Penerapan algoritma Lion Pride Optimizer dalam menyelesaikan masalah Hybrid Flow-Shop untuk meminimasi Makespan

Abstract

Setiap perusahaan berusaha untuk dapat menjadi perusahaan yang terbaik. Salah satu bidang yang menjadi perhatian bagi perusahaan untuk ditingkatkan adalah dari segi penjadwalan. Dari beberapa jenis strategi produksi yang digunakan dalam perusahaan, Hybrid Flow-Shop (HFS) adalah salah satu jenis strategi produksi yang sering digunakan dalam suatu perusahaan. Dalam strategi ini, setiap pekerjaan memiliki urutan pemrosesan yang sama, dan minimal terdapat 1 stage yang memiliki lebih dari 1 processor. Permasalahan dalam menjadwalkan pekerjaan pada strategi HFS ini tergolong dalam permasalahan np-hard. Oleh karena itu, dalam penelitian ini permasalahan HFS diselesaikan dengan metode metaheurisitik, yaitu menggunakan algoritma Lion Pride Optimizer (LPO). LPO merupakan algoritma yang dirancang berdasarkan evolusi dari kelompok singa. Dalam algoritma ini terdapat 7 parameter yang mengatur proses evolusi kelompok singa. Perubahan nilai pada parameter ini mungkin saja dapat menyebabkan perubahan perfomansi dari evolusi dari kelompok singa tersebut. Pada penelitian ini, LPO digunakan untuk menyelesaikan 6 kasus benchmark dan terdapat 3 parameter dari algoritma LPO yang diuji. Parameter tersebut meliputi threshold short stagnation (ths), threshold long stagnation (thls), dan times long stagnation (tls). Masing-masing parameter memiliki 3 level, sehingga terdapat 27 kombinasi parameter, dimana setiap kombinasi parameter dilakukan replikasi sebanyak 5 kali. Pengujian ANOVA digunakan untuk mengidentifikasi pengaruh dari 3 parameter LPO tersebut. Hasil dari algoritma dibandingkan dengan algoritma lain yang pernah digunakan untuk menyelesaikan kasus HFS yang sama. Algortima pembanding tersebut meliputi genetic algorithm (GA), viral system (VS), dan intelligent water drop (IWD). Pada 2 dari 6 kasus HFS, LPO berhasil menghasilkan solusi yang sama dengan nilai terbaik dari algoritma pembanding. Pada 3 dari 6 kasus HFS, LPO menghasilkan solusi terbaik kedua. Pada 1 dari 6 kasus HFS, LPO menghasilkan solusi yang paling buruk dibandingkan algoritma lainnya. Dari hasil pengujian parameter didapatkan kesimpulan bahwa pada 3 dari 6 kasus HFS, ketiga parameter tersebut tidak berpengaruh terhadap perfomansi LPO, 2 dari 6 kasus HFS, tls berpengaruh terhadap perfomansi LPO, dan terdapat interaksi antara ketiga parameter tersebut pada 1 dari 6 kasus HFS.