Abstract:
Penelitian ini bertujuan untuk mengembangkan sebuah algoritma Particle Swarm
Optimization (PSO) yang akan diterapkan untuk menyelesaikan masalah dalam penjadwalan
job shop dengan mesin paralel pada produk multi-level untuk meminimasi mean tardiness.
Particle Swarm Optimization (PSO) adalah salah satu metode heuristik yang telah berkembang
saat ini yang didasari pada tingkah laku sosial dari sekelompok burung yang terbang bersama
atau sekelompok ikan yang berenang bersama untuk mencari sumber makanan.
Penelitian ini juga membahas pengaruh perubahan parameter dalam algoritma PSO yaitu
tingkat kepercayaan terhadap partikel sendiri (c1), tingkat kepercayaan terhadap kawanan
partikel lain (c2) dan inertia weight maximum (wmax) terhadap hasil performansi algoritma.
Algoritma PSO yang dikembangkan ini kemudian diterapkan pada beberapa kasus dengan
karakteristik berbeda. Hasil solusi yang didapatkan dari algoritma PSO akan dibandingkan
dengan algoritma ACS (Ant Colony System) untuk mengetahui performansi dari masing-masing
algoritma terhadap kasus masalah penjadwalan job shop yang sama.
Hasil penelitian ini menunjukkan bahwa algoritma Particle Swarm Optimization (PSO)
yang dikembangkan dapat menyelesaikan masalah penjadwalan job shop dengan mesin paralel
pada produk multi-level untuk meminimasi mean tardiness. Pada kasus yang diterapkan
diketahui bahwa parameter c1, c2 dan wmax mempunyai pengaruh terhadap solusi yang
dihasilkan. Algoritma PSO dalam masalah penjadwalan job shop hasil penelitian ini
menunjukkan hasil performansi yang lebih baik dibandingkan dengan algoritma ACS.