Penyelesaian car sequencing problem dengan genetic algorithm dan simulated annealing algorithm

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.