Abstract:
Lini produksi berjalan yang diperkenalkan ke dalam industri otomotif oleh Henry Ford
untuk pembuatan Ford Model T merevolusi manufaktur kendaraan bermotor, khususnya mobil.
Pada awal perkembangannya, kecepatan produksi dan kuantitas mobil yang diproduksi perhari
menjadi hal utama. Produksi yang lebih cepat dan lebih banyak mobil yang dihasilkan membuat
harga Ford Model T lebih murah daripada mobil lain di pasaran. Bahkan harga mobil tersebut
dapat diturunkan secara bertahap. Seiring berjalannya waktu, manufaktur mobil terbagi menjadi
dua, yaitu manufaktur kendaraan mewah dan massal. Kendaraan yang tergolong mewah pada
umumnya produksinya dibatasi, waktu produksinya cukup lama, dan banyak pilihan fitur
yang disediakan bagi pembeli. Sedangkan, kendaraan massal memiliki produksi yang dibatasi
perkembangan model, waktu produksinya cepat, dan fitur pada mobil tersebut ditentukan oleh
produsen.
Mengikuti perkembangan zaman, para produsen mobil mulai menyediakan fitur-fitur yang
dapat dipilih oleh konsumen, seperti motif jok, lampu kabut, dan sunroof. Tentunya mobil
dengan fitur yang dipilih oleh konsumen dapat menyebabkan masalah baru, seperti waktu
produksi yang lebih lama. Hal ini disebabkan oleh penyesuaian urutan mobil pada lini produksi.
Permasalahan itu disebut dengan Car Sequencing Problem, yaitu pencarian urutan paling
optimal untuk lini produksi berdasarkan tipe mobil yang ada. Tipe mobil yang dimaksud adalah
sebuah mobil yang dibeli konsumen dengan pilihan fitur tertentu, seperti contoh sebuah sedan
dengan lampu kabut. Car Sequencing Problem tentunya sudah lama dipecahkan oleh para
produsen mobil, salah satunya adalah Renault. Perusahaan tersebut menggunakan algoritma
Simulated Annealing untuk memecahkan Car Sequencing Problem. Pada penelitian-penelitian
beberapa tahun setelahnya, ternyata Car Sequencing Problem dapat dipecahkan juga oleh Genetic
Algorithm.
Terdapat sebuah penelitian lain yang membuktikan bahwa gabungan dari Genetic Algorithm
dan Simulated Annealing dapat menghasilkan solusi yang lebih baik dari kedua algoritma jika
dijalankan masing-masing. Oleh karena itu, skripsi ini akan mencoba menggunakan gabungan
tersebut untuk menyelesaikan Car Sequencing Problem dan membuktikan bahwa gabungan
algoritma tersebut dapat bekerja dengan baik juga pada permasalahan ini.
Setelah melakukan penjabaran dasar teori, pemodelan dan analisis algoritma, perancangan,
implementasi perangkat lunak, dan pengujian, dapat ditarik kesimpulan dari skripsi ini. Car
Sequencing Problem dapat diselesaikan dengan beberapa metode penggabungan Genetic Algorithm
dan Simulated Annealing, yaitu Hybrid GA-SA, Hybrid SA-GA, dan Cyclic GA-SA. Selain
itu, perangkat lunak yang dibuat berhasil mengimplementasikan Car Sequencing Problem pada
masing-masing algoritma. Algoritma terbaik berdasarkan hasil pengujian pada skripsi ini adalah
Genetic Algorithm, dengan Simulated Annealing, Hybrid GA-SA, dan Cyclic GA-SA menjadi
urutan selanjutnya sebagai algoritma terbaik. Hybrid SA-GA memiliki kinerja terburuk untuk
menyelesaikan Car Sequencing Problem dibandingkan algoritma-algoritma lainnya.