Penentuan tata letak pabrik dilakukan dengan menganalisis keterkaitan antar aktivitas, kemudian menentukan kebutuhan luas ruang dan alokasi area. Untuk menganalisis keterkaitan
antar aktivitas, perlu ditentukan derajat hubungan aktivitas. Derajat hubungan aktivitas diberi tanda sandi sebagai berikut:
1. A absolutely necessary menunjukkan bahwa letak antara dua kegiatan harus saling berdekatan dan bersebelahan.
2. E especially important menunjukkan bahwa letak antara dua kegiatan harus bersebelahan
3. I important menunjukkan bahwa letak antara dua kegiatan cukup berdekatan 4. O Ordinary important menunjukkan bahwa letak antara dua kegiatan tidak harus saling
berdekatan. 5. U unimportant menunjukkan bahwa letak antara dua kegiatan tidak harus saling
berdekatan 6. X undesirable menunjukkan bahwa letak antara dua kegiatan harus saling berjauhan
atau tidak boleh saling berdekatan. Sandi derajat hubungan aktivitas diletakkan pada bagian dalam kotak bagan keterkaitan
antar aktivitas. Alasan-alasan yang mendukung kedekatan hubungan meliputi keterkaitan produksi, keterkaitan pekerja, dan aliran informasi. Alasan keterkaitan produksi meliputi urutan aliran kerja,
penggunaan peralatan, catatan dan ruang yang sama, kebisingan, kotor, debu, getaran, serta kemudahan pemindahan barang. Alasan keterkaitan pekerja meliputi penggunaan karyawan yang
sam, pentingnya berhubungan, jalur perjalanan, kemudahan pengawasan, pelaksanaan pekerjaan serupa, perpindahan pekerja, dang gangguan pekerja. Alasan informasi meliputi penggunaan
catatan yang sama, hubungan kertas kerja, dan penggunaan alat komunikasi yang sama Apple, 1990.
Kebutuhan luas ruang produksi tergantungan pada jumlah mesin dan peralatan, tenaga kerja atau operator yang menangani fasilitas produksi, serta jumlah dan jenis sarana yang
mendukung kegiatan produksi. Metode yang digunakan dalam menentukan kebutuhan luas ruang produksi adalah metode pusat produksi. Pusat produksi terdiri dari mesin dan semua perlengkapan
untuk mendukung proses produksi serta luasan untuk melaksanakan operasi Machfud dan Agung, 1990.
6. Metode Analisis Manajemen
Kajian terhadap manajemen dan organisasi meliputi pemilihan bentuk perusahaan dan struktur organisasi yang sesuai, kebutuhan tenaga kerja, dan deskripsi dan spesifikasi kerja. Aliran
analisis manajemen dan organisasi dapat dilihat pada Gambar 10 berikut:
Gambar 10. Diagram alir proses analisis manajemen
7. Metode Analisis Lingkungan dan Legalitas
Analisis lingkungan meliputi sejauh mana keadaan tingkat lingkungan dapat menunjang perwujudan pendirian industri pengolahan limbah batang kelapa sawit, terutama sumber daya yang
diperlukan, seperti air, energi, manusia, dan ancaman alam sekitar, serta analisis mengenai dampak lingkungan yang ditimbulkan oleh pendirian industri ini. Analisis legalitas meliputi mekanisme
perizinan dan peraturan-peraturan yang berlaku.
8. Metode penjadwalan Penebangan
a. Algoritma K-means Cluster Pengelompokan data Clustering adalah teknik umum untuk analisis data statistik, yang
digunakan dalam banyak bidang, termasuk pembelajaran mesin, data mining, pengenalan pola, analisis gambar dan bioinformatika. Clustering adalah klasifikasi objek serupa ke dalam beberapa
kelompok. Lebih tepatnya, partisi dari kumpulan data ke subset cluster. Secara ideal, data dalam setiap subset memiliki beberapa ciri umum yang berdekatan melalui metode pengukuran jarak
János, 2007.
Clustering membagi data ke dalam grup cluster yang bermakna, berguna, atau keduanya. Tujuan dari clustering adalah agar obyek-obyek di dalam grup adalah mirip atau
berhubungan satu dengan lainnya, dan berbeda atau tidak berhubungan dengan obyek dalam grup lainnya. Semakin besar tingkat kemiripan atau similarity atau homogenitas di dalam satu
Mulai
Menentukan tujuan perusahaan
Mempertimbangkan: • Data perkiraan investasi yang diperlukan
dari penggunaan mesin dan bahan baku • Data kapasitas produksi
• Teknologi proses yang digunakan
Menentukan bentuk usaha yang dipilih
Menentukan struktur organisasi, deskripsi dan spesifikasi kerja, dan kebutuhan tenaga kerja
Selesai
grup dan semakin besar tingkat perbedaan diantara grup, maka semakin baik atau lebih berbeda clustering tersebut.
Algoritma clustering K-Means dikembangkan oleh J. MacQueen 1967 dan kemudian oleh J. A. Hartigan dan M. A. Wong sekitar tahun 1975 . Algoritma clustering K-Means adalah
algoritma untuk mengklasifikasikan atau mengkelompokkan objek berbasis atribut atau ciri tertentu ke dalam K jumlah klaster . K adalah sebuah angka integer positif . Pengelompokkan
dilakukan dengan cara meminimalisir jarak data dan centroid klaster yang ditentukan. Algoritma K-means cluster merupakan sebuah algoritma clustering tanpa pengawasan,
K diartikan sebagai jumlah klaster yang biasanya digunakan sebagai input pengguna untuk algoritma. Beberapa kriteria dapat digunakan untuk secara otomatis memperkirakan K. Algoritma
K-means adalah sebuah pendekatan untuk masalah optimasi kombinatorial NP-hard. K-means algoritma sangat iteratif di alam, konvergen, namun hanya menghasilkan minimum lokal. Bekerja
hanya untuk data numerik, mudah untuk diterapkan.. Kesamaan ukuran atau jarak ukuran perbedaan digunakan untuk menghitung kesamaan
atau ketidaksamaan dua titik data atau dua kelompok. Kesamaan dan jarak merupakan elemen dasar dari algoritma clustering, dengan kemungkinan analisis kelompok. Secara umum, jarak dan
kesamaan adalah konsep timbal balik. Seringkali, kesamaan langkah dan koefisien kesamaan yang digunakan untuk menggambarkan secara kuantitatif seberapa mirip dua titik data yang atau
bagaimana serupa dua cluster adalah: semakin besar kesamaan koefisien, yang lebih mirip adalah dua titik data. Ketidaksamaan ukuran dan jarak adalah sebaliknya: semakin besar ketidaksamaan
ukuran atau jarak, semakin berbeda adalah titik data dua atau dua cluster. Pertimbangkan dua titik data
1 2
, ,...,
d
x x x
x T
dan
1 2
, ,...,
d
y y y
y T
. Jarak Euclidean mungkin jarak yang paling umum kita yang pernah digunakan untuk
numerik data. Selama dua titik data
x
dan
y
dalam ruang d-dimensi, jarak Euclidean antara mereka didefinisikan sebagai :
dimana
j
x
dan
j
y
adalah nilai-nilai atribut ke-
j
dari
x
dan
y
, masing-masing. Diagram alir proses analisis k-means cluster dapat dilihat pada Gambar 11 dibawah ini.
Gambar 11. Diagram alir proses analisis K-means Cluster
1 2
2 1
,
d j
j j
d x y x
y
b. Genethic Algorithm Persoalan pedagang keliling Travelling Salesperson Problem-TSP merupakan persoalan
optimasi untuk mencari perjalanan terpendek bagi pedagang keliling yang ingin berkunjung ke beberapa kota, dan kembali ke kota asal keberangkatan. TSP merupakan persoalan yang sulit bila
dipandang dari sudut komputasinya. Beberapa metode telah digunakan untuk memecahkan persoalan tersebut namun hingga saat ini belum ditemukan algoritma yang mangkus untuk
menyelesaikannya. Cara termudah untuk menyelesaikan TSP yaitu dengan mencoba semua kemungkinan rute dan mencari rute yang terpendek sehingga diperoleh solusi yang mendekati
solusi optimal. Oleh karena itu digunakan algoritma genetika untuk menentukan perjalanan terpendek yang melalui kota lainnya hanya sekali dan kembali ke kota asal keberangkatan.
Algoritma genetika yaitu algoritma pencarian dan optimasi yang terinspirasi oleh prinsip dari genetika dan seleksi alam teori evolusi Darwin. Algoritma ini sangat tepat digunakan untuk
penyelesaian masalah optimasi yang kompleks dan sukar diselesaikan dengan metode konvensional.
Dalam penelitian ini persoalan TSP dengan menggunakan metode Algoritma genetika diaplikasikan kedalam penjadwalan penebangan kebun kelapa sawit guna mendapatkan jarak
tempuh terpendek sehingga dapat meminimumkan biaya transportasi yang dikeluarkan perusahaan. Jarak tempuh terpendek dihitung dengan melihat parameter jumlah jarak km yang
ditempuh kendaraan pengangkut batang kelapa sawit serta melihat parameter biaya pengangkutan itu sendiri. Rute diambil berdasarkan data perusahaan perkebunan yang berada di masing-masing
kecamatan di kabupaten yang terpilih. Masing-masing kemungkinan yang didapat dihitung nilai kebugaran fitness dengan menggunakan metode algoritma genetika guna mendapatkan solusi
rute optimum sehingga penjadwalan penebangan pun juga menjadi baik. Dalam menghitung nilai kebugaran fitness masing-masing kemungkinan dari rute yang di dapat, digunakan fungsi berikut
beserta kendala-nya.
1
i x
I MIN
D c i
Kendala: Di Dj Cap
x
30 Keterangan :
Di = Jarak dari sumber ke-i km
Dj = Jarak keseluruhan km
c
x
= biaya bahan bakar km Cap
x
= kapasitas truk angkut ton Asumsi:
Kapasitas truk angkut maksimum = 30 ton Biaya bahan bakar
= Rp 4500 Dari fungsi minimasi diatas, setiap kemungkinan rute yang didapat kemudian dihitung
nilai kebugarannya dengan metode algoritma genetika. Proses penghitungan rute minimum dapat dilihat melalui Gambar 12 berikut.
Gambar 12. Diagram algoritma sederhana dalam mencari fungsi optimum
D. Pengembangan Sistem Berorientasi Objek
