Gambar 6.1 Persentase Delay pada Mesin Carousell
Gambar 6.2 Persentase Delay pada Mesin Single Spot
Berdasarkan data yang ditunjukkan pada Tabel 6.1 dan persentase delay pada Gambar 6.1 dan Gambar 6.2, persentase delay terbesar baik pada mesin
carousell dan mesin single spot disebabkan faktor menunggu proses sebelumnya.
69 15
15 1
Delay Mesin Carousell
PLN Menunggu proses
sebelumnya Persiapan
Kerusakan mesin Kebutuhan pribadi
3
39
17 38
3
Delay Mesin Single Spot
PLN Menunggu proses
sebelumnya Persiapan
Kerusakan mesin Kebutuhan pribadi
Faktor menunggu proses sebelumnya ini disebabkan karena kegiatan-kegiatan dari proses di stasiun kerja sebelumnya. Kegiatan menunggu proses blending,
menunggu transfer produk, waiting process, empty flour tepung tidak tersedia di bin packing disebabkan proses blending yang terlambat menunjukkan bahwa
terjadi masalah pada pengurutan job dan penjadwalan. Kegiatan menunggu forklift dan menunggu karung menunjukkan bahwa terjadi perencanaan yang kurang
terhadap peralatan dan bahan yang diperlukan sehingga menghentikan proses produksi. Kegiatan repack tepung terigu juga merupakan kegiatan nonproduktif
yang mengganggu keseluruhan proses produksi dan jadwal yang telah disusun. Kegiatan menunggu diakibatkan pengalokasian job pekerjaan yang
kurang sesuai pada waktu dan jumlah tertentu. Variasi produk yang tinggi juga menyebabkan luasnya kombinasi urutan pengerjaan yang akan disusun untuk
menemukan solusi jadwal yang optimal. Pengurutan job yang tidak sesuai inilah yang menyebabkan tingginya waktu menunggu. Akibat delay ini, 16.048 bag
produk tidak selesai pada akhir periode jadwal yang telah disusun.
6.2. Analisis Metode untuk Menghasilkan Produk Tepat Waktu
Metode yang digunakan untuk menghasilkan produk tepat waktu adalah menyusun rancangan jadwal produksi dengan menggunakan algoritma genetika
untuk menghasilkan solusi penjadwalan yang optimal. Berdasarkan penelitian terkait, Algoritma Genetika memiliki performansi yang baik untuk berbagai jenis
permasalahan optimisasi penjadwalan.
Berdasarkan metode Algoritma Genetika, ada 3 solusi urutan penjadwalan optimal, yaitu memiliki makespan terendah. Urutan jadwal optimal ditunjukkan
pada Tabel 6.2, 6.3, dan 6.4.
Tabel 6.2 Makespan Urutan Jadwal Optimal I
Nama Job
M1 M2
M3 M4
M5 M6
S E
S E
S E
S E
S E
S E
A 0,00
43,88 43,88
51,05 51,05
56,45 56,45
72,41 72,41 104,56 104,56 148,72
I 43,88
44,79 51,05
68,84 68,84
76,64 76,64
77,09 104,56 105,34 148,72 149,53 E
44,79 52,79
68,84 83,04
83,04 90,84
90,84 95,65 105,34 112,24 149,53 156,64
D 52,79
60,90 83,04
95,97 95,97 103,77 103,77 109,63 112,24 118,35 156,64 163,84
F 60,90
65,68 95,97 106,18 106,18 112,59 112,59 115,29 118,35 121,95 163,84 168,07
C 65,68
77,30 106,18 113,55 113,55 118,95 118,95 125,27 125,27 132,78 168,07 178,38 G
77,30 80,02 113,55 131,21 131,21 139,01 139,01 139,61 139,61 141,66 178,38 180,79
H 80,02
80,93 131,21 149,00 149,00 156,80 156,80 157,25 157,25 158,03 180,79 181,60 B
80,93 125,35 149,00 158,34 158,34 163,74 163,74 167,43 167,43 169,54 181,60 184,54
Tabel 6.3 Makespan Urutan Jadwal Optimal II
Nama Job
M1 M2
M3 M4
M5 M6
S E
S E
S E
S E
S E
S E
A 0,00
43,88 43,88
51,05 51,05
56,45 56,45
72,41 72,41 104,56 104,56 148,72
I 43,88
44,79 51,05
68,84 68,84
76,64 76,64
77,09 104,56 105,34 148,72 149,53 G
44,79 47,51
68,84 86,50
86,50 94,30
94,30 94,90 105,34 107,39 149,53 151,94
E 47,51
55,51 86,50 100,70 100,70 108,50 108,50 113,31 113,31 120,21 151,94 159,05
C 55,51
67,13 100,70 108,07 108,50 113,90 113,90 120,22 120,22 127,73 159,05 169,36 H
67,13 68,04 108,07 125,86 125,86 133,66 133,66 134,11 134,11 134,89 169,36 170,17
D 68,04
76,15 125,86 138,79 138,79 146,59 146,59 152,45 152,45 158,56 170,17 177,37 F
76,15 80,93 138,79 149,00 149,00 155,41 155,41 158,11 158,56 162,16 177,37 181,60
B 80,93
125,35 149,00 158,34 158,34 163,74 163,74 167,43 167,43 169,54 181,60 184,54
Tabel 6.4 Makespan Urutan Jadwal Optimal III
Nama Job
M1 M2
M3 M4
M5 M6
S E
S E
S E
S E
S E
S E
A 0,00
43,88 43,88
51,05 51,05
56,45 56,45
72,41 72,41 104,56 104,56 148,72
E 43,88
51,88 51,88
66,08 66,08
73,88 73,88
78,69 104,56 111,46 148,72 155,83 G
51,88 54,60
66,08 83,74
83,74 91,54
91,54 92,14 111,46 113,51 155,83 158,24
I 54,60
55,51 83,74 101,53 101,53 109,33
109,33 109,78 113,51 114,29 158,24 159,05
B 55,51
99,93 101,53 110,87 110,87 116,27 116,27
119,96 119,96 122,07 159,05 161,99 C
99,93 111,55 111,55 118,92 118,92 124,32 124,32
130,64 130,64 138,15 161,99 172,30 D
111,55 119,66 119,66 132,59 132,59 140,39 140,39
146,25 146,25 152,36 172,30 179,50 F
119,66 124,44 132,59 142,80 142,80 149,21 149,21
151,91 152,36 155,96 179,50 183,73 H
124,44 125,35 142,80 160,59 160,59 168,39 168,39
168,84 168,84 169,62 183,73 184,54
Analisis pemecahan masalah dalam penelitian ini dilakukan dengan membandingkan antara metode aktual perusahaan yang diterapkan perusahaan
dengan metode Algoritma Genetik. Untuk membandingkan kedua metode ini, maka digunakan parameter performansi sebagai alat ukur. Parameter performansi
digunakan untuk menentukan metode yang lebih baik untuk diterapkan pada perusahaan. Parameter performansi yang dapat digunakan antara lain:
1. Efficiency Index EI Perbandingan antara metode Algoritma Genetik dengan metode aktual yang
digunakan perusahaan. Rumus efficiency index adalah: �� =
��������
����������
��������
��
Apabila EI = 1, maka kedua metode memiliki performance yang sama, apabila EI 1, maka metode Algoritma Genetik memiliki performance yang lebih baik
dibanding dengan metode aktual yang digunakan perusahaan, demikian juga sebaliknya.
