6.2.2. Analisis Hasil Rancangan dengan Algoritma Genetik
Setelah dilakukan iterasi sebanyak 20 generasi, maka dapat diperoleh nilai-nilai fitness terbaik, terburuk, dan rata-rata pada setiap generasi yang
ditunjukkan pada Tabel 6.9.
Tabel 6.9. Hasil Rekapitulasi Nilai Fitness Terbaik, Terburuk, dan Rata-rata
Generasi Fitness
Terbaik Terburuk
Rata-rata
1 0,00000245
0,00000119 0,00000182
2 0,00000245
0,00000119 0,00000182
3 0,00000245
0,00000112 0,00000179
4 0,00000245
0,00000121 0,00000183
5 0,00000245
0,00000120 0,00000183
6 0,00000245
0,00000131 0,00000188
7 0,00000245
0,00000126 0,00000186
8 0,00000245
0,00000118 0,00000181
9 0,00000245
0,00000117 0,00000181
10 0,00000245
0,00000122 0,00000184
11 0,00000245
0,00000117 0,00000181
12 0,00000245
0,00000144 0,00000195
13 0,00000266
0,00000139 0,00000202
14 0,00000266
0,00000151 0,00000208
15 0,00000266
0,00000129 0,00000197
16 0,00000270
0,00000148 0,00000209
17 0,00000270
0,00000124 0,00000197
18 0,00000270
0,00000136 0,00000203
19 0,00000270
0,00000162 0,00000216
20 0,00000270
0,00000166 0,00000218
Tabel 6.9. menunjukkan terjadi peningkatan nilai fitness dari generasi 1
sampai ke generasi terakhir. Dari 20 generasi ini dapat dilihat bahwa semakin bertambahnya generasi semakin ada kemungkinan terjadinya peningkatan nilai
fitness. Jika generasi ini diteruskan, maka nilai fitness yang diperoleh akan semakin besar sesuai dengan fungsi tujuan penelitian ini, yaitu minimisasi jarak.
Universitas Sumatera Utara
Gambar 6.6. Grafik Pemrosesan dengan Algoritma Genetik
Dari Gambar 6.6. dapat dilihat bahwa nilai fitness yang diperoleh semakin besar. Hal ini menunjukkan dengan melakukan simulasi dengan algoritma genetik
secara random dapat diperoleh jarak tempuh yang minimum dalam lantai pabrik. Susunan gen dari individu terbaik setelah melalui 20 generasi dapat dilihat
pada Tabel 6.10.
Tabel 6.10. Susunan Gen Terbaik pada 20 Generasi
Generasi Kromosom ke
Stasiun Kerja Total Flow
Cost
Fitness 1
2 3
4 5
6 7
8 9 10
11
1 5
5 9
7 1
4 8
10 11
3 6
2 407672.7 0.00000245
2 2
5 9
7 1
4 8
10 11
3 6
2 407672.7 0.00000245
3 5
5 9
7 1
4 8
10 11
3 6
2 407672.7 0.00000245
4 19
5 9
7 1
4 8
10 11
3 6
2 407672.7 0.00000245
5 4
5 9
7 1
4 8
10 11
3 6
2 407672.7 0.00000245
6 27
5 9
7 1
4 8
10 11
3 6
2 407672.7 0.00000245
7 2
5 9
7 1
4 8
10 11
3 6
2 407672.7 0.00000245
8 2
5 9
7 1
4 8
10 11
3 6
2 407672.7 0.00000245
Universitas Sumatera Utara
Tabel 6.10. Susunan Gen Terbaik pada 20 Generasi Lanjutan
Generasi Kromosom ke
Stasiun Kerja Total Flow
Cost
Fitness 1
2 3
4 5
6 7
8 9
10 11
9 4
5 9
7 1
4 8
10 11
3 6
2 407672.7 0.00000245
10 3
5 9
7 1
4 8
10 11
3 6
2 407672.7 0.00000245
11 2
5 9
7 1
4 8
10 11
3 6
2 407672.7 0.00000245
12 3
5 9
7 1
4 8
10 11
3 6
2 407672.7 0.00000245
13 54
5 4
1 2
9 8
10 11
3 6
7 376242.4 0.00000266
14 2
5 4
1 2
9 8
10 11
3 6
7 376242.4 0.00000266
15 3
5 4
1 2
9 8
10 11
3 6
7 376242.4 0.00000266
16 77
7 4
1 2
9 8
10 11
3 6
5 370466 0.00000270
17 9
7 4
1 2
9 8
10 11
3 6
5 370466 0.00000270
18 4
7 4
1 2
9 8
10 11
3 6
5 370466 0.00000270
19 10
7 4
1 2
9 8
10 11
3 6
5 370466 0.00000270
20 1
7 4
1 2
9 8
10 11
3 6
5 370466 0.00000270
Dari Tabel 6.10. di atas dapat dilihat bahwa hasil susunan gen terbaik adalah pada generasi 20 kromosom ke-1 dengan nilai fitness terbesar yaitu 0.00000270.
Kromosom ini akan dipilih sebagai solusi penyelesaian dengan algoritma genetik dalam penempatan stasiun kerja.
6.2.2.1.Analisis Ditinjau dari Jarak Antar Stasiun Kerja
Dari hasil pengolahan data dengan menggunakan algoritma genetik didapatkan 1 alternatif layout. Analisis dilakukan untuk mengitung jumlah
momen perpindahan untuk tiap tahunnya. Block Layout hasil pengolahan dengan metodel algoritma genetik dapat dilihat pada Gambar 6.7.
Universitas Sumatera Utara
I H
F
B
D A
C
J G
2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 2
4 6
8 10
12 14
16 18
20 22
24 26
28 30
32 34
36 38
40 42
44 46
48 50
52 54
56 58
60 62
K E
Skala 1:400
Gambar 6.7. Block Layout dengan Metode Algoritma Genetik
Universitas Sumatera Utara
I H
B
D c
J G
2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 2
4 6
8 10
12 14
16 18
20 22
24 26
28 30
32 34
36 38
40 42
44 46
48 50
52 54
56 58
60 62
K E
F
A
4.8,2.7 12.5,6.8
1.8,8.5 6.5,8.8
18,12 13,15.9
11.4,22.9 3.8,21.2
3.8,34.8 18.8,36.5
11.4,38.6
Skala 1:400
Gambar 6.8. Titik Tengah Block Layout dengan Metode Algoritma Genetik
Universitas Sumatera Utara
Titik koordinat tiap stasiun kerja dapat dilihat pada Tabel 6.11.
Tabel 6.11. Nilai Koordinat Tiap Stasiun kerja Stasiun kerja
Koordinat X
Y A
11.4 22.9
B 3.8
21.2 C
1.8 8.5
D 6.5
8.8 E
18.8 36.5
F 3.8
34.8 G
11.4 38.6
H 13
15.9 I
18 12
J 4.8
2.7 K
12.5 6.8
Jarak tiap stasiun kerja dapat dilihat pada Tabel 6.12.
Tabel 6.12. Jarak Antar Stasiun kerja Produksi meter
i A
B C
D E
F G
H I
J K
j
A 9.3
24 19
21 19.5
15.7 8.6
17.5 26.8
17.2
B 9.3
14.7 15.1
30.3 13.6
25 14.5
23.4 19.5
23.1
C 24
14.7 5
45 28.3
39.7 18.6
19.7 8.8
12.4
D 19
15.1 5
40 28.7
34.7 13.6
14.7 7.8
8
E 21
30.3 45
40 16.7
9.5 26.4
25.3 47.8
36
F 19.5
13.6 28.3
28.7 16.7
11.4 28.1
37 33.1
36.7
G 15.7
25 39.7
34.7 9.5
11.4 24.3
33.2 42.5
32.9
H
8.6 14.5
18.6 13.6
26.4 28.1
24.3 8.9
21.4 9.6
I 17.5
23.4 19.7
14.7 25.3
37 33.2
8.9 22.5
10.7
J
26.8 19.5
8.8 7.8
47.8 33.1
42.5 21.4
22.5 11.8
K 17.2
23.1 12.4
8 36
36.7 32.9
9.6 10.7
11.8
Universitas Sumatera Utara
Contoh perhitungan momen perpindahan untuk perpindahan bahan dari stasiun kerja A ke stasiun kerja B adalah sebagai berikut:
Frekuensi perpindahan dari A ke B = 5490 kali
Jarak perpindahan dari A ke B = 9,3 meter
Maka momen perpindahan dari A ke B Z
A-B
= f
A-B
× d
A-B
= 5490 × 9,3 meter = 51057 meter perpindahantahun
Perhitungan momen perpindahan untuk alternatif algoritma genetik dapat dilihat pada Tabel 6.13.
Tabel 6.13. Perhitungan Momen Perpindahan dengan Algoritma Genetik
No. Stasiun Kerja
Asal Stasiun Kerja
Tujuan Frekuensi
Perpindahan Jarak
Departemen m
Momen Perpindahan
mtahun
1 A
B 5490
9.3 51057
2 A
F 620
19.5 12090
3 A
G 1605
15.7 25198.5
4 B
E 650
30.3 19695
5 B
F 1910
13.6 25976
6 B
G 3580
25 89500
7 C
B 650
14.7 9555
8 D
E 1388
40 55520
9 E
F 650
16.7 10855
10 E
G 1258
9.5 11951
11 E
H 780
26.4 20592
12 F
G 3180
11.4 36252
13 G
E 650
9.5 6175
14 G
I 1560
33.2 51792
15 G
H 1300
24.3 31590
Universitas Sumatera Utara
Tabel 6.13. Perhitungan Momen Perpindahan dengan Metode Algoritma Genetik Lanjutan
No. Stasiun Kerja
Asal Stasiun Kerja
Tujuan Frekuensi
Perpindahan Jarak
Departemen m Momen Perpindahan
mtahun
16 H
I 650
8.9 5785
17 I
K 2210
10.7 23647
18 J
K 1910
11.8 22538
Total 509768.5
6.2.2.2.Analisis Didasarkan Aliran Bahan Antar Mesin
Perhitungan jarak dilakukan dengan memperhitungkan aliran bahan antar mesin pada masing-masing stasiun kerja.
Contoh perhitungan: Dari mesin M-1 ke M-3 terdapat 5 lintasan. Panjang lintasan yang ditempuh dari
mesin yang satu ke yang lain dapat dihitung dengan menggambarkan aliran bahan yang menghubungkan kedua mesin dan dihitung panjang alirannya. Gambar
perpindahan bahan dari setiap mesin dapat dilihat pada Gambar 6.9. Panjang aliran didapatkan dengan memperhitungkan total panjang 5 lintasan dan diratakan
yaitu
5 55
, 10
98 ,
6 06
, 6
44 ,
13 24
, 9
+ +
+ +
= 9,25 meter. Perhitungan selengkapnya dapat dilihat pada Tabel 6.14.
Universitas Sumatera Utara
Tabel 6.14. Perhitungan Panjang Aliran Bahan Antar Stasiun Kerja dengan Metode Algoritma Genetik
Stasiun Kerja
Mesin Asal
Mesin Tujuan
Frekuensi Perpindahan
Panjang Aliran Bahan m
Total Momen Perpindahan mtahun
A ke B M-1
M-3 5490
9.25 50782.5
A ke F M-1
M-4 620
19.97 12381.4
A ke G M-1
M-6 1605
20.75 33303.75
B ke E M-3
M-5 650
29.29 19038.5
B ke F M-3
M-4 1910
16.35 31228.5
B ke G M-3
M-6 3580
25.41 90967.8
C ke B M-8
M-3 650
17.26 11219
D ke E M-2
M-5 1388
38.4 53299.2
E ke F M-5
M-4 650
18.68 12142
E ke G M-5
M-6 1258
13.29 16718.82
E ke H M-5
AP 780
27.15 21177
F ke G M-4
M-6 3180
13.84 44011.2
G ke E M-6
M-5 650
13.29 8638.5
G ke I M-6
M-7 1560
33.95 52962
G ke H M-6
AP 1300
27 35100
H ke I AP
M-7 650
17.8 11570
I ke K M-7
- 2210
19 41990
J ke K -
- 1910
7.88 15050.8
Total 561580.97
Universitas Sumatera Utara
A
J
2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 2
4 6
8 10
12 14
16 18
20 22
24 26
28 30
32 34
36 38
40 42
44 46
48 50
52 54
56 58
60 62
K
M-7
E
M-6 M-6
M-6 M-6
G
M-4
F
M-4 M-4
M-4 M-4
M-4
M-3
B
M-3 M-3
M-3 M-3
M-1 M-1
I
M-8 M-8
C D
M-2 M-5
M-5 M-5
M-5
M-5 M-5
M-5 M-5
M-5 M-5
M-5 M-5
AP
H
AP
Skala 1:400
Gambar 6.9. Aliran Bahan pada Lantai Produksi dengan Metode Algoritma Genetik
Universitas Sumatera Utara
6.3. Pemilihan