No-Idle Permutation Flowshop Scheduling Untuk Meminimasi Konsumsi

Energi : Fire Hawk Optimizer Vs Dandelion Optimizer

M. Nabil Al Fahmi, Devisa Restiana Wati, Artha Bripka Putri

Teknik Industri, Fakultas Teknik, Universitas Muhammadiyah Malang, Indonesia
Teknik Industri, Fakultas Teknik, Universitas Muhammadiyah Malang, Indonesia
Corresponding author :

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 :

Min TEC (1)

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)

𝐶𝑚𝑎𝑥 ≥ 𝐶𝑖𝑚 ∀𝑖 = [1, … , n]

(6)

∑𝑙𝑟=1 𝑌𝑖𝑗𝑟 = 1 ∀𝑖 = [1, … , n] , j = [1, … , m] c (7)

𝑌𝑖𝑗𝑟 = 𝑌𝑖,𝑗+1,𝑟 ∀𝑖 = [1, … , n]j = [1, … , m], r = [1, . . , l] (8)

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)

𝐹𝑗 ≥ 𝐶𝑖𝑗 ∀𝑖 = [1, … , n] , 𝑗 = [1, . . , m] (12)

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.

0.12 0.29 0.11 0.81

3 2 4 1
J1 J2 J3 J4

(a) Correct Job Permutation

0.12 0.33 0.81 0.81

2 3 4 1
J1 J2 J3 J4

(b) Incorrect Job Permutation

(Sumber : Utama and Widodo [9]

Gambar 1.1 Contoh Penerapan LRV

 Tahap ketiga yaitu tahap eksplorasi fire hawk. Dalam tahap ketiga ini terdapat perilaku
fire hawk saat proses mencari mangsanya, mulai dari mengumpulkan tongkat yang terbakar
dan menjatuhkannya ke area yang dipilih. Perilaku tersebut di formulasikan ke dalam
persamaan (14) dan (15) berikut ini :

𝐷𝑘𝑙 = √(𝑥2 − 𝑥1 )2 + (𝑦2 − 𝑦1 )2 , {𝑙=1,2,…,𝑛

𝑘=1,2,…,𝑚 (14)
𝐹𝐻1𝑛𝑒𝑤 = 𝐹𝐻1 + (𝑟1 × 𝐺𝐵 − 𝑟2 × 𝐹𝐻𝑁𝑒𝑎𝑟 ), 𝑙 = 1,2, … , 𝑛 (15)
Dimana D1k adalah jarak total antara elang api ke-l dan mangsa ke-k; m adalah jumlah
mangsa di ruang pencarian, n adalah jumlah total elang api di ruang pencarian, dan (x1,y1)
dan (x2,y2) merepresentasikan koordinat Fire Hawk dan mangsa di ruang pencarian. FH1new
adalah vektor posisi baru dari Fire Hawk (FHl) ke-l, GB adalah solusi terbaik global dalam
ruang pencarian yang dianggap sebagai api utama; FHNear adalah salah satu Fire Hawks
lainnya di ruang pencarian, r1 dan r2 adalah bilangan acak yang terdistribusi secara seragam
dalam kisaran (0, 1) untuk menentukan pergerakan Fire Hawk menuju api utama dan wilayah
Fire Hawk lainnya.
Tahap keempat yaitu eksploitasi. Dalam tahap ini merupakan pergerakan mangsa di
dalam wilayah fire hawk. Pada tahap ini diformulasikan dalam persamaan (16) dan (17)
dibawah ini :
𝑃𝑅𝑞𝑛𝑒𝑤 = 𝑃𝑅𝑞 + (𝑟3 × 𝐹𝐻1 − 𝑟4 × 𝑆𝑃1 ), {𝑙=1,2,…,𝑛
𝑞=1,2,…,𝑟 (16)

𝑃𝑅𝑞𝑛𝑒𝑤 = 𝑃𝑅𝑞 + (𝑟3 × 𝐹𝐻𝐴𝑙𝑡𝑒𝑟 − 𝑟4 × 𝑆𝑃 ), {𝑙=1,2,…,𝑛

𝑞=1,2,…,𝑟 (17)

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

2.2.2 Algoritma Dandelion Optimizer

Dalam studi kasus ini, peneliti membandingkan algoritma Fire Hawk Optimizer dengan
Dandelion Optimizer. Dimana DO ini merupakan algoritma yang terinspirasi dari alam yaitu
tanaman yang menggunakan angin untuk menyebarkan bijinya [10]. Pseudocode DO dapat
dilihat dalam algoritma 2. Terdapat empat tahapan yang dimiliki oleh Dandelion Optimizer.
Tahapan pertama yaitu inisialisasi. Pada tahap inisialisasi ini menunjukkan kriteria yang
akan diteliti, menentukan ukuran populasi dan dimensi variable, batas atas dan batas bawah
dari bilangan random. Tahap kedua yaitu tahapan dalam pencarian posisi awal dengan
menggunakan Large Rank Value (LRV). Berdasarkan data yang ada di tahap pertama,
dilakukan penentuan posisi awal Dandelion. Dimensi ini diperoleh dari jumlah job yang ada.
Batas atas dan batas bawah diperoleh dari bilangan random. Ilustrasi dari metode LRV dapat
dilihat pada gambar 2. Penggunaan LRV ini digunakan untuk menentukan urutan job. Dengan
menggunakan LRV dapat memetakkan nilai kontinu ke dalam permutation job secara efektif.

0.12 0.29 0.11 0.81

3 2 4 1
J1 J2 J3 J4

(c) Correct Job Permutation

 0.12 0.33 0.81 0.81

2 3 4 1
J1 J2 J3 J4

(d) Incorrect Job Permutation

(Sumber : Utama and Widodo [9]
Gambar 1.2 Contoh Penerapan LRV

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

Untuk perhitungan radius penaburan pada dandelion lainnya dapat dihitung

menggunakan formula sebagai berikut :
𝑈𝐵 − 𝐿𝐵 𝑡=1
𝑅𝑖 (𝑡) = { (23)
𝑤𝑑 × 𝑅𝑖 (𝑡 − 1) + (||𝑥𝐵𝐷 ||∞ − ||𝑥𝑖 ||∞ 𝑜𝑡ℎ𝑒𝑟𝑤𝑖𝑠𝑒
Dimana wd merupakan factor bobot yang dapat dihitung sebagai berikut :
𝑇𝑐
𝑤𝑑 = 1 − 𝑇 (24)
𝑚𝑎𝑥
 Pastikan bahwa dalam (19) Tc dan Tmax masing-masing merupakan jumlah saat ini dan
jumlah maksimum dari evaluasi fungsi.
Dalam Algorithm 2 menunjukkan bagaimana benih normal yang dihasilkan DA
selanjutnya. Dimana d merupakan dimensinya.
Algorithm 2 Generating Normal Seeds
Input : Ni
Output : All Xi
1: For i= 1 to Ni do
2: Set z = rand (1,d)
3: for k=1 to d do
4: if k ∈ z then
5: if 𝑋𝑖𝑘 is best dandelion then
𝑋𝑖𝑘 = 𝑋𝑖𝑘 + rand(0,RBD)
6: else
7: 𝑋𝑖𝑘 = 𝑋𝑖𝑘 + rand(0,Ri)
8: end if
9: if 𝑋𝑖𝑘 out of bounds then
Randomly generate a location in the search space
10: end if
11: end if
12: end for
13: end for

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

Algoritma 4 : Framework of Dandelion Optimizer

 1: Randomly choosing N dandelions
2: Assess their fitness
3: Repeat
4: Produce normal seeds using Algorithm 2
5: Produce mutation seeds using Algorithm 3
6: Assess all seeds fitness
7: Best dandelion is kept to next generation
8: Select other 𝑁−1 dandelions via a selection strategy
9: Until termination condition is satisfied
10: Return the best fitness and a dandelion location

2.3 Data Penelitian

Penelitian ini menyajikan data penelitian berupa 4 variasi data job dan mesin dengan
menggunakan waktu proses dari penelitian sebelumnya. Berikut data penelitian yang
diguanakan :
Tabel 2.1 Data Penelitian

Problem Job and Machine Kategori Case Referensi

Case 1 10 job 6 mesin Small Carlier
Case 2 30 job 10 mesin Medium Reeves
Case 3 50 job 10 mesin Large Reeves
Case 4 100 job 10 mesin Huge Heller

Case 1 :
Tabel 2.2 Data Penelitian Case 1

Mesin
Job
1 2 3 4 5 6

1 333 991 996 123 145 234

2 333 111 663 456 785 532

3 252 222 222 789 214 586

4 222 204 114 876 752 532

5 255 477 123 543 143 142

6 555 566 456 210 698 573

7 558 899 789 124 532 12

 8 888 965 876 537 145 14

9 889 588 543 854 247 527

10 999 889 210 632 451 856

Tabel 2.3 Data Konsumsi Energi Case 1

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)

Tabel 2.4 Data Emisi Case 1

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

Tabel 2.6 Data Konsumsi Energi Case 2

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)

Tabel 2.7 Data Emisi Case 2

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

Tabel 2.9 Data Konsumsi Energi Case 3

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)

Tabel 2.10 Data Emisi Case 3

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

Tabel 2.12 Data Konsumsi Energi Case 4

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)

Tabel 2.13 Data Emisi Case 3

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

ETC FHO-DO 0.053 0.003 0.000 0.000

2.4 Prosedur Percobaan

Pada percobaan ini menggunakan perangkat lunak Matlab R 2018a pada Windows 10.
Dimana populasi yang dilakukan tiap percobaan 300 dan 500. Dengan iterasi untuk tiap
populasi adalah 500 dan 1000. Membandingkan algoritma usulan dengan algoritma Fire
Hawk Optimizer (FHO). Untuk hasil dari setiap percobaan dicatat karyon emisi dan waktu
komputasi.
Untuk pengujian kualitas dari algoritma dilakukan dengan Uji independent sampe t
test. Dengan parameter populasi dan iterasi besar yakni Pop 500 × Iter 500. Pengkodean
dilakukan pada Matllab R 2018a. Penggoperasian software ini dilakukan pada laptop HP
series 14s-fq0xxx. Berikut merupakan spesifikasi dari laptop HP :
 Processor AMD Ryzen 3 3250U with Radeon Graphics
 Chipset AMD
 Memory 8192 MB RAM
  Storage SSD 476GB
 Conectifty LAN, WIFI, Bluethoot, Port USB 3.1, Port HDMI, Card Reader
 Audio stereo speaker
 Camera VGA

Dalam perhitungan penjadwalan menggunakan software MATLAB R2018, jenis laptop

akan mempengaruhi hasil waktu komputasi.

3. Hasil dan Pembahasan

Hasil percobaan disajikan pada tabel 2.15. Dimana pada algoritma FHO dan DO
dilakukan proses running dengan populasi 500 dan interasi 1000. Tabel tersebut menunjukkan
hasil konsumsi energi di tiap algoritma. Terdapat 30 kali percobaan pada empat case.
Didapatkan hasil total konsumsi energi terbaik pada case 1 algoritma FHO 16868.961 dengan
urutan 3 dan DO 1692.658 urutan 14, case 2 algoritma FHO 7624,134 urutan 21 dan DO
7622.424 urutan 29 case 3 algoritma FHO 11997.908 urutan 12000.346 urutan 14 dan DO
dan case 4 FHO 2071.897 urutan 29 dan DO 2071.568 urutan 14.

Tsabel 2.15 Hasil Konsumsi Energi Algoritma FHO dan DO

Percoba Case 1 Case 2 Case 3 Case 4

an
FHO DO FHO DO FHO DO FHO DO
16933,8 16946,7 7627,18 7627,33 11997,9 12007,4 2072,10 2072,29
1
69 48 5 3 08 57 2 0
16943,3 16924,8 7627,44 7627,45 12004,5 12010,2 2072,07 2071,76
2
45 68 5 2 01 09 7 1
16868,9 16948,0 7628,26 7633,37 12001,6 12005,4 2071,98 2072,55
3
61 47 3 9 01 56 2 0
16931,4 16946,7 7627,43 7630,45 12002,6 12003,5 2072,12 2072,93
4
22 48 3 2 80 42 2 2
16895,9 16946,7 7628,20 7628,67 12002,1 12008,3 2072,26 2072,23
5
63 48 0 9 41 44 2 5
16948,7 16924,8 7628,60 7628,94 12003,3 12013,6 2071,94 2072,23
6
03 68 6 6 89 82 0 5
16937,3 17013,6 7626,06 7633,45 12003,1 12005,9 2072,12 2071,98
7
87 43 7 9 43 48 1 8
16916,4 17020,5 7628,40 7626,45 12001,9 12008,6 2072,10 2072,23
8
88 12 8 6 31 44 6 5
16919,4 16986,6 7626,63 7623,98 12004,9 12003,6 2072,06 2072,23
9
05 27 7 3 51 54 7 6
16958,8 16924,8 7624,82 7626,43 12003,9 12011,3 2071,97 2072,23
10
08 68 3 7 46 25 5 5
16908,9 16925,8 7625,75 7626,57 12004,8 12007,8 2074,20 2073,46
11
94 75 3 8 85 82 8 8
16957,9 16947,7 7629,65 7622,67 12003,6 12002,3 2072,00 2072,56
12
05 36 1 8 78 49 8 6
16931,8 16947,9 7626,69 7623,98 12003,4 12003,6 2071,95 2072,46
13
12 69 1 3 13 74 9 8
 16918,5 1692,65 7626,85 7627,45 12004,3 12000,3 2072,16 2071,56
14
60 8 7 2 54 46 0 8
16940,0 16947,9 7627,21 7626,83 12001,6 12012,8 2072,12 2072,34
15
21 57 3 5 49 53 6 8
16926,7 16947,5 7627,13 7629,68 12002,2 12008,8 2072,06 2073,45
16
88 70 6 2 15 29 3 8
16915,1 16925,5 7629,65 7627,75 12002,9 12007,9 2072,13 2072,23
17
08 53 8 9 03 23 6 5
16914,5 16947,3 7626,58 7627,25 12004,0 12008,8 2072,12 2072,99
18
06 45 7 8 53 35 4 1
16895,5 16954,7 7628,33 7628,95 12002,8 12010,7 2071,97 2072,83
19
46 86 1 6 08 23 0 6
16952,2 16925,8 7627,51 7623,56 12004,1 12011,4 2072,14 2071,98
20
18 68 9 2 66 57 6 8
16933,7 16947,9 7624,13 7624,33 12001,6 12012,8 2072,04 2071,98
21
19 83 4 3 78 53 0 8
16920,7 16947,9 7628,65 7626,45 12005,0 12012,8 2072,09 2071,56
22
63 36 7 1 42 53 3 8
16935,6 16947,4 7624,80 7629,53 12003,6 12003,6 2072,13 2072,62
23
82 27 8 1 49 54 5 4
16924,3 16947,9 7628,05 7626,13 12003,4 12013,2 2072,07 2071,56
24
74 78 3 5 38 36 1 8
16938,1 16947,4 7626,27 7623,56 12002,8 12003,9 2071,99 2072,47
25
46 57 2 2 22 45 7 3
16895,0 17021,2 7626,95 7623,56 12004,3 12006,7 2072,19 2072,23
26
05 35 0 2 83 82 7 9
16951,0 16947,6 7626,94 7629,68 12002,5 12012,4 2072,23 2072,88
27
87 87 7 2 72 58 5 4
16960,5 16947,4 7625,36 7625,45 12001,8 12013,6 2071,97 2072,83
28
93 79 6 6 72 82 9 6
16960,9 16947,8 7629,50 7622,42 12004,0 12009,2 2071,89 2072,35
29
37 76 4 4 13 44 7 8
16949,0 17021,7 7625,81 7629,68 12001,8 12013,6 2072,19 2072,45
30
47 86 5 2 68 82 6 8

Hasil Uji T-test :

Tabel 2.16 merupakan hasil uji t-test untuk menguji kualitas dari perbandingan
algoritma. Dimana pada case 1 didapatkan hasil 0.046, case 2 0.002, case 3 0.000 dan
case 4 0.019. Berdasarkan hasil tersebut, case terpilih yakni case 1 dan case 2.

Tabel 2.16 Hasil Uji T-test Algoritma FHO dan DO

Test Perbandingan Sig Case 1 Sig Case 2 Sig Case 3 Sig Case 4

ETC FHO-DO 0.346 0.872 0.000 0.043

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.