OPTIMASI MASALAH PENJADWALAN JOB-SHOP UNTUK INDUSTRI PERALATAN PENGOLAHAN HASIL PERTANIAN DENGAN MENGGUNAKAN ALGORITMA GENETIKA

Oleh

AYIP BAYU SATRIO F34103096

DEPARTEMEN TEKNOLOGI INDUSTRI PERTANIAN FAKULTAS TEKNOLOGI PERTANIAN INSTITUT PERTANIAN BOGOR BOGOR 2007

Ayip Bayu Satrio. F34103096. Optimasi Masalah Penjadwalan Job-Shop untuk Industri Peralatan Pengolahan Hasil Pertanian dengan Menggunakan Algoritma Genetika. Di bawah bimbingan Yandra Arkeman dan Hendra Gunawan. 2007.

RINGKASAN
Penjadwalan produksi di dalam dunia industri, baik industri manufaktur maupun agroindustri, memiliki peranan penting sebagai bentuk pengambilan keputusan. Perusahaan berupaya untuk memiliki penjadwalan yang paling efekif dan efisien sehingga dapat meningkatkan produktivitas yang dihasilkan dengan total biaya dan waktu seminimum mungkin. Salah satu masalah dalam penjadwalan produksi adalah adanya kesulitan menemukan teknik yang paling tepat untuk membuat jadwal produksi yang paling baik, optimal, dan memenuhi segala kriteria-kriteria penjadwalan yang telah ditetapkan. Teknik-teknik penyusunan jadwal produksi yang sudah ada (teknik konvensional) tidak dapat dipakai karena teknik-teknik tersebut memiliki banyak kelemahan dalam menangani masalah berskala besar dan kompleks. Permasalahan penjadwalan job shop (job shop scheduling) dengan fungsi tujuan meminimumkan total waktu proses (makespan) dapat diterjemahkan sebagai memproses setiap pekerjaan (job ) dari n job pada m mesin dengan urutan tertentu. Setiap pekerjaan terdiri dari serangkaian operasi. Setiap mesin dapat menangani tidak lebih dari satu pekerjaan pada suatu waktu dan setiap pekerjaan mengunjungi mesin hanya satu kali. Pada penelitian ini akan dicari solusi untuk menyelesaikan permasalahan penjadwalan job shop dengan menggunakan metode Genetic Algorithms (Algoritma Genetika). Prinsip kerjanya yaitu berdasarkan analogi evolusi biologi, yang terdiri dari proses penginisialisasian populasi, proses penyeleksian, proses penyilangan, dan proses mutasi. Keunggulan dari algoritma genetika ini adalah strukturnya yang sederhana, mudah mengimplementasikannya, dan cepat dalam pencapaian solusi yang optimum (efektif dan efisien). Penelitian ini bertujuan untuk mengaplikasikan algoritma genetika dalam bidang penjadwalan produksi tipe job shop berskala besar. Implementasi dari penelitian ini adalah perancangan program GA_JobShop (Genetic Algorithms for Job Shop Scheduling) yang dibuat menggunakan bahasa pemrograman Borland Delphi 7.0. Representasi kromosom menggunakan preference list based representation, proses penyilangan menggunakan Partially Mapped Crossover (PMX) yang telah dimodifikasi, proses mutasi menggunakan reciprocal exchange mutation yang telah dimodifikasi, dan seleksi menggunakan tournament selection. Kasus ke-1 merupakan numerical example, yaitu data yang digunakan sebagai verifikasi dan validasi program GA_JobShop. Data kasus 1 dibuat dengan mengikuti aturan permasalahan pada sebuah penjadwalan tipe job shop. Kasus 2 mengacu pada persoalan yang terdapat di dalam buku Genetic Algorithms and Engineering Design (Gen dan Cheng, 1997). Kasus ke-3 merupakan kasus riil di industri peralatan pengolahan hasil pertanian CV Mitra Niaga Indonesia, Bogor. Penjadwalan tipe job shop memiliki ruang pencarian (search space) sebesar (n!)m, dengan n adalah jumlah job dan m adalah jumlah mesin. Kasus 1 (3 job 2 mesin) memiliki ruang pencarian sebanyak 36 calon solusi. Kasus 2 (3 job

– 3 mesin) memiliki ruang pencarian sebesar 216 calon solusi. Kasus 3 (5 job – 12 mesin) memiliki ruang pencarian sebesar 8,92×1024 calon solusi. Hasil penilitian menunjukkan bahwa program GA_JobShop sangat efisien dalam penyelesaian masalah penjadwalan tipe job shop berskala kecil maupun besar. Program GA_JobShop telah terbukti valid, hal ini dibuktikan pada Kasus 1. Nilai makespan optimum pada Kasus 1 yang didapatkan dengan cara enumeratif (menghitung semua alternatif penjadwalan yang dapat terjadi) sama dengan nilai makespan optimum yang didapatkan dengan menggunakan algoritma genetika (program GA_JobShop), yaitu 11. Pada Kasus 2, solusi optimum dapat tercapai pada generasi ke-3 dengan nilai makespan 11. Algoritma genetika hanya mengeksplorasi 27,78 % ruang pencarian (search space) untuk mendapatkan nilai yang minimum pada Kasus 2. Semakin besarnya ruang pencarian (search space) maka penggunaan algoritma genetika akan semakin efisien, terlihat pada Kasus 3. Kasus 3 (5 job – 12 mesin) memiliki nilai makespan sebesar 3589 dalam satuan waktu menit.

easy to implement. SUMMARY Scheduling of production in industrial world. Case 2 (3 jobs – 3 machines) has a search space for about 216 candidates of solutions. 1997). and very quick in accomplishing the optimum solution (effective and efficient). The chromosome representation are using preference list based representation.92×1024 candidates of solutions. Techniques in arranging the production schedule that already exist (conventional techniques) cannot be used because they have a lot of weaknesses in handling large scale and complex problems. The third case is a real case in manufacture industry of agriculture product processing machinery of CV Mitra Niaga Indonesia. Every job has its own sequence of operation. The second case refer to the problem which is contain in the book of Genetic Algorithms and Engineering Design (Gen dan Cheng. like in manufacture industry or agroindustry has an important role in making decision. In this research will find the solution to solve the problem of job shop scheduling using Genetic Algorithms method. The company is trying to have effective and efficient scheduling which can increase the productivity with small amount of cost and time. The Optimization of Job Shop Scheduling Problems for Manufacture Industry of Agriculture Product Processing Machinery with Using Genetic Algorithms. The first case is numerical example that is the data which is being used as verification and validation of GA_JobShop program. which contains initialization population process. The basic principal is based on analogy of biological evolution. the mutation process are using reciprocal exchange mutation which is been modified.0. GA_JobShop program has proven valid. crossover process are using partially mapped crossover (PMX) which is been modified. The goal of this research is to applying genetic algorithms for large scale job shop scheduling of production. optimal. The problem of job shop scheduling with function to minimize the total of time process which can be translated to process every job from n jobs to m machines with certain sequence. Case 3 (5 jobs – 12 machines) has a search space for about 8. Bogor. The job shop scheduling has a search space for about (n!)m .Ayip Bayu Satrio. and mutation process. This research shows that the GA_JobShop program is very efficient in solving problem of job shop scheduling even in large scale or small scale. One of the problem in scheduling production is founding problem in deciding which is the right technique to make better. The implementation of this research is to design GA_JobShop (Genetic Algorithms for Job Shop Scheduling) program which is using Borland Delphi 7. selection process. The benefits of genetic algorithms are the simple structure. crossover process. Case 1 (3 jobs – 2 machines) has a search space for about 36 candidates of solutions. The data of the first case is made by following job scheduling rules. The value of makespan optimum in the Case 1 which is has been made by enumerative . Every machine can handle no more than one job in a time and every job visit the machine only in one time. 2007. F34103096. fulfill all the criteria in making production schedule. and the selection process are using tournament selection. Supervised by Yandra Arkeman and Hendra Gunawan. This has been proven in the Case 1. n as the amount of jobs and m as the amount of machines.

78 % of search space to get minimum value in Case 2. The Case 3 (5 jobs 12 machines) has makespan value for about 3589 in minutes. the optimum solution can be achieved in the third generation with makespan value on 11. it showed on the Case 3. . More search space will be more efficient to use genetic algorithms. In the Case 2.search equals with makespan optimum value by getting with using genetic algorithms (GA_JobShop program) is 11. Genetic algorithms only explored 27.

Yandra Arkeman. M.TP Pembimbing II Dr. Januari 2008 Hendra Gunawan. Ir.FAKULTAS TEKNOLOGI PERTANIAN INSTITUT PERTANIAN BOGOR OPTIMASI MASALAH PENJADWALAN JOB-SHOP UNTUK INDUSTRI PERALATAN PENGOLAHAN HASIL PERTANIAN DENGAN MENGGUNAKAN ALGORITMA GENETIKA SKRIPSI Sebagai salah satu syarat untuk memperoleh gelar SARJANA TEKNOLOGI PERTANIAN Pada Fakultas Teknologi Pertanian Institut Pertanian Bogor Oleh AYIP BAYU SATRIO F34103096 Dilahirkan di Jakarta Pada tanggal 16 Agustus 1985 Tanggal kelulusan : 19 Desember 2007 Disetujui : Bogor. S.Eng Pembimbing I .

saran.Si. Au. Irawan. 9. Bogor. Teman-teman satu seperjuangan PL : Syahrian. motivasi dan doa dengan tulus. Imam. Dhani. Eka. Ir. Iib. Adit. selaku dosen pembimbing I yang telah memberikan ide. Derry. Devan. Sahabat-sahabat penulis : Adhitia Kusuma. yang selalu memberikan semangat dan doa kepada penulis. 11. Teman-teman TIN ’40.Silvy dan semuanya yang telah kompak semasa kuliah. Devi. Fadil. 4. selaku penguji pada ujian sidang sarjana. Ulfa Septianty yang selalu memberikan dorongan agar skripsi ini dapat terselesaikan dengan cepat. 6. 13. Penulis mengucapkan terima kasih kepada pihak yang telah membantu dalam penyelesaian skripsi ini terutama kepada : 1. Ratna. Seluruh panitia seminar “SIX SIGMA” tahun 2005. Angga. Suprihatin. Bugi. kakak dan adik penulis. Teman-teman HIMALOGIN (Himpunan Mahasiswa Teknologi Industri). Ir. Ir. selaku pembimbing praktek penelitian di industri peralatan pengolahan hasil pertanian CV Mitra Niaga Indonesia. MEng. Dr. 12. . Kedua orang tua. Kiki. penulis dapat menyelesaikan skripsi ini. M. Ratih Bunda. Yandra Arkeman. M. Like a Free Band : Chandra. 3. Uci. rekan sebimbingan yang telah banyak memberikan masukanmasukan yang bermanfaat dalam penyelesaian skripsi ini. Reza. Adam. Yuvi Andria. Lucia. Farah. CB.. S. Vivi. 8. Anggia Resha. Penulis memilih topik Optimasi Masalah Penjadwalan Job Shop untuk Industri Peralatan Pengolahan Hasil Pertanian dengan Menggunakan Algoritma Genetika. Desminda. Iqbal. Elly. Fardian. Dr. Helmi. Mona. selaku pembimbing II yang telah banyak memberikan pengarahan serta bantuan dalam memberikan pemahaman kepada penulis. Ali dan Kanda. Andri. 10. 5. Budi. dan lain-lain. Shinta.TP.KATA PENGANTAR Puji syukur kehadirat Allah SWT penulis panjatkan karena atas segala rahmat dan karunia-Nya. yang selalu memberikan dorongan. 14. . 2. Puji. Hendra Gunawan. Jiwo. 7. Arvi. Teman-teman RISDA. Ade Iskandar. dan pengarahan kepada penulis. khususnya Amet.Si.

yang telah meminjamkan KTM UI Fakultas Teknik. Kampus Dalam. Bogor. Aldo. Ade. Semoga skripsi ini dapat bermanfaat bagi kita semua. Uda Edwin. 16. Oza. Seluruh pihak yang telah membantu penulis hingga akhir penyelesaian skripsi. Ian. Benny dan lainlain. rekan bisnis yang setia bekerja sama di Blite Outlet and Stationery. Kemal.15. Dimas. Budi. Mas Ade. yang telah membantu dalam translate bahasa inggris. Bateng. Puzzle Band : Fadil. Para penghuni Wisma Galih. 17. Desember 2007 Ayip Bayu Satrio . Frans. Mas Jerry. Uda Paul. Gulit. terutama Bang Riki. 19. 18. 20. Wita. Pak Amshor. Bembi. Bian.

. Penulis dibesarkan di Jakarta dan kemudian berpindah ke Bekasi. Pada tahun 2003 Penulis lulus dari SMU Negeri 61 Jakarta Timur dan kemudian di tahun yang sama Penulis lulus ujian SPMB (Sistem Penerimaan Mahasiswa Baru) dengan memilih IPB (Departemen Teknologi Industri Pertanian) sebagai pilihan. Penulis aktif di dalam organisasi Himpunan Mahasiswa Teknologi Industri (Himalogin) sebagai salah satu staff PR (Public Relation). Penulis juga sempat berpengalaman sebagai MC (Master of Ceremonial) pada acara “Lepas Landas Sarjana Fateta IPB” tahun 2004 dan “Seminar Nasional Pemanfaatan Surfaktan Berbasis Minyak Sawit untuk Industri” tahun 2005. Selama 5 tahun pertama. dengan kajian “Mempelajari Aspek Manajemen Sumber Daya Manusia” selama 40 hari kerja (3 Juli – 25 Agustus). daerah Cipanas. anak dari pasangan Ayip Muchlis dan Kussri Saparti. Jawa Barat. Penulis sempat menjadi ketua salah satu acara seminar yang diadakan oleh Himalogin (Seminar Six Sigma) tahun 2005.RIWAYAT HIDUP Penulis dilahirkan di Jakarta pada tangal 16 Agustus 1985 sebagai anak kedua dari tiga bersaudara. Pada tahun 2006 Penulis melakukan Praktek Lapangan di PT Alam Indah Bunga Nusantara. Pada tahun kedua dan ketiga masa perkuliahan.

..... A.... TEKNIK OPTIMASI ................. D..................... Perbandingan Algoritma Genetika dengan Teknik Optimasi Konvensional ....................................................................................................................................................... DAFTAR ISI ......................................................... 15 b. RIWAYAT HIDUP ....... II.......................................................... PROSES PENJADWALAN PRODUKSI ............................................................................................................ 10 2... 16 c............................................................ viii DAFTAR LAMPIRAN ........ B.................................................... 12 3................... ALGORITMA GENETIKA ........DAFTAR ISI Halaman KATA PENGANTAR ........................... i iii iv DAFTAR TABEL .................................................. Operator-operator Algoritma Genetika ............... 22 E............................................................................ PENELITIAN TERDAHULU ..................................................................................................................................... PENJADWALAN TIPE JOB SHOP .............................................................. xi 1 1 3 3 4 4 7 8 9 1.............................................................. PENDAHULUAN ..................................... Representasi Kromosom ..... Bilangan Acak ............................................................ LATAR BELAKANG .................................................. Seleksi dan Reproduksi ..................... Kriteria Penghentian ......... vii DAFTAR GAMBAR .............. TINJAUAN PUSTAKA .......... 21 5........ Prosedur Umum Algoritma Genetika .................................................................................................... Fungsi Fitness ......................................... METODOLOGI PENELITIAN ........................ TUJUAN PENELITIAN .. Penyilangan ............................................................................................................................ 14 a............. 22 6........ A............................................................................ C........................................ 22 7.................. I..... 26 A........................ RUANG LINGKUP ............................................................ B....... C................................. 20 4...................... 26 ............................ Mutasi .......... 24 III.......................................... KERANGKA PEMIKIRAN .............................................................................

................ Hasil Running Program GA_JobShop ........... STUDI KASUS ............................B......................... MUTASI (MUTATION) ..................... 30 A.............. Penyilangan dan Mutasi .. 31 D... Kasus 2 : Penjadwalan Job Shop Kasus 3 job – 3 mesin ................................................... 72 b......... 45 d...................... FUNGSI FITNESS ........................................................ 54 2.................................................................................... 64 g............... 30 B. 58 a.......................................................................................................................................................................................... 72 c...................... 37 a............................ 75 f............ 60 d............................................. Kasus 3 : Penjadwalan Job Shop Kasus 5 job – 12 mesin .............................. 32 E....... 68 3..................................... Inisialisasi Populasi Awal .......... REPRESENTASI KROMOSOM ............... Input Program .... Definisi masing-masing job ....... 75 e......................................................... 76 ............................... Efisiensi Algoritma Genetika ....... Parameter-parameter Algoritma Genetika ................. Hasil Running Program GA_JobShop ...................................................................... Inisialisasi Populasi Awal . Evaluasi dan Seleksi Kromosom ............................ PENDEKATAN METODE ILMIAH .................. 62 f......... Fungsi masing-masing mesin . Input Program.................................. 49 g............................. Evaluasi dan Seleksi Kromosom ....................... 44 b.................................. Input Program.......................... 73 d......................... PENYILANGAN (CROSSOVER) .......... IMPLEMENTASI PROGRAM (GA_JobShop) ............................ Kasus 1 : Penjadwalan Job Shop Kasus 3 job – 2 mesin .................................................. 58 b.... Tampilan Program GA_JobShop .... 32 F........ 61 e........... Evaluasi dan Seleksi Kromosom ...... 37 1...................................................... 27 IV.......... 33 G............. SELEKSI (SELECTION)........................................... 44 c....... PEMBAHASAN ..................... 47 f.............................................. Penyilangan dan Mutasi .. Parameter-parameter Algoritma Genetika .................................................................... Inisialisasi Populasi Awal ..................... 46 e.......... Parameter-parameter Algoritma Genetika .................................... 59 c...................... 31 C.............................. 69 a....

...................................................................................... SARAN......... 83 B....................... Efisiensi Algoritma Genetika ............................................................................................................ 82 V........ 83 A........ Hasil Running Program GA_JobShop ........ 78 i........................................................................... 84 DAFTAR PUSTAKA .......................................... KESIMPULAN . 77 h...................................................................................................................... KESIMPULAN DAN SARAN ..... 87 ................g... Penyilangan dan Mutasi ....................................... 85 LAMPIRAN ....................

.............................. Tabel 6...... Tabel 5......... urutan mesin........................ dan urutan proses pada Kasus 2 (3 job – 3 mesin) (Gen dan Cheng....................................... 74 .............. urutan mesin.... Daftar nama-nama job pada Kasus 3 ................................................ dan urutan proses pada Kasus 1 (3 job – 2 mesin) ........ Waktu proses... Waktu proses (satuan waktu menit)............. dan urutan proses pada Kasus 3 (5 job – 12 mesin) ... 69 Tabel 4...................................... Waktu proses..DAFTAR TABEL Halaman Tabel 1.......... 37 Tabel 2. 57 Tabel 3.... urutan mesin......... 70 Daftar nama-nama mesin pada Kasus 3 ............ 1997)......... 70 Input waktu proses dan urutan proses masing-masing job pada mesin untuk Kasus 3 (5 job – 12 mesin) ............

.................... Cek nilai gen yang kedua pada mesin 1 dan 2 untuk urutan proses ke-1 . Representasi kromosom dengan preference-list-based representation...... 39 Gambar 15.......... 34 Gambar 14... Ilustrasi alur proses pada Kasus 1 (3 job – 2 mesin) ... 27 Gambar 11......................................... Nilai minimum f (x) sama dengan maksimum –f(x) (Maarif....................... 1997) ...... Ilustrasi displacement mutation (mutasi pemindahan) (Gen dan Cheng....................................................... Cek nilai gen yang pertama pada mesin 1 dan 2 untuk urutan proses ke-1 ............. 40 Gambar 18....... 16 Gambar 5............................................ 40 Gambar 19........................................................ Representasi kromosom penjadwalan tipe job shop kasus 3 job – 2 mesin ............... 40 Gambar 17........ 2002) ................. Diagram alir penelitian penjadwalan tipe job shop ........ 1989) .................................. Struktur program utama GA_JobShop .......... 30 Gambar 13...................... 1997) ... 9 Prosedur umum algoritma genetika (Hopgood............. Gambar 3... 39 Gambar 16..................................................................... 2003) ............ 2001) ................ 1997) ............... 21 Gambar 9..................................... 41 ............................... Ilustrasi insertion mutation (mutasi penyisipan) (Gen dan Cheng.... 28 Gambar 12........................ 19 Ilustrasi inversion mutation (mutasi inversi) (Gen dan Cheng.................................................... Penempatan job 2 urutan proses ke-1 pada mesin 2 .. 21 Gambar 8........... Diagram alir metode ilmiah (Taylor... Gambar 4.............. 21 Gambar 7............... Gambar 6............. Gambar 2....... Penempatan job 1 urutan proses ke-1 pada mesin 1 ....... Ilustrasi reciprocal exchange mutation (mutasi penukaran balik) (Gen dan Cheng................................................................... 21 Gambar 10................................................................................. 1997) ....................DAFTAR GAMBAR Halaman Gambar 1............... 12 Representasi kromosom jenis permutation ............. 1997) .................................... 13 Ilustrasi proses seleksi kromosom induk (Magnin di dalam Gunawan................................................... Ilustrasi prosedur PMX (Gen dan Cheng............................................

................................... Proses penyilangan kromosom(8) dan kromosom(16) generasi ke-0 untuk Kasus 1 ... Cek nilai gen yang pertama pada mesin 1 dan 2 untuk urutan proses ke-2 .... 43 Gambar 26....... Penempatan job 3 urutan proses ke-1 pada mesin 1 .......................................................... 41 Gambar 21.......................... 42 Gambar 23............................................................. Populasi awal P(0) untuk Kasus 1 ....... Tahapan-tahapan penerjemahan salah satu kromosom terbaik pada Kasus 1 ......... Input nilai-nilai utama pada program GA_JobShop (Kasus 1) ................. 52 Gambar 36.... 46 Gambar 31......... 58 Gambar 41.................. 53 Gambar 37. 44 Gambar 29.............................................Gambar 20..... Penempatan job 1 urutan proses ke-2 pada mesin 2 ................................ Mutasi kromosom(10) pada generasi ke-7 untuk Kasus 1 .............. 45 Gambar 30.............. 41 Gambar 22............ Cek nilai gen yang ketiga pada mesin 1 dan 2 untuk urutan proses ke-2 .............................................. makespan rata-rata.......................................... Populasi P(7) terjadi mutasi pada Kasus 1 ....................................................................................... 59 ............................ 52 Gambar 35...... Penempatan job 3 urutan proses ke-2 pada mesin 2 ..... 43 Gambar 28............................. 43 Gambar 27...................... Input nilai-nilai utama pada program GA_JobShop (Kasus 2) .................................. 56 Gambar 40....... 54 Gambar 38. 51 Gambar 34....................... Ilustrasi alur proses pada Kasus 2(3 job – 3 mesin) ........... 50 Gambar 33....................................................... 47 Gambar 32.... Penempatan job 2 urutan proses ke-2 pada mesin 1 ......................................................................... Cek nilai gen yang ketiga pada mesin 1 dan 2 untuk urutan proses ke-1 ..................... 55 Gambar 39............................................... 42 Gambar 25. Tampilan program GA_JobShop ................... Cek nilai gen yang kedua pada mesin 1 dan 2 untuk urutan proses ke-2 ......... Input nilai-nilai parameter pada program GA_JobShop (Kasus 1) .... Grafik nilai makespan maksimum..... Kromosom-kromosom pada populasi P(6) sebelum mengalami penyilangan dan mutasi di populasi P(7) ................. Populasi baru P(1) pada Kasus 1 ................ 42 Gambar 24............... dan makespan minimum untuk 100 generasi pada Kasus 1 ............. Grafik frekuensi penyilangan dan mutasi untuk 100 generasi pada Kasus 1 .................

.............................................. Populasi awal P(0) untuk Kasus 2 ........ 63 Gambar 46...... 78 Gambar 58..... Populasi P(7) terjadi mutasi pada Kasus 2 ........................ Input nilai-nilai utama pada program GA_JobShop (Kasus 3) . 81 .................................................. 77 Gambar 56.................... dan makespan minimum untuk 100 generasi pada Kasus 2 ...... Penjadwalan yang optimum pada Kasus 3 (hasil penerjemahan kromosom terbaik) ........ Kromosom-kromosom induk pada populasi P(6) yang akan diseleksi untuk disilangkan dan dimutasi pada populasi P(7).................................. 62 Gambar 45.... Populasi P(1) pada Kasus 2 .................................. 71 Gambar 52.............................. dan makespan minimum (satuan waktu dalam menit) untuk 100 generasi pada Kasus 3 ........................ Input nilai-nilai parameter pada program GA_JobShop (Kasus 3) ................ Proses mutasi kromosom(2) pada populasi P(7) . Populasi P(1) pada kasus 3 (bagian 1) ........ Grafik nilai makespan maksimum.......... Grafik frekuensi penyilangan dan mutasi untuk 100 generasi pada Kasus 3 .................... Input nilai-nilai parameter pada program GA_JobShop (Kasus 2) 60 Gambar 43................. 80 Gambar 60.......... Populasi P(2) terjadi mutasi pada Kasus 3 .................... Tahapan-tahapan penerjemahan salah satu kromosom terbaik pada kasus 2 ................... 64 Gambar 48......................................Gambar 42................................................. 78 Gambar 57................................. Grafik nilai makespan maksimum......................... 63 Gambar 47... Populasi P(1) pada kasus 3 (bagian 2) ..................... 60 Gambar 44............. 75 Gambar 54........ 65 Gambar 49.............................................................................. makespan rata-rata........... 76 Gambar 55..................... Populasi awal P(0) untuk Kasus 3 .......................................... makespan rata-rata.................. 68 Gambar 51...... 79 Gambar 59... 73 Gambar 53......... Grafik frekuensi penyilangan dan mutasi untuk 100 generasi pada Kasus 2 ......................... Ilustrasi alur proses pada Kasus 3 (satuan waktu dalam menit)........................... 66 Gambar 50.....

...................... Denah industri peralatan pengolahan hasil pertanian CV Mitra Niaga Indonesia............. Laporan awal hasil running program GA_JobShop untuk Kasus 2 ............. Listing program utama GA_JobShop ...................................... 109 Lampiran 9................ Laporan awal hasil running program GA_JobShop untuk Kasus 3 ............................................... Lampiran 4................................. Terjemahan seluruh kromosom dari total search space pada Kasus 1 (validasi program GA_JobShop) secara enumeratif .................................DAFTAR LAMPIRAN Halaman Lampiran 1. Laporan detail hasil running program GA_JobShop untuk Kasus 1 ........................... Lampiran 6............ 125 Lampiran 10. 108 Lampiran 8................... 126 96 95 94 93 88 87 ...................................................... Laporan awal hasil running program GA_JobShop untuk Kasus 1 ........................................................... Lampiran 7.......................................... Lampiran 5..... Bogor .................................... Lampiran 2... Gambar alat dan mesin di industri peralatan pengolahan hasil pertanian CV Mitra Niaga Indonesia....................... Laporan detail hasil running program GA_JobShop untuk Kasus 2 ...................................................... Bogor ... Lampiran 3.................... Laporan detail hasil running program GA_JobShop untuk Kasus 3 ..............................................

Penjadwalan produksi melakukan pembebanan mesin berdasarkan rencana proses yang telah dibuat perencana proses. Permasalahan yang sering muncul adalah rencana proses dibuat tidak memperhatikan beban kerja mesin sehingga sering terjadi penumpukan pada mesin unggul. LATAR BELAKANG Penjadwalan produksi di dalam dunia industri. Sistem produksi yang melibatkan banyak proses. Teknik-teknik penyusunan jadwal produksi yang sudah ada (teknik konvensional) tidak dapat dipakai karena teknik-teknik tersebut memiliki banyak kelemahan dalam menangani masalah berskala besar dan kompleks. Salah satu masalah dalam penjadwalan produksi adalah adanya kesulitan menemukan teknik yang paling tepat untuk membuat jadwal produksi yang paling baik. Dalam sebuah sistem produksi yang kompleks dapat terjadi penumpukan pekerjaan atau barang yang membentuk antrian panjang yang tidak dapat diselesaikan secara optimal. optimal. Permasalahan penjadwalan job shop (job shop scheduling ) dengan fungsi tujuan meminimumkan total waktu proses (makespan ) dapat diterjemahkan sebagai memproses setiap pekerjaan (job) dari n job pada m mesin dengan urutan tertentu. dan memenuhi segala kriteria-kriteria penjadwalan yang telah ditetapkan. Setiap pekerjaan terdiri dari serangkaian . PENDAHULUAN A.I. baik industri manufaktur maupun agroindustri. mesin dan juga waktu proses yang bervariasi akan menemui banyak hambatan bila tidak ada metode penjadwalan yang tepat dan akhirnya berakibat pada proses produksi secara keseluruhan. Sistem tidak dapat bekerja secara efektif dan efisien. Solusi permasalahan dapat dilakukan dengan memperhatikan alternatif urutan proses. memiliki peranan penting sebagai bentuk pengambilan keputusan. Perusahaan berupaya untuk memiliki penjadwalan yang paling efekif dan efisien sehingga dapat meningkatkan produktivitas yang dihasilkan dengan total biaya dan waktu seminimum mungkin.

dan proses mutasi. Sebagai konsekuensi. Pemilihan ini didasarkan bahwa algoritma penjadwalan yang ada tidak dapat melakukan penjadwalan sekaligus memilih alternatif urutan proses. Hasil operasi genetik akan diubah kembali menjadi sebuah jadwal yang mudah dipahami oleh pengguna. proses penyilangan. Penjadwalan job shop merupakan suatu permasalahan optimasi kombinatorial yang kompleks yang membutuhkan waktu komputasi yang besar dalam proses pencarian solusi terbaiknya. Algoritma Genetika mampu menyelesaikan permasalahan penjadwalan job shop dengan waktu komputasi yang singkat. Alternatif urutan proses meningkatkan fleksibilitas produksi karena alternatif solusi lebih banyak. Pada penelitian ini akan dicari solusi untuk menyelesaikan permasalahan penjadwalan job shop dengan menggunakan metode Genetic Algorithms (Algoritma Genetika).operasi. waktu pencarian solusi menggunakan metoda optimasi naik secara eksponensial. Sebuah solusi penjadwalan dikatakan optimum apabila memiliki waktu rata-rata produksi seminimum mungkin. Untuk mendapatkan hasil penjadwalan yang optimum maka digunakan algoritma genetika. Pendekatan heuristik yang digunakan adalah algoritma genetika. proses penyeleksian. Setiap mesin dapat menangani tidak lebih dari satu pekerjaan pada suatu waktu dan setiap pekerjaan mengunjungi mesin hanya satu kali. . Penjadwalan produksi yang kurang baik dapat mengakibatkan keterlambatan pengiriman produk. yang terdiri dari proses penginisialisasian populasi. Keunggulan dari algoritma genetika ini adalah strukturnya yang sederhana. dan cepat dalam pencapaian solusi yang optimum (efektif dan efisien). mudah mengimplementasikannya. Prinsip kerjanya yaitu berdasarkan analogi evolusi biologi. Pendekatan heuristik akan dilakukan untuk memecahkan permasalahan penjadwalan dengan memperhatikan alternatif urutan proses.

2. Mengaplikasikan metode Algoritma Genetika yang telah dibuat untuk memecahkan masalah pada kasus data numerical example dengan tujuan verifikasi dan validasi. Mengaplikasikan metode Algoritma Genetika yang telah dibuat untuk memecahkan masalah pada kasus penjadwalan industri peralatan pengolahan hasil pertanian. TUJUAN PENELITIAN Fokus penelitian ini adalah pada masalah penjadwalan tipe job shop (tanpa kendala) dengan menggunakan Algoritma Genetika. Tujuan yang ingin dicapai adalah sebagai berikut : 1. 2. . Fungsi tujuan yang akan dievaluasi dalam penelitian ini adalah fungsi makespan (waktu penyelesaian pekerjaan secara keseluruhan). C. 3. Metode optimasi yang digunakan adalah metode Algoritma Genetika. 3. Membuat metode optimasi Algoritma Genetika untuk memecahkan masalah pada kasus penjadwalan job shop yang bersifat kompleks. Objek pada penelitian ini adalah kasus penjadwalan industri peralatan pengolahan hasil pertanian. RUANG LINGKUP Ruang lingkup pada penelitian ini dibatasi oleh beberapa hal berikut : 1.B.

Penjadwalan memiliki beberapa tujuan. TINJAUAN PUSTAKA A. 1997) : 1. Meminimumkan total waktu penyelesaian (makespan) 3. Penjadwalan digambarkan sebagai alokasi sumber daya dari waktu ke waktu untuk melaksanakan suatu kumpulan pekerjaan. penjadwalan merupakan tahap terakhir dari perencanaan sebelum dilaksanakannya proses produksi. Penjadwalan produksi secara umum. Menghasilkan tingkat kegunaan mesin 4. Namun tujuan tersebut dapat saling berkontradiksi. Menetapkan urutan pekerjaan yang tepat 5. Memenuhi waktu pesanan 2. Sebuah penjadwalan dapat melakukan operasi dalam rentang waktu yang telah ditentukan oleh mesin. Penjadwalan merupakan kegiatan yang penting dalam perencanaan dan pengendalian produksi karena penjadwalan yang baik akan memaksimumkan efektivitas pemanfaatan setiap sumber daya yang ada. Penjadwalan maju (forward scheduling) . Penjadwalan yang menggunakan waktu yang terpendek merupakan masalah yang dicari penyelesaiannya (Gen dan Cheng.II. PROSES PENJADWALAN PRODUKSI Baker (1974) mendefinisikan penjadwalan sebagai proses pengalokasian sumber-sumber yang ada untuk menjalankan sekumpulan tugas dalam jangka waktu tertentu. yaitu : a. Maka dari itu diperlukan upaya pengoptimasian penjadwalan. Meminimumkan biaya produksi dan tenaga kerja Penjadwalan produksi dapat diklasifikasi berdasarkan kriteria sebagai berikut : 1. Adapun tujuan penjadwalan produksi antara lain (Nahmias. Menurut Russel dan Taylor (1995). 1997). Selain itu penjadwalan merupakan penjabaran kegiatan-kegiatan yang direncanakan yaitu yang berisikan kapan dimulainya kegiatan produksi sehingga perencanaan kebutuhan yang telah ditetapkan dapat dipenuhi tepat pada waktunya.

Penjadwalan produksi berdasarkan mesin yang digunakan. Konsekuensinya terjadi persediaan bahan baku sampai pada gilirannya diproses. Setiap job dapat dikerjakan pada salah satu mesin yang ada tersebut. Mesinmesin pada model ini disusun secara seri dan pada saat sebuah job selesai diproses pada satu mesin. Model ini terdapat pada industri yang proses produksinya terdiri dari berbagai tahapan. Model Paralle-Machine Merupakan suatu bentuk umum dari model single-machine. yaitu suatu model penjadwalan yang memecahkan permasalahan penjadwalan yang kompleks ke dalam sejumlah permasalahan yang lebih sederhana dalam bentuk single-machine. di mana tiap tahapan tersebut terdiri dari sejumlah mesin sejenis yang tersusun secara paralel. 2. Keuntungannya adalah mengurangi persediaan barang setengah jadi (work in process). yaitu : a. Jika rute yang harus dilewati untuk setiap job adalah sama. yang harus memproses sejumlah job yang terdiri dari satu operasi. Model Flow Shop Suatu proses manufaktur seringkali harus melewati banyak operasi yang membutuhkan jenis mesin yang berbeda pada tiap operasinya. b. maka bentuk konfigurasi ini disebut juga model flow shop. Ada suatu kondisi di mana mesinmesin yang tersusun secara paralel tersebut tidak identik satu sama lain dalam hal kemampuan berprosesnya. b. Setiap job dapat dikerjakan pada salah satu mesin yang ada. maka job tersebut akan meninggalkan . Model Single-Machine Model ini hanya berisi sejumlah m mesin yang sejenis. Penjadwalan mundur (backward scheduling) Teknik penjadwalan dimulai dari waktu penyelesaian operasi terakhir. Model ini banyak digunakan pada penjadwalan yang menggunakan metode dekomposisi. c.Operasi penjadwalan dimulai dari tanggal penerimaan order secara maju.

seringkali rute yang harus dilalui setiap job adalah tidak sama. b. misalnya kedatangan pekerjaan bersifat acak. 3. Penjadwalan produksi berdasarkan pola kedatangan pekerjaan. d. Pendekatan yang sering digunakan pada penjadwalan ini adalah penggunaan aturan dispatching yang berbeda untuk setiap stasiun kerja. Model Job Shop Dalam suatu proses manufaktur yang memerlukan banyak operasi. tetapi memiliki kecenderungan yang jelas atau menyangkut adanya distribusi probabilitas tertentu. seperti waktu kedatangan job . Kondisi semua stasiun kerja dan perlengkapannya selalu tersedia pada saat itu. Penjadwalan deterministik Informasi yang diperoleh bersifat pasti.mesin tersebut untuk kemudian mengisi antrian pada mesin berikutnya untuk diproses. waktu setup. Namun ada juga model lainnya di mana setiap job diperbolehkan untuk melewati mesin sejenis lebih dari satu kali pada rutenya. yaitu: a. Penjadwalan produksi berdasarkan sifat informasi yang diterima. 4. Penjadwalan statis Pekerjaan datang bersamaan dan siap dikerjakan pada mesin yang tidak bekerja. Penjadwalan dinamis Pekerjaan datang terus-menerus pada waktu yang berbedabeda. yaitu: a. dan waktu proses. Model ini disebut juga job shop dengan recirculation (pengulangan). Bentuk sederhana dari model ini mengasumsikan bahwa setiap job hanya melewati satu jenis mesin sebanyak satu kali dalam rutenya pada proses tersebut. Model seperti ini disebut juga model job shop. b. . Penjadwalan stokastik Informasi yang diperoleh tidak pasti.

karakteristik penjadwalan produksi tipe jobshop adalah penggunaan mesin oleh lebih dari satu pekerjaan sehingga ada keterbatasan waktu penggunaan. Tidak adanya batasan yang lebih tinggi pada saat operasi dengan pekerjaan yang berbeda 3. karakteristik pekerjaan yang harus diselesaikan pada penjadwalan tipe job-shop harus melewati beberapa mesin (routing) dan tiap rute yang ditempuh masing-masing pekerjaan berlainan. Setiap operasi dapat dikarakterisasi dengan mesin tertentu dan waktu proses produksi yang telah ditentukan. yaitu (Gen dan Cheng. Berbeda dengan masalah penjadwalan seri dan parallel. 1999). Penjadwalan job shop merupakan masalah penempatan sejumlah n-job pada sejumlah m-mesin dengan urutan proses. Akibatnya.B. PENJADWALAN TIPE JOB SHOP Salah satu model penjadwalan yang cukup banyak ditemui adalah penjadwalan job shop . Setiap job terdiri dari operasi-operasi yang masing-masing diproses di satu mesin tertentu karena rute proses dari setiap job berbeda. . Pada model ini. Tidak adanya waktu atau pekerjaan yang dispesifikasi Menurut Kusuma (2001). Setiap job dirancang sebagai satu set operasi dan mesin yang telah di-set untuk setiap operasinya. maka kemungkinan jadwal yang dapat dihasilkan dan kendala yang muncul menjadi sangat banyak. Sebuah operasi tidak akan bisa disela dengan operasi yang lain 4. Untuk setiap proses produksi dapat digunakan batasan dalam menentukan job dan mesin yang akan digunakan. 1997) : 1. model ini menimbulkan masalah penjadwalan yang kompleks dalam arti bahwa semua kendala dalam penjadwalan harus terpenuhi dan dalam arti bahwa jadwal yang bisa memenuhi fungsi tujuan penjadwalan secara optimal sangat sulit ditemukan di antara sekian banyak kemungkinan (Bagchi. Sebuah mesin hanya akan melakukan sebuah pekerjaan dalam satu waktu 5. Satu pekerjaan tidak akan menggunakan mesin yang sama sebanyak lebih dari satu kali 2. job-job yang diproses biasanya memiliki rute dan waktu pemrosesan yang berbeda-beda satu sama lain.

masalah penjadwalan job-shop dapat dibagi menjadi dua tipe yaitu unconstrained job shop (tanpa kendala) dan constrained job shop (dengan kendala). 4. tidak ada kendala-kendala yang dapat menghambat proses implementasi pekerjaan pada setiap mesin produksi sehingga semua alternatif jadwal bersifat legal. Jadwal aktif. Dapat dilihat pada Gambar 1 bahwa apabila nilai x* merupakan nilai x dimana nilai fungsi f (x) minimum. maka optimasi dapat didefinisikan sebagai proses pencapaian kondisi maksimum atau minimum dari fungsi tersebut. 3. Jadwal fisibel. yaitu sekumpulan jadwal fisibel dimana tidak satu pun operasi dapat dijadwalkan lebih awal tanpa mengubah susunan operasi pada mesin. Jadwal non-delay. yaitu sekumpulan jadwal fisibel dimana tidak satu pun mesin dibiarkan menganggur jika pada saat yang bersamaan terdapat operasi yang memerlukan mesin tersebut. maka pernyataan ini sama dengan nilai maksimum dari negatif fungsi tersebut (-f(x)) (Maarif. C. Pada tipe unconstrained job shop.Penjadwalan job-shop memiliki beberapa definisi (Kusuma. Jadwal semi-aktif. Bila usaha yang diperlukan atau keuntungan yang diharapkan dalam suatu kondisi nyata dapat dinyatakan sebagai fungsi dari peubah keputusan. 1989). 2. yaitu sekumpulan jadwal fisibel dimana tidak satu pun operasi dapat dipindahkan lebih awal tanpa menunda operasi lain. yaitu jadwal dimana seluruh operasi dari semua pekerjaan telah ditugaskan dan ketentuan rute operasi telah terpenuhi (tidak ada overlap antar operasi). 2001) yang meliputi : 1. . TEKNIK OPTIMASI Optimasi adalah suatu aktivitas untuk mendapatkan hasil terbaik dari suatu permasalahan dengan batasan-batasan yang diberikan. Tujuan utama setiap keputusan yang diambil adalah untuk meminimumkan usaha yang diperlukan atau biaya operasional dan memaksimumkan keuntungan atau nilai tambah. Berdasarkan ada tidaknya kendala.

dan otomatisasi sistem produksi (Gunawan. Algorima genetika diaplikasikan pada berbagai bidang antara lain. Teknik yang diperkenalkan tersebut diterjemahkan ke dalam bahasa komputer dan prosesnya meniru proses alam. tepatnya pada tahun 1989. ia berhasil membuktikan bahwa algoritma genetika menghasilkan solusi untuk menyelesaikan permasalahan perancangan sistem perpipaan distribusi gas alam berdasarkan parameter-parameter kesuksesan sistem perancangan pipa. meluncurkan buku berjudul Genetic Algorithm in Search. Beberapa tahun kemudian. . yaitu evolusi. 2003). Optimization. seperti pada desain mesin jet pesawat terbang. Nilai minimum f (x) sama dengan maksimum –f(x) (Maarif. prediksi tingkat suku bunga. pengendalian persediaan (inventori).f(x) x* 0 f(x) x -f(x) Gambar 1. and Machine Learning setelah berhasil mengaplikasikan algoritma genetika untuk perancangan sistem perpipaan distribusi gas alam. Teknik tersebut dikenal dengan nama algoritma genetika (genetic algorithms). 1989) D. Berdasarkan hasil risetnya. perencanaan dan penjadwalan produksi. David Goldberg. ALGORITMA GENETIKA Seorang professor di Universitas Michigan bernama John Holland (1975) telah menemukan sebuah teknik baru yang berfungsi untuk memecahkan masalah-masalah rumit dan komplek yang tidak dapat dipecahakan oleh teknik konvensional. Teknik tersebut dijelaskan pertama kali di dalam bukunya yang berjudul Adaptation in Natural and Artificial Systems.

1. Prosedur Umum Algoritma Genetika Algoritma genetika adalah teknik pencarian dan optimasi yang meniru proses evolusi dan perubahan genetika pada struktur kromosom makhluk hidup. Algoritma genetika mulai bekerja pada sekumpulan calon solusi yang dinamakan populasi awal, yang kemudian dibangkitkan secara acak. Masing-masing individu di dalam populasi awal biasa disebut dengan kromosom. Kromosom biasa dalam bentuk string biner (kode 0 dan 1), meskipun tidak selalu. Selanjutnya kromosom-kromosom tersebut diregenerasi oleh operator-operator pada algoritma genetika melalui beberapa generasi. Masing-masing kromosom pada setiap generasi dilihat nilai fitness-nya (Goldberg, 1989). Pada generasi baru, kromosom baru yang terbentuk disebut kromosom anak (offspring). Kromosom anak terbentuk dari (1) penggabungan antar dua kromosom yang menggunakan operator penyilangan atau (2) hasil modifikasi kromosom yang menggunakan operator mutasi. Generasi baru dibentuk oleh (1) pemilihan, yaitu dilihat dari nilai fitness-nya, baik kromosom induk maupun kromosom anak (offspring ) dan (2) penyisihan, yaitu menjaga agar ukuran populasi tetap konstan. Kromosom yang lebih baik, besar kemungkinan untuk dipilih di generasi selanjutnya. Setelah dihasilkan beberapa generasi, terbentuklah sekumpulan kromosom terbaik yang diharapkan mampu memberikan solusi optimum (Gen dan Cheng, 1997). Penciptaan Algoritma Genetika oleh Holland (1975) memberi asumsi bahwa solusi dari induk akan mencari nilai fitness yang tinggi dari beberapa kromosom yang berbeda sehingga pencarian akan

dikombinasikan secara penyilangan yang selanjutnya akan direproduksi dan menghasilkan keturunan yang menjadi calon solusi pada generasi selanjutnya (Bagchi, 1999). Setiap individu dalam sebuah populasi dipilih berdasarkan pada nilai fitness-nya. Nilai fitness akan semakin tinggi dengan adanya kesempatan kromosom untuk bereproduksi pada generasi berikutnya.

Untuk mengimplementasikan Algoritma Genetika, membuat suatu keputusan harus memenuhi syarat berikut ini (Hopgood, 2001) : 1. Merepresentasi calon solusi ke dalam sebuah bilangan/simbol yang dikenal dengan sebutan “kromosom” 2. Menentukan ukuran populasi 3. Mengevaluasi nilai fitness dari masing-masing populasi 4. Memilih individu-individu untuk bereproduksi pada generasi

berikutnya dengan melihat nilai fitness-nya 5. Menciptakan sebuah generasi baru sebagai calon solusi dari populasi yang ada 6. Menghentikan proses evolusi apabila kriteria penghentian terpenuhi Di dalam basis algoritma, ada beberapa asumsi dibuat berdasarkan (Hopgood, 2001) : 1. Inisial populasi digenerasikan secara random 2. Individu dievaluasi berdasarkan fungsi fitness 3. Individual-individual diseleksi untuk reproduksi berdasarkan seleksi, kecocokan sebuah individu, dan kemiripan yang akan diseleksi 4. Reproduksi dari sebuah kromosom akan dihasilkan pada generasi berikutnya yang merupakan hasil dari perkembangbiakan antara sepasang kromosom dengan menggunakan operator penyilangan yang kemudian akan diaplikasikan pada operator mutasi untuk setiap keturunanan

Prosedur umum algoritma genetika dapat terlihat pada Gambar 2 berikut :

Mulai

Inisialisasi populasi secara acak

Menghasilkan generasi baru

Evaluasi nilai fitness masing-masing individu

Terjadi proses mutasi dengan peluang Pm

Terjadi proses penyilangan dengan peluang Pc

Seleksi individu

Tidak

Kriteria penghentian terpenuhi ?

Ya

Berhenti

Gambar 2. Prosedur umum algoritma genetika (Hopgood, 2001)

2. Representasi Kromosom Pengkodean (encoding) calon solusi untuk suatu masalah ke dalam sebuah bentuk representasi kromosom merupakan hal yang paling utama pada pengaplikasian algoritma genetika. Holland (1975) memperkenalkan pertama kali representasi kromosom ke dalam bentuk string biner, yang disimbolkan dengan angka nol (0) dan (1).

. sebagai contoh real number code (kode bilangan riil) untuk masalah optimasi berkendala dan integer coding (kode integer) untuk masalah optimasi kombinatorial. Sebuah masalah akan ditransformasikan ke dalam representasi kromosom yang tepat. Hal ini penting untuk pengaplikasian algoritma genetika dalam memecahkan masalah-masalah di dunia nyata (Gen dan Cheng. string biner jarang digunakan karena bukan merupakan kode alam. proses ini akan menghasilkan sebuah penjadwalan yang layak. perjalanan ke 9 kota dengan urutan sebagai berikut : 3–2–5–4–7–1–6–9–8 Urutan perjalanan di atas dijadikan ke dalam bentuk representasi kromosom : 3 2 5 4 7 1 6 9 8 Gambar 3. 1997). Sebagai contoh. Fase ini akan menjadi sangat penting dan akan mempengaruhi langkah selanjutnya dalam algoritma genetika. khususnya di dunia industri.Pada pengaplikasian algoritma genetika. telah diciptakan beberapa teknik pengkodean nonstring untuk berbagai masalah khusus. 1997). Representasi ini cocok untuk digunakan untuk masalah perjalanan dan penjadwalan. Permutation representation merupakan bentuk representasi baru yang telah diperkenalkan oleh Gen dan Cheng (1997). Beberapa peneliti telah memperkenalkan beberapa bentuk representasi baru sesuai dengan masalah yang akan dipecahkan. Oleh karena itu. Sebuah kromosom memiliki fase inisial atau proses evolusi. Salah satu representasi untuk masalah penjadwalan job shop yang dapat digunakan adalah preference-list-based representation (Gen dan Cheng. Representasi kromosom jenis permutation Setiap penerjemahan algoritma genetika di dalam masalah job-shop akan digunakan sebagai alat untuk mencari solusi yang sesuai untuk masalah operasi genetika job-shop yang terjadi sehingga didapatkan semua kromosom yang dapat digenerasikan.

reproduksi. Untuk jadwal di lapangan akan ditentukan dengan menggunakan kromosom yang berasal dari simulasi. penyilangan. kemudian prosedur akan dilanjutkan sampai pada kriteria hasil akhir pada populasi. Falenauer dan Bouffouix menemui keterkaitan antara masalah penjadwalan job shop dengan waktu dan tanggal yang telah ditetapkan. Proses pada algoritma genetika tersebut terdiri dari beberapa operator. Untuk pemecahan masalah job shop dengan pekerjaan sebanyak n dan mesin sebanyak m. Croce. dan mutasi untuk menghasilkan progenies (sebagai kandidat generasi berikutnya untuk mengatasi masalah optimasi). Operator-operator Algoritma Genetika Proses dalam algoritma genetika menggunakan inisial populasi yang akan digunakan sebagai input. dan operasi yang muncul pertama kali akan ditunjukkan untuk melakukan pekerjaan untuk pertama kali.Preference-list-based representation pertama kali diperkenalkan oleh Davis untuk berbagai macam masalah penjadwalan. dan Volta mengaplikasikan pada pencarian solusi penjadwalan job-shop (Gen dan Cheng. yaitu seleksi. 1999). Hal ini dilakukan karena representasi berdasarkan daftar referensi dan setiap mesin mempunyai daftar referensinya sendiri. Setiap subkromosom adalah simbol string dengan panjang n. . Prosedur akan terus dilanjutkan sampai pada penemuan hasil akhir. 1997). Jika kriteria hasil akhir telah ditemukan maka ketiga operator tersebut dapat diiterasikan ke dalam populasi. Di dalam iterasi dari operasi-operasi yang berlaku yaitu untuk menghasilkan keturunan yang disebut sebagai sebuah generasi penemuan akhir dari algoritma genetika (Bagchi. Tadei. dan setiap simbol akan teridentifikasi sebagai sebuah operasi untuk dikerjakan pada mesin seharusnya. dimana analisis didasarkan pada urutan menunggu pada jadwal. sebuah kromosom akan terdiri dari m subkromosom untuk setiap mesin. Progenies akan dievaluasi dan dicoba untuk hasil akhir. 3.

1999). Hasil dari seleksi populasi dengan nilai fitness rata-rata yang lebih baik yang akan berlaku sebagai kromosom induk untuk generasi berikutnya (Bagchi.a. Reproduksi dimulai dengan mencari kromosom induk yang baik dari mating pool. Hal penting dari reproduksi adalah memilih kromosom dengan fitness di atas rata-rata dari keberadaan populasi yang ada dan memasukkan ke dalam mating pool. Suatu slot pada cakram rolet ditempati oleh setiap kromosom di dalam sebuah populasi. Jika masalah kepuasan (berdasarkan beberapa kemampuan penerimaan atau pemberhentian pada kriteria yang dicari) sudah ditemukan maka pencarian akan dihentikan (Bagchi. Seleksi dan Reproduksi Algoritma genetika selalu diawali dengan seleksi secara acak dari populasi dan kemudian dijadikan inisial solusi string acak dari populasi yang menampilkan sebuah variabel keputusan dari masalah yang ada. Masing-masing inisial string dievaluasi sampai pada sebuah pencarian nilai fitness. Reproduksi selalu dilakukan oleh operator pertama yang diaplikasikan pada sebuah keberadaan populasi untuk menciptakan progenies. Goldberg (1989) memperkenalkan teknik seleksi dalam algoritma genetika. 1999). . Ukuran slot sama dengan rasio antara nilai fitness suatu kromosom dengan total nilai fitness semua kromosom. salah satunya adalah teknik seleksi cakram rolet (roulette wheel selection). Teknik seleksi ini diilustrasikan sebagai teknik pemutaran cakram rolet.

Salah satu dari kromosom akan terpilih apabila memenuhi atau mendekati nilai fitness (Hopgood. 2003) Teknik seleksi lainnya adalah seleksi turnamen (tournament selection). Seleksi ini akan membandingkan antara dua buah kromosom dalam populasi yang dipilih secara acak. string dengan 010111 akan mempunyai informasi spesifik dengan 6 posisi yang jelas berbeda. seperti yang dilakukan kromosom dalam genetika alam. 2001). Di dalam penyilangan. Representasi string yang ada berisi informasi yang terdiri dari gen-gen dengan bit yang merupakan string. Implementasi penyilangan ini secara umum akan menggunakan satu titik untuk proses penyilangan dimana terjadi penyilangan secara acak yang merupakan pemilihan secara acak . b. Penyilangan Penyilangan atau crossover juga dikenal sebagai rekombinasi. dua string dapat diambil dari mating pool dan beberapa porsi dari string-string ini akan saling bertukaran. Ilustrasi proses seleksi kromosom induk (Magnin di dalam Gunawan. Untuk contohnya. Operasi penyilangan akan mengalami pertukaran informasi di antara string-string yang ada di dalam mating pool untuk menciptakan stringstring sebagai solusi.Gambar 4.

Penentuan nilai Pc yang tepat sangat tergantung pada permasalahan yang dihadapi (Gunawan. cycle crossover (CX). Akan tetapi jika tingkat penyilangan terlalu tinggi juga kurang efisien. Tingkat penyilangan yang tinggi menyebabkan semakin besar kemungkinan algoritma genetika mengeksplorasi ruang pencarian sekaligus mempercepat ditemukannya solusi optimum. Tingkat penyilangan yang tinggi menyebabkan semakin besarnya kemungkinan algoritma genetika mengeksplorasi ruang pencarian sekaligus mempercepat ditemukannya solusi optimum. 0 r 1. 2003).6 – 1). Proses penyilangan akan terjadi pada sepasang kromosom jika suatu bilangan yang dibangkitkan secara acak (r). seperti partial-mapped crossover (PMX). order-based crossover. position-based crossover. Peluang penyilangan yang tepat dan efektif hanya dapat diketahui melalui pengujian atau percobaan khusus terhadap masalah yang bersangkutan (Syarif dan Mitsuo. 1999). Goldberg dan Lingle (1985) telah memperkenalkan teknik PMX sebagai salah satu operator penyilangan. Penyilangan merupakan operator primer dalam algoritma genetika. Beberapa operator penyilangan telah diperkenalkan untuk digunakan pada permutation representation.sepanjang string yang ada dan semua bit-bit akan menyebrang dan saling bertukaran (Bagchi. Teknik tersebut . Tingkat penyilangan atau peluang penyilangan (Pc) adalah rasio antara jumlah kromosom yang diharapkan mengalami penyilangan dalam setiap generasi dengan jumlah kromosom total dalam populasi. 2003). Operator penyilangan yang diperkenalkan oleh Holland (1975) adalah one-point crossover (penyilangan satu titik). nilainya kurang dari atau sama dengan Pc. order crossover (OX). Bilangan acak tersebut dibangkitkan setiap kali akan menyilangkan sepasang kromosom. Nilai Pc biasanya cukup tinggi (berkisar antara 0. 1997). dan heuristic crossover (Gen dan Cheng. yang biasa digunakan untuk kromosom dengan representasi biner.

Contoh ilustrasi pengaplikasian prosedur PMX terdapat pada Gambar 5 berikut ini : . Langkah 4 : Legalkan offspring (kromosom anak) hasil mapping relationship . Prosedur PMX adalah sebagai berikut : Langkah 1 : Pilih dua buah posisi (string) secara acak pada dua kromosom induk yang akan disilangkan. Langkah 2 : Pertukarkan dua buah mapping section antara dua kromosom induk sehingga dihasilkan kromosom anak (offspring). Langkah 3 : Tentukan mapping relationship (hubungan pemetaan) di antara dua buah mapping section.merupakan kelanjutan perbaikan dari penyilangan dua titik (two-point crossover) pada permutation representation. String-string yang berada di antara dua buah posisi tersebut dinamakan mapping section. PMX digunakan untuk memperbaiki prosedur adanya kromosom illegal dari penyilangan dua titik.

Ilustrasi prosedur PMX (Gen dan Cheng. 1997) . Offspring 1 Offspring 2 3 2 5 9 6 3 9 4 2 5 1 6 7 7 8 8 4 1 Gambar 5. Parent 1 Parent 2 1 5 2 4 3 6 4 9 5 2 6 1 7 7 8 8 9 3 Langkah 2 : Pertukarkan mapping section antara dua kromosom induk sehingga menghasilkan dua kromosom anak. 6 9 2 1 1 2 3 4 5 6 9 6 5 4 3 Langkah 4 : Legalkan offspring (kromosom anak) hasil mapping relationship.Langkah 1 : Pilih mapping section secara acak pada dua buah kromosom induk. Offspring 1 Offspring 2 1 5 2 4 6 3 9 4 2 5 1 6 7 7 8 8 9 3 Langkah 3 : Tentukan mapping relationship antara dua buah mapping section.

Nilai Pm yang digunakan biasanya sangat kecil (berkisar antara 0. 1997). Mutasi akan menghasilkan kromosom anak dengan satu atau lebih gen (string) yang berubah. 0 r 1. Proses mutasi akan terjadi pada suatu gen. Mutasi Mutasi adalah operator pendukung dalam algoritma genetika yang melakukan perubahan acak secara spontan pada struktur kromosom. Dalam algoritma genetika. dan reciprocal exchange mutation (mutasi penukaran balik). Peluang mutasi (Pm) didefinisikan sebagai persentase kromosom yang akan mengalami mutasi terhadap total kromosom di dalam populasi.001 – 0. insertion mutation (mutasi penyisipan). mutasi sangat berperan penting. Akan tetapi. 2003).2). nilainya kurang dari atau sama dengan Pm (Syarif dan Mitsuo. Mutasi akan mencoba memunculkan kromosom baru pada sebuah populasi. 1997). apabila peluang mutasi terlalu besar maka akan banyak bermunculan kromosom yang kemungkinan tidak memiliki potensi dalam pencapaian solusi optimum.c. Ilustrasi proses mutasi dapat dilihat pada gambar-gambar di bawah ini (Gambar 6 – 9) : . Beberapa operator mutasi yang digunakan pada permutation representation adalah inversion mutation (mutasi inversi). jika suatu bilangan yang dibangkitkan secara acak r. kromosom anak (offspring) akan kehilangan kemiripan dengan kromosom induk yang memiliki potensi pada populasi sebelumnya dan algoritma genetika akan kehilangan kemampuan untuk belajar dari proses pencarian yang lalu (Gen dan Cheng. diantaranya adalah (a) menempatkan kembali kromosom-kromosom yang telah hilang dari populasi akibat proses seleksi dan (b) memunculkan kromosom-kromosom yang belum pernah ada pada populasi sebelumnya (Gen dan Cheng. Jika peluang mutasi terlalu kecil maka banyak kromosom yang memiliki potensi (nilai fitness yang tinggi) tidak akan pernah muncul. displacement mutation (mutasi pemindahan).

Semakin .Kromosom Kromosom ($) 1 1 2 2 3 6 4 5 5 4 6 3 7 7 8 8 9 9 Gambar 6. 1997) Kromosom Kromosom ($) 1 1 2 2 3 6 4 3 5 4 6 5 7 7 8 8 9 9 Gambar 7. Fungsi Fitness Fungsi fitness merupakan alat ukur yang digunakan untuk mengevaluasi kromosom-kromosom pada setiap generasi. 1997) Kromosom Kromosom ($) 1 1 2 2 3 3 4 7 5 8 6 4 7 5 8 6 9 9 Gambar 8. Ilustrasi insertion mutation (mutasi penyisipan) (Gen dan Cheng. Fungsi fitness digunakan untuk memberikan ciri dan mengukur seberapa baik sebuah solusi. Ilustrasi reciprocal exchange mutation (mutasi penukaran balik) (Gen dan Cheng. Ilustrasi inversion mutation (mutasi inversi) (Gen dan Cheng. Penghitungan nilai fitness berdasarkan masalah yang akan diselesaikan. 1997) 4. Kualitas sebuah kromosom di dalam suatu populasi ditunjukkan oleh besarnya nilai fitness. 1997) Kromosom Kromosom ($) 1 1 2 2 3 6 4 4 5 5 6 3 7 7 8 8 9 9 Gambar 9. Fungsi fitness adalah fungsi yang akan mengukur tingkat kebugaran suatu kromosom dalam populasi. Ilustrasi displacement mutation (mutasi pemindahan) (Gen dan Cheng.

menentukan selisih nilai fitness rata-rata tertentu antara suatu generasi dengan generasi sebelumnya. Kriteria penghentian merupakan penghentian eksekusi program algoritma genetika. Kriteria Penghentian Proses pencarian algoritma genetika akan terus berjalan hingga kriteria penghentian terpenuhi. Ian dan Cao. sedangkan komputer memiliki pola pengacakan tersendiri untuk masing-masing bilangan yang berbeda. Pada masalah maksimasi. melakukan mutasi.besar nilai fitness. Alam memiliki bilangan acak yang sempurna. yang harus diinput pada komputer untuk dibangkitkan secara acak. 5. semakin bugar pula kromosom dalam populasi sehingga semakin besar kemungkinan kromosom tersebut dapat tetap bertahan pada generasi berikutnya (Chen. Bilangan acak tersebut dibangkitkan setiap kali akan menyilangkan sepasang kromosom. 0 r 1. 2003). semakin rendah nilai fitness sebuah kromosom maka besar kemungkinan untuk tetap bertahan di generasi berikutnya. yaitu menentukan jumlah generasi maksimum. Bilangan Acak Bilangan acak merupakan suatu bilangan (r). . serta memunculkan kromosom-kromosom pada populasi awal. pada masalah minimasi. atau menentukan batas tingkat keragaman struktur kromosom. 6. Sebaliknya. Bilangan acak pada komputer tidak sama dengan bilangan acak yang terjadi pada alam. semakin tinggi nilai fitness sebuah kromosom maka besar kemungkinan untuk tetap bertahan di generasi berikutnya. Kriteria penghentian yang paling sering dipakai adalah penentuan jumlah generasi maksimum karena penggunaannya yang mudah pada implementasi program di komputer.

Algoritma genetika hanya membutuhkan informasi nilai fungsi objektif dan memperbaiki sekumpulan solusi fisibel (legal) . Algoritma genetika bekerja pada sekumpulan solusi itu sendiri yang telah dikodekan. b. Teknik pencarian seperti ini dapat terjebak ke dalam solusi optimum lokal. Perbandingan Konvensional Algoritma Genetika dengan Teknik Optimasi Perbedaan algoritma genetika dengan teknik optimasi konvensional (Goldberg.7. bukan turunan atau informasi tambahan lainnya Penyelesaian masalah optimasi umumnya menggunakan algoritma yang berupa langkah-langkah perhitungan yang secara asimtotik menuju solusi optimum. Algoritma genetika secara langsung memanfaatkan informasi fungsi objektif. 1989) adalah sebagai berikut : a. bukan hanya pada satu titik Teknik pencarian pada teknik optimasi konvensional dilakukan hanya pada satu titik tunggal. bukan pada solusi itu sendiri Algoritma genetika memiliki ruang pencarian (search space) yang dapat didiskritkan (diputus-putus) meskipun fungsi objektifnya berupa fungsi kontinyu karena bekerja dengan pengkodean variabel solusi. sehingga algoritma genetika dapat diterapkan untuk optimasi di berbagai jenis fungsi dan bidang aplikasi. Algoritma genetika melakukan pencarian pada suatu populasi (banyak titik calon solusi). Teknik optimasi konvensional membangun deretan yang dimaksud berdasarkan gradien (turunan) fungsi objektif atau fungsi kendala untuk memperbaiki solusi tunggal. Titik ini kemudian diperbaiki perlahanlahan dengan arah menaik (fungsi maksimasi) atau menurun (fungsi minimasi) melalui sejumlah iterasi hingga ditemukan solusi optimum. c. Algoritma genetika tidak membutuhkan informasi dan asumsi-asumsi demikian. Fungsi diskrit (fungsi terputus-putus) memiliki keuntungan yaitu tidak membutuhkan usaha tambahan seperti pencarian gradien pada fungsi kontinyu.

d. Gunawan (2003) melakukan penelitian tentang penjadwalan flow shop menggunakan algoritma genetika. bukan aturan deterministik Operator algoritma genetika tidak bekerja secara deterministik. Tabu Search diterapkan pada sebuah permasalahan penjadwalan job shop dengan tujuan untuk meminimalkan waktu proses total atau makespan (Cmax). Aryawan (2003) melakukan penelitian tentang penerapan algoritma Tabu Search dalam permasalahan penjadwalan job shop. Algoritma genetika bekerja menggunakan aturan probabilistik. Dalam penelitian ini. Operator seleksi. E. yang pada akhirnya diharapkan dapat menghasilkan solusi optimum. maupun mutasi bekerja menggunakan aturan probabilistik atau pemilihan secara acak. Hasil penjadwalan dibandingkan dengan hasil penjadwalan lain yang menggunakan empat macam metode Basic Dispatching Rules.0. Penelitian tersebut bertujuan untuk mengaplikasikan algoritma genetika dalam bidang penjadwalan produksi yaitu untuk masalah flow-shop deterministik tanpa kendala (unconstraineddeterministic flow shop) berskala besar. Hasil penelitian menunjukkan bahwa algoritma genetika sangat efisien dalam memecahkan masalah flow shop deterministik tanpa kendala berskala besar. penyilangan. Penelitian ini memiliki tujuan yaitu membentuk rancangan program komputer yang dapat digunakan untuk menjadwalkan kerja mesin-mesin dan tugas-tugas di divisi job shop PT DC dalam waktu singkat.dengan operator-operator genetika. penjadwalan kerja mesin-mesin dan alokasi tugas-tugas lebih teratur dan terencana sehingga waktu penyelesaian setiap paket pesanan lebih baik dibandingkan dengan cara manual. Implementasi algoritma genetika dalam program komputer menggunakan bahasa pemrograman Borland Pascal 7. Hasil . PENELITIAN TERDAHULU Riswan (1993) melakukan penelitian tentang rancangan program komputer untuk penjadwalan job shop dengan metode Priority Dispatching. Pada hasil penjadwalan komputer.

Penelitian tersebut bertujuan untuk merancang model rantai pasokan agroindustri cocodiesel berdasarkan model transportasi. Model rantai pasokan tersebut kemudian dioptimasi dengan menggunakan metode algoritma genetika. . Hasil penelitian ini menunjukkan bahwa metode algoritma genetika sangat efisien dalam menemukan solusi TSCC minimum dari model rantai pasokan agroindustri. dan distribusi. inventori. Andria (2007) melakukan penelitian tentang optimasi model rantai pasokan agroindustri cocodiesel dengan menggunakan algoritma genetika.pengolahan data menunjukkan bahwa penjadwalan yang menggunakan Tabu Search memiliki makespan yang lebih kecil apabila dibandingkan dengan keempat metode lainnya. Model rantai pasokan agroindustri yang optimal adalah rantai yang memiliki kombinasi paling baik dan efisien sehingga dapat diperoleh TSCC (Total Supply Chain Cost) yang paling minimum.

Jadwal yang baik diperoleh dari algoritma yang baik pula. Sebuah industri dengan tipe sistem produksi job-shop menggunakan parameter optimasi yaitu nilai makespan (waktu penyelesaian pekerjaan secara keseluruhan). Program algoritma genetika akan dirancang. Pertama adalah tahapan loading. Penjadwalan tipe job shop merupakan penjadwalan yang kompleks karena merupakan kombinasi pengurutan job-job pada tiap mesin yang memprosesnya. Kombinasi yang optimum akan menghasilkan nilai makespan yang minimum. dibuat. METODOLOGI PENELITIAN A.III. Penggunaan algoritma genetika. yaitu penentuan urutan pengerjaan untuk masing-masing job. Ketiga adalah tahapan detailed scheduling. Semakin meningkatnya alternatif penjadwalan produksi secara eksponensial. yaitu pengaturan waktu mulai dan selesainya suatu job. fasilitas. dapat memecahkan masalah penjadwalan tersebut dengan solusi yang mendekati optimum namun hanya membutuhkan waktu dan usaha yang lebih kecil. dengan banyaknya sumber daya yang digunakan merupakan permasalahan pada optimasi kombinatorial yang kompleks. dan aktivitas manusia dalam sebuah organisasi. dan diimplementasikan untuk mencari solusi optimum pada permasalahan . yaitu penentuan job yang harus diproses untuk setiap mesin. yaitu metode pencarian secara acak yang meniru proses alam (proses evolusi). Penjadwalan bagi perusahaan manufaktur adalah aspek yang sangat penting karena penjadwalan merupakan salah satu bagian perencanaan dan pengendalian produksi. KERANGKA PEMIKIRAN Penjadwalan secara umum didefinisikan sebagai penetapan waktu dari penggunaan peralatan. sehingga perlu untuk menentukan suatu algoritma yang tepat untuk suatu masalah penjadwalan. Permasalahan pada penjadwalan tipe job shop yang rumit dan kompleks membutuhkan suatu metode yang mampu memecahkan masalah tersebut yang tidak dapat dipecahkan oleh metode-metode konvensional. Penjadwalan produksi terdiri dari tiga tahapan utama. Kedua adalah tahapan sequencing.

dan logis. 2002). 2002) Metode di atas merupakan metode yang bersifat umum. Penggunaan algoritma genetika dalam pencarian solusi yang optimum diharapkan mampu memecahkan masalah penjadwalan tipe job shop dengan lebih efektif dan efisien. PENDEKATAN METODE ILMIAH Penelitian ini menggunakan pendekatan metode ilmiah (scientific method).penjadwalan tipe job shop dalam penelitian ini. tahap verifikasi dan validasi model. tahap identifikasi masalah. Metode penelitian penjadwalan tipe job shop yang menggunakan algoritma genetika diilustrasikan dalam bentuk diagram alir yang terdapat pada Gambar 11. konsisten. Diagram metode ilmiah dapat dilihat pada Gambar 10 di bawah ini : Observasi Definisi Masalah Perancangan Model Verifikasi dan Validasi Model Solusi Implementasi Gambar 10. tahap solusi. Model ilmiah terdiri dari tahap observasi. B. Program tersebut bertujuan untuk meminimumkan nilai makespan (waktu penyelesaian pekerjaan secara keseluruhan). tahap konstruksi model. dan tahap implementasi (Taylor. Pendekatan metode ilmiah merupakan metodologi pemecahan masalah secara sistematis. . Diagram alir metode ilmiah (Taylor.

Diagram alir penelitian penjadwalan tipe job shop .Mulai Membuat skenario kasus sederhana sebagai Kasus 1 Mengambil kasus dari literatur sebagai Kasus 2 Menggunakan data riil pada industri peralatan pengolahan hasil pertanian (Kasus 3) Menentukan fungsi makespan dengan metode preference list based representation Menyelesaikan Kasus 1 dengan cara enumeratif (mencoba seluruh alternatif penjadwalan yang dapat terjadi) Membuat program algoritma genetika masalah penjadwalan : GA_JobShop Membandingkan nilai makespan hasil perhitungan enumeratif dengan hasil pencarian algoritma genetika Nilai makespan sama ? ya Selesai tidak Gambar 11.

sedangkan validasi merupakan proses penentuan apakah hasil output pada program merupakan representasi yang akurat dari aplikasi nyata (Hoover dan Perry.0. Ketiga kasus tersebut dioptimasi dengan program GA_JobShop untuk didapatkan nilai makespan yang minimum. Terdapat tiga kasus yang akan dipecahkan oleh program GA_JobShop yaitu Kasus ke-1 merupakan kasus penjadwalan 3 job merupakan kasus penjadwalan 3 job 2 mesin.Program algoritma genetika yaitu GA_JobShop (Genetic Algoritms for Job Shop Scheduling) dibuat dengan bahasa pemrograman Borland Delphi 7. seperti Kasus 2 dan Kasus 3. Kasus ke-3 merupakan kasus penjadwalan 5 job – 12 mesin. Data skenario pada Kasus 1 dirancang sebagai numerical example. Data tersebut dihitung nilai makespan-nya dengan cara enumeratif kemudian dibandingkan dengan hasil yang diperoleh dari pencarian algoritma genetika (menggunakan program GA_JobShop ) sebagai verifikasi dan validasi program yang telah dibuat. Apabila hasil perhitungan dengan program sudah sama dengan hasil perhitungan enumeratif maka program GA_JobShop dapat digunakan untuk memecahkan masalah dengan skala yang lebih besar. Kasus ke3 merupakan studi kasus industri peralatan pengolahan hasil pertanian. Kasus ke-2 3 mesin. Verifikasi merupakan pemeriksaan apakah logika pada program sesuai dengan logika penjadwalan tipe job shop. 1997). . 1989). Kasus ke-1 merupakan skenario penjadwalan yang sangat sederhana (numerical example) dan Kasus ke-2 merupakan contoh penjadwalan tipe job shop yang diambil dari literatur yang terdapat pada buku Genetic Algorithm and Engineering Design (Gen dan Cheng.

1997). sebuah kromosom akan terdiri dari m sub-kromosom untuk setiap mesin. dan operasi yang muncul pertama kali akan ditunjukkan untuk melakukan pekerjaan untuk pertama kali. Untuk pemecahan masalah job shop dengan pekerjaan sebanyak n dan mesin sebanyak m. Representasi kromosom dengan preference-list-based representation B. Untuk lebih jelasnya. FUNGSI FITNESS . Untuk jadwal di lapangan akan ditentukan dengan menggunakan kromosom yang berasal dari simulasi. Setiap sub-kromosom adalah simbol string dengan panjang n dan setiap simbol akan teridentifikasi sebagai sebuah operasi untuk dikerjakan pada mesin seharusnya. PEMBAHASAN A. dimana analisis didasarkan pada urutan menunggu pada jadwal. 1 2 3 n 1 2 3 n 1 2 3 n Mesin 1 Sub-kromosom Mesin 2 Sub-kromosom Mesin m Sub-kromosom Gambar 12. Jumlah mesin akan ditunjukkan oleh banyaknya sub-kromosom dan jumlah job akan ditunjukkan oleh banyaknya string di dalam sub-kromosom. representasi kromosom dapat diilustrasikan pada Gambar 12. REPRESENTASI KROMOSOM Representasi kromosom yang digunakan untuk memecahkan masalah penjadwalan job shop salah satunya adalah metode preference-list-based representation (Gen dan Cheng.IV. Hal ini dilakukan karena representasi berdasarkan daftar referensi dan setiap mesin mempunyai daftar referensinya sendiri.

Persamaan fungsi fitness-nya adalah sebagai berikut : n m Fk = Mk = x=1 y=1 txy Keterangan : Fk = Nilai fitness kromosom ke-k pada populasi Mk = Nilai makespan kromosom ke-k pada populasi C. Fungsi fitness dibuat berbanding lurus dengan fungsi tujuan (nilai makespan) sehingga kromosom yang paling baik adalah kromosom yang memiliki nilai fitness paling kecil. Fungsi fitness bertujuan untuk mengukur seberapa baik nilai sebuah kromosom dalam populasi. Fungsi tujuannya adalah sebagai berikut : n m Min x=1 y=1 txy Keterangan : n = jumlah job m = jumlah mesin txy = waktu proses job-x di mesin-y Masalah penjadwalan job shop merupakan masalah minimasi makespan. kemudian dibandingkan berdasarkan nilai fitness-nya.Evaluasi kromosom dilakukan pada tahap penentuan nilai dari fungsi fitness masing-masing kromosom. SELEKSI (SELECTION) Proses seleksi dilakukan dengan cara memilih kromosom yang memiliki nilai makespan minimum atau nilai fitness yang paling kecil. fungsi tujuannya adalah meminimumkan nilai makespan (total waktu keseluruhan penyelesaian job). Teknik ini merupakan teknik seleksi turnamen (tournament selection). yaitu akan dipilih dua buah kromosom secara acak dalam suatu populasi. Pada penjadwalan job shop . Kromosom yang memiliki nilai fitness lebih kecil akan terpilih dan kemudian akan disilangkan dengan .

Operator mutasi yang digunakan pada penelitian ini adalah jenis reciprocal exchange mutation yang telah dimodifikasi. . Mutasi juga menghindari terjadinya perolehan nilai optimum lokal. MUTASI (MUTATION) Proses mutasi yaitu terjadinya perubahan struktur kromosom anak (offspring) hasil proses penyilangan menjadi sebuah kromosom baru. E. Kromosom-kromosom baru (offsprings) tersebut diharapkan memiliki nilai fitness yang lebih baik dari kromosom sebelumnya (parent). Operator penyilangan yang digunakan pada penelitian ini adalah jenis Partially-Mapped Crossover (PMX) yang telah dimodifikasi. Teknik PMX secara otomatis akan membuat kromosom tidak legal menjadi legal dengan metode hubungan pemetaan (mapping relationship). bekerja dengan cara menukar secara acak dua buah gen pada salah satu sub-kromosom. D. Dua buah kromosom yang terpilih disilangkan dengan cara memilih dua buah titik penyilangan secara acak di masing-masing salah satu subkromosom. PMX yang digunakan bekerja hanya pada salah satu sub-kromosom pada tiap kromosom. Kromosom baru tersebut memiliki struktur yang berbeda dari sebelumnya. PENYILANGAN (CROSSOVER) Proses penyilangan adalah bertukarnya gen-gen antara dua buah kromosom yang terpilih sehingga membentuk dua buah kromosom baru (offspring).kromosom yang terpilih lainnya untuk dilakukan proses penyilangan (crossover). Gen-gen yang terletak diantara dua buah sub-kromosom tersebut saling dipertukarkan sehingga membentuk kromosom baru (offspring). Mutasi bertujuan untuk memunculkan kromosom yang belum pernah ada ataupun mengembalikan kromosom terdahulu yang telah hilang pada generasi-generasi sebelumnya. Kelegalan sebuah kromosom dilihat dari tidak adanya gen yang sama pada tiap sub-kromosom.

1999) yang telah dimodifikasi. Metode mutation (mutasi) di dalam prosedur generation menggunakan tipe reciprocal exchange mutation yang telah dimodifikasi.F.0 dengan acuan program Simple Genetic Algorithm (SGA) yang telah dikembangkan oleh Goldberg pada tahun 1989. 3. Berikut adalah struktur program utama algoritma genetika (fungsi-fungsi dan prosedur-prosedur) dalam paket program GA_JobShop : . Prosedur crossover (penyilangan) menggunakan tipe PMX (Arkeman. Prosedur pembuatan output file yaitu report sebagai laporan kinerja algoritma genetika dari generasi ke generasi yang merupakan hasil pengembangan Arkeman (1999). yaitu penyilangan terjadi hanya di salah satu sub-kromosom. 6. diantaranya : 1. Representasi kromosom yang digunakan adalah jenis preference list based representation. Beberapa perubahan dan pengembangan dari program SGA tersebut telah dilakukan. 4. 5. 2. Fungsi makespan untuk menghitung nilai total waktu penyelesaian pada suatu penjadwalan job shop. yang telah mengalami perubahan dari sebelumnya menggunakan seleksi cakram rolet (roulette wheel selection). yaitu mutasi terjadi hanya di salah satu sub-kromosom. Fungsi select (seleksi) menggunakan teknik seleksi turnamen (tournament selection). IMPLEMENTASI PROGRAM (GA_JobShop) Implementasi dari proses algoritma genetika pada penelitian ini adalah berupa program GA_JobShop yang dibuat menggunakan bahasa pemrograman Borland Delphi 7.

Prosedur Advance_Random. Kegunaan dari prosedurprosedur dan fungsi-fungsi di dalam program GA_JobShop adalah sebagai berikut : a. Warm_Up Random. Struktur tersebut dapat dilihat pada Gambar 13. Program utama tersebut bertugas untuk menghimpun prosedurprosedur dan fungsi-fungsi yang telah dibuat. . 11 prosedur dan 5 fungsi. Struktur program utama GA_JobShop Program GA_JobShop memiliki struktur yang terdiri dari satu program utama. dan Randomize Prosedur untuk membangkitkan bilangan acak pada komputer.Program Utama Prosedur Advance_Random WarmUp_Random Randomize Statistics InitData InitReport InitPop Initialize Crossover Generation Report Fungsi Random Flip Rnd Hitung_Makespan Select Gambar 13.

Prosedur InitReport Prosedur untuk menampilkan laporan tentang informasi populasi awal atau generasi ke-0 yang mencakup struktur kromosom. minimum. letak sub-kromosom terjadinya penyilangan. peluang penyilangan. Di dalamnya terdapat proses seleksi. dan maksimum untuk tiap generasi. Prosedur Crossover Prosedur untuk menyilangkan dua buah kromosom dengan teknik partially mapped crossover (PMX) yang telah dimodifikasi. Prosedur InitPop Prosedur untuk membuat suatu populasi awal secara acak dengan representasi kromosom tipe preference list based representation . dan nilai makespan. h. f. letak sub-kromosom terjadinya mutasi. dan persiapan pembangkitan bilangan acak. c. titik penyilangan. d. dan mutasi. peluang mutasi. InitPop. Prosedur Initialize Prosedur untuk menghimpun prosedur InitData. i. Statistics. jumlah populasi. Prosedur Generation Prosedur untuk mengembangbiakan kromosom-kromosom hingga generasi maksimum. Prosedur Report Prosedur pembuatan output file yaitu report sebagai laporan kinerja algoritma genetika dari generasi ke generasi yang menginformasikan secara detail tentang struktur kromosom induk dan anak. penyilangan. Fungsi Random Fungsi untuk membangkitkan sebuah bilangan acak dari rentang 0-1.b. . e. nilai makespan tiap kromosom. Prosedur Statistics Prosedur menghitung dan menyimpan nilai makespan rata-rata. j. Prosedur InitData Prosedur untuk menginisialisasi variabel-variabel algoritma genetika seperti panjang kromosom. g. dan InitReport. dan statistik nilai makespan.

Dalam program ini digunakan untuk membangkitkan nilai-nilai solusi kromosom dari variabel-variabel keputusan. Fungsi Flip Fungsi untuk menghasilkan nilai boolean true apabila bilangan acak yang dibangkitkan lebih kecil atau sama dengan nilai probabilitas penyilangan ataupun mutasi. Langkah-langkah yang dilakukan program GA_JobShop untuk mencari nilai makespan minimum : Langkah 1 : Membaca data masukan masalah penjadwalan job shop : a) Jumlah job b) Jumlah mesin c) Urutan proses tiap-tiap job pada mesin-mesin yang bekerja d) Waktu proses tiap-tiap job pada mesin-mesin yang bekerja Langkah 2 : Membaca masukan nilai-nilai parameter algoritma genetika : a) Probabilitas penyilangan (Pc) b) Probabilitas mutasi (Pm) c) Bilangan acak d) Jumlah generasi maksimum (MaxGen) Langkah 3 : Menginisialisasi populasi awal : a) Membangkitkan populasi awal secara acak b) Mengevaluasi kromosom dalam populasi untuk mengetahui nilai makespan-nya Langkah 4 : Menghasilkan populasi baru sampai kriteria penghentian terpenuhi (iterasi algoritma genetika) : . Fungsi Hitung_Makespan Fungsi untuk menghitung nilai makespan (total waktu penyelesaian) penjadwalan tipe job shop.k. l. n. Fungsi Select Fungsi untuk memilih kromosom induk menggunakan teknik tournament selection. m. Fungsi Rnd Fungsi untuk membangkitkan bilangan acak dari rentang tertentu.

2 mesin 2. Berdasarkan representasi kromosom jenis preference list based representation maka mesin-mesin yang ada digolongkan menjadi sub-kromosom yang memuat daftar job-job di dalamnya. Bogor. minimum. Kasus 3 job . sehingga kasus 3 job – 2 mesin memiliki kemungkinan sebanyak (3!)2 = 36 calon solusi. STUDI KASUS Pada penelitian ini dicari fungsi fitness yang paling kecil yang berarti nilai makespan paling minimum. Ada tiga buah kasus yang akan dikaji dengan menggunakan program GA_JobShop : 1. Kasus ke-3 merupakan kasus riil di industri peralatan pengolahan hasil pertanian CV Mitra Niaga Indonesia. Kasus 5 job . Kasus 1 : Penjadwalan job shop kasus 3 job .12 mesin Kasus ke-1 merupakan numerical example. G. serta frekuensi kumulatif penyilangan dan mutasi pada setiap generasi. 1997). Kasus 3 job .3 mesin 3. Kasus 2 mengacu pada persoalan yang terdapat di dalam buku Genetic Algorithms and Engineering Design (Gen dan Cheng. Data kasus 1 dibuat dengan mengikuti aturan permasalahan pada sebuah penjadwalan tipe job shop. dan ratarata).2 mesin Masalah penjadwalan 3 job – 2 mesin berarti masalah penempatan jobjob pada mesin-mesin yang sesuai.a) Memilih kromosom induk dengan teknik seleksi turnamen (tournament selection) b) Menyilangkan (crossover) kromosom-kromosom induk dengan operator penyilangan atau memutasikannya (mutation) dengan operator mutasi berdasarkan probabilitas kejadian masing-masing c) Mengevaluasi setiap kromosom baru yang terbentuk Langkah 5 : Melaporkan nilai makespan (maksimum. 1. yaitu data yang digunakan sebagai verifikasi dan validasi program GA_JobShop. Langkah 6 : Kembali ke Tahap 4 jika generasi maksimum belum tercapai. .

Mesin 1 memproses job 1 selama 2 satuan waktu. Contoh kasusnya adalah sebagai berikut : Waktu Proses Job j1 j2 j3 Urutan Proses 1 2 2 5 2 3 3 4 Job j1 j2 j3 Urutan Mesin Urutan Proses 1 m1 m2 m1 2 m2 m1 m2 Tabel 1. Job 1 memiliki urutan proses yang berbeda dengan job 2. memproses job 2 selama 2 satuan waktu.Didapatkan persamaan umum untuk peluang representasi kromosom (total search space) adalah (n!)m. memproses job 2 selama 3 satuan waktu. Mesin 2 menjadi mesin yang didahulukan oleh job 2. dengan n adalah banyaknya job dan m adalah banyaknya mesin. Sedangkan mesin 2 memproses job 1 selama 3 satuan waktu. Masing-masing mesin memiliki waktu proses yang berbeda untuk jobjob yang berbeda. Data ini dibuat dengan mengikuti aturan penjadwalan tipe job shop. Program GA_JobShop akan diuji kebenarannya melalui data numerik pada Kasus 1 ini. Pada Tabel 1 di atas dapat dijelaskan bahwa Kasus 1 memiliki tiga job yang harus diselesaikan pada dua mesin yang berbeda. yaitu menghitung semua alternatif yang ada (total search space). Job 1 harus melewati mesin 1 terlebih dahulu kemudian dilanjutkan dengan mesin 2. urutan mesin. dan urutan proses pada Kasus 1 (3 job – 2 mesin) Salah satu karakteristik penjadwalan tipe job shop adalah tiap-tiap job memiliki urutan proses yang berbeda-beda. Nilai makespan yang diperoleh dari hasil output program GA_JobShop akan dibandingkan dengan perhitungan secara enumeratif. dan memproses job 3 selama 4 satuan waktu. yaitu mesin 1 setelah itu mesin 2. dan memproses job 3 selama 5 satuan waktu. Untuk dapat lebih memahami tabel di atas maka dapat diilustrasikan pada Gambar 14 di bawah ini : . Waktu proses. Job 3 memiliki urutan proses yang sama dengan job 1.

Nilai-nilai tersebut akan diacak sehingga menghasilkan penjadwalan yang variatif. Representasi kromosomnya dapat dilihat pada Gambar 15 di bawah ini : 1 2 Mesin 1 3 1 2 Mesin 2 3 Gambar 15.Urutan mesin yang harus dilewati Job 1 1 t=2 Job 2 2 t=3 2 t=2 1 t=3 2 t=4 Job 3 1 t=5 Gambar 14. Representasi kromosom penjadwalan tipe job shop kasus 3 job – 2 mesin Nilai-nilai gen di dalam sub-kromosom menandakan job n yang harus melewati mesin m. Cara menerjemahkan kromosom pada Gambar 15 adalah sebagai berikut : . Ilustrasi alur proses pada Kasus 1 (3 job – 2 mesin) Tiap-tiap job yang melewati mesin-m akan menjadi suatu gen di dalam sub-kromosom (mesin-m).

Cek masing-masing nilai gen (job n) yang pertama pada tiap-tiap sub-kromosom (mesin m) apakah job pada mesin tersebut merupakan urutan proses yang ke-1. 1 2 3 1 2 3 Gambar 16. Cek masing-masing nilai gen (job n) yang kedua pada tiaptiap sub-kromosom (mesin m) apakah job pada mesin tersebut merupakan urutan proses yang ke-1. 1 2 3 1 2 3 Gambar 18. Cek nilai gen yang kedua pada mesin 1 dan 2 untuk urutan proses ke-1 Job 2 merupakan urutan proses yang ke-1 pada mesin 2 sehingga dapat digambarkan sebagai berikut : .Langkah 1. Cek nilai gen yang pertama pada mesin 1 dan 2 untuk urutan proses ke-1 Job 1 merupakan urutan proses yang ke-1 pada mesin 1 sehingga dapat digambarkan sebagai berikut : m2 m1 Job 1 1 2 3 4 5 6 7 waktu 8 9 10 11 12 Gambar 17. Penempatan job 1 urutan proses ke-1 pada mesin 1 Langkah 2.

m2 m1 Job 2 Job 1 1 2 3 4 5 6 7 waktu 8 9 10 11 12 Gambar 19. Cek masing-masing nilai gen (job n) yang ketiga pada tiaptiap sub-kromosom (mesin m) apakah job pada mesin tersebut merupakan urutan proses yang ke-1. Penempatan job 2 urutan proses ke-1 pada mesin 2 Langkah 3. . 1 2 3 1 2 3 Gambar 20. Cek kembali masing-masing nilai gen (job n) yang pertama pada tiap-tiap sub-kromosom (mesin m) apakah job pada mesin tersebut merupakan urutan proses yang ke-2. Penempatan job 3 urutan proses ke-1 pada mesin 1 Langkah 4. Cek nilai gen yang ketiga pada mesin 1 dan 2 untuk urutan proses ke-1 Job 3 merupakan urutan proses yang ke-1 pada mesin 1 sehingga dapat digambarkan sebagai berikut : m2 m1 Job 2 Job 1 1 2 3 4 Job 3 5 6 7 waktu 8 9 10 11 12 Gambar 21.

1 2 3 1 2 3 Gambar 24.1 2 3 1 2 3 Gambar 22. Cek kembali masing-masing nilai gen (job n ) yang kedua pada tiap-tiap sub-kromosom (mesin m) apakah job pada mesin tersebut merupakan urutan proses yang ke-2. . Cek nilai gen yang pertama pada mesin 1 dan 2 untuk urutan proses ke-2 Job 1 merupakan urutan proses yang ke-2 pada mesin 2 sehingga dapat digambarkan sebagai berikut : m2 m1 Job 2 Job 1 1 2 3 Job 1 Job 3 4 5 6 7 waktu 8 9 10 11 12 Gambar 23. Penempatan job 1 urutan proses ke-2 pada mesin 2 Langkah 5. Cek nilai gen yang kedua pada mesin 1 dan 2 untuk urutan proses ke-2 .

Job 2 merupakan urutan proses yang ke-2 pada mesin 1 sehingga dapat digambarkan sebagai berikut : m2 m1 Job 2 Job 1 1 2 3 Job 1 Job 3 4 5 6 7 waktu 8 Job 2 9 10 11 12 Gambar 25. 1 2 3 1 2 3 Gambar 26. Cek nilai gen yang ketiga pada mesin 1 dan 2 untuk urutan proses ke-2 Job 3 merupakan urutan proses yang ke-2 pada mesin 2 sehingga dapat digambarkan sebagai berikut : m2 m1 Job 2 Job 1 1 2 3 Job 1 Job 3 4 5 6 7 waktu 8 9 Job 3 Job 2 10 11 12 Gambar 27. Cek kembali masing-masing nilai gen (job n ) yang ketiga pada tiap-tiap sub-kromosom (mesin m) apakah job pada mesin tersebut merupakan urutan proses yang ke-2. Penempatan job 2 urutan proses ke-2 pada mesin 1 Langkah 6. . Penempatan job 3 urutan proses ke-2 pada mesin 2 Pada Gambar 27 di atas merupakan penerjemahan dari kromosom [1 2 3] [1 2 3] didapatkan nilai makespan sebesar 11 satuan waktu.

Setelah kedua nilai tersebut diinput maka langkah selanjutnya adalah memasukkan waktu proses tiap-tiap mesin pada job-job yang diproses.a. Input waktu proses dan urutan proses dapat dilihat dari Tabel 1. Penjadwalan job shop adalah penjadwalan yang urutan proses mesin-mesinnya berbeda-beda untuk masing-masing job. Nilai-nilai tersebut dimasukkan ke dalam program sebagai berikut : . Tampilan Program GA_JobShop Tampilan program GA_JobShop dapat dilihat pada Gambar 28 di bawah ini : Gambar 28. Tampilan program GA_JobShop b. Input Program Nilai-nilai utama yang diinput pada Kasus 1 adalah : Ø Jumlah job = 3 Ø Jumlah mesin = 2 Ø Waktu proses dari tiap-tiap job (berdasarkan Tabel 1) Ø Urutan proses dari tiap-tiap job (berdasarkan Tabel 1) Input program Kasus 1 pada Jumlah Job yaitu 3 dan Jumlah Mesin yaitu 2.

Input nilai-nilai utama pada program GA_JobShop (Kasus 1) c. yaitu 0. 0. dan 0. Peluang mutasi (Pc) biasanya memiliki nilai yang rendah.Gambar 29. Dengan penyilangan diharapkan akan mendapatkan kromosom baru (offspring) yang nilai makespan-nya lebih optimum.7. Peluang terjadinya mutasi memang cukup rendah karena apabila terlalu banyak terjadi mutasi maka kemungkinan akan mengganggu kestabilan populasi yang ada. Mutasi bertujuan untuk memunculkan kromosom yang belum .01 = 0.8.9.9 = 0.6 = 20 Ø Jumlah generasi maksimum (MaxGen ) = 100 Peluang penyilangan (Pc) biasanya memiliki nilai yang tinggi. Pada program GA_JobShop terdapat tiga pilihan untuk menentukan peluang penyilangan yang akan digunakan. Parameter-parameter Algoritma Genetika Nilai-nilai parameter algoritma genetika yang digunakan untuk Kasus 1 adalah sebagai berikut : Ø Peluang penyilangan (Pc) Ø Peluang mutasi (Pm) Ø Bilangan acak (0-1) Ø Jumlah populasi (PopSize) = 0. Semakin tinggi nilai Pc maka akan semakin banyak kromosom-kromosom yang mengalami penyilangan.

Jumlah populasi (PopSize) menunjukkan ukuran populasi. Jumlah generasi maksimum digunakan sebagai kriteria penghentian. yaitu 0. Pada program GA_JobShop terdapat tiga pilihan peluang mutasi. dan 0.01.pernah ada pada sebuah populasi atau mengembalikan kromosom yang pernah ada pada populasi.5. Pada Kasus 1. artinya terdapat 20 kromosom pada setiap populasi. 0. Jumlah populasi pada program GA_JobShop sudah ditentukan yaitu 20. Nilai-nilai parameter tersebut dimasukkan ke dalam program sebagai berikut : Gambar 30. artinya proses pencarian algoritma genetika akan berhenti setelah generasi atau populasi sudah mencapai 100. Kedua proses tersebut. Inisialisasi Populasi Awal Populasi awal P(0) dibangkitkan secara acak oleh program GA_JobShop dan hasil running dapat dilihat pada Gambar 31 di bawah ini : . generasi maksimum ditentukan sebesar 100. yaitu jumlah kromosom pada suatu populasi. Input nilai-nilai parameter pada program GA_JobShop (Kasus 1) d. yaitu penyilangan dan mutasi dilakukan dengan tujuan pencapaian nilai makespan yang optimum.

6 adalah 12. Evaluasi dan Seleksi Kromosom Setiap kromosom-k dalam populasi dievaluasi dengan menghitung nilai fitness-nya setelah terbentuk populasi awal. Pada kasus penjadwalan tipe job shop . nilai makespan merupakan nilai fitness.Gambar 31. Populasi awal P(0) untuk Kasus 1 Pada populasi ke-0 nilai makespan tertinggi yaitu sebesar 14 dan terendah sebesar 11. e.35. Berikut adalah nilai makespan untuk masing-masing kromosom (Mk) pada P(0) : M1 = 14 M2 = 14 M3 = 11 M4 = 11 M5 = 14 M6 = 12 M7 = 14 M8 = 11 M9 = 14 M10 = 12 M11 = 14 M12 = 11 M13 = 12 M14 = 14 M15 = 14 M16 = 11 M17 = 11 M18 = 11 M19 = 11 M20 = 11 . Nilai makespan rata-rata pada populasi awal tersebut yang telah dibangkitkan oleh bilangan acak sebesar 0.

makespan-nya Kromosom(12) . makespan-nya Kromosom(8) . makespan-nya Kromosom(19) . makespan-nya Kromosom(13) .Setelah semua kromosom dievaluasi nilai makespan-nya. makespan-nya Kromosom(4) . Berikut adalah langkah-langkah teknik seleksi turnamen pada Kasus 1 : Langkah 1. Teknik seleksi yang digunakan adalah teknik seleksi turnamen (tournament selection). makespan-nya Kromosom(10) . makespan-nya Kromosom(17) . makespan-nya Kromosom(20) . makespan-nya Kromosom(18) . Pilih dua buah kromosom secara acak dalam populasi Bandingkan nilai makespan kedua buah kromosom tersebut Kromosom akan terpilih apabila nilai makespan kromosom tersebut lebih kecil dari nilai makespan kromosom yang lain Kromosom-kromosom yang terpilih sebagai kromosom induk dari P(0) adalah sebagai berikut : Kromosom(2) . makespan-nya Kromosom(11) . Sepasang kromosom akan dipilih secara acak untuk disilangkan membentuk sepasang kromosom baru. Langkah 2. Langkah 3. makespan-nya à M2 à M3 à M5 à M6 à M7 à M8 à M9 = 14 = 11 = 12 = 11 = 14 = 12 = 14 à M 13 = 11 à M 14 = 12 à M 15 = 14 à M 17 = 11 à M 18 = 11 à M 19 = 11 à M 18 = 11 à M 19 = 11 . makespan-nya Kromosom(6) . makespan-nya Kromosom(15) . makespan-nya Kromosom(16) . makespan-nya Kromosom(9) . proses selanjutnya adalah proses seleksi kromosom.

Ilustrasi proses penyilangan tersebut dapat dilihat pada Gambar 32 di bawah ini : . Pada Kasus 1 ini peluang penyilangan (Pc) yang digunakan adalah 0. Menyilangkan dua buah sub-kromosom tersebut dengan aturan PMX Tahapan 5. Dua buah (sepasang) kromosom induk diberikan suatu peluang untuk dapat melakukan melakukan proses penyilangan. Proses penyilangan tersebut dapat dilihat pada Gambar 32.9 berarti diharapkan 90% populasi yang terbentuk pada generasi selanjutnya adalah hasil penyilangan generasi sebelumnya.f. Mengambil sepasang kromosom induk hasil proses seleksi Tahapan 2. Menentukan dua buah titik penyilangan secara acak pada masing-masing sub kromosom yang terpilih secara acak Tahapan 4. Teknik penyilangan yang digunakan adalah Partially Mapped Crossover (PMX) yang telah dimodifikasi pada penelitian ini. Nilai 0. Dua buah kromosom baru tersebut menjadi anggota populasi baru P(1) sebagai kromosom(1) dan kromosom(2).9. Berikut adalah tahapan-tahapan proses penyilangan : Tahapan 1. Muncul dua buah kromosom baru hasil penyilangan dan masukkan ke dalam populasi berikutnya Dari populasi P(0) diambil sebagai contoh yang mengalami penyilangan adalah kromosom(8) dan kromosom(16). Menentukan salah satu sub-kromosom secara acak pada masing-masing kromosom induk yang akan disilangkan Tahapan 3. Sub-kromosom (Mach.Cross) yang terpilih adalah sub-kromosom ke-1 dengan titik penyilangannya adalah 1 dan 2. Penyilangan dan Mutasi Proses penyilangan terjadi setelah proses seleksi. Sepasang kromosom yang disilangkan tersebut menghasilkan dua buah kromosom baru yang nilai makespan-nya lebih besar dari kedua induknya.

Berikut ini merupakan populasi baru P(1) yang terbentuk dari penyilangan kromosom-kromosom di populasi awal P(0) : . Sesuai dengan metode PMX. Subkromosom ke-1 dari kromosom(16) adalah [1 3 2] dan gen yang mengalami penyilangan adalah gen 3. yaitu terjadi peningkatan nilai menjadi 14 pada masing-masing kromosom anak.1 2 Parent 1 Parent 2 2 1 1 3 3 2 1 2 2 1 3 3 M 8 = 11 M 16 = 11 Child 1 Child 2 2 3 3 1 1 2 1 2 2 1 3 3 M 3 = 14 M 4 = 14 Gambar 32. Setelah itu gen-gen yang terpilih yaitu 1 dan 3 saling bertukaran. maka hasil penyilangan kromosom(8) dan kromosom(16) adalah [2 3 1] [1 2 3] dan [3 1 2] [2 1 3]. Proses penyilangan kromosom(8) dan kromosom(16) generasi ke-0 untuk Kasus 1 Pada Gambar 32 di atas dapat dilihat bahwa sub-kromosom ke-1 dari kromosom(8) adalah [2 1 3] dengan titik penyilangan 1 dan 2 maka job 1 terpilih sebagai gen yang mengalami proses penyilangan. Kromosom(8) dan kromosom(16) yang kedua-duanya memiliki nilai makespan sebesar 11. setelah mengalami proses penyilangan mengalami perubahan nilai makespan.

mutasi terjadi pada generasi ke-7 atau populasi P(7) dan terjadi pada kromosom(10). Peluang terjadinya mutasi adalah sangat kecil apabila dibandingkan dengan peluang terjadinya penyilangan.01 yang artinya adalah 1% kromosom dalam populasi baru mengalami mutasi. Proses mutasi terjadi setelah proses penyilangan dan disebut dengan mutation-embedded within crossover.Gambar 33. Mutasi terjadi hanya pada salah satu sub-kromosom dan salah satu gen. peluang mutasi adalah sebesar 0. selain proses penyilangan adalah proses mutasi. Berikut adalah kromosom-kromosom populasi P(6) sebagai kromosom induk populasi P(7) yang akan mengalami mutasi setelah mengalami proses penyilangan : . Kromosom(10) adalah kromosom anak hasil penyilangan kromosom(10) dan kromosom(1) pada generasi ke-6 atau populasi P(6). Pada Kasus 1. Populasi baru P(1) pada Kasus 1 Proses yang mungkin terjadi pada suatu populasi. Pada Kasus 1.

Gambar 34. Kromosom-kromosom pada populasi P(6) sebelum mengalami penyilangan dan mutasi di populasi P(7) Berikut adalah populasi dimana pertama kali terjadi proses mutasi (Kasus1) : Gambar 35. Populasi P(7) terjadi mutasi pada Kasus 1 Proses mutasi tersebut dapat dilihat pada Gambar 36 di bawah ini : .

serta proses mutasi merupakan tahapan-tahapan yang menjadi rangkaian pencarian dalam menemukan solusi optimum. artinya proses pencarian akan berhenti setelah mencapai generasi ke-100. Nilai makespan tetap 11. . Seluruh proses pada program GA_JobShop mulai dari inisialisasi populasi awal.Mutate) yang terpilih adalah sub-kromosom ke-1. proses penyilangan. seleksi kromosom. Kriteria penghentian yang digunakan pada program GA_JobShop adalah jumlah generasi maksimum (MaxGen). generasi ke-7. Pencarian akan dihentikan apabila kriteria penghentian terpenuhi. Sub-kromosom (Mach. yaitu [1 2 3] dan setelah mengalami mutasi maka gen 1 dan 2 saling bertukaran. Mutasi kromosom(10) pada generasi ke-7 untuk Kasus 1 Mutasi terjadi pada kromosom(10). Kromosom baru hasil proses mutasi adalah [2 1 3] [1 2 3] yang memiliki nilai makespan yang sama dengan nilai makespan kromosom induknya. Untuk Kasus 1 generasi maksimumnya adalah sebanyak 100 generasi. evaluasi kromosom.1 2 Parent 1 Parent 2 1 1 2 2 3 3 1 1 2 2 3 3 M 10 = 11 M 1 = 11 Child 1 Child 2 1 1 2 2 3 3 1 1 2 2 3 3 M 9 = 11 M 10 = 11 Child 2 ($) * 2 * 1 3 1 2 3 M 10 ($) = 11 Gambar 36.

Grafik berikutnya terdapat pada Gambar 38. Grafik yang pertama yaitu terdapat pada Gambar 37. makespan rata-rata. Bilangan Acak=0. makespan rata-rata (Avg).01 . MaxGen=100) Nilai makespan maksimum tertinggi yang pernah diperoleh sepanjang 100 generasi adalah sebesar 14 dan nilai makespan minimum terendah yang pernah diperoleh sepanjang 100 generasi adalah sebesar 11. menunjukkan frekuensi terjadinya penyilangan dan mutasi sepanjang 100 generasi.6 . Gambar 37. dan makespan minimum (Min) dari generasi awal (generasi ke-0) hingga generasi maksimum (generasi ke-100). dan makespan minimum untuk 100 generasi pada Kasus 1 (Pc=0. Grafik nilai makespan maksimum. Semua nilai 14 yang kembali muncul setelah generasi ke-3 adalah hasil proses mutasi. menunjukkan nilai makespan maksimum (Max). Nilai tersebut muncul kembali dikarenakan oleh proses mutasi yang terjadi di generasi ke-17. PopSize=20. Generasi selanjutnya kembali konvergen di nilai 11.9 . Pm=0. meskipun tidak semua proses mutasi mengubah nilai . Nilai makespan mulai konvergen pada generasi ke-3. kemudian nilai 14 muncul kembali di generasi ke-17. Hasil Running Program GA_JobShop Hasil running program GA_JobShop untuk Kasus 1 diilustrasikan dalam dua buah grafik.g.

Nilai makespan terbaik (paling optimum) yang diperoleh dari 100 generasi adalah 11. Kedua proses tersebut mulai dilakukan pada generasi ke-1.6 . artinya tidak dilakukan. PopSize=20.9 . Grafik frekuensi penyilangan dan mutasi untuk 100 generasi pada Kasus 1 (Pc=0. Mutasi dengan frekuensi tertinggi yaitu sebanyak 2 kali dan frekuensi terendah yaitu sebanyak 0 kali. Berikut adalah penerjemahan kromosom tersebut : Tahap 1 Mesin 1 2 1 3 2 Mesin 2 1 3 × × × Urutan proses ke-1 . Terdapat beberapa proses mutasi pada Kasus 1 yang tidak menyebabkan terjadinya perubahan pada nilai makespan. Generasi ke-0 memang belum ada proses penyilangan dan mutasi. MaxGen=100) Sepanjang 100 generasi pada Kasus 1 telah terjadi proses penyilangan sebanyak 906 kali dan proses mutasi sebanyak 19 kali.01 . Gambar 38.makespan menjadi 14. Bilangan Acak=0. dengan struktur kromosomnya adalah [2 1 3] [2 1 3]. Frekuensi tertinggi untuk penyilangan pada tiap-tiap generasi adalah sebanyak 10 kali dan frekuensi terendah sebanyak 6 kali. Pm=0.

Apabila job tersebut merupakan urutan proses ke-1 pada mesin-m (sub-kromosom ke-m) maka penempatan dilakukan. yaitu penempatan job -n yang melewati mesin-m pada urutan proses ke-1. Tempatkan ketiga job tersebut pada mesin yang sesuai .m2 m1 Job 2 Job 1 1 2 3 4 Job 3 5 6 7 8 9 10 11 12 waktu Tahap 2 Mesin 1 2 1 3 2 Mesin 2 1 3 × × × × × × Urutan proses ke-1 Urutan proses ke-2 m2 m1 Job 2 Job 1 1 2 3 Job 1 Job 3 4 5 6 7 waktu 8 Job 3 Job 2 9 10 11 12 Gambar 39. Job-1 dan job-3 di mesin-1. dan job-2 di mesin-2 merupakan urutan proses ke-1. Tahapan-tahapan penerjemahan salah satu kromosom terbaik pada Kasus 1 Pada tahap 1. Penempatan didahulukan dari gen yang lebih awal (dari kiri ke kanan) pada sub-kromosom yang sama. Pengecekan dimulai dari gen yang pertama (paling kiri) dari masingmasing sub-kromosom.

yaitu : 1. Pada tahap 2. artinya satu mesin tidak dapat memproses beberapa job sekaligus. contohnya pada penempatan job-1 di mesin-2 dan job-2 di mesin-1. . Penempatan job yang sama pada mesin yang berbeda dilakukan setelah job tersebut pada urutan proses sebelumnya selesai dilakukan. Penempatan pada tahap 2 hampir sama dengan tahap 1. Penempatan job dilakukan setelah job lain pada urutan proses sebelumnya di mesin yang sama selesai dilakukan. artinya tiap-tiap job tidak dapat diproses pada satu waktu sekaligus di mesin yang berbeda. contohnya pada penempatan job-3. Terdapat beberapa ketentuan dalam penempatan job. yaitu penempatan job-n yang melewati mesin-m pada urutan proses ke-2. 2. Dahulukan penempatan job-1 dari job-3 yang keduanya merupakan urutan proses ke-1 di mesin-1 karena penerjemahan kromosom gen-1 berada di sebelah kiri gen-3 pada sub-kromosom ke-1.dengan waktu proses masing-masing job pada mesin tersebut.

yaitu masalah penjadwalan 3 job – 3 mesin merupakan studi literatur.3 mesin Pada Kasus 2. Ilustrasi alur proses pada Kasus 2 (3 job – 3 mesin) a.2. 1997) Urutan mesin yang harus dilewati Job 1 1 t=3 Job 2 1 t=1 Job 3 2 t=3 2 t=3 3 t=5 1 t=2 3 t=2 2 t=3 3 t=3 Gambar 40. urutan mesin. dan urutan proses pada Kasus 2 (3 job – 3 mesin) (Gen dan Cheng. Waktu proses. 1997). Kasus 2 : Penjadwalan job shop kasus 3 job . Berikut adalah contoh kasusnya : Waktu Proses Job j1 j2 j3 Urutan Proses 1 3 1 3 2 3 5 2 3 2 3 3 Job j1 j2 j3 Urutan Mesin Urutan Proses 1 m1 m1 m2 2 m2 m3 m1 3 m3 m2 m3 Tabel 2. Contoh kasus diperoleh dari buku Genetic Algorithms and Engineering Design (Gen dan Cheng. Input Program Nilai-nilai utama yang diinput pada Kasus 2 adalah : Ø Jumlah job = 3 Ø Jumlah mesin = 3 Ø Waktu proses dari tiap-tiap job (berdasarkan Tabel 2) Ø Urutan proses dari tiap-tiap job (berdasarkan Tabel 2) .

Parameter-parameter Algoritma Genetika Nilai-nilai parameter algoritma genetika yang digunakan untuk Kasus 2 adalah sebagai berikut : Ø Peluang penyilangan (Pc) Ø Peluang mutasi (Pm) Ø Bilangan acak (0-1) Ø Jumlah populasi (PopSize) = 0.6 = 20 Ø Jumlah generasi maksimum (MaxGen ) = 100 Nilai-nilai parameter tersebut dimasukkan ke dalam program sebagai berikut : .9 = 0.Nilai-nilai tersebut dimasukkan ke dalam program sebagai berikut : Gambar 41.01 = 0. Input nilai-nilai utama pada program GA_JobShop (Kasus 2) b.

Inisialisasi Populasi Awal Populasi awal P(0) dibangkitkan secara acak oleh program GA_JobShop dan hasil running dapat dilihat pada Gambar 43 di bawah ini : Gambar 43. Populasi awal P(0) untuk Kasus 2 . Input nilai-nilai parameter pada program GA_JobShop (Kasus 2) c.Gambar 42.

makespan-nya Kromosom(9) . makespan-nya à M 4 = 11 à M 7 = 11 à M 8 = 14 à M 9 = 11 à M 10 = 11 à M 12 = 14 à M 14 = 14 à M 15 = 14 à M16 = 14 à M 17 = 14 à M 18 = 11 à M 19 = 11 . makespan-nya Kromosom(19) .Pada populasi ke-0 nilai makespan tertinggi yaitu sebesar 14 dan terendah sebesar 10. Nilai makespan rata-rata pada populasi awal tersebut yang telah dibangkitkan oleh bilangan acak sebesar 0. d. makespan-nya Kromosom(8) . makespan-nya Kromosom(10) . makespan-nya Kromosom(7) . makespan-nya Kromosom(15) .15. makespan-nya Kromosom(14) . makespan-nya Kromosom(18) . Evaluasi dan Seleksi Kromosom Nilai makespan yang merupakan hasil evaluasi untuk masingmasing kromosom pada P(0) adalah sebagai berikut : M1 = 14 M2 = 12 M3 = 11 M4 = 11 M5 = 12 M6 = 14 M7 = 11 M8 = 14 M9 = 11 M10 = 11 M11 = 14 M12 = 14 M13 = 14 M14 = 14 M15 = 14 M16 = 14 M17 = 14 M18 = 11 M19 = 11 M20 = 11 Kromosom-kromosom yang terpilih sebagai kromosom induk P(1) hasil seleksi dari populasi P(0) adalah sebagai berikut : Kromosom(4) .5 adalah 11. makespan-nya Kromosom(12) . makespan-nya Kromosom(17) . makespan-nya Kromosom(16) .

Populasi P(1) pada Kasus 2 Proses mutasi pertama kali terjadi pada kromosom(2) yang terdapat di dalam generasi ke-7 atau populasi P(7).e. Kromosom tersebut mengalami mutasi pada subkromosom ke-2. Kromosom tersebut mengalami mutation-embedded within crossover atau mutasi yang terjadi setelah proses penyilangan. Berikut adalah populasi P(7) yang di dalamnya terdapat kromosom yang pertama kali mengalami mutasi : . Teknik penyilangan yang digunakan adalah metode Partially Mapped Crossover (PMX) yang telah dimodifikasi khusus untuk kromosom yang terdiri dari beberapa subkromosom.9 artinya diharapkan 90% populasi yang terbentuk pada generasi berikutnya adalah hasil penyilangan generasi sebelumnya. Penyilangan dan Mutasi Pada kasus 2 peluang penyilangan adalah 0. Berikut populasi baru P(1) hasil penyilangan kromosomkromosom induk yang terseleksi : Gambar 44.

Keduanya telah mengalami proses penyilangan di P(7).Gambar 45. yaitu kromosom(10) dan kromosom(19). Populasi P(7) terjadi mutasi pada Kasus 2 Kromosom(1) dan kromosom(2) pada P(7) merupakan kromosom anak yang berasal dari sepasang kromosom pada populasi sebelumnya P(6). yaitu pada sub-kromosom ke-3 dan titik penyilangan 1 dan 2. Kromosom-kromosom induk pada populasi P(6) yang akan diseleksi untuk disilangkan dan dimutasi pada populasi P(7) . Kromosom induk dari populasi P(6) dapat dilihat pada Gambar 46 di bawah ini : Gambar 46.

Proses mutasi kromosom(2) pada populasi P(7) Mutasi kromosom(2) terjadi pada sub-kromosom (Mach.Mutate) ke-2. makespan rata-rata (Avg). akibatnya proses penyilangan menghasilkan kromosom anak yang identik dengan kromosom induk. seleksi kromosom. evaluasi kromosom. serta proses mutasi akan dihentikan apabila pencarian telah mencapai 100 generasi (MaxGen = 100). Hasil Running Program GA_JobShop Hasil running program GA_JobShop untuk Kasus 2 diilustrasikan dalam dua buah grafik. proses penyilangan. menunjukkan frekuensi terjadinya penyilangan dan mutasi sepanjang 100 generasi. Gen yang saling bertukaran adalah gen 1 dan 2. Kromosom anak yang dihasilkan setelah terjadi mutasi memiliki nilai makespan yang sama dengan kromosom anak sebelum terjadi mutasi. Dapat dilihat bahwa sub-kromosom ke-3 pada kromosom(10) memiliki struktur yang sama dengan sub-kromosom ke-3 pada kromosom(19). menunjukkan nilai makespan maksimum (Max). . f. Mutasi tidak berpengaruh nyata terhadap nilai makespan. Grafik berikutnya terdapat pada Gambar 49. Proses-proses algoritma genetika pada Kasus 2 mulai dari inisialisasi populasi awal. dan makespan minimum (Min ) dari generasi awal (generasi ke-0) hingga generasi maksimum (generasi ke-100). Berikut ilustrasi proses mutasi kromosom(2) pada populasi P(6) : * 2 2 3 3 1 1 2 1 * 1 2 3 3 2 2 3 3 1 1 M 2 = 11 M 2 ($) = 11 Gambar 47. Grafik yang pertama yaitu terdapat pada Gambar 48. Struktur kromosom(10) yaitu [2 1 3][2 1 3][2 3 1] dan kromosom(19) memiliki struktur [2 3 1][2 1 3] [2 3 1].Proses penyilangan terjadi antara kromosom(10) dan kromosom(19) pada sub kromosom ke-3.

0 10.0 14. akan tetapi terjadi beberapa kali peningkatan nilai makespan rata-rata yang dikarenakan nilai-nilai yang lebih tinggi dari nilai minimum bermunculan kembali. Grafik nilai makespan maksimum.15. Terjadi beberapa ketidakstabilan nilai sepanjang 100 generasi meskipun nilai minimum sempat konvergen pada generasi ke-3. Hal tersebut diakibatkan oleh proses penyilangan dan mutasi yang terjadi.5 13. dan generasi ke-91 hingga generasi ke-100 . dan makespan minimum untuk 100 generasi pada Kasus 2 (Pc=0. generasi ke-65 hingga generasi ke-89. Nilai minimum mulai stabil pada generasi ke-16 dan tidak stabil lagi pada generasi ke-24 yang diakibatkan oleh proses mutasi. MaxGen=100) Gambar 48 di atas memperlihatkan bahwa nilai makespan maksimum tertinggi yang pernah diperoleh sepanjang 100 generasi adalah sebesar 14 dan nilai makespan minimum terendah yang pernah diperoleh sepanjang 100 generasi adalah sebesar 11.5 14.01 .5 10.5 11. Pm=0. Bilangan Acak=0.0 0 10 20 30 40 50 60 70 80 90 100 MIN Generasi AVG MAX Gambar 48.9 . PopSize=20. Nilai makespan mulai konvergen pada generasi ke-3.0 13. Nilai rata-rata kembali stabil pada generasi ke-25 hingga generasi ke-43. Pada generasi ke-5 nilai makespan 14 kembali muncul akibat proses penyilangan. makespan rata-rata.0 11.5 12.6 .0 12.

01 .9 . Hal ini dikarenakan mutasi tidak harus selalu terjadi pada tiap generasi. MaxGen=100) Sepanjang 100 generasi pada Kasus 2 telah terjadi proses penyilangan sebanyak 907 kali dan proses mutasi sebanyak 19 kali. 11 10 9 8 7 6 5 4 3 2 1 0 0 10 20 30 40 50 60 70 80 90 100 Generasi Penyilangan Mutasi Gambar 49. PopSize=20. Grafik frekuensi penyilangan dan mutasi untuk 100 generasi pada Kasus 2 (Pc=0. Bilangan Acak=0. Berikut adalah penerjemahan salah satu kromosom tersebut : . Mutasi dengan frekuensi tertinggi yaitu sebanyak 2 kali hanya terjadi sekali pada generasi ke-24 dan frekuensi terendah yaitu sebanyak 0 kali (tidak dilakukan). dengan hasil akhir struktur kromosomnya adalah [2 3 1] [1 2 3] [2 3 1] atau [2 3 1] [3 2 1] [2 3 1] atau [2 3 1] [1 3 2] [2 3 1]. Frekuensi tertinggi untuk penyilangan pada tiap-tiap generasi adalah sebanyak 10 kali dan frekuensi terendah sebanyak 6 kali. Nilai makespan terbaik (paling optimum) yang diperoleh dari 100 generasi adalah 11.Ketidakstabilan yang terjadi setelah nilai konvergen yaitu akibat proses mutasi yang memunculkan kembali nilai-nilai maksimum yang sempat punah pada generasi sebelumnya. Kedua proses tersebut mulai dilakukan pada generasi ke-1.6 . Pm=0.

Tahap 1 Mesin 1 2 3 1 1 Mesin 2 2 3 2 Mesin 3 3 1 × m3 m2 m1 Job 2 1 2 × × × × × Job 3 Job 1 3 4 5 6 7 8 9 10 11 Tahap 2 Mesin 1 2 3 1 1 Mesin 2 2 3 2 Mesin 3 3 1 × × m3 m2 m1 Job 2 1 2 × × Job 2 Job 3 Job1 3 4 × × × × × × × × Job1 Job 3 5 6 7 8 9 10 11 Tahap 3 Mesin 1 2 3 1 1 Mesin 2 2 3 2 Mesin 3 3 1 × × × × × × × × × × × × × × × × × × .

m3 m2 m1 Job 2 1 2 Job 2 Job 3 Job 1 3 4 Job 3 Job 1 Job 3 5 6 7 8 9 Job 1 Job 2 10 11 Gambar 50. Efisiensi Algoritma Genetika Pada Kasus 2.78 % Persentase tersebut menunjukkan bahwa algoritma genetika hanya mengeksplorasi sebesar 27. .78 % dari ruang pencarian untuk mencari solusi penjadwalan job shop yang optimum. artinya nilai optimum yang ditemukan telah konstan pada generasi ke-3 dan tidak ada lagi nilai yang lebih kecil dari nilai tersebut. Tahapan-tahapan penerjemahan salah satu kromosom terbaik pada kasus 2 g. yaitu 3 job dan 3 mesin memiliki total search space atau jumlah calon solusi dalam ruang pencarian (Nt) sebagai berikut : Nt = (3!)3 = (3×2×1)3 = 216 calon solusi Solusi optimum penjadwalan job shop untuk Kasus 2 mulai konvergen pada generasi ke-3. Hal ini menunjukkan bahwa algoritma genetika sudah bekerja secara efisien pada kasus penjadwalan 3 job 3 mesin. Jumlah calon solusi yang telah dievaluasi oleh algoritma genetika hingga konvergen (Ns) adalah sebagai berikut : Ns = (3 generasi) x (20 calon solusi / generasi) = 60 calon solusi Persentase pencarian calon solusi yang dilakukan algoritma genetika dalam ruang pencarian (Ps) adalah : Ps = (Ns / Nt) x 100 % = (60 / 216) x 100 % = 27.

industri tersebut memiliki penjadwalan bertipe job shop. urutan mesin. Tujuan penggunaan kombinasi data sekunder dan data primer ini adalah untuk memperlihatkan aplikasi metode algoritma genetika ini di kasus nyata industri peralatan pengolahan hasil pertanian. Aryawan (2003). Proses pembuatan masing-masing komponen tersebut disebut juga dengan job. Tabel 4. dan waktu proses untuk contoh kasus lima job yang harus diselesaikan : Waktu Proses Job j1 j2 j3 j4 j5 Urutan Proses 1 340 506 227 574 454 2 146 171 460 297 918 3 555 220 289 361 195 4 188 881 126 157 5 355 248 762 629 415 460 177 296 6 7 Job j1 j2 j3 j4 j5 Urutan Mesin Urutan Proses 1 m1 m2 m1 m6 m1 2 m3 m3 m6 m4 m6 3 m5 m7 m2 m2 m5 4 5 6 7 m 7 m 10 m 8 m 11 m 10 m7 m7 m3 m9 m6 m 8 m 11 m 10 m8 741 1007 Tabel 3. Kasus 3 : Penjadwalan job shop kasus 5 job – 12 mesin Pada Kasus 3. pencacah kompos. tiap jalur adalah identik untuk satu job tertentu dan berisi urutan mesin-mesin yang harus dilewati job tersebut. mixer. pemarut kelapa. data diperoleh dari kombinasi antara data sekunder yang diambil dari Riswan (1993). urutan mesin. Pada proses produksinya. Bogor. Berikut adalah daftar urutan proses. Data yang diambil dari Riswan (1993) dan Aryawan (2003) disajikan pada Tabel 3. vacuum drying. dan lain-lain. Produk-produk yang dihasilkan diantaranya adalah destilator. Masing-masing komponen tersebut memiliki proses produksi yang berbeda-beda. dan urutan proses pada Kasus 3 (5 job – 12 mesin) . Sebuah alat atau mesin pengolahan hasil pertanian merupakan serangkaian yang terdiri dari beberapa komponen. Masing-masing job memiliki lintasan atau jalur yang harus ditempuh dalam satu siklus produksinya. dan Tabel 5. dan pengamatan langsung yang dilakukan di CV Mitra Niaga Indonesia. Perusahaan yang dikunjungi untuk pengambilan data primer adalah industri yang memproduksi alat dan mesin pengolahan hasil pertanian.3. Waktu proses (satuan waktu menit).

25 Eva Cover Condensor Filter Tabel 4. Pada job 3 melewati mesin 6 sebanyak dua kali. Berikut adalah nama-nama job yang akan diproduksi : No. yaitu pada proses kedua dan keenam.Mesin m1 m2 m3 m4 m5 m6 Nama Mesin Mesin Potong Lurus Mesin Potong Alur Mesin Press 20 ton Mesin Press 40 ton Mesin Press 60 ton Mesin Press 80 ton No. Program GA_JobShop yang dibuat hanya bisa memproses masing-masing job melewati mesin yang sama tidak lebih dari satu kali. Daftar nama-nama job pada Kasus 3 Berikut adalah daftar nama-nama mesin yang digunakan pada proses produksi: No.Job j1 j2 j3 j4 j5 Nama Job Inlet Oil Cooler Foam Chassis Power S Cord 1. Masing-masing proses memiliki waktu proses yang berbeda-beda. sehingga mesin 6 pada proses yang kedua kalinya (proses keenam) dapat dianggap sebagai mesin 12. Daftar nama-nama mesin pada Kasus 3 Untuk dapat lebih memahami alur proses produksi masing-masing job maka dapat diilustrasikan pada gambar di bawah ini : . job 2 dan job 3 terdiri atas enam proses.Mesin m7 m8 m9 m 10 m 11 m 12 Nama Mesin Mesin Punch Mesin Las Spot Mesin Las Arc Mesin Gerinda Mesin Bor Mesin Press 80 ton Tabel 5. dan job 4 terdiri atas tujuh proses. Job 1 dan job 5 terdiri atas lima proses.Dari data di atas dapat dilihat bahwa terdapat jumlah proses maksimum sebanyak tujuh proses. Mesin yang digunakan untuk proses produksi job-job tersebut adalah sebanyak 11 jenis mesin.

m5. Ilustrasi alur proses pada Kasus 3 (satuan waktu dalam menit) Job 1. Job 5. Masing-masing job memiliki tahapan proses yang berbeda dan waktu proses yang berbeda pula. .Ga Job 1 1 3 5 7 10 340 Job 2 2 146 3 555 7 188 8 355 11 10 506 Job 3 1 171 6 220 2 881 7 248 9 415 12 227 Job 4 6 460 4 289 2 126 7 762 8 460 11 10 574 Job 5 1 297 6 361 5 157 3 629 8 177 296 454 918 195 741 1007 Gambar 51. yaitu eva cover harus melewati tujuh proses (m6. Job 3.m7. Pada tahapan proses yang keempat. job 1 diproses di mesin 10 selama 355 menit. yaitu condenser filter. harus melewati enam mesin pula namun memiliki urutan proses yang berbeda dari job 2 (m1. Proses produksi job 4. yaitu produksi power s cord 1.m7. job 1 diproses di mesin 5 selama 555 menit.m2.m12). job 1 diproses di mesin 7 selama 188 menit. pada tahapan proses yang kedua.m10). Job 2. job 1 diproses di mesin 3 selama 146 menit. Tahapan selanjutnya. pada prosesnya harus melewati lima mesin (m1.m3.m4.m8. yaitu proses yang ketiga.m6m5. yaitu produksi foam chassis. job 1 diproses di mesin 1 selama 340 menit. pada prosesnya harus melewati enam mesin (m2. pada prosesnya harus melewati lima mesin (m1.m11.m6.m7. Pada tahapan proses yang pertama.m7.m11.m10).m10).m3.m8.m2.m3.m8). Kemudian.25.m9. Terakhir. yaitu produksi inlet oil cooler.

2. Mesin Potong Lurus Digunakan untuk memotong plat dan pipa logam dalam bentuk potongan lurus dengan teknik pemotongan vertikal. Definisi masing-masing job 1. 3. Power S Cord 1. Mesin Press Digunakan untuk membentuk plat logam dan pipa logam sesuai dengan bentuk pesanannya. Inlet Oil Cooler Rangkaian pipa yang befungsi untuk menstabilkan temperatur oli pada sebuah alat atau mesin.25 Rangkaian elektrik yang berfungsi untuk mengendalikan satu unit alat atau mesin. b. Mesin Gerinda . 4. 6.a. 3. 5. Mesin Potong Alur Digunakan untuk memotong plat dan pipa logam dengan bentuk khusus. Foam Chassis Kerangka yang berfungsi untuk meredam getaran pada suatu alat atau mesin. 4. Eva Cover Penutup (plat) lapisan luar pada sebuah alat atau mesin. 2. Mesin Las Spot Digunakan untuk mengelas bahan besi dan baja. Mesin Las Arc Digunakan untuk mengelas bahan stainless steel. Condensor Filter Alat yang berfungsi untuk mendinginkan uap sehingga menjadi cairan. Mesin Punch Digunakan untuk memperbesar diameter suatu pipa logam atau diameter hasil bor. 7. Fungsi masing-masing mesin 1. 5.

Digunakan untuk membentuk produk dengan kehalusan dan ketelitian tertentu pada salah satu atau beberapa elemen geometrinya. Untuk lebih jelasnya dapat dilihat pada tabel di bawah ini : . Jumlah proses maksimum yang terdapat pada program GA_JobShop untuk masing-masing job adalah sebanyak jumlah mesin. artinya apabila kasus yang akan dipecahkan terdapat 12 mesin maka urutan proses maksimum yang tersedia adalah sebanyak 12 proses. Mesin Bor Digunakan untuk membuat lubang kecil atau alur skrup. Input Program Nilai-nilai utama yang diinput pada Kasus 3 adalah : Ø Jumlah job = 5 Ø Jumlah mesin = 12 Ø Waktu proses dari tiap-tiap job (berdasarkan Tabel 5) Ø Urutan proses dari tiap-tiap job (berdasarkan Tabel 5) Nilai-nilai tersebut dimasukkan ke dalam program sebagai berikut : Gambar 52. Input nilai-nilai utama pada program GA_JobShop (Kasus 3) Waktu proses dan urutan proses diinput sesuai dengan data pada Gambar 51. 8. c. meskipun proses maksimum yang terjadi pada Kasus 3 adalah sebanyak tujuh proses.

Input waktu proses dan urutan proses masing-masing job pada mesin untuk Kasus 3 (5 job – 12 mesin) .Mesin 1 Job 1 2 3 4 5 Proses Waktu 340 0 227 0 454 0 506 289 361 0 146 171 0 0 741 0 0 0 297 0 555 0 0 0 195 0 0 460 574 918 Urutan 1 7 1 8 1 6 1 3 3 6 2 2 7 9 4 7 8 8 2 7 3 9 9 10 3 8 10 2 1 2 Mesin 7 Job 1 2 3 4 5 Proses Waktu 188 220 126 157 0 0 881 0 629 1007 0 0 762 0 0 355 415 0 296 0 0 248 0 177 0 0 0 460 0 0 Urutan 4 3 4 4 8 9 4 10 5 5 10 11 5 11 9 5 6 11 7 10 11 5 12 6 11 12 12 6 12 12 2 1 2 3 4 5 8 1 2 3 4 5 3 1 2 3 4 5 9 1 2 3 4 5 4 1 2 3 4 5 10 1 2 3 4 5 5 1 2 3 4 5 11 1 2 3 4 5 6 1 2 3 4 5 12 1 2 3 4 5 Tabel 6.

5 = 20 Ø Jumlah generasi maksimum (MaxGen ) = 100 Nilai-nilai parameter tersebut dimasukkan ke dalam program sebagai berikut : Gambar 53.Pada tabel 6.9 = 0. sehingga urutan proses mesin yang tidak dilewati oleh job tersebut diinput dengan angka nol.05 = 0. Input nilai-nilai parameter pada program GA_JobShop (Kasus 3) e. dapat dilihat bahwa terdapat beberapa waktu proses yang diinput dengan angka nol. d. Parameter-parameter Algoritma Genetika Nilai-nilai parameter algoritma genetika yang digunakan untuk Kasus 3 adalah sebagai berikut : Ø Peluang penyilangan (Pc) Ø Peluang mutasi (Pm) Ø Bilangan acak (0-1) Ø Jumlah populasi (PopSize) = 0. Hal ini disebabkan oleh program GA_JobShop yang dirancang untuk mengolah data proses sebanyak jumlah mesin. Inisialisasi Populasi Awal Populasi awal P(0) dibangkitkan secara acak oleh program GA_JobShop dan hasil running dapat dilihat pada gambar di bawah ini : .

Evaluasi dan Seleksi Kromosom Nilai makespan yang merupakan hasil evaluasi untuk masingmasing kromosom pada P(0) adalah sebagai berikut : M1 = 4371 M2 = 4757 M3 = 4644 M4 = 4997 M5 = 5205 M6 = 4239 M7 = 3956 M8 = 4997 M9 = 3749 M10 = 5389 M11 = 4997 M12 = 3809 M13 = 4342 M14 = 4638 M15 = 4638 M16 = 4942 M17 = 3895 M18 = 4984 M19 = 5444 M20 = 4002 Kromosom-kromosom yang terpilih sebagai kromosom induk P(1) hasil seleksi dari populasi P(0) adalah sebagai berikut : Kromosom(1) . Populasi awal P(0) untuk Kasus 3 f.Gambar 54. makespan-nya à M1 à M2 à M6 à M7 = 4371 = 4757 = 4239 = 3956 . makespan-nya Kromosom(6) . makespan-nya Kromosom(7) . makespan-nya Kromosom(2) .

Kromosom(11) . makespan-nya à M 11 = 4997 à M 12 = 3809 Kromosom(13) . makespan-nya à M 15 = 4638 à M 16 = 4942 à M 17 = 3895 à M 18 = 4984 g. makespan-nya Kromosom(16) . Populasi P(1) pada kasus 3 (bagian 1) .9 artinya diharapkan 90% populasi yang terbentuk pada generasi berikutnya adalah hasil penyilangan generasi sebelumnya. makespan-nya Kromosom(17) . Teknik penyilangan yang digunakan adalah metode Partially Mapped Crossover (PMX) yang telah dimodifikasi khusus untuk kromosom yang terdiri dari beberapa subkromosom. Penyilangan dan Mutasi Pada kasus 3 peluang penyilangan adalah 0. makespan-nya Kromosom(18) . makespan-nya Kromosom(12) . makespan-nya à M 13 = 4342 Kromosom(15) . Berikut kromosom-kromosom yang terpilih P(0) dan akan mengalami proses penyilangan : Gambar 55.

yaitu pada kromosom(9). Berikut adalah populasi P(1) yang di dalamnya terdapat kromosom yang mengalami mutasi : Gambar 57. Populasi P(1) pada kasus 3 (bagian 2) Proses mutasi pertama kali terjadi pada generasi ke-1 atau populasi P(1). menunjukkan nilai makespan maksimum (Max). Kromosom-kromosom tersebut mengalami mutationembedded within crossover atau mutasi yang terjadi setelah proses penyilangan. Kromosom(9) mengalami mutasi pada sub-kromosom ke-3.Gambar 56. Hasil Running Program GA_JobShop Hasil running program GA_JobShop untuk Kasus 3 diilustrasikan dalam dua buah grafik. Mutasi terjadi sebanyak satu kali pada populasi tersebut. Populasi P(1) terjadi mutasi pada Kasus 3 h. makespan rata-rata . Grafik yang pertama yaitu terdapat pada Gambar 58.

. Grafik di atas (Gambar 58) menunjukkan bahwa setelah terjadi konvergensi nilai makespan yang minimum (berawal di generasi ke-40). Grafik nilai makespan maksimum. generasi ke-75. dan makespan minimum (Min) dari generasi awal (generasi ke-0) hingga generasi maksimum (generasi ke-100). makespan rata-rata.05 . setelah itu terjadi penurunan nilai makespan rata-rata yang berkelanjutan hingga konvergen di nilai minimum sebesar 3589 menit pada generasi ke-33. beberapa generasi berikutnya mengalami peningkatan nilai makespan akibat mutan-mutan yang bermunculan. dan makespan minimum (satuan waktu dalam menit) untuk 100 generasi pada Kasus 3 (Pc=0. generasi ke-51. generasi ke-69. Grafik berikutnya terdapat pada Gambar 59. Nilai minimum tersebut muncul pertama kali pada generasi ke-28. menunjukkan frekuensi terjadinya penyilangan dan mutasi sepanjang 100 generasi. generasi ke-57. dan generasi ke-91. MaxGen=100) Nilai makespan maksimum tertinggi terjadi pada generasi awal yaitu pada saat inisialisasi populasi awal sebesar 5444 menit. Gambar 58. Pm=0.(Avg). PopSize=20. generasi ke-55. Peningkatan nilai makespan tersebut terjadi pada generasi ke-50. Pencapaian nilai optimum tersebut dikarenakan oleh proses mutasi yang terjadi sehingga menghasilkan kromosom baru yang lebih optimum nilainya. Bilangan Acak=0.5 .9 .

Grafik frekuensi penyilangan dan mutasi untuk 100 generasi pada Kasus 3 (Pc=0. PopSize=20. Jumlah kromosom yang mengalami proses mutasi pada Kasus 3 ini dipengaruhi oleh peluang mutasi (Pm) yang digunakan yaitu sebesar 0.5 . artinya 5% dari tiap-tiap populasi akan mengalami proses mutasi.Sepanjang 100 generasi pada Kasus 3 telah terjadi proses penyilangan sebanyak 909 kali dan proses mutasi sebanyak 120 kali. mutasi sangat berguna dalam pencarian nilai yang lebih optimum. Nilai makespan terbaik (paling optimum) yang diperoleh dari 100 generasi adalah 3589 menit.05 . Bilangan Acak=0. Berikut adalah gambar penjadwalan yang optimum hasil penerjemahan kromosom tersebut : . tidak selamanya demikian karena mutasi juga dapat menurunkan nilai makespan rata-rata pada sebuah populasi. Proses keduanya dapat dilihat pada grafik berikut (Gambar 59) : 11 10 9 8 7 6 5 4 3 2 1 0 0 10 20 30 40 50 60 70 80 90 100 Generasi Penyilangan Mutasi Gambar 59. Namun. Mutasi dengan frekuensi tertinggi yaitu sebanyak 5 kali dan frekuensi terendah yaitu sebanyak 0 kali (tidak dilakukan). Pm=0. MaxGen=100) Frekuensi tertinggi untuk penyilangan pada tiap-tiap generasi adalah sebanyak 10 kali dan frekuensi terendah sebanyak 7 kali.05. dengan struktur kromosomnya adalah [25134] [41532] [43521] [42153] [14352] [45123] [42513] [42135] [53142] [35241] [54132] [41523]. Pada proses pencarian.9 .

Penjadwalan yang optimum pada Kasus 3 (hasil penerjemahan kromosom terbaik) .Gambar 60.

92 × 1024) x 100 % Persentase tersebut akan menghasilkan nilai yang teramat kecil. .i. Efisiensi Algoritma Genetika Pada Kasus 3.92 × 1024 calon solusi Solusi optimum penjadwalan job shop untuk Kasus 3 telah konvergen pada generasi ke-33. Jumlah calon solusi yang telah dievaluasi oleh algoritma genetika hingga konvergen (Ns) adalah sebagai berikut : Ns = (33 generasi) x (20 calon solusi / generasi) = 660 calon solusi Persentase pencarian calon solusi yang dilakukan algoritma genetika dalam ruang pencarian (Ps) adalah : Ps = (Ns / Nt) x 100 % = (660 / 8. tidak ada lagi nilai yang lebih kecil dari nilai tersebut. Hal tersebut membuktikan bahwa semakin besar nilai ruang pencarian (search space) maka efisiensi algoritma genetika akan semakin meningkat. Pencarian solusi optimum dengan algoritma genetika pada Kasus 3 terbukti sangat efisien. Semakin kecil persentase yang dihasilkan maka pencarian nilai optimum akan semakin efisien. yaitu 5 job dan 12 mesin memiliki total search space atau jumlah calon solusi dalam ruang pencarian (Nt) sebanyak : Nt = (5!)12 = 8.

Permasalahan dalam penjadwalan tipe job shop adalah mencari kombinasi urutan job yang tepat sehingga didapatkan nilai makespan yang paling minimum. Terbukti pada Kasus 3 (skala besar) bahwa algoritma genetika mampu menemukan solusi optimum dengan sangat efisien. yaitu suatu pencarian acak yang meniru proses alam (evolusi biologi) mampu untuk memecahkan masalah penjadwalan tipe job shop berskala besar. Kasus 3 (5 job – 12 mesin) memiliki nilai makespan sebesar 3589 dalam satuan waktu menit dan struktur kromosom terbaiknya adalah [25134] [41532] [43521] [42153] [14352] [45123] [42513] [42135] [53142] [35241] [54132] [41523]. Algoritma genetika hanya mengeksplorasi sebesar 27. solusi optimum dapat tercapai pada generasi ke3 dengan nilai makespan 11. proses mutasi menggunakan reciprocal exchange mutation yang telah dimodifikasi. Implementasi dari penelitian ini adalah perancangan program GA_JobShop (Genetic Algorithms for Job Shop Scheduling) yang dibuat menggunakan bahasa pemrograman Borland Delphi 7. proses penyilangan menggunakan Partially Mapped Crossover (PMX) yang telah dimodifikasi. Representasi kromosom menggunakan preference list based representation.V. Algoritma genetika. Hasil penilitian menunjukkan bahwa program GA_JobShop sangat efisien dalam penyelesaian masalah penjadwalan tipe job shop berskala kecil maupun besar. dan seleksi menggunakan tournament selection. KESIMPULAN DAN SARAN D. Pada Kasus 2. Hasil kromosom tersebut kemudian diterjemahkan ke dalam gambar dengan metode preference list based representation. terlihat pada Kasus 3. Semakin besarnya ruang pencarian (search space) maka penggunaan algoritma genetika akan semakin efisien. . KESIMPULAN Penjadwalan tipe job shop berskala besar memiliki tingkat kerumitan yang tinggi karena memperhatikan urutan proses dan kombinasi penjadwalan yang sangat banyak.0.78 % ruang pencarian (search space) untuk mendapatkan nilai yang minimum pada Kasus 2.

. 2. Pengembangan program untuk dapat langsung menerjemahkan kromosom terbaik ke dalam bentuk diagram penjadwalan. SARAN Beberapa saran yang diperlukan untuk penelitian lebih lanjut tentang aplikasi algoritma genetika untuk masalah penjadwalan tipe job shop adalah sebagai berikut : 1. Penerapan algoritma genetika pada industri peralatan pengolahan hasil pertanian sehingga terjadi efisiensi produksi. Pengembangan program untuk dapat memproses suatu job yang dapat mengunjungi mesin yang sama lebih dari satu kali.E. 3.

dan Cao A. Hoover.C. 1989.V. John Wile & Sons. Inc. Ann Arbor. Perry. Yuvi. Addison-Wesley.. A. Optimization of AGV-Based Flexible Manufacturing Systems Design Using Genetic Algorithms and Expert Systems.ca:80/~cccg/papers/29/pdf.C. MA. H. Reading. Institut Pertanian Bogor. Aplikasi Algoritma Genetik Untuk Optimasi Masalah Penjadwalan Flow-Shop. 2003. J. S. Cheng. 1989. Kluwer Academic Publisher. Adaptation in Natural and Artificial Systems. 2003.C. 1999. Simulation : A Problem Solving Approach. John Willey & Sons. Optimasi Model Rantai Pasokan Agroindustri Cocodiesel dengan Menggunakan Algoritma Genetika. 2001. 1974. Penerapan Algoritma Tabu Search dalam Permasalahan Penjadwalan Job Shop. W. Aryawan. 2007. . CCCG 2003. Universitas Indonesia. Division of Information Technology. Tapan P. 1999. School of Engineering. Addison-Weasley Publishing Company. Introduction to Sequencing and Scheduling. University of Michigan Press. Hopgood. Inc. L.E. Nova Scotia. M. 1997. Genetic Algorithm and Engineering Design. Halifax. Baker. Skripsi. dan R. Ian H. Optimiztion.F. Michael dan Charles L. University of South Australia. http://flame. London. CRC Press. 20 Maret 2007 Freeman. 2003. Goldberg.cs. and Machine Learning. Yandra. Karr. Bogor. Institut Pertanian Bogor. New York. Gen. CRC Press. Industrial Aplications of Genetic Algorithms. K. Depok.DAFTAR PUSTAKA Andria. Fakultas Teknologi Pertanian. A. Bagchi. Multiobjective Scheduling by Genetic Algorithms. H. D. Genetic Algorithm in Search. Bogor. Skripsi. Fakultas Teknik. Gunawan. Manufacturing and Mechanical Engineering. Washington D. dan R. Holland. Intellegent System for Engineers and Scientist Second Edition. Fakultas Teknologi Pertanian. A Genetic Algorithm for Minimum Tetrahedralization of a Convex Polyhedron. Washington D. Chen. Arkeman. Putu Teguh. 1999. Skripsi.dal. Engineering and The Environment. 1975. PhD Thesis.

Kusuma , H. 2001. Perencanaan dan Pengendalian Produksi. ANDI, Yogyakarta. Maarif, M. S., Machfud dan M. Sukron. 1989. Teknik Optimasi Rekayasa Proses Pangan.Bogor : PAU-Pangan dan Gizi IPB, Bogor. Nahmias, Steven. 1997. Production and Operation Analysis. Mcgraw-Hill, New York. Riswan, 1993. Rancangan Program Komputer untuk Penjadwalan Job Shop dalam Perencanaan Paket Pesanan di PT DC dengan Metode Priority Dispatching. Skripsi. Fakultas Teknik. Universitas Indonesia, Depok. Syarif, A. dan Mitsuo G. 2003. Hybridized Parallel Genetic Algorithm for Facility Location Problem. Makalah Penelitian IlmuKomputer.com http://www.IlmuKomputer.com. 20 Maret 2007 Taylor, B.W. 2002. Introduction of Management Science Hall International, Inc. 7th edition. Prentice

Lampiran 1. Terjemahan seluruh kromosom dari total search space pada Kasus 1 (validasi program GA_JobShop)
1 o x 2 x o 3 o x 1 x o 2 o x 3 x o

m2 m1
1

j2 j1
2 3

j1 j3
4 5 6 7 8

j3 j2
9 10 11 12 13 14

1 o x

2 x o

3 o x

1 x o

3 x o

2 o x

m2 m1
1

j2 j1
2 3

j1 j3
4 5 6 7 8

j3 j2
9 10 11 12 13 14

1 o x

2 x o

3 o x

2 o x

1 x o

3 x o

m2 m1
1

j2 j1
2 3

j1 j3
4 5 6 7 8

j3 j2
9 10 11 12 13 14

1 o x

2 x o

3 o x

2 o x

3 x o

1 x o

m2 m1
1

j2 j1
2 3 4

j3 j3
5 6 7 8

j1
11 12 13 14

j2
9 10

1 o x

2 x o

3 o x

3 x o

1 x o

2 o x

m2 m1
1

j2 j1
2 3 4

j3 j3
5 6 7 8

j1
11 12 13 14

j2
9 10

1 o x

2 x o

3 o x

3 x o

2 o x

1 x o

m2 m1
1

j2 j1
2 3 4

j3 j3
5 6 7 8

j1
11 12 13 14

j2
9 10

1 o x

3 o x

2 x o

1 x o

2 o x

3 x o

m2 m1
1

j2 j1
2 3

j1 j3
4 5 6 7 8

j3 j2
9 10 11 12 13 14

1 o x

3 o x

2 x o

1 x o

3 x o

2 o x

m2 m1
1

j2 j1
2 3

j1 j3
4 5 6 7 8

j3 j2
9 10 11 12 13 14

1 o x

3 o x

2 x o

2 o x

1 x o

3 x o

m2 m1
1

j2 j1
2 3

j1 j3
4 5 6 7 8

j3 j2
9 10 11 12 13 14

1 o x

3 o x

2 x o

2 o x

3 x o

1 x o

m2 m1
1

j2 j1
2 3 4

j3 j3
5 6 7 8

j1
11 12 13 14

j2
9 10

1 o x

3 o x

2 x o

3 x o

1 x o

2 o x

m2 m1
1

j2 j1
2 3 4

j3 j3
5 6 7 8

j1
11 12 13 14

j2
9 10

1 o x

3 o x

2 x o

3 x o

2 o x

1 x o

m2 m1
1

j2 j1
2 3 4

j3 j3
5 6 7 8

j1
11 12 13 14

j2
9 10

2 x o

1 o x

3 o x

1 x o

2 o x

3 x o

m2 m1
1

j2 j1
2 3

j1 j3
4 5 6 7 8

j3 j2
9 10 11 12 13 14

2 x o

1 o x

3 o x

1 x o

3 x o

2 o x

m2 m1
1

j2 j1
2 3

j1 j3
4 5 6 7 8

j3 j2
9 10 11 12 13 14

2 x o

1 o x

3 o x

2 o x

1 x o

3 x o

m2 m1
1

j2 j1
2 3

j1 j3
4 5 6 7 8

j3 j2
9 10 11 12 13 14

2 x o

1 o x

3 o x

2 o x

3 x o

1 x o

m2 m1
1

j2 j1
2 3 4

j3 j3
5 6 7 8

j1
11 12 13 14

j2
9 10

2 x o 1 o x 3 o x 3 x o 1 x o 2 o x m2 m1 1 j2 j1 2 3 4 j3 j3 5 6 7 8 j1 11 12 13 14 j2 9 10 2 x o 1 o x 3 o x 3 x o 2 o x 1 x o m2 m1 1 j2 j1 2 3 4 j3 j3 5 6 7 8 j1 11 12 13 14 j2 9 10 2 x o 3 o x 1 o x 1 x o 2 o x 3 x o m2 m1 1 j2 j3 2 3 4 5 6 j1 j1 7 8 j3 10 11 12 13 14 j2 9 2 x o 3 o x 1 o x 1 x o 3 x o 2 o x m2 m1 1 j2 j3 2 3 4 5 6 j1 j1 7 8 j3 10 11 12 13 14 j2 9 2 x o 3 o x 1 o x 2 o x 1 x o 3 x o m2 m1 1 j2 j3 2 3 4 5 6 j1 j1 7 8 j3 10 11 12 13 14 j2 9 2 x o 3 o x 1 o x 2 o x 3 x o 1 x o m2 m1 1 j2 j3 2 3 4 5 6 j3 j1 7 8 j1 j2 9 10 11 12 13 14 2 x o 3 o x 1 o x 3 x o 1 x o 2 o x m2 m1 1 j2 j3 2 3 4 5 6 j3 j1 7 8 j1 j2 9 10 11 12 13 14 2 x o 3 o x 1 o x 3 x o 2 o x 1 x o m2 m1 1 j2 j3 2 3 4 5 6 j3 j1 7 8 j1 j2 9 10 11 12 13 14 .

3 o x 1 o x 2 x o 1 x o 2 o x 3 x o m2 m1 1 j2 j3 2 3 4 5 6 j1 j1 7 8 j3 10 11 12 13 14 j2 9 3 o x 1 o x 2 x o 1 x o 3 x o 2 o x m2 m1 1 j2 j3 2 3 4 5 6 j1 j1 7 8 j3 10 11 12 13 14 j2 9 3 o x 1 o x 2 x o 2 o x 1 x o 3 x o m2 m1 1 j2 j3 2 3 4 5 6 j1 j1 7 8 j3 10 11 12 13 14 j2 9 3 o x 1 o x 2 x o 2 o x 3 x o 1 x o m2 m1 1 j2 j3 2 3 4 5 6 j3 j1 7 8 j1 j2 9 10 11 12 13 14 3 o x 1 o x 2 x o 3 x o 1 x o 2 o x m2 m1 1 j2 j3 2 3 4 5 6 j3 j1 7 8 j1 j2 9 10 11 12 13 14 3 o x 1 o x 2 x o 3 x o 2 o x 1 x o m2 m1 1 j2 j3 2 3 4 5 6 j3 j1 7 8 j1 j2 9 10 11 12 13 14 3 o x 2 x o 1 o x 1 x o 2 o x 3 x o m2 m1 1 j2 j3 2 3 4 5 6 j1 j1 7 8 j3 10 11 12 13 14 j2 9 3 o x 2 x o 1 o x 1 x o 3 x o 2 o x m2 m1 1 j2 j3 2 3 4 5 6 j1 j1 7 8 j3 10 11 12 13 14 j2 9 .

3 o x 2 x o 1 o x 2 o x 1 x o 3 x o m2 m1 1 j2 j3 2 3 4 5 6 j1 j1 7 8 j3 10 11 12 13 14 j2 9 3 o x 2 x o 1 o x 2 o x 3 x o 1 x o m2 m1 1 j2 j3 2 3 4 5 6 j3 j1 7 8 j1 j2 9 10 11 12 13 14 3 o x 2 x o 1 o x 3 x o 1 x o 2 o x m2 m1 1 j2 j3 2 3 4 5 6 j3 j1 7 8 j1 j2 9 10 11 12 13 14 3 o x 2 x o 1 o x 3 x o 2 o x 1 x o m2 m1 1 j2 j3 2 3 4 5 6 j3 j1 7 8 j1 j2 9 10 11 12 13 14 .