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.
