Implementasi Algoritma Genetika untuk Optimasi Penjadwalan Produksi pada Industri Manufaktur
Keywords:
Algoritma Genetika, Penjadwalan Produksi,Optimasi , Industri Manufaktur, Waktu Penyelesaian Total (Makespan).Abstract
Penjadwalan produksi yang efisien dan optimal merupakan salah satu tantangan utama dalam industri manufaktur. Penjadwalan yang tidak tepat dapat menyebabkan peningkatan biaya, waktu produksi yang lebih lama, dan pemanfaatan sumber daya yang kurang efektif. Untuk mengatasi masalah ini, penelitian ini mengusulkan implementasi algoritma genetika (AG) sebagai metode optimasi penjadwalan produksi. Algoritma genetika, yang terinspirasi oleh proses evolusi alam, menggunakan mekanisme seleksi, crossover, dan mutasi untuk menemukan solusi optimal. Dalam penelitian ini, algoritma genetika diterapkan pada studi kasus penjadwalan produksi di sebuah perusahaan manufaktur. Penelitian ini memodelkan masalah penjadwalan sebagai masalah optimasi multi-tujuan yang mempertimbangkan minimisasi waktu penyelesaian total (makespan), utilisasi mesin, dan pengurangan waktu tunggu. Algoritma genetika yang dikembangkan dievaluasi melalui serangkaian eksperimen yang menggunakan data produksi nyata. Hasil penelitian menunjukkan bahwa algoritma genetika mampu menghasilkan jadwal produksi yang lebih efisien dibandingkan metode konvensional. Dengan menggunakan algoritma genetika, perusahaan dapat mengurangi waktu penyelesaian total, meningkatkan utilisasi mesin, dan mengurangi waktu tunggu secara signifikan. Implementasi ini tidak hanya membantu dalam meningkatkan efisiensi operasional, tetapi juga berpotensi memberikan keunggulan kompetitif dalam industri manufaktur. Penelitian ini menyimpulkan bahwa algoritma genetika merupakan alat yang efektif dan efisien untuk optimasi penjadwalan produksi dalam industri manufaktur. Penggunaan algoritma ini dapat mengoptimalkan proses produksi dan meningkatkan kinerja keseluruhan perusahaan.
References
Goldberg, D. E. (1989). Genetic Algorithms in Search, Optimization, and Machine Learning. Addison-Wesley Publishing Company.
Holland, J. H. (1975). Adaptation in Natural and Artificial Systems. University of Michigan Press.
Gen, M., & Cheng, R. (2000). Genetic Algorithms and Engineering Optimization. John Wiley & Sons.
Michalewicz, Z. (1996). Genetic Algorithms + Data Structures = Evolution Programs. Springer.
Haupt, R. L., & Haupt, S. E. (2004). Practical Genetic Algorithms. John Wiley & Sons.
Reeves, C. R. (1993). Modern Heuristic Techniques for Combinatorial Problems. John Wiley & Sons.
Davis, L. (1991). Handbook of Genetic Algorithms. Van Nostrand Reinhold.
Eiben, A. E., & Smith, J. E. (2003). Introduction to Evolutionary Computing. Springer.
Yadav, P., Kumar, R., & Singh, S. (2011). A Genetic Algorithm for Resource-Constrained Project Scheduling Problem. International Journal of Computer Applications, 32(4), 975-8887.
Garey, M. R., & Johnson, D. S. (1979). Computers and Intractability: A Guide to the Theory of NP-Completeness. W. H. Freeman.
Cheng, T. C. E., & Sin, C. C. S. (1990). A State-of-the-Art Review of Parallel-Machine Scheduling Research. European Journal of Operational Research, 47(3), 271-292.
Liu, C., & Wang, K. (2011). An Improved Genetic Algorithm for Job-Shop Scheduling Problem. Journal of Software, 6(5), 902-909.
Chan, F. T. S., & Chan, H. K. (2004). A Comprehensive Survey and Future Trend of Simulation Study on FMS Scheduling. Journal of Intelligent Manufacturing, 15, 87-102.
Fattahi, P., Mehrabad, M. S., & Jolai, F. (2007). Mathematical Modeling and Heuristic Approaches to Flexible Job Shop Scheduling Problems. Journal of Intelligent Manufacturing, 18(3), 331-342.
Deb, K. (2001). Multi-Objective Optimization using Evolutionary Algorithms. John Wiley & Sons.
