Analisis Metode untuk Menghasilkan Produk Tepat Waktu
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.
2. Relative Error RE Parameter ini digunakan untuk
mengetahui seberapa jauh perbedaan makespan yang dihasilkan oleh kedua metode. Rumus
relative error adalah: �� =
��������
��
− ��������
������ ℎ���
��������
��
× 100 Perbandingan metode aktual yang digunakan perusahaan dengan metode
penjadwalan Algoritma Genetika pada tiap stasiun kerja dapat dilihat pada Tabel 6.5.
Tabel 6.5 Perbandingan Urutan Pengerjaan dan Makespan Metode Aktual
yang Digunakan Perusahaan dengan Metode Algoritma Genetika
Metode Urutan Pengerjaan
Makespan Jam
Metode Aktual Perusahaan
Armada Biru
208,45 Armada Merah
Armada Orange AFI Kuning
AFI Hitam AFI Merah
AFI Biru AFI Orange
AFI Cokelat
Algoritma Genetik Armada Biru
Armada Biru Armada Biru
184,54 AFI Orange
AFI Cokelat AFI Hitam
AFI Hitam AFI Biru
AFI Biru AFI kuning
AFI Hitam AFI Cokelat
AFI Merah Armada Orange Armada Merah
Armada Orange AFI Orange Armada Orange
AFI Biru AFI Kuning
AFI Kuning AFI Cokelat
AFI Merah AFI Merah
Armada Merah Armada Merah
AFI Orange Sumber : Pengolahan Data
Gantt Chart penyelesaian pengerjaan produksi tepung terigu untuk kedua metode ditunjukkan pada Gambar 6.3, Gambar 6.4, Gambar 6.5, dan Gambar 6.6.
MESIN STASIUN KERJA
SK1 SK2
SK3 SK4
SK5 SK6
43,88 51,05
56,45 72,41
104,56 148,72
88,3 97,64
103,0 4
106, 73
108, 84
151, 66
99,92 107,29
112, 69
120,20 127,71
161,97
108,03 120,96
128,76 134,
62 140,
73 169,17
116,03 135,16
142,96 147,
77 154,67
176,28
120, 81
145,37 151,78
15 2,
38
156,7 2
17 8,
69
125, 59
163,03 170,83
17 1,
43 173,
48 18
1, 1
12 6,
5
180,82 188,62
18 9,
07 18
9, 85
19 0,
66
12 7,
41
198,61 206,41
20 6,
86 20
7, 64
20 8,
45
Job A Job B
Job C Job D
Job E Job F
Job G Job H
Job I Keterangan:
WAKTU JAM
MESIN STASIUN KERJA
SK1 SK2
SK3 SK4
SK5 SK6
43,88 51,05
56,45 72,41
104,56 148,72
Job A Job B
Job C Job D
Job E Job F
Job G Job H
Job I Keterangan:
WAKTU JAM
44 ,4
7
62,58 70,38
72 ,8
6 10
5, 34
14 9,
53
52,79 76,78
84,58 89,3
9 112,24
156,64
60,90 89,71
97,51 103,
37 118,
35 163,84
65,6 8
99,92 106,33
10 9,
03
121,9 5
16 8,
07
77,30 107,29
112, 69
119,01 129,46
178,38
80,0 2
124,95 132,75
133, 35
135, 40
18 0,
79
80 ,9
3
142,74 150,54
15 0,
99 15
1, 77
18 1,
60
125,35 152,08
157,4 8
161, 17
163, 28
184, 54
Gambar 6.3 Perbandingan Gantt Chart Metode Aktual Perusahaan
dengan Metode Algoritma Genetika Urutan I
MESIN STASIUN KERJA
SK1 SK2
SK3 SK4
SK5 SK6
43,88 51,05
56,45 72,41
104,56 148,72
88,3 97,64
103,0 4
106, 73
108, 84
151, 66
99,92 107,29
112, 69
120,20 127,71
161,97
108,03 120,96
128,76 134,
62 140,
73 169,17
116,03 135,16
142,96 147,
77 154,67
176,28
120, 81
145,37 151,78
15 2,
38
156,7 2
17 8,
69
125, 59
163,03 170,83
17 1,
43 173,
48 18
1, 1
12 6,
5
180,82 188,62
18 9,
07 18
9, 85
19 0,
66
12 7,
41
198,61 206,41
20 6,
86 20
7, 64
20 8,
45
Job A Job B
Job C Job D
Job E Job F
Job G Job H
Job I Keterangan:
WAKTU JAM
MESIN STASIUN KERJA
SK1 SK2
SK3 SK4
SK5 SK6
43,88 51,05
56,45 72,41
104,56 148,72
Job A Job B
Job C Job D
Job E Job F
Job G Job H
Job I Keterangan:
WAKTU JAM
44 ,4
7
68,84 76,64
77 ,0
9 10
5, 34
14 9,
53
47,5 1
86,50 94,30
94 ,9
107, 39
15 1,
94
55,51 100,70
108,50 113,
31 120,21
159,05
67,13 108,07
113, 90
120,22 127,73
169,36
68 ,0
4
125,86 133,66
13 4,
11 13
4, 89
17 0,
17
76,15 138,79
146,59 152,
45 158,
56 177,37
80,9 3
149,00 155,41
15 8,
11
162,1 6
18 1,
6
149,00 158,34
163, 74
167, 43
169, 54
184, 54
Gambar 6.4 Perbandingan Gantt Chart Metode Aktual Perusahaan
dengan Metode Algoritma Genetika Urutan II
MESIN STASIUN KERJA
SK1 SK2
SK3 SK4
SK5 SK6
43,88 51,05
56,45 72,41
104,56 148,72
88,3 97,64
103,0 4
106, 73
108, 84
151, 66
99,92 107,29
112, 69
120,20 127,71
161,97
108,03 120,96
128,76 134,
62 140,
73 169,17
116,03 135,16
142,96 147,
77 154,67
176,28
120, 81
145,37 151,78
15 2,
38
156,7 2
17 8,
69
125, 59
163,03 170,83
17 1,
43 173,
48 18
1, 1
12 6,
5
180,82 188,62
18 9,
07 18
9, 85
19 0,
66
12 7,
41
198,61 206,41
20 6,
86 20
7, 64
20 8,
45
Job A Job B
Job C Job D
Job E Job F
Job G Job H
Job I Keterangan:
WAKTU JAM
MESIN STASIUN KERJA
SK1 SK2
SK3 SK4
SK5 SK6
43,88 51,05
56,45 72,41
104,56 148,72
51,88 66,08
73,88 78,6
9 111,46
155,83
WAKTU JAM
54,6 83,74
91,54
92 ,1
4 113,
51 15
8, 24
55 ,5
1
101,53 109,33
10 9,
78 11
4, 29
15 9,
05
99,93 110,87
116, 27
119, 96
122, 07
161, 99
111,55 118,92
124, 32
130,64 138,15
172,30
119,66 132,59
140,39 146,
25 152,
36 179,50
124, 44
142,80 149,21
15 1,
91
155,9 6
18 3,
73
12 5,
35
160,59 168,39
16 8,
84 16
9, 62
18 4,
54
Job A Job B
Job C Job D
Job E Job F
Job G Job H
Job I Keterangan:
Gambar 6.5 Perbandingan Gantt Chart Metode Aktual Perusahaan
dengan Metode Algoritma Genetika Urutan III
Perbandingan performansi kedua metode dapat diukur dengan parameter performansi sebagai berikut.
1. Efficiency Index EI �� =
��������
����������
��������
��
�� =
208,45 184,54
�� = 1,13 Berdasarkan perhitungan performansi dengan menggunakan parameter
efficiency index yaitu perbandingan antara metode perusahaan dan metode algoritma genetika, diperoleh hasil bahwa EI 1 yaitu 1,13. Nilai ini
menunjukkan bahwa metode Algoritma Genetik memiliki performansi yang lebih baik dari segi makespan dibandingkan dengan metode aktual yang
digunakan perusahaan. 2. Relative Error RE
�� = ��������
��
− ��������
������ ℎ���
��������
��
× 100 �� =
184,54 − 208,45
184,54 × 100
�� = −12,96 Berdasarkan perhitungan dengan parameter relative error RE, diperoleh nilai
RE sebesar -12,96. Nilai ini menunjukkan bahwa metode Algoritma Genetik memiliki perbedaan makespan yang cukup besar bila dibandingkan dengan
metode aktual perusahaan. Tanda negatif pada nilai ini menunjukkan makespan metode algoritma genetika lebih kecil dibandingkan dengan metode aktual
perusahaan yaitu sebesar 12,96. Penghematan yang dihasilkan metode algoritma genetika ini sebesar 23,91 jam dibandingkan dengan metode aktual
yang digunakan perusahaan.
Jika dibandingkan hasil penjadwalan aktual perusahaan dengan algoritma genetika, penghematan 23,91 jam dapat digunakan perusahaan untuk
memproduksi tepung terigu. Sebagai contoh, untuk memproduksi 200 bag AFI Cokelat dibutuhkan waktu selama 27,07 jam. Artinya penghematan makespan
selama 23,91 jam ini dapat digunakan untuk memproduksi AFI Cokelat tersebut. Waktu proses yang dibutuhkan untuk memproduksi 200 bag AFI Cokelat adalah
sebagai berikut.
Tabel 6.6 Waktu Penyelesaian 200 bag AFI Cokelat
Stasiun Kerja Waktu Penyelesaian Jam
RMW CWRS
I 0,21
0,17 II
12,39 18,03
III 5,4
7,8 IV
0,24 0,19
V 0,33
VI 0,34
Total flowtime yang dibutuhkan untuk memproduksi 200 bag AFI Cokelat ditunjukkan pada Tabel 6.7.
Tabel 6.7 Flowtime 200 bag AFI Cokelat
Jenis Gandum
SK1 SK2 A
SK3 SK4
SK5 SK6
Start End Start End
Start End
Start End
Start End
Start End
RMW 0,21
0,21 12,6
12,6 18
18 18,24
26,4 26,73 26,73 27,07
CWRS 0,21
0,38 0,38
18,41 18,41 26,21 26,21 26,4
Waktu proses
0,38 18,03
7,8 0,19
0,33 0,34
Sedangkan untuk jenis tepung terigu Armada Merah yang hanya menggunakan satu jenis gandum, penghematan makespan 23,91 jam ini dapat
memberikan kontribusi 1000 bag tepung terigu Armada Merah. Waktu proses untuk menyelesaikan 1000 bag ini ditunjukkan pada Tabel 6.8.
Tabel 6.8 Waktu Penyelesaian 1000 bag Armada Merah
Stasiun Kerja
Waktu Penyelesaian MMW Jam
I 0,48
II 12,12
III 5,4
IV 2,19
V 1,25
VI 1,72
Total flowtime yang dibutuhkan untuk memproduksi 1000 bag Armada Merah ditunjukkan pada Tabel 6.9.
Tabel 6.9 Flowtime 1000 bag Armada Merah
Jenis Gandum
SK1 SK2
SK3 SK4
SK5 SK6
Start End
Start End
Start End
Start End
Start End
Start End
MMW 0,48
0,48 12,6
12,6 18
18 20,19 20,19 21,44 21,44 23,16
Waktu Proses
0,48 12,12
5,4 2,19
1,25 1,72
Berdasarkan flowtime AFI Cokelat dan Armada Merah yang ditunjukkan diatas, hal ini membuktikan bahwa penghematan waktu sebesar 23,91 dengan
menggunakan algoritma genetika dapat memberikan peningkatan produksi perusahaan.