ANALISA KESEIMBANGAN LINI PADA DEPARTEME
ANALISA KESEIMBANGAN LINI PADA DEPARTEMEN
CHASSIS PT TOYOTA MOTOR MANUFACTURING INDONESIA
DENGAN ALGORITMA ANT COLONY, RANK POSITIONAL
WEIGHT, DAN ALGORITMA GENETIKA
Lina Gozali1,Lamto Widodo, Martin Bernhard2
Staf Pengajar Program Studi Teknik Industri Universitas Tarumanagara, Jakarta
2
Mahasiswa Program Studi Teknik Industri, Universitas Tarumanagara, Jakarta
1
ABSTRACT
PT . Toyota Motor Manufacturing Indonesia is a company engaged in the automotive
industry. The longest cycle time can also be caused by many things, from the unequal division of
labor so that the necessary analysis for the balance of the assembly line. In writing this Final
analysis used the balance line is Ant Colony Algorithm, Rank Positional Weight, and Genetic
Algorithms. All three methods of analysis will produce an analysis for the improvement of the
assembly lines now run so as to achieve the targets that have been defined. With a high
efficiency line of the balance delay of the assembly line will also be getting smaller and makes
no waiting time from the operator. All the time can be optimally used to produce the product. Of
the three analysis the analysis with the highest efficiency, smallest delay balance and
smoothness index of the smaller to be selected as the best proposal. Analysis of this problem is
best for analysis using ant colony algorithm with line efficiency 93.2%, 6.8% delay Balance and
Smoothness index 45.77
Keywords :
Line Balancing, Ant Colony Algorithm, RPW methods, Genetic Algorithms, line
efficiency, balance delay, Smoothness index
1. PENDAHULUAN1
PT Toyota Motor Manufacturing
Indonesia (TMMIN) merupakan salah satu
perusahaan manufaktur di Indonesia yang
bergerak di bidang otomotif terutama
kendaraan roda empat. Sejak berdiri
pertama kali, PT TMMIN secara
berkelanjutan memproduksi produk mobil
yang terus meningkat seiring dengan
permintaan konsumen. Dalam berproduksi,
PT. TMMIN secara bertahap masih
melakukan beberapa perbaikan elemen
kerja pada beberapa stasiun kerja yang
terdapat pada lini produksi. Hal ini akan
mempengaruhi keseimbangan lini produksi
dan pada gilirannya bisa menimbulkan
hambatan
bagi
usaha
peningkatan
produktivitas.
Algoritma Ant Colony merupakan
metode metaheuristic yang berguna untuk
mengoptimalkan suatu lini produksi.
Algoritma ini dikembangkan dengan
meniru fenomena yang terdapat pada
Korespondensi :
1
Lina Gozali
E-mail : ligoz@tarumanagara.ac.id
Analisa Keseimbangan Lintasan (Lina Gozali)
kelompok semut. Ciri khasnnya adalah
adanya pheromones semut yang digunakan
sebagai jejak yang ditinggalkan untuk
semut lainnya, dan kemudian semut lainnya
memutuskan apakah akan mengikuti jejak
tersebut atau tidak. Pheromone yang
ditinggalkan akan membentuk suatu jalur.
Algoritma
genetika
merupakan
algoritma pencarian dengan heuristic yang
didasarkan atas mekanisme evolusi
biologis. Keberagaman evolusi bioogis
adalah variasi dari kromosom antar individu
organisme. Variasi kromosom ini akan
mempengaruhi laju reproduksi dan tingkat
kemampuan organisme tetap hidup.
Pada
penelitian
ini
dilakukan
penyeimbangan lini pada Departemen
Chassis PT. TMMIN dengan menggunakan
algoritma Ant Colony, Ranked Positional
Weight (RPW) dan Algoritma Genetika.
2. LANDASAN TEORITIS
Istilah keseimbangan lini (assembly
line balancing) merupakan suatu metode
penugasan sejumlah pekerjaan ke dalam
stasiun kerja yang saling berkaitan dalam
119
satu lini produksi dimana setiap stasiun
kerja memiliki waktu yang tidak melebihi
waktu siklus dari stasiun kerja tersebut.
Keterkaitan sejumlah pekerjaan dalam
suatu lini produksi harus dipertimbangkan
dalam menentukan pembagian pekerjaan
dengan pekerjaan lainnya. Keterkaitan antar
pekerjaan ini digambarkan dalam suatu
diagram keterkaitan (precedence diagram),
sedangkan hubungan antar pekerjaan
disebut precedence job atau precedence
network.
2.1 Keseimbangan lintasan produksi
Pada awalnya keseimbangan lini
dikembangkan
untuk
meningkatkan
efisiensi produksi massal dari produk yang
terstandarisasi, yang di desain untuk
memanfaatkan spesialisasi buruh dan halhal lain yang berhubungan (Shtub and DarEl, 1989, Scholl, 1999, hal 2). Dengan
berkembangnya teknologi terutama pada
bidang otomotif dan adanya permintaan
produk yang semakin meningkat, terjadi
perubahan sistem produksi yang ada secara
signifikan sehingga menimbulkan berbagai
macam masalah pada lini produksi.
Menurut Biegel (1992), dua masalah
yang sering dihadapi oleh lintasan produksi
adalah :
1) adanya kendala sistem, yang
erat
kaitannya
dengan
perawatan
(maintanance), dan 2) menyeimbangkan
beban kerja pada beberapa stasiun kerja
(work station) untuk mencapai suatu
efisiensi yang tinggi dan memenuhi
produksi yang telah direncananakan.
Adanya ketidakseimbangan lintasan
produksi ditunjukkan oleh : 1) adanya
stasiun kerja yang sibuk dan idle secara
mencolok, dan 2) adanya work in process
pada beberapa stasiun kerja. Beberapa hal
yang
dapat
mengakibatkan
ketidakseimbangan pada lintasan produksi
antara lain :
1. Rancangan lintasan yang salah
2. Peralatan atau mesin yang sudah tua
sehingga seringkali breakdown dan
perlu setup ulang
3. Operator kurang terampil.
4. Metode kerja yang kurang baik
Adapun rancangan lintasan produksi
yang seimbang bertujuan untuk: 1)
menyeimbangkan beban kerja yang
120
dialokasi pada setiap stasiun kerja sehingga
pekerjaan dapat selesai dalam waktu yang
seimbang dan mencegah terjadinya
bottleneck dan 2) menjaga lini perakitan
agar tetap berlangsung secara lancar dan
kontinyu (Elsayed, 1985).
2.2 Terminologi Keseimbangan
(Line Balancing)
Lini
Beberapa terminologi yang berkaitan
dengan keseimbangan lini adalah :
1. Elemen Kerja (Work Element)
Bagian dari keseluruhan pekerjaan dalam
proses assembly. Umumnya N didefinisikan
sebagai jumlah total dari elemen kerja yang
dibutuhkan untuk menyelesaikan suatu
assembly dan i adalah elemen kerja.
2. Stasiun Kerja (Workstation /WS)
Lokasi pada lini assembly atau pembuatan
suatu produk dimana pekerjaan diselesaikan
secara manual maupun otomatis. Jumlah
minimum dari stasiun kerja adalah K,
dimana K waktu stasiun kerja
terpanjang.
10. Line Efficiency (Effisiensi Lini)
Rasio dari total waktu stasiun terhadap
keterkaitan waktu siklus dengan jumlah
stasiun kerja dinyatakan dalam presentase.
(1)
2.3 Algoritma
Ant
Colony
pada
Keseimbangan Lini (Mullen dan
Patrick, 2003)
Ant Colony Algorithm merupakan
bagian dari suatu kelompok yang
Analisa Keseimbangan Lintasan (Lina Gozali)
2. Menentukan membuka work center
baru atau tidak
Untuk menentukan dibukanya work
center baru atau tidak adalah dengan
menggunakan batasan cycle time (CT) yang
sudah dihitung dengan notasi : Tj < C.
Bila kondisi tersebut terpenuhi tidak perlu
membuka work center baru, tetapi bila tidak
terpenuhi maka harus membuka work
center baru.
3. Pemilihan elemen kerja
Setelah tahap inisialisasi selesai,
elemen kerja dipilih untuk ditambahkan ke
dalam work center . Untuk priorias
pemilihan elemen kerja harus dibangun
daftar elemen kerja yang akan ditempatkan
(L). Elemen kerja akan ditambahkan pada
daftar elemen kerja (L) jika kondisi
dibawah ini terpenuhi:
a. Seluruh elemen kerja pendahulunya
sudah dikerjakan di work center.
b. Elemen kerja tersebut belum dikerjakan
pada suatu work center manapun.
Untuk setiap anggota dari daftar
elemen kerja (L), harus diketahui nilai-nilai
sementara dari uj dan Pj. Probabilitas yang
121
rendah menyatakan bahwa work center
tersebut sibuk dan sebaliknya. Utilisasi
pada work center j jika ditambahkan
elemen kerja I dapat dihitung dengan
rumus:
(3)
Dimana:
(4)
(5)
Untuk peluang semua elemen kerja
dikerjakan tepat waktu, Pj dapat dihitung
dengan menggunakan rumus:
(6)
(7)
(8)
Setelah
utilisasi
dan
peluang
penyelesaian tepat waktu selesai dihitung
untuk seluruh daftar elemen kerja (L), nilai
metric dapat dihitung dan digunakan untuk
membangun jejak pheromone dengan
rumus:
Metrici = aUj+ aP j+ a (Uj+ P j)+aUj(1–P j) (9)
Kondisi tersebut dapat dilakukan bila
komponen pertama menunjukkan ukuran
kontribusi utilisasi. Komponen kedua
menunjukan
kontribusi
peluang
penyelesaian elemen kerja tepat waktu.
Komponen ketiga merupakan perkalian dari
utilisasi dengan peluang penyelesaian
elemen kerja tepat waktu. Untuk
menghitung nilai
pheromone
dapat
digunakan rumus:
berapa banyak elemen
mendahului elemen kerja i.
122
telah
4. Melakukan simulasi Monte Carlo
Simulasi monte carlo digunakan untuk
menentukan elemen kerja dari L untuk
dimasukan ke dalam work centre j,
Langkah-langkah secara umum dari
simulasi monte carlo ini adalah:
a. Tentukan distribusi probabilistic dari
variable kunci. Distribusi yang standar
digunakan adalah distribusi normal,
Poisson dan exponensial atau dari
distribusi empiris yang didapat dari
rekaman historis.
b. Ubah distribusi frekuensi menjadi
kumulatif distribusi frekuensi. Ini
dilakukan karena hanya satu variabel
yang dapat diasosiasikan dengan
bilangan acak.
c. Memilih bilangan acak yang sesuai
dengan interval dari kumulatif
distribusi frekuensi.
d. Ambil keputusan dengan melihat
angka acak tersebut berada pada range
kumulatif distribusi yang mana.
e. Melakukan pembaharuan terhadap
nilai statistik
Setelah pemilihan elemen kerja dari
daftar elemen kerja (L) dan elemen
kerja tersebut dimasukan ke dalam
work center, langkah selanjutnya
adalah menghitung nilai statistic. Nilai
yang harus diperbahurui adalah nilai t j
dan nilai σj dengan rumus:
adalah
semua
pekerjaan
dialokasikan ke work center j
(11)
yang
(12)
(10)
Pada rumus diatas dapat dilihat bahwa
bagian pertama menunjukkan proporsi nilai
metric terhadap metrici yang telah dihitung,
sedangkan bagian kedua menunjukkan
yang
f.
Nilai tj dan nilai σj akan digunakan
untuk perhitungan iterasi berikutnya.
Pengulangan perhitungan ini sampai
seluruh elemen kerja masuk ke dalam
work center.
Menghitung nilai objektif
Setelah seluruh elemen kerja masuk ke
dalam work center maka langkah
Jurnal Teknik Industri, ISSN:1411-6340
selanjutnya adalah menghitung nilai
objektif. Nilai objektif yang digunakan
adalah nilai utilisasi sistem dan biaya
perancangan
lini
dengan
pengelompokan yang sudah diatur.
Untuk menghitung nilai utilisasi sistem
digunakan rumus:
(13)
(14)
2.4 Metode
Genetic
(Sabuncuoglu et al, 2000)
Algorithm
Algoritma genetik (Genetic algorithm)
ini pertama kali dikembangkan di awal
tahun 1970 oleh John Holland yang
memulai penelitiannya pada awal tahun
1960. Algoritma genetik merupakan suatu
metode untuk optimasi yang meniru proses
genetika organ-organ biologis pada
makhluk hidup.
Langkah-langkah dalam melakukan
pengelompokan stasiun kerja dengan
metode genetic Algorithm adalah sebagai
berikut:
1)
Membentuk populasi kromosom induk.
Untuk membentuk suatu populasi
kromosom induk yang diperlukan elemenelemen kerja yang tidak memeliki elemen
pendahulu yang dilakukan secara acak
(random), dan tetap memperhatikan urutan
pengerjaan dalam daftar precedence.
Untuk gen kedua ini dipilih dari
elemen kerja yang memiliki elemen
pendahulu pada gen pertama (sudah
ditugaskan). Proses ini untuk mencari gen
ketiga dan seterusnya sama dengan mencari
gen sebelumnya. Hal ini dilakukan sampai
seluruh elemen sudah diurutkan dan tidak
melanggar precedence.
2)
Menghitung fungsi kesesuaian setiap
kromosom induk.
3)
Membentuk populasi baru.
Pada bagian pembetukan populasi baru
ini terdiri atas 3 bagian yaitu seleksi
(selection), kawin silang (crossover ) , dan
mutasi (mutation).
a. Seleksi (selection)
Analisa Keseimbangan Lintasan (Lina Gozali)
b. Kawin Silang (crossover )
c. Mutasi (mutation)
Mutasi ini dilakukan setelah diketahui
fungsi suaian terbaik dari proses kawin
silang jadi hanya dipilih dari satu
kromosom saja untuk dimutasi lalu
ditentukan besarnya probabilitas mutasi
baru. Tentukan titik tempat mutasi terjadi,
dimana proses penentuan titik ini dilakukan
secara acak namun jumlahnya sesuai
dengan probabilitas mutasi yang telah
ditentukan. Pada bagian ini yang
direkonstruksi
adalah
bagian
ekor,
sedangkan untuk bagian kepalanya tetap.
Setelah itu dihitung nilai suaian jika
kromosom-kromosom tersebut telah layak.
4)
Penerimaan (Accepting)
Penerimaan kromosom anak akan
dilakukan untuk menggantikan posisi
kromosom
induk
apabila
anak
menghasilkan nilai fungsi suaian yang lebih
baik dibandingkan dengan fungsi suaian
yang dihasilkan oleh kromosom induk.
5)
Pengulangan (Looping)
Pengulangan ini akan terus dilakukan
hingga criteria pemberhentian tercapai.
3. PENGOLAHAN DATA
Data yang diolah pada penelitian ini
adalah:
Data waktu siklus tiap elemen kerja
dengan total 113 elemen kerja untuk
perakitan chassis Innova dan
Fortuner.
Waktu produksi dengan total waktu
455 menit dalam satu shift
Target produksi per hari 250 unit
Perbandingan
produksi
antara
innova dan fortuner, 2 : 1
Pada Gambar 1 dapat dilihat
performansi
lini
awal
sebelum
menggunakan algoritma ant colony,
RPW, dan algoritma genetika.
123
Waktu Total Stasiun (Detik)
Performansi Lini Perakitan Awal
140,00
120,00
100,00
80,00
60,00
40,00
20,00
0,00
Series1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26
Stasiun Kerja
Waktu total Stasiun (detik)
Gambar 1. Grafik Pembagian kerja lini awal
Performansi Rancangan Lini Metode Ant
Colony
150
100
50
Series1
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26
Stasiun kerja
Waktu Total stasiun (detik)
Gambar 2. Grafik Pembagian Stasiun Kerja dengan Algoritma Ant Colony
Performansi Rancangan Lini dengan
metode RPW
150
100
50
Series1
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26
Stasiun Kerja
Gambar 3. Grafik Pembagian kerja metode RPW
124
Jurnal Teknik Industri, ISSN:1411-6340
Tabel 1. Hasil Penyeimbangan Lini dengan Algoritma Ant Colony, RPW dan
Algoritma Genetika
Line Efficiency (%)
Balance Delay (%)
Smoothness Index
Waktu Stasiun terpanjang
Jumlah Stasiun
Output / hari
Awal
Algoritma
Ant Colony
RPW
82.7
17.3
122.8
122.61
26
222
93.2
6.8
45.77
108.78
26
250
93.2
6.8
52.98
108.78
26
250
Pada lini awal dapat dilihat bahwa
siklus terpanjang 122,61 detik yang
merupakan waktu terbesar dari semua
stasiun kerja. Waktu siklus terpanjang
ini menyebabkan output produksi
menjadi tidak terpenuhi dari yang
ditetapkan oleh perusahaan sebesar 250
unit. Saat ini output produksi adalah
222 unit, dimana terjadi kekurangan
sebanyak 28 unit dari yang telah
ditentukan.
Efisiensi lini yang dihasilkan oleh
lini awal ini adalah sebesar 82,7 %
dengan
balance
delay
17,3%.
Smoothness index dari lini awal ini juga
cukup tinggi yaitu sebesar 122,8.
Berdasarkan hasil perhitungan ini dapat
dilihat bahawa performansi lini saat ini
cukup buruk sehingga perlu diperbaiki.
Dari hasil perbaikan keseimbangan
lini dengan algoritma ant colony
diperoleh hasil seperti dapat dilihat pada
Gambar 2.
Lini usulan dengan menggunakan
metode
algoritma
Ant
Colony
menghasilkan efisiensi sebesar 93,2 %,
balance delay 6,8 %, dan smoothness
index sebesar 45,77. Usulan rancangan
lini baru ini sudah dapat mencapai
target produksi yang sudah ditetapkan.
Hal ini disebabkan pembagian kerja
antar stasiun kerja yang lebih merata.
Hasil perhitungan keseimbangan lini
dengan metode RPW disajikan pada
Gambar 3. Perhitungan dengan metode
RPW ini mengurutkan dari bobot yang
tertinggi
hingga
yang terendah.
Pengaturan
dengan
metode
ini
menghasilkan lini yang juga lebih baik
Analisa Keseimbangan Lintasan (Lina Gozali)
Algoritma genetika Algoritma Genetika
dengan solusi awal
Solusi Awal
Metode RPW Metode Ant Colony
93.2
93.2
6.8
6.8
52.98
45.77
108.78
108.78
26
26
250
250
dibandingkan dengan lini awal.
Efisiensi dari rancangan lini dengan
metode RPW sebesar 93,2 % dan
balance delay 6,8 %. Smoothing Index
pada rancangan lini metode ini juga
lebih kecil dibandingkan lini awal yaitu
sebesar 52,98. Dengan demikian
rancangan lini juga dapat mencapai
target produksi yang sudah ditetapkan,
pembagian elemen kerja pada tiap
stasiun juga lebih merata dibandingkan
dengan lini awal.
Pada Tabel 1 dapat dilihat
perbandingan hasil penyeimbangan lini
dengan menggunakan ketiga metode
yang telah diuraikan di atas.
Perhitungan keseimbangan lini dengan
menggunakan
algoritma
genetika
menghasilkan hasil yang sama dengan
solusi awal menggunakan ant colony
maupun
RPW.
Perhitungan
ini
dilakukan dengan pengulangan yang
sesuai dengan kriteria tertentu Namun
penyeimbangan
lini
dengan
menggunakan solusi awal metode RPW
yang dilanjutkan dengan algoritma
genetika menghasilkan nilai smoothness
index yang sedikit lebih tinggi
dibandingkan
penyeimbangan
lini
menggunakan solusi awal ant colony
yang dilanjutkan dengan algortima
genetika.
4. KESIMPULAN
Kesimpulan yang diperoleh dari hasil
penelitian ini adalah sebagai berikut :
125
a. Waktu siklus terpanjang saat ini
yaitu 122.61 detik/unit. Kondisi ini
menyebabkan tidak tercapainya
target
produksi
yang
telah
ditetapkan sehingga dibutuhkan
perbaikan
keseimbangan
lini
produksi.
b. Berdasarkan
perhitungan
menggunakan algoritma genetika
dengan Algoritma Ant Colony
sebagai solusi awal, diperoleh hasil
efisiensi lini sebesar 93,2 %,
balance delay sebesar 6,8 %, dan
smoothness index 45,77.
c. Berdasarkan
perhitungan
menggunakan Rank Positional
Weight (RPW) dan Algoritma
Genetika dengan solusi awal RPW
didapat hasil efisiensi lini sebesar
93,2 % dengan Balance delay
sebesar 6,8 %, dan smoothness
index dari lini sebesar 52,98.
d. Berdasarkan perbandingan 3 metode
yang telah dilakukan maka hasil
perhitungan dengan menggunakan
algoritma genetika dengan solusi
awal Ant colony merupakan metode
tebaik yang dapat diusulkan untuk
memperbaiki
target
produksi
126
perusahaan
karena
memiliki
smoothing index yang lebih kecil
dibandingkan
dengan
metode
perhitungan lain.
5. DAFTAR PUSTAKA
[1] Apple, James M. 1977. Plant Layout
and Material Handling. London:
John Wiley & Sons Inc
[2] Bedworth, David. James. Bailey.
1987.
Integrated
Production
Control System. Singapore: John
Wiley & Sons Inc
[3] McMullen, P.R, P, Tarasewich.
2003. Using Ant Techniques to
Solve The Assembly Line Balancing
Problem. IEE Transactions. 35,
605–617.
[4] Sutalaksana I. Z., Ruhana A., Jann
H. T. 2005. Teknik Perancangan
Sistem Kerja . Bandung: ITB
Bandung.
[5] Sabuncuoglu et al, 2000, Journal of
Inteligent Manufacturing : 295–310
Jurnal Teknik Industri, ISSN:1411-6340
CHASSIS PT TOYOTA MOTOR MANUFACTURING INDONESIA
DENGAN ALGORITMA ANT COLONY, RANK POSITIONAL
WEIGHT, DAN ALGORITMA GENETIKA
Lina Gozali1,Lamto Widodo, Martin Bernhard2
Staf Pengajar Program Studi Teknik Industri Universitas Tarumanagara, Jakarta
2
Mahasiswa Program Studi Teknik Industri, Universitas Tarumanagara, Jakarta
1
ABSTRACT
PT . Toyota Motor Manufacturing Indonesia is a company engaged in the automotive
industry. The longest cycle time can also be caused by many things, from the unequal division of
labor so that the necessary analysis for the balance of the assembly line. In writing this Final
analysis used the balance line is Ant Colony Algorithm, Rank Positional Weight, and Genetic
Algorithms. All three methods of analysis will produce an analysis for the improvement of the
assembly lines now run so as to achieve the targets that have been defined. With a high
efficiency line of the balance delay of the assembly line will also be getting smaller and makes
no waiting time from the operator. All the time can be optimally used to produce the product. Of
the three analysis the analysis with the highest efficiency, smallest delay balance and
smoothness index of the smaller to be selected as the best proposal. Analysis of this problem is
best for analysis using ant colony algorithm with line efficiency 93.2%, 6.8% delay Balance and
Smoothness index 45.77
Keywords :
Line Balancing, Ant Colony Algorithm, RPW methods, Genetic Algorithms, line
efficiency, balance delay, Smoothness index
1. PENDAHULUAN1
PT Toyota Motor Manufacturing
Indonesia (TMMIN) merupakan salah satu
perusahaan manufaktur di Indonesia yang
bergerak di bidang otomotif terutama
kendaraan roda empat. Sejak berdiri
pertama kali, PT TMMIN secara
berkelanjutan memproduksi produk mobil
yang terus meningkat seiring dengan
permintaan konsumen. Dalam berproduksi,
PT. TMMIN secara bertahap masih
melakukan beberapa perbaikan elemen
kerja pada beberapa stasiun kerja yang
terdapat pada lini produksi. Hal ini akan
mempengaruhi keseimbangan lini produksi
dan pada gilirannya bisa menimbulkan
hambatan
bagi
usaha
peningkatan
produktivitas.
Algoritma Ant Colony merupakan
metode metaheuristic yang berguna untuk
mengoptimalkan suatu lini produksi.
Algoritma ini dikembangkan dengan
meniru fenomena yang terdapat pada
Korespondensi :
1
Lina Gozali
E-mail : ligoz@tarumanagara.ac.id
Analisa Keseimbangan Lintasan (Lina Gozali)
kelompok semut. Ciri khasnnya adalah
adanya pheromones semut yang digunakan
sebagai jejak yang ditinggalkan untuk
semut lainnya, dan kemudian semut lainnya
memutuskan apakah akan mengikuti jejak
tersebut atau tidak. Pheromone yang
ditinggalkan akan membentuk suatu jalur.
Algoritma
genetika
merupakan
algoritma pencarian dengan heuristic yang
didasarkan atas mekanisme evolusi
biologis. Keberagaman evolusi bioogis
adalah variasi dari kromosom antar individu
organisme. Variasi kromosom ini akan
mempengaruhi laju reproduksi dan tingkat
kemampuan organisme tetap hidup.
Pada
penelitian
ini
dilakukan
penyeimbangan lini pada Departemen
Chassis PT. TMMIN dengan menggunakan
algoritma Ant Colony, Ranked Positional
Weight (RPW) dan Algoritma Genetika.
2. LANDASAN TEORITIS
Istilah keseimbangan lini (assembly
line balancing) merupakan suatu metode
penugasan sejumlah pekerjaan ke dalam
stasiun kerja yang saling berkaitan dalam
119
satu lini produksi dimana setiap stasiun
kerja memiliki waktu yang tidak melebihi
waktu siklus dari stasiun kerja tersebut.
Keterkaitan sejumlah pekerjaan dalam
suatu lini produksi harus dipertimbangkan
dalam menentukan pembagian pekerjaan
dengan pekerjaan lainnya. Keterkaitan antar
pekerjaan ini digambarkan dalam suatu
diagram keterkaitan (precedence diagram),
sedangkan hubungan antar pekerjaan
disebut precedence job atau precedence
network.
2.1 Keseimbangan lintasan produksi
Pada awalnya keseimbangan lini
dikembangkan
untuk
meningkatkan
efisiensi produksi massal dari produk yang
terstandarisasi, yang di desain untuk
memanfaatkan spesialisasi buruh dan halhal lain yang berhubungan (Shtub and DarEl, 1989, Scholl, 1999, hal 2). Dengan
berkembangnya teknologi terutama pada
bidang otomotif dan adanya permintaan
produk yang semakin meningkat, terjadi
perubahan sistem produksi yang ada secara
signifikan sehingga menimbulkan berbagai
macam masalah pada lini produksi.
Menurut Biegel (1992), dua masalah
yang sering dihadapi oleh lintasan produksi
adalah :
1) adanya kendala sistem, yang
erat
kaitannya
dengan
perawatan
(maintanance), dan 2) menyeimbangkan
beban kerja pada beberapa stasiun kerja
(work station) untuk mencapai suatu
efisiensi yang tinggi dan memenuhi
produksi yang telah direncananakan.
Adanya ketidakseimbangan lintasan
produksi ditunjukkan oleh : 1) adanya
stasiun kerja yang sibuk dan idle secara
mencolok, dan 2) adanya work in process
pada beberapa stasiun kerja. Beberapa hal
yang
dapat
mengakibatkan
ketidakseimbangan pada lintasan produksi
antara lain :
1. Rancangan lintasan yang salah
2. Peralatan atau mesin yang sudah tua
sehingga seringkali breakdown dan
perlu setup ulang
3. Operator kurang terampil.
4. Metode kerja yang kurang baik
Adapun rancangan lintasan produksi
yang seimbang bertujuan untuk: 1)
menyeimbangkan beban kerja yang
120
dialokasi pada setiap stasiun kerja sehingga
pekerjaan dapat selesai dalam waktu yang
seimbang dan mencegah terjadinya
bottleneck dan 2) menjaga lini perakitan
agar tetap berlangsung secara lancar dan
kontinyu (Elsayed, 1985).
2.2 Terminologi Keseimbangan
(Line Balancing)
Lini
Beberapa terminologi yang berkaitan
dengan keseimbangan lini adalah :
1. Elemen Kerja (Work Element)
Bagian dari keseluruhan pekerjaan dalam
proses assembly. Umumnya N didefinisikan
sebagai jumlah total dari elemen kerja yang
dibutuhkan untuk menyelesaikan suatu
assembly dan i adalah elemen kerja.
2. Stasiun Kerja (Workstation /WS)
Lokasi pada lini assembly atau pembuatan
suatu produk dimana pekerjaan diselesaikan
secara manual maupun otomatis. Jumlah
minimum dari stasiun kerja adalah K,
dimana K waktu stasiun kerja
terpanjang.
10. Line Efficiency (Effisiensi Lini)
Rasio dari total waktu stasiun terhadap
keterkaitan waktu siklus dengan jumlah
stasiun kerja dinyatakan dalam presentase.
(1)
2.3 Algoritma
Ant
Colony
pada
Keseimbangan Lini (Mullen dan
Patrick, 2003)
Ant Colony Algorithm merupakan
bagian dari suatu kelompok yang
Analisa Keseimbangan Lintasan (Lina Gozali)
2. Menentukan membuka work center
baru atau tidak
Untuk menentukan dibukanya work
center baru atau tidak adalah dengan
menggunakan batasan cycle time (CT) yang
sudah dihitung dengan notasi : Tj < C.
Bila kondisi tersebut terpenuhi tidak perlu
membuka work center baru, tetapi bila tidak
terpenuhi maka harus membuka work
center baru.
3. Pemilihan elemen kerja
Setelah tahap inisialisasi selesai,
elemen kerja dipilih untuk ditambahkan ke
dalam work center . Untuk priorias
pemilihan elemen kerja harus dibangun
daftar elemen kerja yang akan ditempatkan
(L). Elemen kerja akan ditambahkan pada
daftar elemen kerja (L) jika kondisi
dibawah ini terpenuhi:
a. Seluruh elemen kerja pendahulunya
sudah dikerjakan di work center.
b. Elemen kerja tersebut belum dikerjakan
pada suatu work center manapun.
Untuk setiap anggota dari daftar
elemen kerja (L), harus diketahui nilai-nilai
sementara dari uj dan Pj. Probabilitas yang
121
rendah menyatakan bahwa work center
tersebut sibuk dan sebaliknya. Utilisasi
pada work center j jika ditambahkan
elemen kerja I dapat dihitung dengan
rumus:
(3)
Dimana:
(4)
(5)
Untuk peluang semua elemen kerja
dikerjakan tepat waktu, Pj dapat dihitung
dengan menggunakan rumus:
(6)
(7)
(8)
Setelah
utilisasi
dan
peluang
penyelesaian tepat waktu selesai dihitung
untuk seluruh daftar elemen kerja (L), nilai
metric dapat dihitung dan digunakan untuk
membangun jejak pheromone dengan
rumus:
Metrici = aUj+ aP j+ a (Uj+ P j)+aUj(1–P j) (9)
Kondisi tersebut dapat dilakukan bila
komponen pertama menunjukkan ukuran
kontribusi utilisasi. Komponen kedua
menunjukan
kontribusi
peluang
penyelesaian elemen kerja tepat waktu.
Komponen ketiga merupakan perkalian dari
utilisasi dengan peluang penyelesaian
elemen kerja tepat waktu. Untuk
menghitung nilai
pheromone
dapat
digunakan rumus:
berapa banyak elemen
mendahului elemen kerja i.
122
telah
4. Melakukan simulasi Monte Carlo
Simulasi monte carlo digunakan untuk
menentukan elemen kerja dari L untuk
dimasukan ke dalam work centre j,
Langkah-langkah secara umum dari
simulasi monte carlo ini adalah:
a. Tentukan distribusi probabilistic dari
variable kunci. Distribusi yang standar
digunakan adalah distribusi normal,
Poisson dan exponensial atau dari
distribusi empiris yang didapat dari
rekaman historis.
b. Ubah distribusi frekuensi menjadi
kumulatif distribusi frekuensi. Ini
dilakukan karena hanya satu variabel
yang dapat diasosiasikan dengan
bilangan acak.
c. Memilih bilangan acak yang sesuai
dengan interval dari kumulatif
distribusi frekuensi.
d. Ambil keputusan dengan melihat
angka acak tersebut berada pada range
kumulatif distribusi yang mana.
e. Melakukan pembaharuan terhadap
nilai statistik
Setelah pemilihan elemen kerja dari
daftar elemen kerja (L) dan elemen
kerja tersebut dimasukan ke dalam
work center, langkah selanjutnya
adalah menghitung nilai statistic. Nilai
yang harus diperbahurui adalah nilai t j
dan nilai σj dengan rumus:
adalah
semua
pekerjaan
dialokasikan ke work center j
(11)
yang
(12)
(10)
Pada rumus diatas dapat dilihat bahwa
bagian pertama menunjukkan proporsi nilai
metric terhadap metrici yang telah dihitung,
sedangkan bagian kedua menunjukkan
yang
f.
Nilai tj dan nilai σj akan digunakan
untuk perhitungan iterasi berikutnya.
Pengulangan perhitungan ini sampai
seluruh elemen kerja masuk ke dalam
work center.
Menghitung nilai objektif
Setelah seluruh elemen kerja masuk ke
dalam work center maka langkah
Jurnal Teknik Industri, ISSN:1411-6340
selanjutnya adalah menghitung nilai
objektif. Nilai objektif yang digunakan
adalah nilai utilisasi sistem dan biaya
perancangan
lini
dengan
pengelompokan yang sudah diatur.
Untuk menghitung nilai utilisasi sistem
digunakan rumus:
(13)
(14)
2.4 Metode
Genetic
(Sabuncuoglu et al, 2000)
Algorithm
Algoritma genetik (Genetic algorithm)
ini pertama kali dikembangkan di awal
tahun 1970 oleh John Holland yang
memulai penelitiannya pada awal tahun
1960. Algoritma genetik merupakan suatu
metode untuk optimasi yang meniru proses
genetika organ-organ biologis pada
makhluk hidup.
Langkah-langkah dalam melakukan
pengelompokan stasiun kerja dengan
metode genetic Algorithm adalah sebagai
berikut:
1)
Membentuk populasi kromosom induk.
Untuk membentuk suatu populasi
kromosom induk yang diperlukan elemenelemen kerja yang tidak memeliki elemen
pendahulu yang dilakukan secara acak
(random), dan tetap memperhatikan urutan
pengerjaan dalam daftar precedence.
Untuk gen kedua ini dipilih dari
elemen kerja yang memiliki elemen
pendahulu pada gen pertama (sudah
ditugaskan). Proses ini untuk mencari gen
ketiga dan seterusnya sama dengan mencari
gen sebelumnya. Hal ini dilakukan sampai
seluruh elemen sudah diurutkan dan tidak
melanggar precedence.
2)
Menghitung fungsi kesesuaian setiap
kromosom induk.
3)
Membentuk populasi baru.
Pada bagian pembetukan populasi baru
ini terdiri atas 3 bagian yaitu seleksi
(selection), kawin silang (crossover ) , dan
mutasi (mutation).
a. Seleksi (selection)
Analisa Keseimbangan Lintasan (Lina Gozali)
b. Kawin Silang (crossover )
c. Mutasi (mutation)
Mutasi ini dilakukan setelah diketahui
fungsi suaian terbaik dari proses kawin
silang jadi hanya dipilih dari satu
kromosom saja untuk dimutasi lalu
ditentukan besarnya probabilitas mutasi
baru. Tentukan titik tempat mutasi terjadi,
dimana proses penentuan titik ini dilakukan
secara acak namun jumlahnya sesuai
dengan probabilitas mutasi yang telah
ditentukan. Pada bagian ini yang
direkonstruksi
adalah
bagian
ekor,
sedangkan untuk bagian kepalanya tetap.
Setelah itu dihitung nilai suaian jika
kromosom-kromosom tersebut telah layak.
4)
Penerimaan (Accepting)
Penerimaan kromosom anak akan
dilakukan untuk menggantikan posisi
kromosom
induk
apabila
anak
menghasilkan nilai fungsi suaian yang lebih
baik dibandingkan dengan fungsi suaian
yang dihasilkan oleh kromosom induk.
5)
Pengulangan (Looping)
Pengulangan ini akan terus dilakukan
hingga criteria pemberhentian tercapai.
3. PENGOLAHAN DATA
Data yang diolah pada penelitian ini
adalah:
Data waktu siklus tiap elemen kerja
dengan total 113 elemen kerja untuk
perakitan chassis Innova dan
Fortuner.
Waktu produksi dengan total waktu
455 menit dalam satu shift
Target produksi per hari 250 unit
Perbandingan
produksi
antara
innova dan fortuner, 2 : 1
Pada Gambar 1 dapat dilihat
performansi
lini
awal
sebelum
menggunakan algoritma ant colony,
RPW, dan algoritma genetika.
123
Waktu Total Stasiun (Detik)
Performansi Lini Perakitan Awal
140,00
120,00
100,00
80,00
60,00
40,00
20,00
0,00
Series1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26
Stasiun Kerja
Waktu total Stasiun (detik)
Gambar 1. Grafik Pembagian kerja lini awal
Performansi Rancangan Lini Metode Ant
Colony
150
100
50
Series1
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26
Stasiun kerja
Waktu Total stasiun (detik)
Gambar 2. Grafik Pembagian Stasiun Kerja dengan Algoritma Ant Colony
Performansi Rancangan Lini dengan
metode RPW
150
100
50
Series1
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26
Stasiun Kerja
Gambar 3. Grafik Pembagian kerja metode RPW
124
Jurnal Teknik Industri, ISSN:1411-6340
Tabel 1. Hasil Penyeimbangan Lini dengan Algoritma Ant Colony, RPW dan
Algoritma Genetika
Line Efficiency (%)
Balance Delay (%)
Smoothness Index
Waktu Stasiun terpanjang
Jumlah Stasiun
Output / hari
Awal
Algoritma
Ant Colony
RPW
82.7
17.3
122.8
122.61
26
222
93.2
6.8
45.77
108.78
26
250
93.2
6.8
52.98
108.78
26
250
Pada lini awal dapat dilihat bahwa
siklus terpanjang 122,61 detik yang
merupakan waktu terbesar dari semua
stasiun kerja. Waktu siklus terpanjang
ini menyebabkan output produksi
menjadi tidak terpenuhi dari yang
ditetapkan oleh perusahaan sebesar 250
unit. Saat ini output produksi adalah
222 unit, dimana terjadi kekurangan
sebanyak 28 unit dari yang telah
ditentukan.
Efisiensi lini yang dihasilkan oleh
lini awal ini adalah sebesar 82,7 %
dengan
balance
delay
17,3%.
Smoothness index dari lini awal ini juga
cukup tinggi yaitu sebesar 122,8.
Berdasarkan hasil perhitungan ini dapat
dilihat bahawa performansi lini saat ini
cukup buruk sehingga perlu diperbaiki.
Dari hasil perbaikan keseimbangan
lini dengan algoritma ant colony
diperoleh hasil seperti dapat dilihat pada
Gambar 2.
Lini usulan dengan menggunakan
metode
algoritma
Ant
Colony
menghasilkan efisiensi sebesar 93,2 %,
balance delay 6,8 %, dan smoothness
index sebesar 45,77. Usulan rancangan
lini baru ini sudah dapat mencapai
target produksi yang sudah ditetapkan.
Hal ini disebabkan pembagian kerja
antar stasiun kerja yang lebih merata.
Hasil perhitungan keseimbangan lini
dengan metode RPW disajikan pada
Gambar 3. Perhitungan dengan metode
RPW ini mengurutkan dari bobot yang
tertinggi
hingga
yang terendah.
Pengaturan
dengan
metode
ini
menghasilkan lini yang juga lebih baik
Analisa Keseimbangan Lintasan (Lina Gozali)
Algoritma genetika Algoritma Genetika
dengan solusi awal
Solusi Awal
Metode RPW Metode Ant Colony
93.2
93.2
6.8
6.8
52.98
45.77
108.78
108.78
26
26
250
250
dibandingkan dengan lini awal.
Efisiensi dari rancangan lini dengan
metode RPW sebesar 93,2 % dan
balance delay 6,8 %. Smoothing Index
pada rancangan lini metode ini juga
lebih kecil dibandingkan lini awal yaitu
sebesar 52,98. Dengan demikian
rancangan lini juga dapat mencapai
target produksi yang sudah ditetapkan,
pembagian elemen kerja pada tiap
stasiun juga lebih merata dibandingkan
dengan lini awal.
Pada Tabel 1 dapat dilihat
perbandingan hasil penyeimbangan lini
dengan menggunakan ketiga metode
yang telah diuraikan di atas.
Perhitungan keseimbangan lini dengan
menggunakan
algoritma
genetika
menghasilkan hasil yang sama dengan
solusi awal menggunakan ant colony
maupun
RPW.
Perhitungan
ini
dilakukan dengan pengulangan yang
sesuai dengan kriteria tertentu Namun
penyeimbangan
lini
dengan
menggunakan solusi awal metode RPW
yang dilanjutkan dengan algoritma
genetika menghasilkan nilai smoothness
index yang sedikit lebih tinggi
dibandingkan
penyeimbangan
lini
menggunakan solusi awal ant colony
yang dilanjutkan dengan algortima
genetika.
4. KESIMPULAN
Kesimpulan yang diperoleh dari hasil
penelitian ini adalah sebagai berikut :
125
a. Waktu siklus terpanjang saat ini
yaitu 122.61 detik/unit. Kondisi ini
menyebabkan tidak tercapainya
target
produksi
yang
telah
ditetapkan sehingga dibutuhkan
perbaikan
keseimbangan
lini
produksi.
b. Berdasarkan
perhitungan
menggunakan algoritma genetika
dengan Algoritma Ant Colony
sebagai solusi awal, diperoleh hasil
efisiensi lini sebesar 93,2 %,
balance delay sebesar 6,8 %, dan
smoothness index 45,77.
c. Berdasarkan
perhitungan
menggunakan Rank Positional
Weight (RPW) dan Algoritma
Genetika dengan solusi awal RPW
didapat hasil efisiensi lini sebesar
93,2 % dengan Balance delay
sebesar 6,8 %, dan smoothness
index dari lini sebesar 52,98.
d. Berdasarkan perbandingan 3 metode
yang telah dilakukan maka hasil
perhitungan dengan menggunakan
algoritma genetika dengan solusi
awal Ant colony merupakan metode
tebaik yang dapat diusulkan untuk
memperbaiki
target
produksi
126
perusahaan
karena
memiliki
smoothing index yang lebih kecil
dibandingkan
dengan
metode
perhitungan lain.
5. DAFTAR PUSTAKA
[1] Apple, James M. 1977. Plant Layout
and Material Handling. London:
John Wiley & Sons Inc
[2] Bedworth, David. James. Bailey.
1987.
Integrated
Production
Control System. Singapore: John
Wiley & Sons Inc
[3] McMullen, P.R, P, Tarasewich.
2003. Using Ant Techniques to
Solve The Assembly Line Balancing
Problem. IEE Transactions. 35,
605–617.
[4] Sutalaksana I. Z., Ruhana A., Jann
H. T. 2005. Teknik Perancangan
Sistem Kerja . Bandung: ITB
Bandung.
[5] Sabuncuoglu et al, 2000, Journal of
Inteligent Manufacturing : 295–310
Jurnal Teknik Industri, ISSN:1411-6340