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.

BAB VII KESIMPULAN DAN SARAN

7.1. Kesimpulan

Dari hasil pengumpulan dan pengolahan data serta analisis pemecahan masalah dalam “Penjadwalan Produksi dengan Menggunakan Algoritma Genetika di PT. Agri First Indonesia” diperoleh beberapa kesimpulan akhir, yaitu sebagai berikut: 1. Metode peramalan permintaan produksi untuk peramalan periode 2015 adalah metode yang memiliki nilai error terkecil yaitu metode smoothing eksponensial linier satu parameter dari Brown digunakan untuk produk AFI Hitam, AFI Orange, AFI Kuning, Armada Biru, Armada Merah, dan Armada Orange; sedangkan Metode double eksponensial dua parameter dari Holt digunakan untuk produk AFI Cokelat, AFI Biru, dan AFI Merah. 2. Waktu standar operator pengisian dengan menggunakan metode stopwatch time study adalah 5,447 detik dan operator penjahitan sebesar 6,181 detik. Waktu stasiun kerja packing sesuai dengan waktu standar terbesar yaitu 6,181 detik. 3. Total makespan pengerjaan semua job dengan metode aktual perusahaan sebesar 208,45 jam sedangkan dengan metode Algoritma Genetik sebesar 184,54 jam. 4. Solusi urutan pertama pengerjaan job yang memiliki makespan terendah berdasarkan metode Algoritma Genetika adalah Armada Biru, AFI Orange, AFI Hitam, AFI Kuning, AFI Merah, Armada Orange, AFI Biru, AFI Cokelat, dan Armada Merah. 5. Solusi urutan kedua pengerjaan job yang memiliki makespan terendah berdasarkan metode Algoritma Genetika adalah Armada Biru, AFI Cokelat, AFI Biru, AFI Hitam, Armada Orange, AFI Orange, AFI Kuning, AFI Merah, dan Armada Merah. 6. Solusi urutan ketiga pengerjaan job yang memiliki makespan terendah berdasarkan metode Algoritma Genetika adalah Armada Biru, AFI Hitam, AFI Biru, AFI Cokelat, Armada Merah, Armada Orange, AFI Kuning, AFI Merah, dan AFI Orange. 7. Berdasarkan perhitungan performansi dengan menggunakan parameter Efficiency Index, diperoleh hasil 1,13 yang menunjukkan bahwa performansi metode Algoritma Genetik lebih baik dari segi makespan dibandingkan dengan metode aktual perusahaan, dan berdasarkan perhitungan parameter Relative Error RE, diperoleh nilai RE sebesar -12,96 yang menunjukkan makespan metode algoritma genetika lebih kecil 12,96 dibandingkan dengan metode aktual perusahaan atau 23,91 jam dibandingkan dengan metode aktual perusahaan.

7.2. Saran

Saran yang diberikan penulis dalam penelitian “Penjadwalan Produksi dengan Menggunakan Algoritma Genetika di PT. Agri First Indonesia” adalah sebagai berikut: 1. Sebaiknya dalam menyusun jadwal produksi, perusahaan memperhatikan kapasitas yang tersedia dengan allowance yang terjadi di setiap stasiun kerja, bukan hanya kapasitas milling sehingga tidak terjadi keterlambatan penyelesaian produk. 2. Hasil penelitian ini dapat diterapkan sebagai alternatif untuk mendapatkan jadwal yang optimal di perusahaan dengan menggunakan sistem komputasi yang lebih mudah dan cepat.