bab iv pengumpulan dan pengolahan data 4.1 deskripsi ...eprints.umm.ac.id/43763/5/bab iv.pdf ·...

32

BAB IV

PENGUMPULAN DAN PENGOLAHAN DATA

4.1 Deskripsi Perusahaan

4.1.1 Profil Perusahaan

CV. Hasta Surya Mandiri adalah perusahaan yang bergerak di bidang

manufacture pembuatan rak kabel yang digunakan pada lingkungan-lingkungan

industri. CV. HSM didirikan oleh Bapak Sujarwo dengan notaris Hendrarto

Hadisuryo SH pada tanggal 8 Februari 2014. Lokasi perusahaan beralamat di Jl.

Sumber Bangun 13 A Rt 04/Rw 04, Kecamatan Lawang, Kabupaten Malang.

Produk yang diproduksi oleh perusahaan yaitu terdapat 3 jenis rak kabel yaitu

cable tray wiremesh, cable tray ladder dan cable tray dack dengan berbagai

macam ukuran. CV. HSM telah memiliki banyak customer partners diantaranya

PT. Nestle Indonesia, PT. Indolakto, PT. Greenfields Indonesia, PT. Triguna

Solusi Control, PT. Otsuka Indonesia, PT. Agatos Multi Solution, dsb.

Visi

Menyediakan material di bidang electrical, mechanical, dan general

contractor.

Misi

Mewujudkan Visi perusahaan melalui realisasi komitmen perusahaan

kepada Mitra Kerja, Pengguna Jasa, Kepentingan Nasional, Pemilik serta

seluruh karyawan, secara handal dengan mutu yang memuaskan.

Komitmen Perusahaan :

1. Kepada Mitra Kerja dan Pengguna Jasa

Menyediakan Jasa Pelayanan di Bidang electrical, mechanical, dan

general contractor secara handal dengan mutu yang memuaskan.

2. Kepada Kepentingan Nasional

Meningkatkan kesehatan perusahaan secara professional sehingga

dapat mendorong pengembangan ekonomi nasional.

33

3. Kepada Pemilik dan Karyawan

Mewujudkan sumber daya manusia yang berkualitas, optimis, bersikap

melayani dan ramah, bangga kepada perusahaan serta mampu

memberikan kesejahteraan dan kepuasan kerja kepada karyawan.

Jam tenaga kerja karyawan CV. HSM rata – rata dalam sehari adalah 8

jam kerja, adapun perincian jam kerja tersebut adalah :

Senin-Kamis : Jam kerja : Jam 08.00-16.00 WIB

Istirahat : Jam 12.00-13.00 WIB

Jumat : Jam kerja : Jam 08.00-16.00 WIB

Istirahat : Jam 11.30-13.00 WIB

Sabtu : Jam kerja : Jam 08.00-16.00 WIB

Hari libur perusahaan ditetapkan berdasarkan kalender atau hari libur

nasional. Dilakukan jam kerja lembur atau penambahan hari kerja jika waktu

produksi melebihi due date dari customer.

4.1.2 Proses Produksi

Proses produksi yang dilakukan oleh CV. HSM adalah make to order,

yang berarti perusahaan akan memproduksi produknya sesuai dengan pesanan.

Aliran proses produksi CV. HSM bertipe pure flow shop, dimana seluruh job

(cable tray wiremesh, cable tray ladder dan cable tray dack) memiliki urutan

proses yang sama dan diproses pada urutan mesin yang sama.

Urutan proses produksi pembuatan ketiga produk tersebut diuraikan pada

diagram alir dibawah ini.

Pengukuran Pemotongan Pembentukan Part Pengelasan

Semprot ObatGosok PasirPencucianPengeringan

Gambar 4.1 Diagram Alir Proses Produksi

Berikut penjelasan dari gambar diagram alir proses produksi diatas :

1. Pengukuran

Bahan baku utama (besi stainless) yang dibeli dilakukan pengukuran sesuai

dengan dimensi produk yang diinginkan (order dari customer).

34

2. Pemotongan

Setelah dilakukan pengukuran, langkah selanjutnya yaitu dilakukan

pemotongan menggunakan mesin potong.

3. Pembentukan Part

Pada tahap ini dilakukan pembentukan per part sebelum dilakukan

pengelasan menggunakan mesin bending/press.

4. Pengelasan

Pada tahap ini dilakukan assembly pada part-part yang telah dibentuk

sebelumnya menggunakan mesin welding.

5. Semprot Obat

Pada tahap ini dilakukan penyemprotan obat veklin menggunakan mesin

spray pada produk dengan tujuan untuk meningkatkan kualitas besi stainless

khususnya anti karat serta menghilangkan bekas pengelasan.

6. Gosok Pasir

Setelah dilakukan tahap semprot obat, langkah selanjutnya yaitu dilakukan

penggosokan produk menggunakan pasir dengan tujuan untuk menyerap obat

veklin yang masih melekat pada produk.

7. Pencucian

Pada tahap ini dilakukan pencucian pada produk dengan tujuan

membersihkan sisa-sisa pasir yang masih menempel pada produk

menggunakan mesin brush.

8. Pengeringan

Tahap terakhir yaitu dilakukan pengeringan pada produk menggunakan

mesin dryer.

4.2 Pengumpulan Data

4.2.1 Data Order

Data order digunakan untuk mengetahui jumlah pesanan, jenis order,

pemesan, dan due date penyelesaian produk. Data order dalam penelitian ini

diambil dari bulan Maret 2018 dapat dilihat pada tabel 4.1 sebagai berikut :

35

Tabel 4.1 Data Order CV. HSM

No Tanggal

Order Pemesan Jenis Order

Nama

Job

Jumlah

order

(qty)

Deadline

1 3 Maret 2018 PT. Triguna

Solusi Control

Cable Tray Wire

mesh W50 Job 1 70 9 Maret 2018

2 3 Maret 2018 PT. Greenfields

Indonesia

Cable Tray Wire


3 3 Maret 2018 PT. Indolakto Cable Tray Wire


4 3 Maret 2018 PT. Nestle

Indonesia

Cable Tray Wire


5 3 Maret 2018 PT. Agatos Multi

Solution

Cable Tray Wire


6 3 Maret 2018 PT. Exel Mandiri Cable Tray Wire


7 3 Maret 2018 PT. Otsuka

Indonesia

Cable Tray

ladder W50 Job 7 74 11 Maret 2018

8 3 Maret 2018 PT. Molindo Cable Tray


9 3 Maret 2018 PT. Molindo Cable Tray


10 3 Maret 2018 PT. Indolakto Cable Tray






Pada tabel 4.1 menunjukkan data order CV. HSM pada bulan Maret 2018,

sebagai contoh pada tanggal 3 Maret 2018 CV. HSM mendapatkan pesanan order

Cable Tray Wire mesh W50 (Job 1) dari PT. Triguna Solusi Control sebanyak 70

unit dan harus selesai pada tanggal 9 Maret 2018.

4.2.2 Urutan Proses Produksi

Urutan proses produksi serta mesin yang digunakan dapat dilihat pada

tabel 4.2 dibawah ini :

Tabel 4.2 Urutan Proses Produksi

Nama Job Operasi Mesin Yang Digunakan

cable tray wiremesh, cable tray ladder, cable tray

dack

Pemotongan Mesin Potong

Pembentukan Part Mesin Bending/press

Pengelasan Mesin Welding

Semprot Obat Mesin Spray

Gosok Pasir Mesin Thresher

Pencucian Mesin Brush

Pengeringan Mesin Dryer

36

Tabel 4.2 menunjukkan urutan proses produksi dari ketiga jenis produk

yaitu cable tray wiremesh, cable tray ladder, cable tray dack yang memiliki

urutan proses dan melewati mesin yang sama (alur pure flowshop). Pada operasi

pemotongan menggunakan mesin potong, pada pembentukan part menggunakan

mesin bending/press, pada operasi pengelasan menggunakan mesin welding, pada

proses semprot obat menggunakan mesin spray, pada operasi gosok pasir

menggunakan mesin thresher, pencucian menggunakan mesin brush dan

pengeringan menggunakan mesin dryer.

4.2.3 Daftar dan Fungsi Mesin

Pada CV. HSM memiliki 7 jenis variasi mesin masing-masing memiliki

jumlah sebanyak 1 unit yaitu mesin potong digunakan pada operasi pemotongan,

mesin bending/ press digunakan pada operasi pembentukan part, mesin welding

digunakan pada operasi perakitan, mesin spray digunakan pada operasi semprot

obat, mesin thresher digunakan pada operasi gosok pasir, mesin brush dan dryer

digunakan untuk mencuci dan pengeringan. Untuk lebih jelasnya dapat dilihat

pada tabel 4.3 sebagai berikut.

Tabel 4.3 Daftar & Fungsi Mesin

No Jenis Mesin Jumlah Fungsi

1 Mesin Potong 1 Memotong bahan baku (stainless steel)

2 Mesin Bending/Press 1 Pembentukan Part

3 Mesin Welding 1 Perakitan produk

4 Mesin Spray 1 Penyemprotan obat veklin pada produk

5 Mesin Thresher 1 Mencampurkan pasir pada produk

6 Mesin Brush 1 Mencuci/ membersihkan produk

7 Mesin Dryer 1 Mengeringkan produk dengan suhu tertentu

4.2.4 Waktu Proses Produksi

Pada penelitian ini waktu proses produksi yang didapat untuk melakukan

penjadwalan adalah waktu proses produksi pada tiap-tiap mesin. Agar lebih

jelasnya bisa dilihat pada tabel 4.4 berikut ini.

37

Tabel 4.4 Waktu Proses Produksi/Unit

Mesin

Waktu Proses (menit)

Job

1

Job

2

Job

3

Job

4

Job

5

Job

6

Job

7

Job

8

Job

9

Job

10

Job

11

Job

12

1 1 1 2 2 2 2 2 3 3 4 4 5

2 3 4 5 5 6 7 6 8 9 11 12 14

3 4 5 6 7 8 9 6 8 9 11 12 14

4 2 3 3 4 4 5 3 4 5 5 6 7

5 3 4 5 5 6 7 4 5 6 7 8 9

6 3 4 5 5 6 7 4 5 6 7 8 9

7 2 3 3 4 4 5 3 4 5 5 6 7

Sumber : CV. Hasta Surya Mandiri

Tabel 4.5 Waktu Proses Produksi Order Bulan Maret 2018

Mesin Waktu Proses (menit)

Job 1 Job 2 Job 3 Job 4 Job 5 Job 6 Job 7 Job 8 Job 9 Job 10 Job 11 Job 12

1 70 72 45 90 20 12 147 156 96 166 48 74

2 210 215 135 270 60 35 442 468 288 497 144 221

3 280 286 180 360 80 46 442 468 288 497 144 221

4 140 143 90 180 40 23 221 234 144 248 72 110

5 210 215 135 270 60 35 295 312 192 331 96 147

6 210 215 135 270 60 35 295 312 192 331 96 147

7 140 143 90 180 40 23 221 234 144 248 72 110

Order Qty 70 55 30 50 10 5 74 60 32 46 12 16

Due date 2520 2100 3360 3780 3360 2940 3360 4620 2520 5040 5040 5040

Tabel 4.6 Contoh Perhitungan Waktu Proses Produksi Job 1 Order Bulan Maret 2018

Mesin

Job 1

Order Qty

Waktu Proses

Produksi/Unit

(menit)

Total Waktu

Proses Produksi

(menit)

1

70

1 70

2 3 210

3 4 280

4 2 140

5 3 210

6 3 210

7 2 140

Due date 6 hari × (8 jam kerja – 1 jam istirahat) × 60 menit = 2520

38

4.3 Pengolahan Data

4.3.1 Desain dan Bahasa Pemrograman Matlab

Pada langkah ini dilakukan pembuatan coding matlab sesuai dengan fungsi

tujuan yang akan dicari. Pembuatan coding matlab pada algoritma Simulated

Annealing dengan menggunakan initial solution NEH-EDD untuk meminimasi

mean tardiness terbagi menjadi 3 tahap pembuatan coding yaitu coding looping

mean tardiness, coding algoritma NEH-EDD, dan yang terakhir coding algoritma

Simulated Annealing. Coding looping mean tardiness merupakan pembuatan

function untuk menghitung mean tardiness dengan input-an berupa data waktu

proses, due date, urutan job, jumlah mesin serta jumlah job. Coding algoritma

NEH-EDD merupakan pembuatan function untuk menentukan nilai mean

tardiness dan urutan job sesuai dengan algoritma yang telah dibuat. Dari hasil

urutan job tersebut akan dilakukan perhitungan kembali menggunakan coding

algoritma Simulated Annealing untuk menemukan solusi terbaik khususnya mean

tardiness.

4.3.1.1 Contoh Kasus Sederhana 3 Job 3 Mesin

Contoh kasus sederhana ini digunakan sebagai bahan validasi pada

program matlabnya nanti dengan menggunakan data waktu proses dari 3 job dan

menggunakan 3 mesin. Berikut adalah tabel waktu proses contoh kasus sederhana

3 job 3 mesin.

Tabel 4.7 Waktu Proses 3 job 3 mesin

Mesin Waktu Proses (menit)

Job 1 Job 2 Job 3

1 5 3 2

2 2 4 7

3 5 6 1

Due Date 10 13 18

39

4.3.1.2 Perhitungan Mean Tardiness 3 Job 3 Mesin Menggunakan Metode

NEH-EDD Secara Enumerasi (manual)

Enumerasi atau perhitungan manual algoritma NEH-EDD menggunakan

kasus pure flowshop sederhana 3 job 3 mesin dengan data waktu proses pada tabel

4.7, due date J1=10, J2=13 dan J3=18. Berikut merupakan tahapan perhitungan

mean tardiness menggunakan algoritma NEH-EDD yang mengacu pada

penelitian Liu, et al.(2013) hanya saja dalam penelitian ini menggunakan

performansi total lateness :

1. Mengurutkan job yang memiliki nilai due date terkecil sampai terbesar.

Urutan job = J1-J2-J3 (10, 13, 18)

2. Membuat jadwal partial (K=1) yang menempati urutan pertama dan kedua

serta hitung total lateness dari urutan jadwal partial tersebut (K=1)

Alternatif 1 = J1-J2

Tabel 4.8 Perhitungan Manual NEH-EDD K=1 Alternatif-1

Mesin Ket. Waktu Proses (menit)

Job 1 Job 2

1 Mulai 0 5

Selesai 5 8

2 Mulai 5 8

Selesai 7 12

3 Mulai 7 12

Selesai 12 18

Due date 10 13

Lateness 2 5

Total Lateness 7

Alternatif 2 = J2-J1



Job 2 Job 1

1 Mulai 0 3

Selesai 3 8

2 Mulai 3 8

Selesai 7 10

3 Mulai 7 13

Selesai 13 18

Due date 13 10

Lateness 0 8

Total Lateness 8

40

3. Pilih urutan job yang memiliki nilai total lateness terkecil

Alternatif 1 terpilih karena memiliki nilai total lateness sebesar = 7 dengan

urutan job = J1-J2.

4. Ambil job yang menempati urutan selanjutnya dari pengurutan job di

langkah awal, kemudian buat jadwal partial baru (K=2) dengan

memasukkan job tersebut pada (K=1) yang telah dipilih sebelumnya secara

bergeser dari urutan terakhir sampai urutan pertama.

Urutan job baru (K=2) = J1-J2-J3, J1- J3-J2, J3-J1-J2

5. Hitung total lateness dari (K=2) kemudian pilih urutan job yang memiliki

nilai lateness terkecil.

Alternatif 1 = J1-J2-J3



Job 1 Job 2 Job 3

1 Mulai 0 5 8

Selesai 5 8 10

2 Mulai 5 8 12

Selesai 7 12 19

3 Mulai 7 12 19

Selesai 12 18 20

Due date 10 13 18

Lateness 2 5 2

Total Lateness 9

Alternatif 2 = J1- J3-J2



Job 1 Job 3 Job 2

1 Mulai 0 5 7

Selesai 5 7 10

2 Mulai 5 7 14

Selesai 7 14 18

3 Mulai 7 14 18

Selesai 12 15 24

Due date 10 18 13

Lateness 2 -3 11

Total Lateness 10

41

Alternatif 3 = J3-J1-J2



Job 3 Job 1 Job 2

1 Mulai 0 2 7

Selesai 2 7 10

2 Mulai 2 9 11

Selesai 9 11 15

3 Mulai 9 11 16

Selesai 10 16 22

Due date 18 10 13

Lateness -8 6 9

Total Lateness 7

Urutan job yang terpilih yaitu J3-J1-J2 dengan nilai total lateness sebesar = 7.

4.3.1.3 Perhitungan Mean Tardiness 3 Job 3 Mesin Menggunakan Metode

Simulated Annealing Enumerasi (manual)

Enumerasi atau perhitungan manual simulated annealing menggunakan

kasus pure flowshop sederhana 3 job 3 mesin dengan data waktu proses pada tabel

4.7, due date J1=10, J2=13 dan J3=18, initial temperatur = 100, faktor pereduksi

(fp) =0.2, konstanta Boltzmann (k) = 1 dan maksimum iterasi = 5. Penentuan job

berapa yang akan dilakukan pengacakan yaitu dengan membangkitkan 2 bilangan

random dan kemudian dikalikan dengan jumlah job. Pembangkitan solusi baru

menggunakan aturan flip (membalik) jika bilangan random ≤ 0.333, swap

(menukar) jika 0.333 > bilangan random < 0.667, dan slide (menggeser) jika

bilangan random ≥ 0.667. Hal ini mengacu pada penelitian Mousavi, et al.(2013)

yang menggunakan aturan pengacakan swap move (menukar), inversion move

(membalik) dan shift (menggeser) hanya saja dalam bahasa pemrograman matlab

berbeda istilah yaitu menggunakan istilah flip, swap dan slide. Setelah didapat

hasil mean tardiness baru dari pengacakan yang telah dilakukan, maka dihitung

selisih dari mean tardiness baru dengan mean tardiness awal. Jika hasil yang

didapat negatif, maka terima solusi baru. Jika hasil yang didapat positif, maka

digunakan kriteria metropolis untuk memutuskan solusi baru ditolak atau

diterima. Kriteria metropolis yaitu membandingkan bilangan random yang didapat

dengan bilangan probabilitas Boltzmann yang dihitung seperti persamaan 14. Jika

42

bilangan random lebih kecil dari hasil probabilitas Boltzmann maka terima solusi

baru, dan sebaliknya. Untuk kriteria pemberhentian (steady state) dalam simulated

annealing dapat berupa batasan jumlah parameter tertentu dan juga selama tidak

ada solusi baru yang diterima lagi ketika semua siklus sudah tercapai. Berikut

merupakan tahapan perhitungan manual algoritma Simulated Annealing :

Initial Solution

Memasukkan hasil Initial Solution yang didapat diperhitungan NEH-EDD

sebelumnya yaitu dengan urutan job = J3-J1-J2, lateness masing-masing

job yaitu J3 = -8, J1 = 6, J2 = 9, tardiness J3 =0, J1=6, J2=9 maka mean

tardiness dapat dihitung 15 menit/3(jumlah job) = 5 menit.

Iterasi 1

Bilangan random 1 = 3 × 0.423 = 1.2690 = 1

Bilangan random 2 = 3 × 0.968 = 2.9040 = 3

Bilangan random 3 = 0.512 = swap (menukar)

Urutan Job = 3-1-2 (job 1 dan 3 dilakukan swap)

= 1-3-2

mean_ns = 4.3333

mean_is = 5

deltaf = meanT_ns − meanT_is

= 4.3333 – 5 = – 0.6667

Hasil deltaf minus, maka gunakan mean tardiness 4.3333 sebagai solusi

sementara, mean_is = 4.3333

Iterasi 2

Bilangan random 1 = 3 × 0.12 = 0.36 = 1

Bilangan random 2 = 3 × 0.89 = 2.67 = 3

Bilangan random 3 = 0.867 = slide (menggeser)

Urutan Job = 1-3-2 (job 1 dan 3 dilakukan slide)

= 3-1-2

mean_ns = 5

mean_is = 4.3333


= 5 – 4.3333 = 0.6667

43

Hasil deltaf positif, maka gunakan kriteria metropolis.

Bil. random = 0.2876

Prob. = exp[-deltaf /iniT× k]

= exp[- 0.6667/100× 1] = 0.9934

Bilangan random 0. 2876 < probabilitas penerimaan 0.9934 maka, terima

solusi baru.

Iterasi 3

Bilangan random 1 = 3 × 0.6476 = 1.9428 = 2

Bilangan random 2 = 3 × 0.2362 = 0.7086 = 1



= 3-2-1

mean_ns = 6.6667

mean_is = 5


= 6.6667 – 5 = 1.6667

Hasil deltaf positif, maka gunakan kriteria metropolis



= exp[- 1.6667/100× 1] = 0.9835


solusi baru.

Iterasi 4

Bilangan random 1 = 3 × 0.4501 = 1.3503 = 1

Bilangan random 2 = 3 × 0.8419 = 2.5257 = 3



= 1-2-3

mean_ns = 3

mean_is = 6.6667


= 3 – 6.6667 = - 3.6667

44

Hasil deltaf minus, maka gunakan mean tardiness 3 sebagai solusi

sementara, mean_is = 3.

Iterasi 5

Bilangan random 1 = 3 × 0.4501 = 1.3503 = 2

Bilangan random 2 = 3 × 0.8419 = 2.5257 = 3


Urutan Job = 1-2-3 (job 2 dan 3 dilakukan slide )

= 1-3-2

mean_ns = 4.3333

mean_is = 3


= 4.3333 –3 = 1.3333

Hasil deltaf positif, maka gunakan kriteria metropolis



= exp[- 1.3333/100× 1] = 0.9868


solusi baru.

Tabel 4.13 Hasil iterasi pertukaran job T=100

i ke- Urutan

Job

Mean

Tardiness deltaf

Bil.

Random

Prob.

Penerimaan Keputusan

1 1-3-2 4.3333 -0.6667 * * Diterima

2 3-1-2 5 0.6667 0.2876 0.9934 Diterima

3 3-2-1 6.6667 1.6667 0.5982 0.9835 Diterima

4 1-2-3 3 - 3.6667 * * Diterima

5 1-3-2 4.3333 1.3333 0.8147 0.9868 Diterima

Keputusan 5 solusi baru diterima dan ditolak 0 maka, pencarian solusi

dilakukan update siklus dan penurunan suhu.

Update siklus = 1

T = iniT× fp = 100×0.2=20

45

Tabel 4.14 Hasil iterasi pertukaran job T=20

i ke- Urutan

Job

Mean

Tardiness deltaf

Bil.

Random

Prob.


6 2-3-1 3.6667 -0.6666 * * Diterima

7 3-2-1 6.6667 3 0.8236 0.8607 Diterima

8 1-2-3 3 -3.6667 * * Diterima

9 1-3-2 4.3333 1.3333 0.5409 0.9355 Diterima

10 3-1-2 5 0.6667 0.6797 0.9672 Diterima



Update siklus = 2

T = iniT× fp = 20×0.2=4

Tabel 4.15 Hasil iterasi pertukaran job T= 4

i ke- Urutan

Job

Mean

Tardiness deltaf

Bil.

Random

Prob.


11 1-3-2 4.3333 -0.6667 * * Diterima

12 3-1-2 5 0.6667 0.8571 0.8465 Ditolak

13 3-2-1 6.6667 1.6667 0.8092 0.6592 Ditolak

14 2-1-3 3 - 3.6667 * * Diterima

15 1-3-2 4.3333 1.3333 0.7486 0.7165 Ditolak



Update siklus = 3

T = iniT× fp = 4×0.2 = 0.8

Tabel 4.16 Hasil iterasi pertukaran job T= 0.8

i ke- Urutan

Job

Mean

Tardiness deltaf

Bil.

Random

Prob.


16 3-1-2 5 0.6667 0.5250 0.4346 Ditolak

17 3-2-1 6.6667 1.6667 0.3258 0.1245 Ditolak

18 1-2-3 3 3.6667 0.0098 0.0102 Ditolak

19 1-3-2 4.3333 1.3333 0.5464 0.1889 Ditolak

20 3-1-2 5 0.6667 0.3125 0.4346 Ditolak

Keputusan 5 solusi baru ditolak maka, pencarian solusi baru dihentikan

karena tidak ada lagi state yang diterima dalam satu siklus.

46

Hasil dari perhitungan manual berhenti pada temperatur 0.8 dengan urutan

job 2-1-3 menghasilkan nilai mean tardiness sebesar 3.

4.3.1.4 Perhitungan NEH-EDD Menggunakan Matlab

Melakukan komputasi NEH-EDD menggunakan aplikasi matlab R16 pada

windows 8.1 processors Any intel or AMD x86-64 RAM 4 GB dengan input-an berupa

t = data waktu (tabel 4.7), seq(urutan)= J1-J2-J3, m=jumlah mesin, dan D(due date)

J1=10, J2=13 dan J3=18. Output yang dikeluarkan pada function ini berupa nilai total

lateness terkecil dan urutan job. Coding matlab NEH-EDD dapat dilihat pada lampiran

2. Berikut cuplikan command windows hasil mean tardiness pada matlab R16.

Gambar 4.2 Cuplikan command windows hasil NEH-EDD

Pada gambar 4.2 menunjukkan hasil dari perhitungan NEH-EDD dimana :

Tmin= hasil lateness, urutan = berada pada urutan ke berapa yang menghasilkan

total lateness terkeciL, seq= urutan job yang terpilih.

4.3.1.5 Perhitungan Simulated Annealing Menggunakan Matlab

Pada kali ini kriteria steady state adalah ketika suhu penurunan temperatur

sudah mencapai 0.0000001, Adapun parameter-parameter input seperti t = data

waktu(tabel 4.7), iniT = initial temperatur (Temperatur awal), maxit = maksimum

iterasi, fp = faktor pereduksi suhu. Coding matlab simulated annealing dapat

dilihat pada lampiran 3. Berikut cuplikan command windows hasil simulated

annealing pada matlab R16.

47

Gambar 4.3 Cuplikan command windows hasil Simulated Annealing

Gambar 4.3 merupakan hasil komputasi matlab berupa bestSol = urutan

job yang terpilih, bestF = nilai mean tardiness terbaik, siklus = jumlah penurunan

suhu, iterasi =jumlah iterasi, waktu komputasi = jumlah waktu yang dibutuhkan

matlab untuk melakukan komputasi tersebut.

4.3.1.6 Validasi

Proses validasi dilakukan untuk mengetahui apakah program yang dibuat

sesuai dengan hasil perhitungan manual. Pada bagian ini membahas tentang hasil

dari hasil perhitungan manual dengan hasil komputasi matlab sesuai dengan

tahapan pada bab 3 sebelumnya. Pada perhitungan manual dan komputasi matlab

NEH-EDD menghasilkan nilai total lateness yang sama yaitu sebesar 7 dengan

urutan job = J3-J1-J2 dapat dilihat pada gambar 4.5. Pada perhitungan manual dan

komputasi matlab simulated annealing dengan menggunakan parameter T= 100

dengan fp=0.2 menghasilkan nilai mean tardiness yang sama sebesar 3 dengan

urutan job J2-J1-J3 dapat dilihat pada gambar 4.7.

48

4.3.2 Penjadwalan Awal Perusahaan (FCFS)

Penjadwalan yang dilakukan oleh perusahaan menggunakan metode

FCFS, dengan mengurutkan job dari yang pertama datang maka didapat job 1-2-3-

4-5-6-7-8-9-10-11-12. Berdasarkan urutan tersebut dilakukan perhitungan mean

tardiness dengan waktu proses (tabel 4.5) menggunakan bantuan komputasi

matlab menghasilkan 94.8333 menit dapat dilihat pada gambar 4.5.

Gambar 4.4 Hasil Perhitungan Matlab Mean Tardiness Perusahaan

4.3.3 Penjadwalan dengan Metode Simulated Annealing

Dalam penjadwalan metode ini, menggunakan metode NEH-EDD sebagai

initial solution (solusi awal) sebelum dilakukan perhitungan secara bertahap

dengan memanfaatkan teori probabilistik pada algoritma simulated annealing.

Parameter-parameter yang digunakan ada beberapa varian yaitu temperatur awal

(T) 100, 200, 300, 500, 1000, faktor pereduksi suhu (fp) sebesar 0.2, 0.6, 0.8,

maksimum iterasi dalam satu siklus sebesar 5, 15, 30. Berikut hasil running

dengan beberapa jenis varian pada tiap parameter yang telah dilakukan

rekapitulasi dalam tabel 4.18, 4.19, 4.20.

49

Tabel 4.17 Rekapitulasi Hasil Mean Tardiness (Maksimum Iterasi = 5)

Parameter Mean

Tardiness Urutan Job

Jumlah

Siklus

Total

Iterasi Waktu

T =

100

fp = 0.2 19.9167 9-6-5-12-2-1-4-3-7-8-11-10 15 75 0.0313

fp = 0.6 0.7500 5-11-3-6-2-12-1-9-7-4-10-8 46 230 0.0469

fp = 0.8 0 6-1-2-9-4-7-5-3-8-12-11-10 104 520 0.0625

T =

200

fp = 0.2 16.9167 5-6-2-1-9-3-4-12-11-7-8-10 15 75 0.0156

fp = 0.6 0.7500 5-3-9-2-1-12-6-7-4-11-10-8 47 235 0.0469

fp = 0.8 0 2-9-4-6-5-1-3-7-8-10-11-12 107 535 0.0625

T =

300

fp = 0.2 7.5 5-3-2-6-1-9-12-7-8-4-10-11 15 75 0.0313

fp = 0.6 0.75 5-3-9-2-6-1-7-12-4-10-11-8 48 240 0.0781

fp = 0.8 0 3-1-2-9-6-7-5-4-11-8-12-10 109 545 0.781

T =

500

fp = 0.2 6.5 5-1-2-7-6-9-3-12-4-8-11-10 16 80 0.0156

fp = 0.6 0 2-9-3-1-6-5-7-4-12-8-10-11 49 245 0.0469

fp = 0.8 0 2-1-4-6-9-5-3-7-10-11-8-12 111 555 0.0625

T =

1000

fp = 0.2 4.25 2-5-6-3-1-9-4-7-12-11-10-8 16 80 0.0156

fp = 0.6 0 1-2-5-9-6-12-7-3-11-4-8-10 50 250 0.0469

fp = 0.8 0 1-9-2-7-5-6-11-4-3-12-8-10 114 570 0.0625

Pada temperatur 100, faktor pereduksi (fp) 0.2 dengan jumlah maksimum

iterasi 5 menghasilkan nilai mean tardiness sebesar 19.9167 menit dengan urutan

job 9-6-5-12-2-1-4-3-7-8-11-10, jumlah siklus penurunan suhu sebanyak 15 kali

dan waktu komputasi sebesar 0.0313 detik, jika menggunakan faktor pereduksi

(fp) 0.6 menghasilkan nilai mean tardiness sebesar 0.075 menit dengan urutan job

5-11-3-6-2-12-1-9-7-4-10-8, jumlah siklus penurunan suhu sebanyak 46 kali dan

waktu komputasi sebesar 0.0469 detik, jika menggunakan faktor pereduksi (fp)

0.8 menghasilkan nilai mean tardiness sebesar 0 menit dengan urutan job 6-1-2-9-

4-7-5-3-8-12-11-10, jumlah siklus penurunan suhu sebanyak 104 kali dan waktu

komputasi sebesar 0.625 detik.

50


Parameter Mean


Jumlah

Siklus

Total

Iterasi Waktu

T =

100

fp = 0.2 0 2-1-11-3-5-6-9-7-4-10-8-12 15 225 0.0156

fp = 0.6 0 3-2-9-1-4-6-7-12-5-8-10-11 46 690 0.0469

fp = 0.8 0 5-3-2-6-9-1-7-4-8-10-12-11 104 1560 0.125

T =

200

fp = 0.2 0 6-2-9-1-5-3-7-12-4-8-10-11 15 225 0.0469

fp = 0.6 0 9-1-5-2-3-6-7-4-8-10-12-11 47 705 0.0781

fp = 0.8 0 1-6-2-3-9-7-5-12-4-8-11-10 107 1605 0.1563

T =

300

fp = 0.2 0 6-2-9-1-4-5-7-3-11-12-8-10 15 225 0.0313

fp = 0.6 0 9-2-5-6-3-1-7-4-8-11-12-10 48 720 0.0781

fp = 0.8 0 3-2-6-11-9-5-1-7-4-12-8-10 109 1635 0.2031

T =

500

fp = 0.2 0 9-1-2-7-6-3-5-11-4-8-12-10 16 240 0.0313

fp = 0.6 0 9-5-2-1-6-7-3-4-8-10-11-12 49 735 0.0781

fp = 0.8 0 5-6-2-12-1-9-7-3-4-10-8-11 111 1665 0.125

T =

1000

fp = 0.2 0 4-3-6-2-9-1-5-7-8-11-12-10 16 240 0.0469

fp = 0.6 0 1-9-6-2-3-4-7-11-5-12-8-10 50 750 0.0938

fp = 0.8 0 9-6-1-5-2-7-4-3-10-11-8-12 114 1710 0.1563


iterasi 15 menghasilkan nilai mean tardiness sebesar 0 menit dengan urutan job 6-

2-9-1-4-5-7-3-11-12-8-10, jumlah siklus penurunan suhu sebanyak 15 kali dan


0.6 juga menghasilkan nilai mean tardiness sebesar 0 menit dengan urutan job 9-





waktu komputasi sebesar 0.2031 detik.

51


Parameter Mean


Jumlah

Siklus

Total

Iterasi Waktu

T =

100

fp = 0.2 0 6-2-3-9-1-5-7-4-8-12-11-10 15 450 0.0469

fp = 0.6 0 5-2-9-1-7-12-6-3-4-8-10-11 46 1380 0.1094

fp = 0.8 0 2-4-9-6-1-7-5-3-8-12-10-11 104 3120 0.3281

T =

200

fp = 0.2 0 1-2-4-9-6-5-7-3-10-8-11-12 15 450 0.0313

fp = 0.6 0 6-2-5-1-9-4-7-12-3-8-10-11 47 1410 0.1563

fp = 0.8 0 9-5-2-1-6-7-4-3-8-11-12-10 107 3210 0.3281

T =

300

fp = 0.2 0 2-1-5-6-9-7-4-3-8-11-12-10 15 450 0.0469

fp = 0.6 0 2-5-6-3-12-9-1-7-4-11-8-10 48 1440 0.1406

fp = 0.8 0 1-3-5-2-6-9-4-7-8-12-10-11 109 3270 0.3125

T =

500

fp = 0.2 0 6-1-3-5-2-9-7-11-4-12-8-10 16 480 0.0625

fp = 0.6 0 5-6-9-1-2-7-3-4-12-8-10-11 49 1470 0.1250

fp = 0.8 0 6-9-2-1-5-7-12-3-4-8-11-10 111 3330 0.3594

T =

1000

fp = 0.2 0 9-2-1-6-7-4-5-11-12-3-8-10 16 480 0.0781

fp = 0.6 0 2-5-1-6-9-7-3-4-8-12-10-11 50 1500 0.0938

fp = 0.8 0 2-1-3-9-7-6-5-4-8-12-11-10 114 3420 0.3594


iterasi 30 menghasilkan nilai mean tardiness sebesar 0 menit dengan urutan job 9-








waktu komputasi sebesar 0.3594 detik.

52

4.3.4 Numerical Experiment Parameter Metode Simulated Annealing

Dilakukan perhitungan numerical experiment menggunakan variasi jumlah

job dengan jumlah mesin tetap sama yaitu sejumlah 7 mesin. Hal ini bertujuan

untuk mencari parameter yang menghasilkan nilai optimal pada tiap-tiap

kelompok job yaitu pada kelompok job kecil, job sedang dan job besar. Pada

numerical experiment kali ini menggunakan maksimal iterasi 15 dikarenakan

berada pada tengah-tengah selisih antara 5-30 maksimum iterasi. Hasil mean

tardiness dan waktu komputasi yang dibutuhkan dapat dilihat pada tabel 4.21 dan

4.22 sebagai berikut.

Tabel 4.20 Rekapitulasi Hasil Mean Tardiness (Menit) N job 7 Mesin

Kelompok

Job

Jumlah

Job

T = 100 T = 300 T = 500

fp = 0.2 fp = 0.6 fp = 0.8 fp = 0.2 fp = 0.6 fp = 0.8 fp = 0.2 fp = 0.6 fp = 0.8

Kecil

5 0 0 0 0 0 0 0 0 0

12 638.83 609.58 628.42 641.33 648.33 616.67 715.58 628.75 609.58

19 1362 1336 1289 1371 1379 1305 1499 1429 1417

26 1378 1206 1294 1270 1372 1262 1381 1240 1162

Sedang

30 2533 2436 2372 2579 2423 2336 2669 2389 2389

50 4673 4679 4610 4743 4918 4736 5115 4862 4822

75 8166 8215 8053 8293 8417 8175 8281 8349 8225

Besar

100 11234 11294 11416 11469 11546 11317 11473 11499 11483

200 22899 22982 22690 22945 23667 23257 23374 23904 23453

500 56219 56341 55340 57356 56843 55735 56871 55763 54637

Tabel 4.21 Rekapitulasi Hasil Waktu Komputasi (Detik) N job 7 Mesin

Kelompok

Job

Jumlah

Job

T = 100 T = 300 T = 500

fp = 0.2 fp = 0.6 fp = 0.8 fp = 0.2 fp = 0.6 fp = 0.8 fp = 0.2 fp = 0.6 fp = 0.8

Kecil

5 0.0313 0.0625 0.1406 0.0156 0.0625 0.0938 0.1094 0.0469 0.0938

12 0.0469 0.0781 0.1719 0.0469 0.0781 0.0938 0.0313 0.0625 0.125

19 0.0625 0.1719 0.2656 0.0625 0.125 0.2656 0.0625 0.1719 0.2656

26 0.0938 0.2188 0.3594 0.125 0.25 0.375 0.2031 0.2344 0.2813

Sedang

30 0.3125 0.2969 0.4219 0.2656 0.3281 0.375 0.1875 0.25 0.3906

50 0.6719 0.8438 0.9375 0.7344 0.8125 0.9531 0.7031 0.9375 1.1719

75 1.9219 2.0938 2.3438 1.9375 2.0625 2.2344 2.1719 2.0781 2.4531

Besar

100 4.4688 4.875 4.9531 4.875 4.8438 4.9531 4.5781 4.6563 5.0781

200 41.25 41.75 41.7188 41.2188 42.3281 42.1875 41.7344 41.9688 42.9219

500 3606 3464 3912 4152 3916 3786 3988 3956 4066

53

4.3.5 Numerical Experiment Membandingkan dengan Metode Lain

Dilakukan numerical experiment menggunakan variasi jumlah job dengan

jumlah mesin tetap sama yaitu sejumlah 7 mesin. Hal ini dilakukan dengan tujuan

untuk mengetahui seberapa efektif metode NEH-EDD-SA dibandingkan dengan

metode pure SA, EDD-SA, EDD dan FCFS. Data waktu yang digunakan yaitu

dengan membangkitkan bilangan random antara 12-497 dengan jumlah baris

sebanyak 7 (mesin) dan jumlah kolom sesuai dengan jumlah job yang akan

dilakukan percobaan. Serta data waktu due date menggunakan pembangkitan

bilangan random antara 2100 – 5040 dengan jumlah baris 1 dan jumlah kolom

sebanyak jumlah job yang akan dilakukan percobaan. Untuk metode NEH-EDD-

SA, pure SA, EDD-SA menggunakan parameter temperatur sebesar 100, fp = 0.2

dan maksimum iterasi tiap siklus sebanyak 5 kali.

Tabel 4.23 Rekapitulasi Hasil Eksperimen dengan variasi jumlah job

Jumlah

Job Metode

Waktu

Komputasi

Mean

Tardiness

(Menit)

Jumlah

Job Metode

Mean

Tardiness

(Menit)

Waktu

Komputasi

5

NEH-EDD-SA 0.0156 0

50

NEH-EDD-SA 4868.5 0.7344

SA 0 34.6 SA 5923 0.0156

EDD-SA 0.0156 3.8 EDD-SA 5713.7 0.0313

EDD 0 61.6 EDD 7454.2 0

FCFS 0 74.7208 FCFS 9041.9 0

12

NEH-EDD-SA 0.1875 0

75

NEH-EDD-SA 8055.1 1.9219

SA 0.0313 50 SA 10187 0.0625

EDD-SA 0 39.34 EDD-SA 9970 0.0156

EDD 0 0 EDD 10940 0

FCFS 0 73.4 FCFS 13270 0

19

NEH-EDD-SA 0.0625 553.7895

100

NEH-EDD-SA 10583 4.5625

SA 0.0313 885.4211 SA 13145 0.0313

EDD-SA 0 985.5263 EDD-SA 12585 0.0469

EDD 0 1357.8 EDD 13007 0

FCFS 0 1647.01 FCFS 15777 0

26

NEH-EDD-SA 0.1094 1598.7

200

NEH-EDD-SA 23069 42.0156

SA 0.0313 2284.2 SA 27137 0.0625

EDD-SA 0.0313 2195.5 EDD-SA 26700 0.0469

EDD 0 2858.9 EDD 29310 0

FCFS 0 3467.8 FCFS 35553 0

30

NEH-EDD-SA 0.1719 2956.7

500

NEH-EDD-SA 59174 1072

SA 0.0313 3533.6 SA 67940 0.1094

EDD-SA 0 3476.7 EDD-SA 66797 0.0469

EDD 0 3933.9 EDD 69619 0

FCFS 0 4771.8 FCFS 84448 0

54

4.3.5.1 Perhitungan Relative Error (RE) dan Efficiency Index (EI)

Untuk mengetahui apakah metode usulan NEH-EDD-SA lebih baik dari

metode lain, maka dilakukan pengukuran performance metode melalui

perhitungan efficiency index (EI) dan relative error (RE). Dengan menggunakan

data rekapitulasi sebelumnya pada tabel 4.22 dengan mengelompokkan tiap job

dalam kelompok kecil, sedang dan besar. Hasil perhitungan EI dan RE dapat

dilihat pada tabel 4.22.

Tabel 4.23 Pengukuran Performance Metode NEH-EDD-SA

Jumlah

Job

RE EI Kelompok Job

SA EDD-SA EDD FCFS SA EDD-SA EDD FCFS

5 ≈ ≈ ≈ ≈ 0 0 0 0

Kecil 12 ≈ ≈ ≈ ≈ 0 0 0 0

19 0.60 0.78 1.45 1.97 0.63 0.56 0.41 0.34

26 0.43 0.37 0.79 1.17 0.70 0.73 0.56 0.46

Sedang 30 0.20 0.18 0.33 0.61 0.84 0.85 0.75 0.62

50 0.22 0.17 0.53 0.86 0.82 0.85 0.65 0.54

75 0.26 0.24 0.36 0.65 0.79 0.81 0.74 0.61

Besar 100 0.24 0.19 0.23 0.49 0.81 0.84 0.81 0.67

200 0.18 0.16 0.27 0.54 0.85 0.86 0.79 0.65

500 0.15 0.13 0.18 0.43 0.87 0.89 0.85 0.70

Contoh perhitungan RE dan EI pada jumlah job 19 untuk metode SA adalah

sebagai berikut :

( )

( )

bab iv pengumpulan dan pengolahan data 4.1 deskripsi ...eprints.umm.ac.id/43763/5/bab iv.pdf ·...

Documents