bab iv pengumpulan dan pengolahan data 4.1 deskripsi ...eprints.umm.ac.id/43763/5/bab iv.pdf ·...
TRANSCRIPT
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
mesh W100 Job 2 55 8 Maret 2018
3 3 Maret 2018 PT. Indolakto Cable Tray Wire
mesh W200 Job 3 30 11 Maret 2018
4 3 Maret 2018 PT. Nestle
Indonesia
Cable Tray Wire
mesh W300 Job 4 50 12 Maret 2018
5 3 Maret 2018 PT. Agatos Multi
Solution
Cable Tray Wire
mesh W400 Job 5 10 11 Maret 2018
6 3 Maret 2018 PT. Exel Mandiri Cable Tray Wire
mesh W500 Job 6 5 10 Maret 2018
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
ladder W100 Job 8 60 13 Maret 2018
9 3 Maret 2018 PT. Molindo Cable Tray
ladder W200 Job 9 32 13 Maret 2018
10 3 Maret 2018 PT. Indolakto Cable Tray
ladder W300 Job 10 46 15 Maret 2018
11 3 Maret 2018 PT. Indolakto Cable Tray
ladder W400 Job 11 12 15 Maret 2018
12 3 Maret 2018 PT. Indolakto Cable Tray
ladder W500 Job 12 16 15 Maret 2018
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
Tabel 4.9 Perhitungan Manual NEH-EDD K=1 Alternatif-2
Mesin Ket. Waktu Proses (menit)
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
Tabel 4.10 Perhitungan Manual NEH-EDD K=2 Alternatif-1
Mesin Ket. Waktu Proses (menit)
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
Tabel 4.11 Perhitungan Manual NEH-EDD K=2 Alternatif-2
Mesin Ket. Waktu Proses (menit)
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
Tabel 4.12 Perhitungan Manual NEH-EDD K=2 Alternatif-3
Mesin Ket. Waktu Proses (menit)
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
deltaf = meanT_ns − meanT_is
= 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
Bilangan random 3 = 0.932 = slide (menggeser)
Urutan Job = 3-1-2 (job 2 dan 1 dilakukan slide)
= 3-2-1
mean_ns = 6.6667
mean_is = 5
deltaf = meanT_ns − meanT_is
= 6.6667 – 5 = 1.6667
Hasil deltaf positif, maka gunakan kriteria metropolis
Bil. random = 0.5982
Prob. = exp[-deltaf /iniT× k]
= exp[- 1.6667/100× 1] = 0.9835
Bilangan random 0. 5982 < probabilitas penerimaan 0.9934 maka, terima
solusi baru.
Iterasi 4
Bilangan random 1 = 3 × 0.4501 = 1.3503 = 1
Bilangan random 2 = 3 × 0.8419 = 2.5257 = 3
Bilangan random 3 = 0.821 = slide (menggeser)
Urutan Job = 3-2-1 (job 1 dan 3 dilakukan slide)
= 1-2-3
mean_ns = 3
mean_is = 6.6667
deltaf = meanT_ns − meanT_is
= 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
Bilangan random 3 = 0.821 = slide (menggeser)
Urutan Job = 1-2-3 (job 2 dan 3 dilakukan slide )
= 1-3-2
mean_ns = 4.3333
mean_is = 3
deltaf = meanT_ns − meanT_is
= 4.3333 –3 = 1.3333
Hasil deltaf positif, maka gunakan kriteria metropolis
Bil. random = 0.8147
Prob. = exp[-deltaf /iniT× k]
= exp[- 1.3333/100× 1] = 0.9868
Bilangan random 0. 8147 < probabilitas penerimaan 0.9868 maka, terima
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.
Penerimaan Keputusan
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
Keputusan 5 solusi baru diterima dan ditolak 0 maka, pencarian solusi
dilakukan update siklus dan penurunan suhu.
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.
Penerimaan Keputusan
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
Keputusan 2 solusi baru diterima dan ditolak 3 maka, pencarian solusi
dilakukan update siklus dan penurunan suhu.
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.
Penerimaan Keputusan
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
Tabel 4.18 Rekapitulasi Hasil Mean Tardiness (Maksimum Iterasi = 15)
Parameter Mean
Tardiness Urutan Job
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
Pada temperatur 300, faktor pereduksi (fp) 0.2 dengan jumlah maksimum
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
waktu komputasi sebesar 0.0313 detik, jika menggunakan faktor pereduksi (fp)
0.6 juga menghasilkan nilai mean tardiness sebesar 0 menit dengan urutan job 9-
2-5-6-3-1-7-4-8-11-12-10, jumlah siklus penurunan suhu sebanyak 48 kali dan
waktu komputasi sebesar 0.0781 detik, jika menggunakan faktor pereduksi (fp)
0.8 juga menghasilkan nilai mean tardiness sebesar 0 menit dengan urutan job 3-
2-6-11-9-5-1-7-4-12-8-10, jumlah siklus penurunan suhu sebanyak 109 kali dan
waktu komputasi sebesar 0.2031 detik.
51
Tabel 4.19 Rekapitulasi Hasil Mean Tardiness (Maksimum Iterasi = 30)
Parameter Mean
Tardiness Urutan Job
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
Pada temperatur 1000, faktor pereduksi (fp) 0.2 dengan jumlah maksimum
iterasi 30 menghasilkan nilai mean tardiness sebesar 0 menit dengan urutan job 9-
2-1-6-7-4-5-11-12-3-8-10, jumlah siklus penurunan suhu sebanyak 16 kali dan
waktu komputasi sebesar 0.0781 detik, jika menggunakan faktor pereduksi (fp)
0.6 juga menghasilkan nilai mean tardiness sebesar 0 menit dengan urutan job 2-
5-1-6-9-7-3-4-8-12-10-11, jumlah siklus penurunan suhu sebanyak 50 kali dan
waktu komputasi sebesar 0.0938 detik, jika menggunakan faktor pereduksi (fp)
0.8 juga menghasilkan nilai mean tardiness sebesar 0 menit dengan urutan job 2-
1-3-9-7-6-5-4-8-12-11-10, jumlah siklus penurunan suhu sebanyak 114 kali dan
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 :
( )
( )