Abstract:
Hybrid Flow Shop Scheduling (HFS) adalah sebuah sistem penjadwalan yang
terdiri atas berbagai tahapan (stage) proses produksi dan material/pekerjaan
(job) yang akan di proses dalam aliran yang searah dimana terdapat minimum satu
tahapan yang memilki mesin identik yang disusun secara paralel. Permasalahan HFS
bersifat non polynomial-hard (NP-Hard). Hal ini dikarenakan semakin banyak material,
jumlah tahapan yang akan dikerjakan, dan jumlah mesin, maka semakin banyak
kombinasi urutan pekerjaan sehingga waktu komputasi yang dibutuhkan akan semakin
lama. Permasalahan HFS dapat diselesaikan dengan menggunakan metode eksak
namun metode tersebut dinilai sudah tidak efisien dari segi waktu komputasi. Oleh
karena itu, perlunya metode lain untuk dapat menyelesaikan permasalahan HFS. Salah
satu metode yang dapat menyelesaikan permasalahan dengan np-hard adalah dengan
menggunakan metode metaheuristik.
Pada penelitian ini, permasalahan HFS akan diselesaikan dengan algoritma Grey
Wolf Optimizer (GWO). GWO merupakan sebuah algoritma metaheuristik yang meniru
perilaku serigala dalam proses perburuan mangsa. Pada algoritma GWO, solusi terbaik
dianalogikan sebagai mangsa yang akan diburu oleh serigala. Serigala akan berpindah
posisi untuk mencari mangsa dengan berpatokan pada serigala hierarkis yakni serigala
alpha, beta, dan delta.
Algoritma GWO diimplementasikan ke dalam 21 kasus yang terdiri atas 16 easy
problems dan 5 hard problems dengan menggunakan 8 kombinasi parameter dan 20 kali
replikasi. Algoritma GWO memiliki 3 parameter yang diuji dimana masing-masing
parameter memiliki 2 level. Eksperimen dilakukan dengan menggunakan teknik Full
Factorial Completely Randomized Design (CRD) untuk mencari pengaruh masing-masing
parameter, yakni parameter pergerakan mangsa (na), parameter jumlah serigala (n), dan
jumlah iterasi (T). Pada penelitian ini juga dilakukan perbandingan performansi yang
dihasilkan algortima GWO dengan algoritma pembanding yaitu algoritma improved
discrete artificial bee colony (IDABC). Hasil implementasi menunjukkan performansi
algoritma GWO sama baiknya dengan IDABC pada easy problems. Akan tetapi,
algoritma GWO belum dapat menghasilkan solusi yang lebih baik dibandingkan dengan
iDABC pada hard problems kecuali pada kasus ke-19.