Aplikasi Algoritma Genetik untuk Optimasi Masalah Penjadwalan Flow-Shop
\
APLKASI ALGORITMA GENETIK
UNTUK OfIMASI MASALAHPENJADWALAN
FLOWSHOP
Oleh
ENDRA GUNAWAN
F03498039
2003
JURUSAN TEKNOLOGI INDUSTRIPERTANIAN
FAKULTAS TEKNOLOGIPERTANIAN
INSTITUTPERTANIAN BOGOR
BOGOR
'itiout w s, ...
nuaniy o[not aaance.
itiout goa. ...
e e no reason o tnini,
. itiout actio, ...
e can not eaci our o6jectives.
.
I
•
On qls... , I tmn�u are vey
'at".
• ou can 'emem6er" wiot you'e Oe 6efore.
• You can 'kam"omyour searcn-eene.
• lna you can even 'ca" tne name ftne 6eautfgin
for tneirst time at generation 47".
O. qls..., justfor tne gin (ana my parents)
I ef'ate tiis tnesis.
(Xenara qunawan, darc. 203)
Hendra Gunawan. F03498039. Aplikasi Algoima.Geneti. ontuk Optimasi Masalah
Penjadwalan FoShp. Dibawah bimbingan Yandra Arkeman dan
Hartrisari
Hardjomidjojo.2003.
RINGSAN
Masalah enjadwalan mesin produksi telah menjadi
perhatian utama para
praklisi yang berkecimpung dalam dunia industri, baik industri manufaktur maupun
industri berbasis ertanian (aroindusri). Salah satu enyebabnya. adalah adanya
kesulitan menemukan teknik yang tepat untuk membuat jadwal prduksi yang paling
bai., paling optimal, dan memenuhi segala riteria-riteria enjadwalan yang ditetapkan.
Teknik-tenik penyusunan jadwal produksi yang sudah ada (teknik konvensional) tidak
dapat
dipakai
karena
menangani h
teknik-teknik
tersebut
memiliki
banyak
kelemahan
dahim
berskala besar dan komplek. Salah atu masalah yang tergolong
kompJek dan r dieeahkan adalah maalah enjadwalnflow
Algorima geneik, sebagai salah satu tenik dalam bidang ilmu Kcerdasan
Buatan (Articial Intelligence), termasuk tenik pencarian yang bersifat robust (gh),
adaptif, dan eisien. Dalam encariannya. aigorima genetik meniru proses evolusi dan
perubahan sruktur genetik pada makhluk hidup. Algorima genetik sangat eocok untuk
memeeahkan masalah optimasi yang sukar atau kompJek (Drd or complex optimization
problems) yang tidak dapat dieeahkan dengan teknik-teknik penearian dan optimasi
konvensional, sepeti teknik kalkulus dan teknik enumeratif. Kesukaran terjadi karena
teknik-teknik konvensional tersebut sangat tidak eisien, tergantung kepada adanya nsi
turunan, dan tidak dpat menangani masalah berskala besar.
Penelitian ini bertujuan untuk mengaplikasikan algoriuna genetik dalam bidang
penjadwalan produksi vaitu uotuk masalah flow-shop deteministik tanpa kendala
(unconstrained-deterministic low-shop) berskala besar. Implementasi algoritma genetik
dalam proram komputer menkan bahasa emroraman Borland Pascal 7.0.
Proram yang dikembangkan disebt FShop_GA. Representasi kromosom menggunakan
order-based representation, penyilangan megn Partially-Mapped Crossover
(PX), mutasi menggunakan swap mutation, dan eleksi menggunakan roulette-wheel
selection.
Studi s i
literatur
digunakan
untuk mendemonstrasikan proram
FShop_GA. Dalam peneliian i din dua s yaitu Kasus 1 (masalah 4 job 2
mesin) dan Kasus 2 (masalah 8 job
3 mesin ). Kedua kasus tersebut merupakan
persoalan yang terdapat dalam buku Intelligent Mnufactring Systems (Kusiak, 1990).
-
-
Masing-masing kasus memiliki besar g pencarian yang berbeda yang nilaiya
tergantung kepada jumlah permutasijob.
24 (4!=24) sedangkan Kasus 2
40320 (81=40320). Besamya ruang
Kasus 1 memiliki besar ruang penearian
memiliki ruang pencarian yang lebih besar yaitu
penearian tersebut dinyatakan dalam banyaknya jumlah kromosom. Kasus 1 digunakan
untuk menguji kebenaran program algoritma genetik yang dikembangkan.
Hasil penditian m:nunjkn bah..a algoritma g�rletik ;angat ei;ie. dalam
memecahkan masalah low-shop deterministik mpa enaa brskala besar. Untuk Kasus
I, algorima geneik dapat menemukan kromosom terbaik setelah mengekplorasi
83,33%
roang pencarian. Bemya persentase ruang pencarian yang dieksplorasi i menunjukkan
bahwa algorima genetik idak eoeok untuk diterapkan pada masalah dengan ruang
penearian yang keeil. Sebalinya, pada Kasus 2, algorima geneik dapat menemukan
romosom terbaik hanya dengan mengeplorasi
1,09%
ruang pencarian. Hal ini
membuktikan bahwa algorima genetik sangat eisien dan coeok untuk diterapkan pada
masahh dengan roang pencarian yang besar.
SMRY
Machine sceduling problems ave e an interest topic of discussiun for
they who actively involved in indl ield, including aro-indusrial tor. e of the
main reasons is the diiculty in fmding the et ad te most ape method for
solving the problems. Convenional methds, e lus-based or meraive search,
could not he used because of their weaness in olving large-scale ad omplex machine
.
scheduling problems. One of tem is low-shp poblms.
Geneic algorithms (GAs), as one of e Ariicial Intelligence tol, have proved
as one of searching and optimizaion methd at n solve large-scae and coplex
optimization problems eiciently.
In searching the best soluion, GAs work by
mimicing the process of evolution and natural geneics. GAs s appropriate for solving
hard or complex opimizaion problems hat culd not be solvd by usig conventional
methods like calculus-based or enumerative-scare&.
The aims of this research is applying GAs for solving WlOned large-scale
low-shop problems. For its implemenaion, integer numer (order repreenaion) is
used for chromosome representation, PX ms is d for crossover, swap mehods
is d for mutation, and roulette whel methds s d for selecion.
Case study taken from reference s coducted to demonsrate the soe
develoed- called FShop_GA. Two ce namely Case 1 (4 jobs- 2 machine) and Case 2
(8 jobs - 3 machine) re taken rom Kk (1990). Case 1 as 24 (41-24) alative
schedules in its search space and Case 2 s 40320 (8!=40320) alteaive schedules in is
search space. In this research, Case 1 is d o chck the validity of output of FShop_ GA
compared with enumerative search.
e expriment shows that GAs is vy eicient in solving unconed large
scale low-shop problems. In Case 1, GAs could found the est soklion by exploring
83,33% of search-space. This igures that GAs is inappropriate for solving small-scale
low-shop problems. Otherwise, in e 2, GAs n found the est solion y eploring
ony 1,09% of search space. This shows that GAs s very eicint d appropriate for
solving large-scale flow-shop problems.
FAKULTAS TENOLOGIPERTANlAN
INSTlTUT PERTANIAN BOGOR
APLKASIALGORITMA GENETIK
UNTUK OTIMASI MASALAH PENJADWALAN
FLOWSHOP
SRIPSI
Sebagai salah satu syarat uutuk memperoleh gelar
SARJANA TEKNOLOGIPERTANIAN
pada Fakultas Teknologi Pertaniao
nstitut Pertanian Bogor
Oleb
ENDRA GUNAWAN
F03498039
Dilahirkao di Ja
pada tanggal12 April 1980
Taoggal kelulusao: 20 Jaouari 2003
Pembimbing I
1
KATA PENGANTAR
Puji dan syukur penulis panjaan kehadirat Allah SWT ea atas
segala rahmat dan kaunia-Nya, penulis dapat menyelesaikan skripsi ini. Tena
yang dipilih dalam penelitian ini adalah Algoritma Genetik, dengan judul Aplikasi
Algoritma Genetik untuk Optimasi Masalah Penjadwalan Flow-Shop.
Penulis mengucapkan terima kasih kepada semua pihak yang telah
banyak membantu dalam penyelesaian skripsi ini, antara lain kepada :
1.
Dr. r. Yanlra Arkeman. Eng., selaku dosen pembimbin� I yang tel�
"mementuk" saya dengan memberikan pengar�an dan enlightment yang
sangat erhara, bai. selama perkuliahan maupun dalam penyelesaian skripsi.
2.
Dr. . aii Hardjomidjojo, DEA , selaku dosen pembimbing II yang
telah memeri pemikiran-pemikiran erharga tentang dasardasar melakukan
penelitian seara ilmiah, khususnya dalam bidang manajemen sains.
3. r. Tauk Djatna selaku dosen penguji yang telah memberi masukan berharga
untuk kesempumaan penyajian skripsi i.
4.
Kedua orangtua dan adik-adik penulis (Hendri, Nina, Taufik, Fikri) yang telah
memerikan perhatian, semangat, dan do'a dengan tulus ikhlas.
5.
Rekan-rekan se-bimbingan (Neng Adi, Dian Eko, Tono, Amin, Dina, Agung)
atas kekompakannya selama pembimbingan.
6: Rekan-rekan se-angkatan (TN'35) yang telah memberikan bantuan, baik
bantuan
moril
maupun
materil,
dan praktikan
mata kuliah Penerapan
Komputer (TN'36 dan TIN'37) yang !elah menambah kesibukan penulis
selama erkuliahan.
7.
Rekan-rekan keja di LNK Computer - Darmaga (Ms Ariadi, bak Lia,
Siska, Dadan. Sahadi, Didik, Gono, Asep, Agung, Rivol, Egie, Adi Kumis,
Opik, Acung, Markus) atas segala bantuan dan kerjasamanya.
Semoga skripsi ini bennanfaat.
Bogor, Maret 2003
Hendra Gunawan
II
WAYAT lDU P
Penulis dilahirkan di Ja paa tangal 12 April 1980 sebagai anak
pertama dari lima bersaudara. anak i pasangan Madroi n sh Triana.
Tahun 1998 penulis lulus dari SMU Negeri 1 Balaraja, Tangerang. Pada
tahun yang sana, penulis lu:us seleksi sk PB me.lui jaiur Undangan Seleksi
Masuk PB (USMI) n diterima i jurusan Tenologi lndustri Pertanian,
Fakultas Teknologi Pertanian.
Selama
mengikuti
perkuliahan.
penulis
sempat
menjadi
asisten
matakuliab Penerapan Komputer tabun ajaran 2000/200I n 200112002, serta
pemab mengikuti Praktek Lapang selama dua bulan (I Juli
-
30 Agustus 2002) di
PT. Charoen Pokphand htdonesia, Tangerang. Paa bulan September 1999,
penulis mendapat beasiswa dari Yayasan Toyota-Astra untuk tahun ajaran
199912000.
mengikuti
Pada
taoggai
program
Indonesia, Jakarta.
3
Oktober
2002,
IBM-StudeDt@Work
penulis
yang
mendapat
diadakan
oteh
kesempatan
PT.
IBM
iii
DAfARISI
Haln
KATA PENGANTAR .... . ..... .. .... .. ..................... .......... ........ .......... ...... .....
1
RIWAYAT mnup ........... ......... .. ................................. ........ . ...... ........... ..
ii
.
..
.
.
.
DAfAR lSI
.
.
.
.................................................................... . . . . . . .......................
DAfAR TABEL
iii
.......... ....................... ................ . ...... ...........................
v
DAfAR GAMBAR .... ....... ......... .................................... ..... ............ ......
I
DAfAR LAMPIRAN ... ....... ....... ....................... ........ .. . ...... ............ ....
X.
..
.
.
.
.
.
.
I.
.
..
.
.
.
..
.
.
..
PENDAHULUAN ........... ..... ...... ......... ...... .......... ..... .......... ...... ...... ..
I
A. LATARBELAKANG ........................................................................
1
B. TUJUAN .............................................................................................
3
C. RUANG LNGKUP ......... . ............. ........ ......... .... .... .. .............. .......
3
II. TINJAUAN PUSTAKA ........... ... .... . ........ .......................................... .
4
A. TPE-TPE PROSES PRODUKSI ......... ................ .. ....... . ....... ...... .
4
I.
Flow-Shop ... . .............................................................................
4
2.
Job-Shop ... ......... . ................. .....................................................
5
B. PENJADWALAN FLOW-SHOPTANPA KENDALA .....................
6
C. ALGORlTMA GENETIK .............. ............. ............ ...... .. ... .........
8
.
.
.
..
.
.
.
.
.
.
.
..
.
.
.
.
.
.
.
.
.
:
.
.
.
.
..
.
.
1.
Kelahiran Algoritna Genetik .... ........
.... .............. ............... ...
8
2.
Prosedur Unum Algorima Genetik ............. ...... ....... . .....:......
9
3.
Konponen-konponen Algoritna Genetik . ............ ............... .....
12
3.1 Representasi Kromosom ......... ........ ........ .......... ................
12
3.2 Operator-operator Algoritma Genetik ........... ...... . ................
13
3.2.1 Penyilangan (Crossover)..............................................
14
3.2.2 Mutasi (Mutation) ............ ..... ............. ............. .... .......
16
3.3 Fungsi Fitness . ........ ........ . .......... ... .... . .. . ... .... . . ......... .. .. . ..
18
3.4 Seleksi dan Reproduksi ................ ........... ..................... . ...
19
3.5 Kriteria Penghentian (Stopping Criteria)...............................
20
.
...
..
.
.
..
.
.
.
..
.
.
.
.
.
..
.
..
..
.
4.
..
.
.
Perbandingan Algoria Genetik dengan Teknik Pencarian n
Optimasi Konvensional ............ . ................. ....... ... ........ . ......
.
.
.
.
.
.
..
.
D. PENELlTIAN TERDAHULU . ..................................... .......... ........
..
.
,
20
24
iv
II. ETODOLOGI PENELITIAN .
.
A. ERANGKA PEKRAN .
...
....
....
.. .
....
..
.
...
.......
....
.......
.
...
.
....
........
. .... .
...
..
.....
B. PNDEKATAN ETODELAH
V.
.
....
... ..
.....
.
.. .
..
......
... .
..
.....
...
.....
.
.
.
.
26
....
26
....
.....
.. . . ... ..
....
..
..
.
.
..........
27
LOTA GENETK UNTUK OPTMASI ASLH
PENJDWN FLOWSHOP............................................................
A. REPlSENTASI KROMOSOM
.. . .... .. .. .....
B. UNGSI FIINSS ..... .. ...
... . ..
.
C. PANGAN
D. MUTASI
..
...
...
.
.... .
..
..
. ...
.
.....
.
...
.....
.
...
....... .. .
.
...
.
..
..
...
..
..
.
.
..
..
...
....
.. . ... ....
..
..
... ... . .. . .. .. .
.
.
.
.
.
......
.
.....
......
. ....
.
.
....
....
. .. ...
.
.
.. .
..
... .... .
.....
...
.
. .. ..
..
..
. .. . .... ... .
..
.....
..
..
..
..
.. . .
....
..
..
.
.......
..
.....
..
....
.
...
..
..
.
...
..... ..
...
..
E.
PLEENTASI DALAM BAHASA PASCAL: FShop_GA . ...
F.
STIJDI KASUS
.
l . ss 1
1.1
:
....
.....
.
..
..
.
. ..
33
34
39
.......
...........
.....
...
.
l . 2 Populasi Awal ... ..
.
..
...
. .
..
. .
....
..
....
.......
..
.. .
..
1.3
Proses Evaluasi dan Seleksi . ... . .. .. .
1.4
Proses Penyilangan n Mutasi ... ... .
1.5
Hsl Running Program FShop_GA
..
.
.
.
.
..
..
..
.
.......
Masalah Penjadwalan 8 Job
..
..
1.6 Eisiensi Algoritma Genetik .
:
33
Masalah Penjadwalan 4 Job - 2 Mesin............................
.....
-
.
...
Proses Evaluasi n Seleksi
.
.
..
..
..
2.4 Proses Penyilangan n Mutasi
.......
.
.
...
. .. ..
.
.... ..
..
....
..
..
.
..
.
.
.....
.. ..
.
.
40
40
..
.....
.
........
45
... . ... . . ... .
51
.. .. . .......... .
52
... ......... ...
52
.. . .:......................
52
..
........
...
....
.....
...
.
.
...
. . ...
..
.
..
..
...
.
..
.
..
.
....
...
..
.
.
.
.
.
.
.
... .
.
...
. . .. . .
.
..
.
53
56
2.6
Eisiensi Algorima Genetik....................................................
64
2.7
Variasi Tingkat Penyilangan (Pc) ..... .. .....
..
65
2.8 Variasi Tingkat Mutasi (Pm)...................................................
68
...
.
V. ESIMPULAN DAN SARAN
.. ... . .
...
A. KESPULAN .. . ....... ..
..
..
.....
...
...
.
....
... ...
.
.... . .. ...
...
..
.
..
.
.
....
....
....
..
...
.
...
..
..
..
.
....
..
...
.
.
........
...
....
.... ..
.
.. ..
.
.
.
...
....
..
. ..
.
...
.
71
71
76
...
.
..
...
..
...
...
....
.... ...
..
.. ..
.
...
LPIAN
.
.......
.
...
.. ..
... .. .. . . .
..
.
.
73
.
.
.
.
DAFTAR PUSTA ....................................................................................
.
.. ...
..
.
...
72
..
.... ... ..
..
.. . . .. ...
..
.. . .. . . .... ...
B. SARAN
... . ... ....
..
..
....
.... . .
.
. .. . ...
2.5 Hasil Running Program FShop_GA .
.
.. ..
.
54
....
..... ..
......
.
......
..
.
...
...
42
..
......
...
.....
.
. .. .. .. ".................
. . ... ... ..
...
..
... . ..
...
3 Mesin
2.3
.. ..
..
40
.
Populasi Awal
....
.
..
...... .
...
2.2
.
....
. ..... .... .
..
Parameter-parameter Algoritma Genetik
... ..
.
....
...... ... ... ......
2.1
.
....
.....
...
...
..
. . . ..
..
32
39
...
Parameter-parameter Algoritma Genetik . .
2. ss 2
..
31
.
.......
.
.
31
.
......
.
.
..
.
.
.
..................................................................................................
v
DfR TBEL
Halaman
Tael 1.
Perbandingan nilai makespan antara algoria genetik dengan
tenik heuristik 1ainnya (Gen n Cheng, 19)
..............................
Tabel 2.
Waktu pemrosesanjobdi setiap mesinWltukKasus 1
Tael 3.
Datar kromosom terbaik yang pemah dihasilkan dalam setiap
generasi padaKasus 1
....................
......................................................................
Tael-4.
Waktu pemrosesanjobdi setiap mesin untu. Kasus 2 ....................
Tabel 5.
Datar kromosom terbaik yang eh dihasiJkan dalam setiap
generasi padaKasus 2
....
.
.............................
,...................................
7
39
48
52·
63
APLKASI ALGORITMA GENETIK
UNTUK OfIMASI MASALAHPENJADWALAN
FLOWSHOP
Oleh
ENDRA GUNAWAN
F03498039
2003
JURUSAN TEKNOLOGI INDUSTRIPERTANIAN
FAKULTAS TEKNOLOGIPERTANIAN
INSTITUTPERTANIAN BOGOR
BOGOR
'itiout w s, ...
nuaniy o[not aaance.
itiout goa. ...
e e no reason o tnini,
. itiout actio, ...
e can not eaci our o6jectives.
.
I
•
On qls... , I tmn�u are vey
'at".
• ou can 'emem6er" wiot you'e Oe 6efore.
• You can 'kam"omyour searcn-eene.
• lna you can even 'ca" tne name ftne 6eautfgin
for tneirst time at generation 47".
O. qls..., justfor tne gin (ana my parents)
I ef'ate tiis tnesis.
(Xenara qunawan, darc. 203)
Hendra Gunawan. F03498039. Aplikasi Algoima.Geneti. ontuk Optimasi Masalah
Penjadwalan FoShp. Dibawah bimbingan Yandra Arkeman dan
Hartrisari
Hardjomidjojo.2003.
RINGSAN
Masalah enjadwalan mesin produksi telah menjadi
perhatian utama para
praklisi yang berkecimpung dalam dunia industri, baik industri manufaktur maupun
industri berbasis ertanian (aroindusri). Salah satu enyebabnya. adalah adanya
kesulitan menemukan teknik yang tepat untuk membuat jadwal prduksi yang paling
bai., paling optimal, dan memenuhi segala riteria-riteria enjadwalan yang ditetapkan.
Teknik-tenik penyusunan jadwal produksi yang sudah ada (teknik konvensional) tidak
dapat
dipakai
karena
menangani h
teknik-teknik
tersebut
memiliki
banyak
kelemahan
dahim
berskala besar dan komplek. Salah atu masalah yang tergolong
kompJek dan r dieeahkan adalah maalah enjadwalnflow
Algorima geneik, sebagai salah satu tenik dalam bidang ilmu Kcerdasan
Buatan (Articial Intelligence), termasuk tenik pencarian yang bersifat robust (gh),
adaptif, dan eisien. Dalam encariannya. aigorima genetik meniru proses evolusi dan
perubahan sruktur genetik pada makhluk hidup. Algorima genetik sangat eocok untuk
memeeahkan masalah optimasi yang sukar atau kompJek (Drd or complex optimization
problems) yang tidak dapat dieeahkan dengan teknik-teknik penearian dan optimasi
konvensional, sepeti teknik kalkulus dan teknik enumeratif. Kesukaran terjadi karena
teknik-teknik konvensional tersebut sangat tidak eisien, tergantung kepada adanya nsi
turunan, dan tidak dpat menangani masalah berskala besar.
Penelitian ini bertujuan untuk mengaplikasikan algoriuna genetik dalam bidang
penjadwalan produksi vaitu uotuk masalah flow-shop deteministik tanpa kendala
(unconstrained-deterministic low-shop) berskala besar. Implementasi algoritma genetik
dalam proram komputer menkan bahasa emroraman Borland Pascal 7.0.
Proram yang dikembangkan disebt FShop_GA. Representasi kromosom menggunakan
order-based representation, penyilangan megn Partially-Mapped Crossover
(PX), mutasi menggunakan swap mutation, dan eleksi menggunakan roulette-wheel
selection.
Studi s i
literatur
digunakan
untuk mendemonstrasikan proram
FShop_GA. Dalam peneliian i din dua s yaitu Kasus 1 (masalah 4 job 2
mesin) dan Kasus 2 (masalah 8 job
3 mesin ). Kedua kasus tersebut merupakan
persoalan yang terdapat dalam buku Intelligent Mnufactring Systems (Kusiak, 1990).
-
-
Masing-masing kasus memiliki besar g pencarian yang berbeda yang nilaiya
tergantung kepada jumlah permutasijob.
24 (4!=24) sedangkan Kasus 2
40320 (81=40320). Besamya ruang
Kasus 1 memiliki besar ruang penearian
memiliki ruang pencarian yang lebih besar yaitu
penearian tersebut dinyatakan dalam banyaknya jumlah kromosom. Kasus 1 digunakan
untuk menguji kebenaran program algoritma genetik yang dikembangkan.
Hasil penditian m:nunjkn bah..a algoritma g�rletik ;angat ei;ie. dalam
memecahkan masalah low-shop deterministik mpa enaa brskala besar. Untuk Kasus
I, algorima geneik dapat menemukan kromosom terbaik setelah mengekplorasi
83,33%
roang pencarian. Bemya persentase ruang pencarian yang dieksplorasi i menunjukkan
bahwa algorima genetik idak eoeok untuk diterapkan pada masalah dengan ruang
penearian yang keeil. Sebalinya, pada Kasus 2, algorima geneik dapat menemukan
romosom terbaik hanya dengan mengeplorasi
1,09%
ruang pencarian. Hal ini
membuktikan bahwa algorima genetik sangat eisien dan coeok untuk diterapkan pada
masahh dengan roang pencarian yang besar.
SMRY
Machine sceduling problems ave e an interest topic of discussiun for
they who actively involved in indl ield, including aro-indusrial tor. e of the
main reasons is the diiculty in fmding the et ad te most ape method for
solving the problems. Convenional methds, e lus-based or meraive search,
could not he used because of their weaness in olving large-scale ad omplex machine
.
scheduling problems. One of tem is low-shp poblms.
Geneic algorithms (GAs), as one of e Ariicial Intelligence tol, have proved
as one of searching and optimizaion methd at n solve large-scae and coplex
optimization problems eiciently.
In searching the best soluion, GAs work by
mimicing the process of evolution and natural geneics. GAs s appropriate for solving
hard or complex opimizaion problems hat culd not be solvd by usig conventional
methods like calculus-based or enumerative-scare&.
The aims of this research is applying GAs for solving WlOned large-scale
low-shop problems. For its implemenaion, integer numer (order repreenaion) is
used for chromosome representation, PX ms is d for crossover, swap mehods
is d for mutation, and roulette whel methds s d for selecion.
Case study taken from reference s coducted to demonsrate the soe
develoed- called FShop_GA. Two ce namely Case 1 (4 jobs- 2 machine) and Case 2
(8 jobs - 3 machine) re taken rom Kk (1990). Case 1 as 24 (41-24) alative
schedules in its search space and Case 2 s 40320 (8!=40320) alteaive schedules in is
search space. In this research, Case 1 is d o chck the validity of output of FShop_ GA
compared with enumerative search.
e expriment shows that GAs is vy eicient in solving unconed large
scale low-shop problems. In Case 1, GAs could found the est soklion by exploring
83,33% of search-space. This igures that GAs is inappropriate for solving small-scale
low-shop problems. Otherwise, in e 2, GAs n found the est solion y eploring
ony 1,09% of search space. This shows that GAs s very eicint d appropriate for
solving large-scale flow-shop problems.
FAKULTAS TENOLOGIPERTANlAN
INSTlTUT PERTANIAN BOGOR
APLKASIALGORITMA GENETIK
UNTUK OTIMASI MASALAH PENJADWALAN
FLOWSHOP
SRIPSI
Sebagai salah satu syarat uutuk memperoleh gelar
SARJANA TEKNOLOGIPERTANIAN
pada Fakultas Teknologi Pertaniao
nstitut Pertanian Bogor
Oleb
ENDRA GUNAWAN
F03498039
Dilahirkao di Ja
pada tanggal12 April 1980
Taoggal kelulusao: 20 Jaouari 2003
Pembimbing I
1
KATA PENGANTAR
Puji dan syukur penulis panjaan kehadirat Allah SWT ea atas
segala rahmat dan kaunia-Nya, penulis dapat menyelesaikan skripsi ini. Tena
yang dipilih dalam penelitian ini adalah Algoritma Genetik, dengan judul Aplikasi
Algoritma Genetik untuk Optimasi Masalah Penjadwalan Flow-Shop.
Penulis mengucapkan terima kasih kepada semua pihak yang telah
banyak membantu dalam penyelesaian skripsi ini, antara lain kepada :
1.
Dr. r. Yanlra Arkeman. Eng., selaku dosen pembimbin� I yang tel�
"mementuk" saya dengan memberikan pengar�an dan enlightment yang
sangat erhara, bai. selama perkuliahan maupun dalam penyelesaian skripsi.
2.
Dr. . aii Hardjomidjojo, DEA , selaku dosen pembimbing II yang
telah memeri pemikiran-pemikiran erharga tentang dasardasar melakukan
penelitian seara ilmiah, khususnya dalam bidang manajemen sains.
3. r. Tauk Djatna selaku dosen penguji yang telah memberi masukan berharga
untuk kesempumaan penyajian skripsi i.
4.
Kedua orangtua dan adik-adik penulis (Hendri, Nina, Taufik, Fikri) yang telah
memerikan perhatian, semangat, dan do'a dengan tulus ikhlas.
5.
Rekan-rekan se-bimbingan (Neng Adi, Dian Eko, Tono, Amin, Dina, Agung)
atas kekompakannya selama pembimbingan.
6: Rekan-rekan se-angkatan (TN'35) yang telah memberikan bantuan, baik
bantuan
moril
maupun
materil,
dan praktikan
mata kuliah Penerapan
Komputer (TN'36 dan TIN'37) yang !elah menambah kesibukan penulis
selama erkuliahan.
7.
Rekan-rekan keja di LNK Computer - Darmaga (Ms Ariadi, bak Lia,
Siska, Dadan. Sahadi, Didik, Gono, Asep, Agung, Rivol, Egie, Adi Kumis,
Opik, Acung, Markus) atas segala bantuan dan kerjasamanya.
Semoga skripsi ini bennanfaat.
Bogor, Maret 2003
Hendra Gunawan
II
WAYAT lDU P
Penulis dilahirkan di Ja paa tangal 12 April 1980 sebagai anak
pertama dari lima bersaudara. anak i pasangan Madroi n sh Triana.
Tahun 1998 penulis lulus dari SMU Negeri 1 Balaraja, Tangerang. Pada
tahun yang sana, penulis lu:us seleksi sk PB me.lui jaiur Undangan Seleksi
Masuk PB (USMI) n diterima i jurusan Tenologi lndustri Pertanian,
Fakultas Teknologi Pertanian.
Selama
mengikuti
perkuliahan.
penulis
sempat
menjadi
asisten
matakuliab Penerapan Komputer tabun ajaran 2000/200I n 200112002, serta
pemab mengikuti Praktek Lapang selama dua bulan (I Juli
-
30 Agustus 2002) di
PT. Charoen Pokphand htdonesia, Tangerang. Paa bulan September 1999,
penulis mendapat beasiswa dari Yayasan Toyota-Astra untuk tahun ajaran
199912000.
mengikuti
Pada
taoggai
program
Indonesia, Jakarta.
3
Oktober
2002,
IBM-StudeDt@Work
penulis
yang
mendapat
diadakan
oteh
kesempatan
PT.
IBM
iii
DAfARISI
Haln
KATA PENGANTAR .... . ..... .. .... .. ..................... .......... ........ .......... ...... .....
1
RIWAYAT mnup ........... ......... .. ................................. ........ . ...... ........... ..
ii
.
..
.
.
.
DAfAR lSI
.
.
.
.................................................................... . . . . . . .......................
DAfAR TABEL
iii
.......... ....................... ................ . ...... ...........................
v
DAfAR GAMBAR .... ....... ......... .................................... ..... ............ ......
I
DAfAR LAMPIRAN ... ....... ....... ....................... ........ .. . ...... ............ ....
X.
..
.
.
.
.
.
.
I.
.
..
.
.
.
..
.
.
..
PENDAHULUAN ........... ..... ...... ......... ...... .......... ..... .......... ...... ...... ..
I
A. LATARBELAKANG ........................................................................
1
B. TUJUAN .............................................................................................
3
C. RUANG LNGKUP ......... . ............. ........ ......... .... .... .. .............. .......
3
II. TINJAUAN PUSTAKA ........... ... .... . ........ .......................................... .
4
A. TPE-TPE PROSES PRODUKSI ......... ................ .. ....... . ....... ...... .
4
I.
Flow-Shop ... . .............................................................................
4
2.
Job-Shop ... ......... . ................. .....................................................
5
B. PENJADWALAN FLOW-SHOPTANPA KENDALA .....................
6
C. ALGORlTMA GENETIK .............. ............. ............ ...... .. ... .........
8
.
.
.
..
.
.
.
.
.
.
.
..
.
.
.
.
.
.
.
.
.
:
.
.
.
.
..
.
.
1.
Kelahiran Algoritna Genetik .... ........
.... .............. ............... ...
8
2.
Prosedur Unum Algorima Genetik ............. ...... ....... . .....:......
9
3.
Konponen-konponen Algoritna Genetik . ............ ............... .....
12
3.1 Representasi Kromosom ......... ........ ........ .......... ................
12
3.2 Operator-operator Algoritma Genetik ........... ...... . ................
13
3.2.1 Penyilangan (Crossover)..............................................
14
3.2.2 Mutasi (Mutation) ............ ..... ............. ............. .... .......
16
3.3 Fungsi Fitness . ........ ........ . .......... ... .... . .. . ... .... . . ......... .. .. . ..
18
3.4 Seleksi dan Reproduksi ................ ........... ..................... . ...
19
3.5 Kriteria Penghentian (Stopping Criteria)...............................
20
.
...
..
.
.
..
.
.
.
..
.
.
.
.
.
..
.
..
..
.
4.
..
.
.
Perbandingan Algoria Genetik dengan Teknik Pencarian n
Optimasi Konvensional ............ . ................. ....... ... ........ . ......
.
.
.
.
.
.
..
.
D. PENELlTIAN TERDAHULU . ..................................... .......... ........
..
.
,
20
24
iv
II. ETODOLOGI PENELITIAN .
.
A. ERANGKA PEKRAN .
...
....
....
.. .
....
..
.
...
.......
....
.......
.
...
.
....
........
. .... .
...
..
.....
B. PNDEKATAN ETODELAH
V.
.
....
... ..
.....
.
.. .
..
......
... .
..
.....
...
.....
.
.
.
.
26
....
26
....
.....
.. . . ... ..
....
..
..
.
.
..........
27
LOTA GENETK UNTUK OPTMASI ASLH
PENJDWN FLOWSHOP............................................................
A. REPlSENTASI KROMOSOM
.. . .... .. .. .....
B. UNGSI FIINSS ..... .. ...
... . ..
.
C. PANGAN
D. MUTASI
..
...
...
.
.... .
..
..
. ...
.
.....
.
...
.....
.
...
....... .. .
.
...
.
..
..
...
..
..
.
.
..
..
...
....
.. . ... ....
..
..
... ... . .. . .. .. .
.
.
.
.
.
......
.
.....
......
. ....
.
.
....
....
. .. ...
.
.
.. .
..
... .... .
.....
...
.
. .. ..
..
..
. .. . .... ... .
..
.....
..
..
..
..
.. . .
....
..
..
.
.......
..
.....
..
....
.
...
..
..
.
...
..... ..
...
..
E.
PLEENTASI DALAM BAHASA PASCAL: FShop_GA . ...
F.
STIJDI KASUS
.
l . ss 1
1.1
:
....
.....
.
..
..
.
. ..
33
34
39
.......
...........
.....
...
.
l . 2 Populasi Awal ... ..
.
..
...
. .
..
. .
....
..
....
.......
..
.. .
..
1.3
Proses Evaluasi dan Seleksi . ... . .. .. .
1.4
Proses Penyilangan n Mutasi ... ... .
1.5
Hsl Running Program FShop_GA
..
.
.
.
.
..
..
..
.
.......
Masalah Penjadwalan 8 Job
..
..
1.6 Eisiensi Algoritma Genetik .
:
33
Masalah Penjadwalan 4 Job - 2 Mesin............................
.....
-
.
...
Proses Evaluasi n Seleksi
.
.
..
..
..
2.4 Proses Penyilangan n Mutasi
.......
.
.
...
. .. ..
.
.... ..
..
....
..
..
.
..
.
.
.....
.. ..
.
.
40
40
..
.....
.
........
45
... . ... . . ... .
51
.. .. . .......... .
52
... ......... ...
52
.. . .:......................
52
..
........
...
....
.....
...
.
.
...
. . ...
..
.
..
..
...
.
..
.
..
.
....
...
..
.
.
.
.
.
.
.
... .
.
...
. . .. . .
.
..
.
53
56
2.6
Eisiensi Algorima Genetik....................................................
64
2.7
Variasi Tingkat Penyilangan (Pc) ..... .. .....
..
65
2.8 Variasi Tingkat Mutasi (Pm)...................................................
68
...
.
V. ESIMPULAN DAN SARAN
.. ... . .
...
A. KESPULAN .. . ....... ..
..
..
.....
...
...
.
....
... ...
.
.... . .. ...
...
..
.
..
.
.
....
....
....
..
...
.
...
..
..
..
.
....
..
...
.
.
........
...
....
.... ..
.
.. ..
.
.
.
...
....
..
. ..
.
...
.
71
71
76
...
.
..
...
..
...
...
....
.... ...
..
.. ..
.
...
LPIAN
.
.......
.
...
.. ..
... .. .. . . .
..
.
.
73
.
.
.
.
DAFTAR PUSTA ....................................................................................
.
.. ...
..
.
...
72
..
.... ... ..
..
.. . . .. ...
..
.. . .. . . .... ...
B. SARAN
... . ... ....
..
..
....
.... . .
.
. .. . ...
2.5 Hasil Running Program FShop_GA .
.
.. ..
.
54
....
..... ..
......
.
......
..
.
...
...
42
..
......
...
.....
.
. .. .. .. ".................
. . ... ... ..
...
..
... . ..
...
3 Mesin
2.3
.. ..
..
40
.
Populasi Awal
....
.
..
...... .
...
2.2
.
....
. ..... .... .
..
Parameter-parameter Algoritma Genetik
... ..
.
....
...... ... ... ......
2.1
.
....
.....
...
...
..
. . . ..
..
32
39
...
Parameter-parameter Algoritma Genetik . .
2. ss 2
..
31
.
.......
.
.
31
.
......
.
.
..
.
.
.
..................................................................................................
v
DfR TBEL
Halaman
Tael 1.
Perbandingan nilai makespan antara algoria genetik dengan
tenik heuristik 1ainnya (Gen n Cheng, 19)
..............................
Tabel 2.
Waktu pemrosesanjobdi setiap mesinWltukKasus 1
Tael 3.
Datar kromosom terbaik yang pemah dihasilkan dalam setiap
generasi padaKasus 1
....................
......................................................................
Tael-4.
Waktu pemrosesanjobdi setiap mesin untu. Kasus 2 ....................
Tabel 5.
Datar kromosom terbaik yang eh dihasiJkan dalam setiap
generasi padaKasus 2
....
.
.............................
,...................................
7
39
48
52·
63