RESUME PAPERA JOB-SHOP SCHEDULING PROBLEM (JSSP) USINGGENETIC ALGORITHM (GA)

NAMA: JULIANA ANGGRAENI HARIYONONIM: 100030091KELAS: A103

SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER STIKOM BALI2013

AbstractJob shop scheduling (JSS) adalah rencana penjadwalan untuk sistem yang berkapasitas rendah yang memerlukan banyak berbagai kebutuhan. Pada lingkungan JJSP terdapat j jobs yang akan diproses pada mesin m dengan beberapa fungsi objek yang harus diminimalkan. JJSP dengan j jobs akan di proses menggunakan lebih dari dua mesin yang telah diklasifikasikan sebagai kombinasi dalam melakukan pekerjaan tersebut. Mesin tersebut tidak bisa di formulasikan sebagai pemrograman linear dan tidak ada aturan yang sederhana atau algoritma yang dapat menghasilkan solusi optimalisasi pekerjaan dalam waktu yang sedikit. Dalam paper ini kita menggunakan algoritma genetika dengan beberapa modifikasi untuk menyelesaikan masalah dala perencaanaan job-shop.

A. PengenalanJob-shop adalah sistem yang melakukan proses sejumlah n pada tugas yang dilakukan sejumlah m mesin. Pada lingkungan ini produk akan dibuat dan dalam kapasitas rendah. Biasanya terdapat urutan yang berbeda di setiap aturan pada kebutuhan proses, bahan yang diperlukan, waktu pemrosesan, urutan proses dan waktu pengaturannya. Saat ini sudah banyak penelitian yang dilakukan untuk mencari metode dan algoritma yang digunakan untuk menyelesaikan masalah tetapi tetap saja waktu penyelesaiannya akan sesuai dengan seberapa besar problem masalah tersebut. Salah satu penelitian yang digunakan adalah Algoritma GenetikaAlgoritma genetika menyelesaikan maslah menggunakan prinsip evolusi. Dalam membuat solusi algoritma ini menggunakan operator genetic seperti seleksi, crossover, dan mutasi. Dalam melakukan proses algoritma genetika kita dapet melakukan modifikasi proses pada crossover, seleksi dan mutasi. Dalam paper ini kita mencari tahu bagaimana jika kita mengkombinasi CB neighbourhood dan DG distance pada crossover dan mutasi pada masalah penjadwalan job-shop apakah akan mendapatkan nilai yang minimal. Hasilnya akan menunjukan jika solusinya cepat ditemukan maka akan berhenti pada local optima.

B. JJSPPada paper ini kita melakukan penelitian pada job-shop. Pada lingkungan ini, produk tersebut adalah dibuat berdasarkan pesanan. JJSP bisa di definisikan sebagai set n job dan didenotasikan dengan JJ dimana j = 1,2.n dimana akan diproses pada set m mesin yang di denotasikan dengan Mk dimana k=1,2..m. Operasi j job pada k mesin akan didenotasikan dengan Ojk dengan waktu proses Pjk. Setiap job akan diproses melalui mesin dengan urutan tertentu atau bisa disebut juga dengan kendala teknologi. Ketika mesin mulai menjalankan kerjanya, tidak akan di perbolehkan untuk di interupsi. Semua waktu yang diperlukan untuk melakukan proses disebut makespan. Disini kita bertujuan untuk meminimalisasi makespan. Ketika kita melakukan meminimalisasi makespan, maka paling sedikit ada satu solusi yang menjadi semi aktif. Karena hal ini, setiap melakukan optimalisasi makespan penjadwalan di atur dengan melakukan urutan proses pada mesin.

C. Algoritma GenetikaPada penjadwalan, algoritma genetika merepresentasikan jadwal sebagai individual atau anggota populasi. Setiap individual mempunyai nilai fitnesnya masing-masing dan di hitung dengan fungsi objectif.

D. Critical Block dan DG DistancePada JJSP, kita juga bisa menemukan jalan yang terburuk. Jalan yang terburuk didefinisikan sebagai langkah yang panjang dari awal proses sampai akhir proses. Kita hitung jarak antara dua jadwal S1 dan S2 dengan jumlah perbedaan pada proses setiap mesin. Jarak tersebut disebut DG distance.

E. Neighbourhood SearchPada pengkombinasian mesin selalu ada masalah, teknik yang paling banyak digunakan untuk mencari solusi masalah tersebut adalah neighbourhood search. Solusi S di representasikan sebagai point di dalam pencarian ruang yang kosong. Kelayakan dari neighbourhood ini dapat di jangkau dari S dimana setiap satu transisi di definisikan dengan N (S). Neighbourhood search di kategorikan menurut kriteria yang diberikan untuk pemilihan titik yang baru dari neighbourhood (Yamda dan Nakano, 1995). Kita mendefinisikan neighbourhood jika DG distance diantara S dan y e N(s) = 1. Transisi yang digunakan disini adalah Critical Block Neighbourhood (CB).

F. Data Struktur dan RepresentasiKita membuat populasi sebagai array dari individual dimana setiap individual mempunyai phenotype, genotype, dan fitness. Pada penjadwalan job-shop ini kita menandai setiap pekerjaan yang harus dilakukan sebagai phenotype, penjadwalan pekerjaan mesin sebaga genotype, dan nilai makespan sebagai fitness. JSSP bisa dilihat seperti TSP yang dimana di setiap jadwal dapat di representasikan sebagai permutasi pekerjaan yang harus dilakukan pada setiap mesin yang dimana dapat di sebut sebagai job sequence matrix.

G. Inisialisasi PopulasiDalam melakukan inisialisasi populasi kita melakukan penginisialisasi populasi secara acak dari jadwal yang di buat, termasuk beberapa jadwal yang didapatkan dari aturan prioritas.

H. Pemilihan Orang TuaDalam memilih orang tua, kita memilih dua individual untuk reproduksi. Disini kita memilih individual tersebut secara acak dan dinamakan dengan parent1 dan parent2.

I. Nilai FitnessPada penelitian ini nilai fitnesnya kita fokuskan pada lingkungan statik dan deterministik dengan kata lain jumlah pekerjaan dan waktu proses yang diketahui, tetap, dan kita asumsikan tidak ada mesin yang rusak. Kita menggunakan makespan sebagai nilai fitness. Makespan di denotasikan sebagai Cmax adalah waktu ketika pekerjaan terakhir selesai.Cmax = max (C1,C2,..,Cn) dimana Cj = rj + Cj adalah selesainya waktu pekerjaan dari j, rj adalah waktu mulai dari pekerjaan j, Wjk adalah waktu tunggu dari pekerjaan j pada urutan k, dan pjm(k) adalah waktu proses yang diperlukan oleh pekerjaan j pada mesin m pada urutan k.

J. CrossoverSalah satu penyelesaian masalah job-shoping adalah dengan menggunakan CB neighbourhood dan DG distance. Teknik ini mengevaluasi point x dengan jarak d(x,p2). Disini kita mendenotasikan parent1 dan parent2 sebagai p1 dan p2. Hal yang pertama dilakukan adalah set x = p1. Kemudian kita membuat CB neighbourhood untuk x, N(x). Setiap member yi,pada N(x) kita hitung jarak antara anggota dengan p2 ke prosedur D(yi, p2), kemudian kita menggunakan yi dengan salah satu probabilitas jika nilai fitness kurang dari nilai fitness pada keadaan tersebut V(yi)