Penjadwalan Produksi Simulated Annealing

Jurnal Teknik Industri, Vol. X, No. Y, Bulan Tahun, pp.
X~Y
ISSN 1978-1431 print / ISSN 2527-4112 online
Minimasi Mean Tardiness Pada Penjadwalan Flowshop dengan Algoritma Simulated Annealing
(CV. Hasta Surya Mandiri)
Reila Jannah Tawadhu1*, Ilyas Mas’udin2, Dana Marsetiya Utama3

Jurusan Teknik Industri, Universitas Muhammadiyah Malang
Jl. Raya Tlogomas 246 Malang 65144 Jawa Timur
E-mail : reylajannah@gmail.com, ilyas.masudin@gmail.com, dana@umm.ac.id
Abstract
Proper job sequence scheduling is essential for companies to minimize the mean tardiness. So
that the company can fulfill orders on time in accordance with the due date given by the customer and
can increase customer confidence. In this research discussed scheduling job sequences using simulated
annealing algorithm and NEH-EDD as an initial solution with the help of Matlab computation.
Simulated annealing is an algorithm that mimics the behavior of a steel cooling process in order to
produce the best crystals and use the least possible energy. While the purpose of the NEH-EDD
algorithm used as initial solution in Simulated Annealing algorithm is to accelerate the process of
finding the best solution (global optimum). Problems encountered by the company is to determine the
order of job type flow shop that can minimize mean time of delay (mean tardiness). This is based on
production data in December 2017 which still occur delay seen from the time of completion of all types
of jobs. The NEH-EDD-Simulated Annealing method gets the optimum mean tardiness value from the
actual scheduling.
Keywords : sequencing, mean tardiness, simulated annealing, NEH-EDD, flow shop.
Abstrak
Penjadwalan urutan job yang tepat sangat penting bagi perusahaan agar dapat meminimalkan waktu
rata-rata keterlambatan (mean tardiness). Sehingga perusahaan dapat memenuhi pesanan dengan tepat waktu
sesuai dengan due date yang diberikan oleh customer serta dapat meningkatkan kepercayaan customer. Dalam
penelitian ini akan membahas tentang penjadwalan urutan job menggunakan algoritma simulated annealing dan
NEH-EDD sebagai solusi awal dengan bantuan komputasi Matlab. Simulated annealing merupakan algoritma yang
meniru perilaku pada proses pendinginan baja dengan tujuan untuk menghasilkan kristal yang terbaik dan
menggunakan energy seminimal mungkin. Sedangkan tujuan algoritma NEH-EDD digunakan sebagai initial
solution pada algoritma Simulated Annealing adalah untuk mempercepat proses pencarian solusi terbaik (global
optimum). Permasalahan yang ditemui perusahaan adalah menentukan urutan job tipe flowshop yang dapat
meminimasi rata-rata waktu keterlambatan (mean tardiness). Hal ini berdasarkan data produksi pada bulan
Desember tahun 2017 yang masih terjadi keterlambatan dilihat dari waktu penyelesaian semua jenis job. Metode
NEH-EDD- Simulated Annealing mendapat nilai mean tardiness lebih optimal dari penjadwalan aktual.
Kata Kunci: sequencing, mean tardiness, simulated annealing, NEH-EDD, flowshop
Diterima dd mm, yyyy; Direvisi dd mm, yyyy; Disetujui dd mm, yyyy

1
Jurnal Teknik Industri, Vol. X, No. Y, Bulan Tahun, pp. X~Y
1. Pendahuluan
Penjadwalan yang tepat sangat penting bagi perusahaan agar dapat meminimalkan waktu rata-
rata keterlambatan (mean tardiness). Sehingga perusahaan dapat memenuhi pesanan dengan tepat
waktu sesuai dengan due date yang diberikan oleh customer serta dapat meningkatkan kepercayaan
customer. Penjadwalan adalah pengalokasian sumber daya yang terbatas untuk melakukan sejumlah
tugas atau operasi dalam jangka waktu tertentu [1].
CV. Hasta Surya Mandiri adalah perusahaan yang bergerak di bidang manufacture pembuatan
rak kabel yang digunakan pada lingkungan-lingkungan industri. Lokasi perusahaan beralamat di Jl.
Sumber Bangun 13 A Rt 04/Rw 04, Kecamatan Lawang, Kabupaten Malang. Produk yang diproduksi
oleh perusahaan yaitu terdapat 3 jenis rak kabel yaitu cable tray wiremesh, cable tray ladder dan
cable tray dack dengan berbagai macam ukuran. Aliran proses produksi CV. HSM bertipe pure flow
shop, dimana seluruh job memiliki urutan proses dan mesin yang sama.
Dari fakta di lapangan, teramati bahwa waktu penyelesaian tiap job yang dihasilkan masih
melebihi due date yang diberikan oleh customer. Hal ini berdasarkan data produksi pada bulan
Desember tahun 2017 yang terjadi keterlambatan dilihat dari waktu penyelesaian semua jenis job
(cable tray wiremesh W500, W400, W300, W200, W100,W50 dan cable tray ladder W300, W50)
sebesar 3-6 hari. Hal ini disebabkan oleh metode yang digunakan perusahaan masih belum efisien
untuk menjadwalkan urutan job. Pada saat ini perusahaan menggunakan metode FCFS (First Come
First Serve) yang artinya job yang pertama datang akan dikerjakan terlebih dahulu. Sehingga,
perusahaan membutuhkan waktu yang lama untuk menyelesaikan seluruh job dan menghasilkan
waktu rata-rata keterlambatan (mean tardiness) yang cukup tinggi.
Berdasarkan uraian diatas maka perusahaan seharusnya menggunakan metode penjadwalan
urutan job yang efisien dalam proses produksi untuk meminimasi mean tardiness. Menurut Pinedo
[2] selama dua dekade terakhir, algoritma Simulated Annealing telah banyak diterapkan pada
permasalahan di bidang industri maupun akademis khususnya dalam hal penjadwalan. Simulated
Annealing memiliki keunggulan yaitu memanfaatkan teori probabilistik untuk mendapatkan solusi
terbaik (global optimum) pada saat pengaplikasiannya. Beberapa penelitian sebelumnya juga
membahas penjadwalan flow shop menggunakan Simulated Annealing seperti Mousavi [3]; Naderi
[4] dengan performansi untuk meminimasi makespan dan total weight tardiness. Beberapa penelitian
terdahulu mengenai penjadwalan flow shop meliputi Nawaz [5] telah membahas tentang penjadwalan
flow shop meliputi penjadwalan static dan dynamic menggunakan algoritma baru (NEH), Kim [6]
telah membahas tentang algoritma heuristic pada penjadwalan flow shop menggunakan NEH yang
dikombinasikan dengan aturan EDD (earlist due date) untuk meminimasi mean tardiness,
Radhakrishnan [7] pada penjadwalan flow shop dengan performansi meminimasi completion time,
Low [8] telah menggunakan Simulated Annealing pada penjadwalan flow shop dengan performansi
meminimasi total flow time, Varadharajan [9] telah menggunakan Simulated Annealing pada
penjadwalan flow shop dengan performansi meminimasi makespan dan total flow time, Loukil [10]
telah menggunakan Simulated Annealing pada penjadwalan flexible (or hybrid) job shop dengan
performansi meminimasi makespan, mean completion time, maximal tardiness, mean tardiness, Lin
[11] telah menggunakan Simulated Annealing pada penjadwalan flow shop dengan performansi
meminimasi makespan, Naderi [12] telah menggunakan Simulated Annealing pada penjadwalan
hybrid flowshop dengan performansi meminimasi total completion time dan total tardiness,
Tamilarasi [13] telah menggunakan Simulated Annealing pada penjadwalan job shop dengan kriteria
minimasi makespan, Dai [14] telah menggunakan Simulated Annealing pada penjadwalan flexible
flow shop dengan performansi efisiensi energy. Penelitian ini juga menggunakan algoritma Simulated
Annealing dengan algoritma modifikasi NEH-EDD yang telah diperkenalkan oleh Kim [6] sebagai
initial solution (solusi awal). Dengan menggunakan bantuan software Matlab (matrix laboratory)
2016 untuk mempercepat waktu komputasi.
Diharapkan dengan metode penjadwalan tersebut dapat membantu perusahaan untuk
menjadwalkan urutan job dengan efisien, khususnya nilai mean tardiness.
2
2. Metode Penelitian
Pada penelitian ini menggunakan algoritma Simulated Annealing dan algoritma NEH-EDD
sebagai initial solution (solusi awal) untuk dapat meminimasi rata-rata waktu keterlambatan (mean
tardiness). Untuk mempermudah dan mempercepat perhitungan, maka digunakan bantuan software
Matlab.
2.1 Algortima NEH-EDD
Pada algoritma pure NEH, dilakukan pengurutan jumlah processing time tiap job pada mesin
dari jumlah terbesar sampai terkecil, kemudian dilakukan perhitungan menggunakan algoritma NEH
dengan mencari solusi terbaik (makespan) dari tiap jadwal partial yang telah dibuat. Menurut Kim
[6], NEH-EDD yaitu penjadwalan urutan job dengan mengurutkan job yang memiliki due date
terkecil sampai terbesar, kemudian hasil dari pengurutan tersebut dilakukan perhitungan
menggunakan algoritma NEH untuk mendapatkan solusi (mean tardiness) terbaik. Tetapi jika
menggunakan performansi mean tardiness saja, pada algoritma NEH menemui kesulitan untuk
menentukan jadwal partial yang terpilih. Karena tidak menutup kemungkinan jika masing-masing
job memiliki nilai due date yang lebih besar dari completion time yang dihasilkan, maka hasil yang
didapat pada setiap alternatif bernilai nol. Untuk menghindari hal ini, maka performansi yang
digunakan adalah total lateness, dimana terdapat dua kondisi yang dihasilkan lebih luas dari mean
tardiness (rata-rata waktu keterlambatan bernilai positif) yaitu total waktu keterlambatan positif
(tardiness) dan waktu keterlambatan bernilai negatif (earliness). Jadi jika hasil mean tardiness dari
tiap-tiap job bernilai positif maka digunakan kriteria mean tardiness untuk menentukan jadwal
alternatif di tiap jadwal partial. Jika hasil mean tardiness dari tiap-tiap job bernilai negatif, maka baru
digunakan kriteria total lateness untuk menentukan jadwal alternatif di tiap jadwal partial.
Algoritma NEH-EDD
Membangkitkan urutan job  = (j1, j2,...., jn) menggunakan aturan EDD;
* = {j1};
for i = 2 : n – 1 lakukan
ambil job j1 dari  dan masukan ji ke dalam * pada semua kemungkinan posisi.
Evaluate the new sequence  = * U j1 ;
Pilih * yang memiliki hasil optimal;
endfor
ulangi * ;
2.2 Algoritma Simulated Annealing
Menurut Kirkpatrick, et al. yang dikutip oleh Dowsland K.A. [15], simulated annealing
termasuk algoritma yang meniru perilaku fisik proses pendinginan material (baja) yang dikenal
sebagai proses annealing. Teknik ini meniru perilaku baja yang mengalami pemanasan suhu tertentu
kemudian didinginkan secara perlahan. Ketika baja dipanaskan sampai suhu mendidih, atom-atom
dalam baja tersebut bergerak bebas, dan semakin terbatas gerakannya ketika suhunya turun. Ketika
suhunya turun, susunan atomnya akan menjadi besar lebih teratur dan akhirnya akan membentuk
kristal dan mempunyai energy internal yang minimum. SA telah banyak diterapkan diberbagai
masalah optimasi seperti TSP, VRP, penjadwalan pekerjaan dan beberapa masalah yang lain.
Simulated Annealing dengan beberapa modifikasi dapat digunakan untuk menyelesaikan
permasalahan penjadwalan pekerjaan, yang terdiri atas nilai temperatur awal, jadwal pendinginan
(cooling schedule), jumlah iterasi yang diperlukan pada setiap temperatur, dan kriteria pemberhentian
untuk menghentikan algoritma. Pilihan nilai awal temperatur T, jumlah iterasi k sebelum mengurangi
temperatur, dan faktor pengurangan temperatur c adalah parameter-parameter penting dalam
keberhasilan pelaksanaan algoritma SA. Jika misalnya nilai temperatur awal terlalu tinggi, maka
dibutuhkan lebih banyak pengurangan temperatur untuk konvergen. Sebaliknya jika nilai awal ini
terlalu kecil proses pencarian mungkin kurang sempurna sehingga ada titik-titik potensial yang bisa
menjadi global optimum terlewati. Faktor pereduksi temperatur c memainkan peran yang sama. Jika
Nama penulis; Judul Makalah

3
terlalu besar (0.8 atau 0.9) akan memerlukan terlalu banyak langkah komputasi untuk konvergen.
Sebaliknya jika terlalu kecil nilai c (missal 0.1 atau 0.2) bisa berakibat terlalu cepatnya penurunan
temperatur sehingga akan banyak titik-titik potensial untuk menjadi solusi global akan terlewati.
Begitu juga jika jumlah iterasi k terlalu besar akan membantu mencapai keseimbangan termal pada
setiap temperatur tetapi dengan tambahan jumlah komputasi. Jika jumlah iterasi n sedikit, maka bisa
terjadi konvergensi yang terlalu cepat atau menuju ke solusi tetapi local optimum. Sayangnya, tidak
ada nilai T, n, dan c yang unik yang akan sesuai untuk semua problem. Tetapi ada beberapa cara
untuk mendapatkan nilai yang cukup baik. Misalkan untuk T bisa dipilih dari nilai rata-rata dari
fungsi tujuan yang dihitung pada sejumlah solusi awal yang dipilih secara random. Jumlah iterasi k
bisa dipilih diantara 50 dan 100 berdasarkan pada akurasi yang diinginkan. Faktor pereduksi
temperatur c bisa dipilih antara 0.4 dan 0.6 untuk strategi pengurangan temperatur yang masuk akal
(cooling schedule).
Prosedur Simulated Annealing
Solusi Sementara = Pilih Suatu Solusi Awal (NEH-EDD)

Nilai Evaluasi Sementara = Evaluasi (Solusi Sementara)
T = Suhu awal
while (belum tercapai konvergensi yang diinginkan) :

SolusiBaru = Modifikasi(SolusiSementara)
NilaiEvaluasiBaru = Evaluasi(SolusiBaru)
Delta = SolusiBaru - SolusiSementara
If ( Solusi Baru lebih baik ) :
Solusi Sementara = Solusi Baru
Nilai Evaluasi Sementara = Nilai Evaluasi Baru
Else :
If exp(-Delta/T) > Random(0,1) :
SolusiSementara = SolusiBaru
NilaiEvaluasiSementara = NilaiEvaluasiBaru
Else exp(-Delta/T) < Random(0,1) :
SolusiSementara = SolusiSementara
NilaiEvaluasiSementara = NilaiEvaluasiSementara
T = FP*T // Turunkan temperatur sesuai faktor pereduksi yang digunakan (FP)
3. Hasil dan Pembahasan
3.1 Pengumpulan Data
Data order dan data waktu proses yang dikumpulkan dalam penelitian ini diambil pada data
bulan Maret 2018. Berikut data order dan waktu proses CV. HSM pada bulan Maret 2018 :
4
Tabel 1 Data Order CV. HSM Maret 2018

Tanggal Jumlah order
Pemesan Jenis Order Nama Job Deadline
Order (qty)
Cable Tray
PT. Triguna Solusi
3 Maret 2018 Wire mesh Job 1 70 9 Maret 2018
Control
W50
Cable Tray
PT. Greenfields
Indonesia
W100
Cable Tray
3 Maret 2018 PT. Indolakto Wire mesh Job 3 30 11 Maret 2018
W200
Cable Tray
3 Maret 2018 PT.Nestle Indonesia Wire mesh Job 4 50 12 Maret 2018
W300
Cable Tray
PT. Agatos Multi
Solution
W400
Cable Tray
3 Maret 2018 PT. Exel Mandiri Wire mesh Job 6 5 10 Maret 2018
W500
Cable Tray
3 Maret 2018 PT.Otsuka Indonesia Job 7 74 11 Maret 2018
ladder W50
Cable Tray
3 Maret 2018 PT. Molindo Job 8 60 13 Maret 2018
ladder W100
Cable Tray
3 Maret 2018 PT. Molindo Job 9 32 13 Maret 2018
ladder W200
Cable Tray
3 Maret 2018 PT. Indolakto Job 10 46 15 Maret 2018
ladder W300
Cable Tray
ladder W400
Cable Tray
ladder W500

5
Tabel 2 Data Waktu Proses CV. HSM Maret 2018

Mesin Waktu Proses (menit)
Job Job Job Job Job Job Job Job Job Job Job Job
1 2 3 4 5 6 7 8 9 10 11 12
1 70 72 45 90 20 12 147 156 96 166 48 74
2 210 215 135 270 60 35 442 468 288 497 144 221
3 280 286 180 360 80 46 442 468 288 497 144 221
4 140 143 90 180 40 23 221 234 144 248 72 110
5 210 215 135 270 60 35 295 312 192 331 96 147
6 210 215 135 270 60 35 295 312 192 331 96 147
7 140 143 90 180 40 23 221 234 144 248 72 110
Order 70 55 30 50 10 5 74 60 32 46 12 16
Qty
Due 2520 2100 3360 3780 3360 2940 3360 4620 2520 5040 5040 5040
date
3.2 Pengolahan Data dan Pembahasan
3.2.1 Penjadwalan Awal Perusahaan

Penjadwalan urutan job awal perusahaan (FCFS) dihitung menggunakan bantuan software
Matlab menghasilkan mean tardiness sebesar 94.8333 menit. Pada penjadwalan urutan job tersebut,
perusahaan melebihi waktu due date yang diberikan oleh customer sebesar 2.5 hari. Penjadwalan
urutan job menggunakan metode FCFS masih dirasa belum efisien, dikarenakan memiliki nilai mean
tardiness yang masih bisa diminimasi lagi menggunakan metode lain dalam penelitian ini
menggunakan metode simulated annealing dengan NEH-EDD sebagai initial solution.
3.2.2 Penjadwalan Simulated Annealing

Paramater yang digunakan dalam penelitian ini yaitu maksimum iterasi =5, 15 dan 30, dari
masing-masing maksimum iterasi tersebut digunakan parameter T = 100, 200, 300, 500, 1000. Dari
tiap-tiap parameter T digunakan parameter fp sebesar 0.2, 0.6, 0.8. Perhitungan dilakukan dengan
bantuan software Matlab. Pada maksimum iterasi 5 menghasilkan nilai mean tardiness yang
fluktuatif tergantung pada nilai temperatur dan faktor pereduksi (fp). Pada tiap-tiap temperatur,
memiliki hasil mean tardiness yang tergantung pada nilai faktor pereduksi (fp), jika semakin besar
fp maka hasil yang didapatkan semakin optimal, dan sebaliknya. Semakin tinggi temperatur, maka
semakin optimal pula nilai mean tardiness yang dihasilkan pada tiap fp. Hal ini dikarenakan oleh
nilai temperatur berbanding lurus dengan jumlah siklus penurunan suhu. Semakin tinggi temperatur
maka semakin banyak pula jumlah siklus yang dihasilkan pada tiap-tiap fp. Jika semakin banyak
jumlah siklus yang dihasilkan maka ruang pencarian solusi yang dihasilkan juga semakin luas
dikarenakan total iterasi semakin banyak yang digambarkan oleh Gambar 1 dan 2.
6
Gambar 1 Grafik Perbandingan Mean Tardiness (Maksimum iterasi 5)
Gambar 2 Grafik Perbandingan Jumlah siklus (Maksimum iterasi 5)
Pada maksimal iterasi 15 dan 30 menghasilkan nilai mean tardiness yang sudah optimal dari
seluruh parameter T dan fp yang digunakan. Hal ini menunjukkan bahwa metode simulated
annealing dengan NEH-EDD sebagai initial solution dapat meminimasi nilai mean tardiness awal
(perusahaan) yaitu pada maksimal iterasi sebanyak 15 dan 30 kali tiap siklus penurunan suhu.
Dari keseluruhan hasil terbaik yang didapat dapat disimpulkan bahwa parameter terbaik pada
jumlah maksimum iterasi 15 kali, nilai temperature (T) sebesar 100 dan fp sebesar 0.2 karena
membutuhkan waktu komputasi terkecil sebesar 0.0156 detik dengan urutan job 2-1-11-3-5-6-9-7-
4-10-8-12.

7
3.2.3 Perbandingan Hasil Metode Usulan dengan Perusahaan
Dalam perhitungan mean tardiness sebelumnya telah didapatkan hasil dari metode NEH-
EDD-SA sebesar 0 menit, sedangkan hasil dari metode perusahaan didapatkan hasil mean tardiness
sebesar 94.8333 menit. Maka selisih mean tardiness sebesar 94.8333 menit. Maka besar
performance metode dapat diketahui melalui perhitungan efisiensi sebagai berikut :
hasil perusahaan−hasil metode usulan 94.8333

E= ×100 %= × 100 %
mean tardiness(metode perusahaan) 94.8333
¿ 100 %
Tabel 3 Perbandingan Metode Usulan dengan Metode Perusahaan
No. Kriteria Metode actual Metode NEH-EDD-Simulated
Annealing
1 Urutan Job (Job 1) cable tray wire mesh W50 (Job 2) cable tray wire mesh W100
(Job 2) cable tray wire mesh W100 (Job 1) cable tray wire mesh W50
(Job 3) cable tray wire mesh W200 (Job 11) cable tray ladder W400
(Job 7) cable tray ladder W50 (Job 9) cable tray ladder W200
(Job 9) cable tray ladder W200 (Job 4) cable tray wire mesh W300
2 Mean Tardiness 94.8333 menit 0 menit
3 Selisih 94.8333 menit
4 Efisiensi Mean 100 %
Tardiness
3.2.4 Perbandingan Parameter Metode Usulan N Job 7 Mesin
Perbandingan tiap – tiap parameter dilakukan untuk mengetahui parameter mana yang dapat
menghasilkan nilai mean tardiness efisien (optimal). Dalam perbandingan ini dibagi menjadi 3
kelompok job, yaitu job kecil, job sedang dan job besar.
Pada Gambar 3 dapat dilihat bahwa temperatur (T) 100 pada faktor pereduksi (fp) 0.6
menunjukkan pola grafik menurun pada seluruh job. Pada temperatur (T) 500 faktor pereduksi (fp)
sebesar 0.8 memiliki pola grafik menurun diantara keempat jumlah job yang digunakan sebagai
eksperimen. Hal ini dapat disimpulkan bahwa pada kelompok job kecil, parameter yang
menghasilkan mean tardiness yang optimal terletak pada T 100 dengan fp 0.6 dan T 500 dengan fp
0.8.
8
Gambar 3 Grafik hasil Mean Tardiness Job Kecil
Pada Gambar 4 dapat dilihat bahwa temperatur (T) 100 pada faktor pereduksi (fp) 0.8
menunjukkan pola grafik menurun pada seluruh job. Pada temperatur (T) 300 faktor pereduksi (fp)
sebesar 0.8 memiliki pola grafik menurun diantara ketiga jumlah job yang digunakan sebagai
eksperimen. Pada temperatur (T) 500 dengan faktor pereduksi (fp) sebesar 0.8 menunjukkan grafik
penurunan pada ketiga jenis jumlah job tersebut. Hal ini dapat disimpulkan bahwa pada kelompok
job sedang, parameter yang menghasilkan mean tardiness yang optimal terletak pada T 100 dengan
fp 0.8, T 300 dengan fp 0.8 dan T 500 dengan fp 0.8.
Gambar 4 Grafik hasil Mean Tardiness Job Sedang

9
3.2.5 Perbandingan Metode Usulan dengan Metode Lain
Metode NEH-EDD – SA dapat digunakan pada jumlah job kelompok kecil (5 job, 12 job, 19
job, 26 job), sedang (30 job, 50 job, 75 job) dan besar (100 job, 200 job, 500 job) serta
menghasilkan nilai yang lebih optimal dibandingkan dengan metode pure SA, EDD-SA, EDD dan
FCFS. Gambar 5 menunjukkan bahwa metode NEH-EDD-SA lebih baik dari metode lainnya yaitu
pure SA, EDD-SA, EDD dan FCFS.
Gambar 5 Grafik perbandingan NEH-EDD-SA dengan Metode lain
Gambar 6 Grafik perbandingan Waktu Komputasi Perbandingan Metode
Pada Gambar 6 menunjukkan bahwa waktu komputasi terlama dimiliki oleh metode NEH-
EDD-SA dibandingkan dengan metode lain yang memiliki waktu komputasi lebih kecil yaitu
kisaran 0 sampai 1 detik.Hal ini dapat disimpulkan bahwa metode NEH-EDD-SA memiliki waktu
komputasi terlama dibandingkan dengan metode lain tetapi menghasilkan nilai mean tardiness yang
optimal.
10
4. Simpulan
Kesimpulan yang diperoleh dari penelitian ini adalah Urutan pengerjaan (job sequencing)
yang dihasilkan dengan metode Simulated Annealing adalah (Job 2) cable tray wire mesh W100 -(Job
1) cable tray wire mesh W50 - (Job 11) cable tray ladder W400 - (Job 3) cable tray wire mesh W200
- (Job 5) cable tray wire mesh W400 - (Job 6) cable tray wire mesh W500 - (Job 9) cable tray ladder
W200 - (Job 7) cable tray ladder W50 - (Job 4) cable tray wire mesh W300 - (Job 10) cable tray
ladder W300 - (Job 8) cable tray ladder W100 - (Job 12) cable tray ladder W500. Dari hasil
penelitian dapat dibandingkan metode perusahaan dengan metode usulan dimana penjadwalan
dengan metode Simulated Annealing lebih baik jika dibanding dengan metode perusahaan,
penjadwalan dengan metode Simulated Annealing mendapat nilai 94.8333 menit lebih hemat dari
penjadwaan aktual, penghematan yang didapatkan sebesar 100%.
1. Referensi
[1] K. T. Baker, Dan, Principles of Sequencing And Scheduling. New York: John Wiley & Sons,
Inc, 2009.
[2] M. L. Pinedo, Scheduling Theory, Algorithm, and Systems vol. Fifth Edition. New York:
Springer International Publishing 2016.
[3] S. M. Mousavi, Zandieh .M & Yazdani. M "A simulated annealing/local search to minimize the
makespan and total tardiness on a hybrid flowshop," International Journal Manufacturing
Technology vol. 64, pp. 369-388, 2013.
[4] B. Naderi, Tavakkoli-moghaddam, R., & Khalili, M "Electromagnetism-like mechanism and
simulated annealing algorithms for flowshop scheduling problems minimizing the total
weighted tardiness and makespan," Knowledge Based Systems, vol. 23(2), pp. 77-85, 2010.
[5] M. Nawaz, Enscore,E., & Ham,I, "A heuristic algorithm for the m-machine, n-job flow shop
sequencing problem," OMEGA, The International Journal of Management Science, vol. 11, pp.
91–95, 1983.
[6] Y. D. Kim, "Heuristics for Flowshop Scheduling Problems Minimizing Mean Tardiness "
Journal of Operational Research Society, vol. 44, pp. 19-28, 1999.
[7] S. V. Radhakrishnan, J.A. , "Simulated annealing for parallel machine scheduling with earliness
tardiness penalties and sequence-dependent set-up times," International Journal of Production
Research vol. 38, pp. 2233-2252, 2000.
[8] C. Low, "Simulated Annealing Heuristic for Flowshop Scheduling Problems with Unrelated
Parallel Machines," Computers & Operations Research, vol. 32, pp. 2013-2025, 2005.
[9] T. K. R. Varadharajan, Chandrasekharan "A Multi Objective Simulated Annealing Algorithm
for Scheduling in Flowshops to Minimize the Makespan and Total Flowtime of Jobs,"
European Journal of Operational Research vol. 167, pp. 772-795, 2005.
[10] T. Loukil, Teghem, J. & Fortemps, P., "A Multi Objective Production Scheduling Case Study
Solved by Simulated Annealing " European Journal of Operational Research, vol. 179, 2007.
[11] S. W. Lin, Gupta, J.N.D., Ying, K.C., Lee, Z.J., "Using simulated annealing to schedule a
flowshop manufacturing cell with sequence-dependent family setup times," International
Journal of Production Research vol. 47, pp. 3205-3217, 2009.
[12] B. Naderi, Zandieh, M., Balagh, A.K.G & Roshanaei, V., "An Improved Simulated Annealing
for Hybrid Flowshops with Sequence Dependent Setup and Transportation Times to Minimize
Total Completion Time and Total Tardiness," Expert Systems with Applications, vol. 36, pp.
9625-9633, 2009.
[13] A. K. Tamilarasi, T. A "An enhanced genetic algorithm with simulated annealing for job-shop
scheduling," International Journal of Engineering Science and Technology vol. 2, pp. 144-151
2010.
[14] M. Dai, Tang, D., Giret, A., Salido, M.A, "Energy-Efficient Scheduling for Flexible Flowshop
using an Improved Genetic-Simulated Annealing Algorithm," Robotic and Computer-
Integrated Manufacturing, vol. 29, pp. 418-429, 2013.
[15] T. J. M. Dowsland K.A., Simulated Annealing.In: Rozenberg G., Bäck T., Kok J.N. (eds)
Handbook of Natural Computing. Berlin, Heidelberg: Springer, 2012.
11
12

Penjadwalan Produksi Simulated Annealing

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Penjadwalan Produksi Simulated Annealing

Diunggah oleh

Hak Cipta:

Format Tersedia

Jurnal Teknik Industri, Vol. X, No. Y, Bulan Tahun, pp.

Reila Jannah Tawadhu1*, Ilyas Mas’udin2, Dana Marsetiya Utama3

E-mail : reylajannah@gmail.com, ilyas.masudin@gmail.com, dana@umm.ac.id

Diterima dd mm, yyyy; Direvisi dd mm, yyyy; Disetujui dd mm, yyyy

Nama penulis; Judul Makalah

Solusi Sementara = Pilih Suatu Solusi Awal (NEH-EDD)

while (belum tercapai konvergensi yang diinginkan) :

T = FP*T // Turunkan temperatur sesuai faktor pereduksi yang digunakan (FP)

3. Hasil dan Pembahasan

3.1 Pengumpulan Data

Tabel 1 Data Order CV. HSM Maret 2018

Nama penulis; Judul Makalah

Tabel 2 Data Waktu Proses CV. HSM Maret 2018

3.2 Pengolahan Data dan Pembahasan

3.2.1 Penjadwalan Awal Perusahaan

3.2.2 Penjadwalan Simulated Annealing

Gambar 1 Grafik Perbandingan Mean Tardiness (Maksimum iterasi 5)

Gambar 2 Grafik Perbandingan Jumlah siklus (Maksimum iterasi 5)

Nama penulis; Judul Makalah

3.2.3 Perbandingan Hasil Metode Usulan dengan Perusahaan

hasil perusahaan−hasil metode usulan 94.8333

Gambar 3 Grafik hasil Mean Tardiness Job Kecil

Gambar 4 Grafik hasil Mean Tardiness Job Sedang

Nama penulis; Judul Makalah

3.2.5 Perbandingan Metode Usulan dengan Metode Lain

Gambar 5 Grafik perbandingan NEH-EDD-SA dengan Metode lain

Gambar 6 Grafik perbandingan Waktu Komputasi Perbandingan Metode

Anda mungkin juga menyukai