Kelompok 1 - A
Kelompok 1 - A
ABSTRACT
Penelitian ini merupakan penelitan kasus penjadwalan produksi dengan menggunakan dua algoritma
terbaru. Kedua algoritma ini termasuk pemodelan baru, yang dapat menyelesaikan suatu permasalahan
dalam penjadwalan produksi dengan optimal. Algoritma tersebut yakni Fire Hawk Optimizer (FHO)
dan Dandelion Optimizer (DO). Penelitian ini akan membandingkan dua algoritma tersebut
untuk meminimasi total konsumsi energi. Kedua algoritma tersebut menghitung konsumsi
energi dengan No-idle Permutation Flowshop Scheduling Problem (NIPFSP). Di setiap
algoritma memerlukan perhitungan konsumsi energi yang telah dimodifikasi dan
diaplikasikan pada NIPSFP. Penelitian ini dilakukan untuk mengetahui algoritma terbaik
dalam meminimasi konsumsi energi di tiap casenya. Dalam penelitian ini terdapat 4 case, case
1 terdapat 10 job 6 mesin, case 2 terdapat 30 job 10 mesin, case 3 terdapat 50 job 10 mesin,
dan case 4 terdapat 100 job 10 mesin. Dari tiap case dilakukan running pada software
sebanyak 30 kali. Dengan demikian, dilakukan uji sample t test untuk tiap casenya.
Berdasarkan hal tersebut, didapatkan hasil case 1 dan case 2 H0 di terima atau layak karena
lebih dari 0,05.
1. Pendahuluan
Berkembangnya industri manufaktur menyebabkan peningkatan permintaan. Hal tersebut
membuat perusahaan harus melakukan produksi yang tepat dan optimal untuk memenuhi
permintaan. Dalam mencapai proses produksi yang optimal, teknik penjadwalan produksi
memiliki peran penting di dalam industri manufaktur. Penjadwalan produksi memiliki tujuan
antara lain meminimalkan keterlambatan, biaya simpan ataupun biaya proses, waktu proses
dan memaksimalkan efisiensi kerja [1]. Selain itu, dengan adanya penjadwalan produksi yang
tepat dapat mengurangi konsumsi energi yang dihasilkan [2]. Penjadwalan produksi dapat
diklasifikasikan menjadi flow shop dan job shop. Dimana flow shop merupakan pola aliran
proses suatu pekerjaan yang memiliki urutan produksi yang selaras [3]. Job shop merupakan
suatu pekerjaan yang dapat dijadwalan pada satu atau beberapa mesin dengan urutan yang
sama maupun berbeda [4].Konsumsi energi yang meningkat juga dapat disebabkan karena
adanya idle pada mesin saat proses produksi. Hal itu dikarenakan lamanya waktu idle dapat
mempengaruhi konsumsi energi yang dikeluarkan. No-Idle Flow Shop dapat digunakan untuk
mengurangi konsumsi energi (Chen et al., 2019). No-idle flow shop ini merupakan kondisi
dimana mesin tidak diperbolehkan dalam keadaan idle (Al-Imron et al., 2022).
2. Metode Penelitian
2.1 Asumsi, Notasi Dan Model Matematika
Terdapat asumsi yang digunakan dalam penelitian ini. Asumsi tersebut terdiri dari :
(1) Seluruh set dari job n harus diproses di set dari permesinan m dengan urutan proses yang
sama. (2) Seluruh proses tiba dan siap untuk diproses pada waktu ke 0. (3) Untuk memenuhi
persyaratan no idle, maka waktu mulai pemrosesan untuk job pertama pada setiap mesin harus
ditunda. (4) Setiap mesin hanya bisa memproses satu job dan setiap job hanya bisa diproses
di salah satu mesin dalam waktu tertentu. (5) Ketika job pertama mulai diproses maka proses
tersebut tidak dapat diinterupsi hingga waktu penyelesaian job terakhir. (6) Waktu proses job
sudah termasuk waktu setup time. (7) Tidak diperbolahkan adanya mesin yang idle disela
pemrosesan job berlangsung. Model matematika yang digunakan dalam membantu
menyelesaikan penelitian ini diambil dari penelitian [5].
Notasi :
Set index :
n : Set Job
m : Set mesin
i : Menunjukkan indeks job (1≤ i ≤ |n|)
j : Menunjukkan indeks mesin (1≤ j ≤ |m|)
l : Menunjukkan indeks level kecepatan (1≤ l ≤ |L|)
L : Set level kecepatan
Parameter :
Ci,j : Waktu penyelesaian job ke-i mesin ke-j
Sj : Waktu mulai mesin ke-j
Fj : Waktu penyelesaian dari mesin ke-j
Pij : Waktu proses job ke-i
Ci.j : Waktu penyelesaian job ke-i mesin ke-j
Cmax : Nilai makespan
µr : Kecepatan mesin saat berproses
𝜏j : Konsumsi energi ketika mesin ke-j
λr : Faktor kenversi kecepatan permesinan saat kecepatan ke-r
𝜑j : Konsumsi energi pada saat mesin idle
TEC : Total Konsumsi energi
Variable keputusan :
𝛾𝑖𝑗r : 1, jika job i diproses dengan tingkat kecepatan r pada mesin j ;0, jika tidak
Xik : 1,jika pekerjaan k didahului oleh pekerjaan i; 0, jika tidak (i < k)
Cij : waktu penyelesaian job ke-i pada mesin ke-j
𝜃j : waktu idle mesin ke-j
Sj : waktu mulai mesin ke-j
Fj : waktu penyelesaian mesin ke-j
Cmax : waktu penyelesaian pada mesin terakhir atau maksimal
TEC : Total konsumsi energi
Meminimasi konsumsi energi pada permasalahan Permutation Floshop Scheduling
Problem (PFSP) dalam permodelan matematika sebagai berikut :
Constrains :
𝑃 𝑌
𝐶𝑖,1 ≥ ∑𝑙𝑟=1 𝑖1 𝑖𝑙𝑟 ∀𝑖 = [ 1, . . , n ] (2)
𝜇𝑟
𝑃𝑖1 𝑌𝑖𝑙𝑟
𝐶𝑖𝑗− 𝐶𝑖,𝑗−1 ≥ ∑𝑙𝑟=1 𝜇𝑟
∀𝑗 = [ 2, . . , m ], 𝑖 = [ 2, . . , n ] (3)
𝑃𝑖1 𝑌𝑖𝑙𝑟
𝐶𝑖𝑗− 𝐶𝑘𝑗 + 𝐷𝑋𝑖𝑘 ≥ ∑𝑙𝑟=1 𝜇𝑟
∀𝑗 = [1, … , m], 𝑖 = [1, … , n], 𝑘 = [1, . . , n] (4)
𝑃𝑖1 𝑌𝑖𝑙𝑟
𝐶𝑖𝑗− 𝐶𝑘𝑗 + 𝐷𝑋𝑖𝑘 ≤ 𝐷 − ∑𝑙𝑟=1 𝜇𝑟
∀𝑗 = [1, … , m], 𝑖 = [1, … , n], 𝑘 = [1, . . , n] (5)
𝑃𝑖1 𝑌𝑖𝑙𝑟
𝜃𝑗 = 𝐶𝑚𝑎𝑥 − ∑𝑛𝑖= 1 ∑𝑙𝑟=1 𝜇𝑟
∀𝑗 = [1, . . , m] (9)
𝑃𝑖𝑗 𝜏𝑗 𝜆𝑟 𝜑𝑗 𝜃𝑗 𝜏𝑗
TEC =∑𝑛𝑖=1 ∑𝑚 𝑙
𝑗=1 ∑𝑟=1 60𝜇𝑟
𝑌𝑖𝑗𝑟 + ∑𝑚
𝑗=1 60
(10)
𝑃𝑖1 𝑌𝑖𝑙𝑟
𝑆𝑗 ≤ 𝐶𝑖𝑗 − ∑𝑙𝑟=1 𝜇𝑟
∀𝑖 = [1, … , n] , 𝑗 = [1, . . , m] (11)
𝑃𝑖1 𝑌𝑖𝑙𝑟
𝐹𝑗 ≥ 𝑆𝑗 + ∑𝑛𝑖= 1 ∑𝑙𝑟=1 ∀𝑖 = [1, … , n], 𝑗 = [1, . . , m] (13)
𝜇𝑟
Dengan fungsi tujuan (1) menjelaskan minimasi TEC. (2) waktu penyelesaian tiap job pada
mesin ke-1 (3) untuk memastikan apakah proses berikutnya dapat diproses setelah proses sebelumnya
selesai di proses (4) dan (5) urutan masing - masing job (6) perhitungan makespan (7) dan (8) untuk
memastikan tiap proses job pada semua mesin menggunakan satu kecepatan permesinan yang sama
(9) waktu idle di tiap mesin. Namun idle time tidak terjadi diantara job (10) perhitungan total konsumsi
energi (11) (12) dan (13) untuk memastikan tidak adanya waktu idle diantara job pada tiap mesinnya.
2.2 Algoritma Usulan
2.2.1 Algoritma Fire Hawk Optimizer
Dalam studi kasus ini, peneliti mengusulkan algoritma Fire Hawk Optimizer (FHO)
untuk mengurangi konsumsi energi. Algoritma FHO ini terinspirasi dari perilaku mencari
makan hewan elang. Burung elang ini menangkap mangsanya dengan cara membakar,
sehingga disebut dengan Fire Hawk [6]. Saat menangkap mangsanya burung-burung ini
mengambil tongkat yang terbakar dan dijatuhkan di tempat lain. Hal tersebut dapat menakuti
mangsanya yang memaksa mereka untuk melarikan diri dengan tergesa dan gugup, sehingga
memudahkan elang untuk menangkap [7]. Pseudocode dari algoritma FHO dapat dilihat pada
algoritma 1[6]. Algoritma fire hawk ini memiliki empat tahapan.
Tahapan pertama yaitu tahap inisialisasi populasi awal. Dalam tahap ini menentukan
jumlah total fire hawk kriteria yang akan diteliti, menentukan batas iterasi, menentukan batas
minimum dan maksimum dengan menggunakan bilangan acak yang terdistribusi dalam
rentang [0 1]. Tahap kedua yaitu tahap pencarian posisi awal dan menggunakan Large Ranl
Value (LRV). Dalam penentuan posisi awal dari fire hawk ini berdasarkan data pada tahap
pertama. Dimensi diperoleh dari job. Batas minimum dan maksimum diperoleh dari bilangan
acak. Didalam penelitian Li and Yin [8] menunjukan bahwa didalam aturan Largest Range
Value (LRV) vektor terbesar yang akan dipilih sebagai urutan pertama kemudian vektor
terbesar kedua akan dipilih sebagai urutan kedua dan seterusnya. Ilustrasi motode LRV dapat
dilihat pada gambar 1. Penggunaan LRV ini digunakan untuk menentukan urutan job. Dengan
menggunakan LRV dapat memetakkan nilai kontinu ke dalam permutation job secara efektif.
3 2 4 1
J1 J2 J3 J4
2 3 4 1
J1 J2 J3 J4
Dimana PRqnew adalah vektor posisi baru mangsa q (PRq) yang dikelilingi oleh Fire
Hawk (FHl) ke-l. SPl adalah tempat yang aman di bawah wilayah Fire Hawk ke-l; dan r3 dan
r4 adalah bilangan acak terdistribusi seragam dalam kisaran (0, 1) untuk menentukan
pergerakan mangsa menuju Fire Hawks dan tempat aman. FHAlter adalah salah satu elang api
lainnya di ruang pencarian; SP adalah tempat yang aman di luar wilayah Fire Hawk ke-l; r5
dan r6 adalah angka acak yang terdistribusi secara seragam dalam kisaran (0, 1) untuk
menentukan pergerakan mangsa menuju Fire Hawk lainnya dan tempat aman di luar wilayah.
SP1 dan SP dapat diformulasikan seperti pada persamaan (18) dan (19) berikut ini :
∑𝑡𝑞=1 𝑃𝑅𝑞
𝑆𝑃1 = , {𝑞=1,2,…,𝑟
𝑙=1,2,…,𝑛 (18)
𝑟
∑𝑚
𝑘=1 𝑃𝑅𝑘
𝑆𝑃 = , 𝑘 = 1,2, … , 𝑚 (19)
𝑚
Dimana PRq adalah mangsa ke-q yang dikelilingi oleh elang api ke-l (FHl); PRk
adalah mangsa ke-k di ruang pencarian.
Berikut ini merupakan pseudocode dari Fire Hawk Optimizer
Algorithm 1 : Pseudocode of Fire Hawk Optimizer
Procedure Fire Hawk Optimizer (FHO)
Determine initial positions of solution candidates (Xi) in the search space with
N candidates
Evaluate fitness values for initial solution candidates
Determine the Global Best (GB) solution as the main fire
While Iteration < Maximum number of iterations
Generate n as a random integer number for determining the number of
Fire Hawk
Determine Fire Hawks (FH) and Preys (PR) in the search space
Calculate the total distance between the Fire Hawks and the preys
Determine the territory of the Fire Hawks by dispersing the preys
for l=1:n
Determine the new position of the Fire Hawks by Eq.22
for q=l:r
Calculate the safe place under lth Fire Hawk territory by Eq.25
Determine the new position of the preys by Eq.23
Conversion the position fire hawk to sequence permutation using
LRV
Calculate the safe place outside lth Fire Hawk territory by Eq.26
Determine the new position of the preys by Eq.24
end
end
Evaluate fitness values for initial solution candidates
Determine the Global Best (GB) solution as the main fire
end while
Return GB
end Procedure
3 2 4 1
J1 J2 J3 J4
2 3 4 1
J1 J2 J3 J4
Tahap ketiga yaitu tahapan eksplorasi dari dandelion. Dimana dalam tahap ini biji
dandelion naik ke ketinggian tertentu dan kemudian secara perlahan tenggalam. Algoritma
dandelion terdapat 3 tahapan, yaitu penaburan normal, menabur mutase untuk core dandelion
dan strategi seleksi. Formulasi matematika dari DA dapat dilihat pada persamaan
(20),(21),(22),(23) dan (24) dibawah ini [10] :
Jumlah biji dandelion dapat dihitung sebagai berikut :
𝑓𝑚𝑎𝑥 −𝑓(𝑥𝑖 )+𝜀
𝑆𝑚𝑎𝑥 × 𝑁𝑖>𝑆𝑚𝑖𝑛
𝑁𝑖 = { 𝑓𝑚𝑎𝑥 −𝑓𝑚𝑖𝑛 +𝜀
𝑁𝑖≤𝑆𝑚𝑖𝑛
(20)
𝑆𝑚𝑖𝑛
Dimana Smax dan Smin digunakan untuk mengontrol jumlah benih maksimum dan
minimum yang di hasilkan. Fmax dan fmin merupakan nilai fitness maksimum dan minimum di
semua dandelion, 𝜀 digunakan untuk menghindari kesalahan, f(xi) merupakan nilai fitness
dandelion ke i. Berdasarkan nilai ftnessnya, dandelion dibagi menjadi 2 jenis yaitu dandelion
terbaik dan dandelion lainnya. Keduanya memiliki perhitungan jari jari yang berbeda. Berikut
ini merupakan perhitungan untuk dandelion terbaik :
𝑈𝐵 − 𝐿𝐵 𝑡=1
𝑅𝐵𝐷 (𝑡) = {𝑅𝐵𝐷 (𝑡 − 1) × 𝑟 𝑔 = 1 (21)
𝑅𝐵𝐷 (𝑡 − 1) × 𝑒 𝑔 ≠ 1
Dimana UB dan LB merupakan batas atas dan bawah dari ruang pencarian. t merupakan
generasi ke t, t adalah factor layi, e merupakan factor pertumbuhan dan g mencerminkan tren
pertumbuhan yang dapat dihitung dengan formula berikut :
𝑓𝐵𝐷 (𝑡)+𝜀
𝑔=𝑓 (22)
𝐵𝐷 (𝑡−1)+𝜀
Dandelion terbaik mempunyai cara lain untuk menabur yaitu dengan menabur mutasi.
Berikut ini merupakan rancangan dari mutasi tersebut :
𝑡
𝑋𝐵𝐷 = 𝑋𝐵𝐷 × (1 + 𝐿𝑒𝑣𝑦()) (25)
Dimana Levy() merupakan bilangan acak oleh distribusi levy. Distribusi ini dapat
dihitung dengan menggunakan parameter 𝛽 =1,5 [11].
Algoritma 3 menunjukkan bagaimana benih mutase dihasilkan oleh DA dimana N m
merupakan jumlah benih mutasi :
Algorithm 3 Generating Mutation seeds
Input : Nm
Output : All Xi
1: For i= 1 to Nm do
2: Set z = rand (1,d)
3: for k=1 to d do
4: if k ∈ z then
𝑡
Produce mutation seeds 𝑋𝐵𝐷 by Eq 25
𝑡
5: if 𝑋𝐵𝐷 out of bounds then
Randomly generate a location in the search space
6: end if
7: end if
8: end for
9: end for
Case 1 :
Tabel 2.2 Data Penelitian Case 1
Mesin
Job
1 2 3 4 5 6
Energy proses
0,4507 0,5582 0,3014 0,9409 0,7859 0,2709
(Kwh)
Energy
0,0066 0,0164 0,0048 0,1007 0,0871 0,003
Idle(Kwh)
Emisi per
0,998
Kwh
Case 2 :
Tabel 2.5 Data Penelitian Case 2
Mesin
Job
1 2 3 4 5 6 7 8 9 10
1 12 89 69 94 22 31 22 95 36 38
2 55 2 94 19 43 74 72 10 99 16
3 34 78 27 40 21 17 15 62 96 63
4 100 14 23 42 52 18 29 70 21 47
5 41 92 88 52 99 41 68 22 57 66
6 24 62 19 35 24 49 100 65 13 41
7 29 34 38 72 29 83 44 91 65 100
8 89 62 32 54 93 59 8 24 86 66
9 23 34 89 66 10 48 27 11 94 45
10 81 57 35 78 23 66 1 3 77 14
11 72 47 75 27 66 64 30 49 42 7
12 10 15 26 12 98 12 53 81 46 3
13 47 54 58 73 44 87 87 98 34 15
14 13 27 29 85 29 64 62 62 79 74
15 49 57 24 44 18 97 59 75 17 22
16 50 11 93 53 52 13 51 76 87 95
17 99 87 85 9 87 98 34 22 66 11
18 7 8 90 95 29 79 70 79 6 58
19 48 100 74 60 74 19 21 6 77 84
20 96 86 19 15 45 1 90 49 98 80
21 68 73 55 13 28 16 57 20 76 71
22 53 38 4 43 11 49 12 91 47 3
23 57 13 12 12 21 68 2 80 9 28
24 37 79 92 35 63 13 58 36 65 94
25 39 49 57 23 53 80 42 29 52 33
26 36 54 59 69 62 12 77 37 87 47
27 63 35 26 38 47 82 89 34 1 93
28 60 28 1 51 94 86 42 75 76 77
29 2 51 79 74 51 28 78 87 81 35
30 45 94 42 9 70 4 52 54 16 27
Energy
proses 0,207 0,475 0,982 0,385 0,183 0,544 0,239 0,53 0,666 0,794
(Kwh)
Energy
0,006 0,01 0,024 0,008 0,005 0,007 0,003 0,009 0,008 0,008
Idle(Kwh)
Emisi per
0,998
Kwh
Case 3 :
Tabel 2.8 Data Penelitian Case 3
Mesin
Job
1 2 3 4 5 6 7 8 9 10
1 100 72 76 100 16 9 5 87 34 15
2 19 3 19 68 29 22 16 13 87 70
3 70 56 39 71 29 91 100 86 88 99
4 50 93 100 71 84 64 67 29 28 81
5 80 97 3 10 14 32 92 67 72 68
6 47 59 29 3 26 20 50 26 1 70
7 40 63 69 21 56 73 56 10 46 40
8 84 80 68 82 4 45 100 96 29 67
9 85 46 59 35 68 84 89 18 97 58
10 60 60 2 50 90 20 78 56 62 27
11 78 64 21 5 85 55 15 23 36 87
12 98 31 42 73 83 48 71 49 72 30
13 4 57 30 11 67 4 82 77 98 21
14 45 45 25 45 7 59 88 42 57 81
15 73 94 83 59 1 72 65 62 45 76
16 77 84 11 82 10 9 67 27 43 8
17 22 66 5 77 97 28 61 82 62 96
18 90 51 87 27 65 76 67 20 75 67
19 12 92 43 21 92 64 94 67 60 46
20 9 76 62 46 71 65 76 65 30 38
21 29 12 71 70 46 96 12 70 76 19
22 83 15 73 32 51 6 3 29 3 24
23 83 95 87 29 46 67 89 73 69 33
24 83 46 82 2 55 54 85 3 20 57
25 11 32 15 27 2 43 23 79 28 29
26 10 74 73 99 54 89 83 5 28 90
27 73 40 4 20 51 18 37 18 61 75
28 85 30 58 89 48 15 82 77 2 3
29 56 63 26 87 53 8 80 46 5 62
30 59 67 73 65 60 61 94 86 38 1
31 70 66 80 32 93 56 26 41 21 9
32 4 66 79 43 39 83 55 25 62 13
33 51 42 90 85 84 29 73 8 95 57
34 18 30 61 67 57 60 25 10 20 95
35 61 9 3 2 61 18 44 78 38 74
36 25 91 31 2 14 97 91 84 88 26
37 84 8 95 61 85 41 88 4 86 51
38 74 2 24 42 33 24 62 13 62 10
39 33 7 62 68 42 41 78 67 99 6
40 38 43 2 4 62 95 76 91 67 78
41 43 98 28 51 43 84 13 71 64 81
42 15 19 50 30 75 90 94 35 51 83
43 75 98 42 67 24 63 15 45 92 44
44 29 60 80 86 70 13 100 86 88 6
45 14 49 78 93 45 94 35 46 18 85
46 29 20 27 66 70 95 7 11 75 52
47 73 19 33 36 93 21 44 51 4 24
48 87 79 52 85 24 89 50 4 37 50
49 86 99 31 25 78 10 41 66 35 1
50 2 41 41 88 6 77 89 80 21 54
Energy
proses 0,8785 0,2544 0,8840 0,1757 0,6843 0,4324 0,4011 0,1903 0,4123 0,3214
(Kwh)
Energy
0,0091 0,0020 0,0380 0,0009 0,0048 0,0034 0,0033 0,0016 0,0038 0,0041
Idle(Kwh)
Emisi
0,998
per Kwh
Case 4 :
Tabel 2.11 Data Penelitian Case 4
Mesin
Job
1 2 3 4 5 6 7 8 9 10
1 1 1 1 4 3 5 5 7 6 4
2 2 5 4 3 1 9 5 4 7 0
3 5 6 8 4 4 2 5 6 7 5
4 4 1 5 6 5 7 9 2 6 2
5 4 4 2 7 3 6 5 8 4 1
6 7 6 2 5 4 1 4 7 5 5
7 8 5 8 7 9 5 3 5 1 5
8 4 2 5 8 9 9 4 7 5 8
9 2 7 4 2 5 4 5 8 4 3
10 6 5 1 9 4 4 7 6 5 1
11 5 4 7 3 9 1 4 7 3 2
12 2 4 9 2 4 5 2 1 4 2
13 4 0 1 2 2 3 1 4 2 8
14 1 2 5 7 8 6 2 1 4 8
15 6 4 5 1 2 4 5 6 2 9
16 4 5 3 1 8 7 0 1 4 6
17 7 3 1 4 7 0 4 1 5 6
18 5 2 4 1 2 7 5 3 2 3
19 8 6 8 5 7 4 2 5 9 5
20 4 5 3 5 7 9 2 4 5 8
21 3 5 7 9 6 2 4 4 7 3
22 0 2 4 5 4 7 4 5 4 8
23 4 2 5 7 4 5 3 2 8 5
24 7 8 2 1 9 6 7 8 4 1
25 4 8 5 2 6 8 9 5 8 5
26 4 5 7 2 3 7 3 6 5 4
27 4 2 1 5 1 3 5 6 5 5
28 5 8 5 7 8 2 5 8 3 5
29 5 4 5 4 5 7 6 2 5 9
30 8 2 1 5 5 6 7 8 7 5
31 8 3 5 9 5 4 5 2 4 2
32 8 5 2 5 7 6 2 8 9 5
33 3 7 4 6 8 2 4 5 2 3
34 5 5 4 7 9 8 2 5 2 5
35 5 2 5 2 5 4 8 2 1 3
36 5 5 9 5 4 9 8 5 3 5
37 2 1 2 1 4 3 3 5 2 6
38 8 8 4 7 2 6 8 6 3 5
39 9 7 5 8 5 6 5 8 9 4
40 5 6 9 6 5 3 1 8 7 4
41 6 4 7 4 3 6 1 4 5 8
42 4 3 7 5 1 9 2 4 2 5
43 4 2 8 7 3 4 9 8 7 4
44 2 5 9 4 2 5 3 0 4 7
45 9 5 4 2 3 7 0 2 1 6
46 2 3 2 5 1 0 8 9 5 3
47 5 2 7 9 4 3 6 2 5 0
48 7 8 2 1 4 7 5 8 9 4
49 1 4 2 3 6 8 2 4 7 5
50 2 5 4 5 6 8 4 1 7 5
51 8 3 0 2 5 6 8 2 9 4
52 7 2 4 3 6 2 9 4 1 8
53 3 5 7 5 3 8 6 4 8 1
54 5 0 5 6 0 0 2 4 7 8
55 1 9 5 2 4 7 5 0 2 5
56 0 2 9 6 1 4 0 0 5 2
57 0 2 5 8 3 6 9 1 2 4
58 7 9 6 3 5 1 7 5 4 5
59 4 3 5 2 1 4 9 7 4 1
60 0 3 5 2 4 9 4 7 5 4
61 7 8 5 6 3 9 8 7 4 6
62 1 9 6 7 0 2 4 8 3 6
63 6 1 2 0 3 5 4 1 7 3
64 6 5 1 4 9 7 3 5 6 4
65 1 8 2 6 9 4 7 5 8 4
66 0 1 6 2 9 4 8 5 7 6
67 4 2 5 6 8 5 6 4 1 4
68 3 4 5 8 4 1 2 3 6 8
69 9 8 2 3 1 4 0 2 4 5
70 4 3 2 5 6 4 1 8 9 2
71 5 7 1 2 6 8 2 3 4 7
72 2 1 4 3 8 4 6 2 4 5
73 6 7 9 2 4 3 2 5 6 7
74 2 4 0 2 5 3 4 7 8 6
75 2 7 5 4 3 1 5 6 0 2
76 3 5 7 0 2 4 5 2 5 7
77 2 4 5 3 4 7 8 3 2 4
78 9 9 1 4 5 7 6 5 3 2
79 8 2 5 2 2 5 1 5 7 8
80 4 5 2 4 7 9 5 4 2 4
81 5 5 1 2 4 2 3 8 5 1
82 0 2 9 5 4 2 5 9 6 5
83 1 2 3 5 6 2 4 0 2 5
84 4 2 3 5 4 2 3 5 4 2
85 4 4 5 8 9 8 5 2 8 3
86 4 2 3 3 2 5 8 8 1 2
87 5 3 6 2 5 6 4 7 9 3
88 4 2 3 6 8 5 3 4 7 2
89 5 8 8 3 5 6 5 6 5 2
90 5 6 4 2 5 4 6 5 8 4
91 2 1 4 7 4 5 9 8 5 6
92 2 1 4 6 5 8 6 1 3 5
93 9 5 1 3 5 7 9 1 2 5
94 3 5 4 9 7 2 6 5 2 1
95 2 5 0 3 2 4 7 8 9 5
96 5 3 5 7 9 2 4 5 5 8
97 6 3 1 5 0 1 4 8 9 8
98 3 0 4 3 7 2 6 9 4 1
99 1 7 4 2 2 4 5 0 6 9
100 1 7 8 4 6 5 4 8 5 2
Energy
proses 0,7056 0,2464 0,7547 0,3150 0,5565 0,2205 0,4827 0,5384 0,4622 0,2778
(Kwh)
Energy
0,0068 0,0022 0,0049 0,0036 0,0051 0,0010 0,0068 0,0053 0,0031 0,0023
Idle(Kwh)
Emisi per
0,998
Kwh
Tabel 2.14 Hasil Perbandingan Konsumsi Energi Tiap Algoritma pada Tiap – Tiap Case dengan
Independent sampe t
Test Perbandingan Sig Case 1 Sig Case 2 Sig Case 3 Sig Case 4
Test Perbandingan Sig Case 1 Sig Case 2 Sig Case 3 Sig Case 4
4. Kesimpulan
Metode metaheuritik dilakukan 30 kali running pada algoritma FHO dan DO. Hal ini
dilakukan untuk mengetahui konsumsi energi paling minimum yang dihasilkan pada masalah
penjadwalan. Dimana hasil konsumsi energi terbaik pada tiap case dan algortitma didapatkan.
Nilai rata – rata konsumsi energi pada case 1 FHO 16868.962, DO 1692.658. Case 2 FHO
7624.134, DO 7622.424. Case 3 FHO 11997.908, DO 12000.346. Case 4 FHO 2071.897, DO
2071.568. Dilakukan uji sample T-test dengan tujuan dapat mengetahui kelayakan atau
kualitas kedua algoritma. Didapatkan hasil nilai sig diterima terdapat pada case 1 dan case 2.
DAFTAR PUSTAKA
1. Nadia, V., D.R.S. Dewi, and M.E. Sianto, Penjadwalan Produksi Dan Perencanaan
Persediaan Bahan Baku dI PT. WAHANA LENTERA RAYA. WIDYA TEKNIK, 2010.
9, No 2: p. 1-15.
2. Utama, D.M., Pengembangan Algoritma NEH dan CDS untuk Meminimasi
Consumption Energy pada Penjadwalan Flowshop. Seminar Nasional Teknologi dan
Rekayasa (SENTRA) 2018. 3: p. 1-8.
3. Firmansyah, A., M.I. Irawan, and D.B. Utomo, Algoritma Genetika dengan Modifikasi
Kromosom untuk Penyelesaian masalah penjadwalan Flowshop. Academia p. 1-7.
4. Sholeh, M., E.W. Asih, and I. Sodikin, Penjadwalan Pekerjaan Yang Optimal Untuk
Meminimasi Keterlambatan Pada PT. Mandiri Jogja Internasional. 2021. 9, No. 1: p.
1-10.
5. Tasgetiren, M.F., et al., A Variable Iterated Local Search Algorithm for Energy-
Efficient No-idle Flowshop Scheduling Problem. Procedia Manufacturing 39 2019: p.
1-9.
6. Azizi, M., S. Talatahari, and A.H. Gandomi, Fire Hawk Optimizer: a novel
metaheuristic algorithm. Artificial Intelligence Review, 2022.
7. Shishehgarkhaneh, M., et al., BIM-Based Resource Tradeoff in Project Scheduling
Using Fire Hawk Optimizer (FHO). Buildings, 2022. 12(9).
8. Li, X. and M. Yin, A hybrid cuckoo search via Lévy flights for the permutation flow
shop scheduling problem. International Journal of Production Research, 2013. 51(16):
p. 4732-4754.
9. Utama, D.M. and D.S. Widodo, An energy-efficient flow shop scheduling using hybrid
Harris hawks optimization. Bulletin of Electrical Engineering and Informatics, 2021.
10(3): p. 1154-1163.
10. Zhu, H., et al., Dandelion Algorithm With Probability-Based Mutation. IEEE Access,
2019. 7: p. 97974-97985.
11. Li, X., et al., New Dandelion Algorithm Optimizes Extreme Learning Machine for
Biomedical Classification Problems. Comput Intell Neurosci, 2017. 2017: p. 4523754.