi algoritma TS cukup sensitif [6] Reeves, C.R. (ed.), “Modern
terhadap faktor panjang tabu list, Heuristic Techniques for
sehingga untuk mendapatkan solusi Combinatorial Problems”,
terbaik bagi tiap kasus uji perlu McGraw-Hill Int., Berkshire, 1995.
dilakukan beberapa kali percobaan [7] Panggabean, H.P., “Penjadwalan
dengan panjang tabu list yang berbeda. Job shop Statik dengan Algoritma
Simulated Annealing”, Integral, Vol.
8. Daftar Pustaka 7, No. 2, 97 – 106, 2002.
[1] Amico, M.D., Trubian M.,
“Applying Tabu Search to the Job-

45