Show simple item record

dc.contributor.authorKrisnanti, Ria
dc.contributor.authorSudiarso, Andi
dc.date.accessioned2013-11-19T09:48:02Z
dc.date.available2013-11-19T09:48:02Z
dc.date.issued2012-12-18
dc.identifier.citationApplegate, D., Cook, W., 1991, A Computational Study of the Job Shop Scheduling Problem, ORSA Journal on Computing, Spring Betrianis, Teguh, P.S., 2003, Penerapan Algoritma Tabu Search dalam Penjadwalan Job Shop, MAKRA, Teknologi Vol. 7 No. 3, Universitas Indonesia, Jakarta. Hermann, J.,W., 2006. Handbook of Production Scheduling, Springer : New York Hermann, J.W., 2007, The Legacy of Taylor, Gantt, and Johnson: How to Improve Production Scheduling, ISR Technical Report, University of Maryland, USA Kusumadewi, S., 2003. Artificial Intelligence: Teknik dan Aplikasinya, Graha Ilmu, Yogyakarta. Montgomery, D.C., Runger, G.C., 2003. Applied Statistic and Probability for Engineers 3 M-65 rd ed, John Willey and Sons, New York Suyanto, 2005, Algoritma Genetika dalam MATLAB, Penerbit Andi, Yogyakarta.en_US
dc.identifier.issn1412-9612
dc.identifier.urihttp://hdl.handle.net/11617/3854
dc.description.abstractPenjadwalan job shop merupakan permasalahan yang kompleks yang sering disebut np-hard problem di mana waktu penyelesaian masalah akan meningkat secara eksponensial seiring dengan berkembangnya luas permasalahan secara linear. Pada penelitian ini penjadwalan memiliki 146 job dalam simulasi waktu satu bulan. Penjadwalan ini memiliki 12 macam proses permesinan yang berbeda-beda, namun setiap job paling banyak melewati 4 proses permesinan. Selain itu, setiap proses permesinan memiliki sejumlah mesin yang dapat digunakan secara paralel, sehingga apabila suatu mesin sibuk maka job akan dialihkan ke mesin yang sama yang idle. Dalam penjadwalan ini juga diterapkan sistem grouping kelompok komponen satu produk, sehingga terdapat sekumpulan job yang harus dikerjakan dalam rentan waktu yang sama berdasarkan grup produk yang sama. Metode penjadwalan yang sedang dilakukan oleh PT.X adalah Earliest Due Date (EDD) dan Shostest Processing Time (SPT). EDD dan SPT ini akan dibandingkan dengan penjadwalan pendekatan kecerdasan buatan yaitu menggunakan metode Algoritma Genetika (AG). Parameter yang digunakan dalam AG ditentukan dengan metode Design of Experiment dengan 3 3 factorial design. Pada penelitian ini dibuat empat variasi model penjadwalan sebagai alternatif pilihan untuk penggunaan asumsi yang digunakan. Pada empat variasi model penjadwalan menggunakan AG tersebut, keempat variasi menunjukkan AG mampu menghasilkan makespan yang lebih singkat dibandingkan dengan metode EDD dan SPT. Pada asumsi satu mesin di setiap proses, metode EDD dan SPT memberikan makespan sebesar 135,1 jam sedangkan AG memberikan makespan sebesar 112,5 jam untuk sistem job acak dan 115,9 jam untuk sistem job grup produk. Pada asumsi semua mesin digunakan, metode EDD dan SPT memberikan makespan sebesar 38,1 jam sedangkan AG memberikan makespan sebesar 33,9 jam untuk sistem job acak dan 34,6 jam untuk sistem job grup produk.en_US
dc.publisherUniversitas Muhammadiyah Surakartaen_US
dc.subjectpenjadwalan mesinen_US
dc.subjectjob shopen_US
dc.subjectalgoritma genetikaen_US
dc.subjectmakespanen_US
dc.titlePenjadawalan Mesin Bertipe Job Shop untuk Meminimalkan Makespan dengan Metode Algoritma Genetika (Studi Kasus PT X)en_US
dc.typeArticleen_US


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record