Dakka, Fahron (2017) Optimasi Algoritma Genetika Dalam Menyelesaikan Permasalahan Multi-Site Multi-Product Aggregate Production Planning. Magister thesis, Universitas Brawijaya.
Abstract
Aggregate Production Planning (APP) berkaitan dengan perencanaan alokasi sumber daya produksi dari sebuah perusahaan dalam memenuhi permintaan pasar. Tujuan dari APP adalah untuk meminimalkan jumlah biaya produksi. Hal ini dilakukan dengan cara menentukan level produksi, inventory dan tenaga kerja yang bertujuan untuk meminimalkan tingkat perubahan jumlah produksi dan tingkat perubahan jumlah tenaga kerja sehingga didapatkan jumlah biaya produksi yang kecil selama periode produksi. Pada penelitian ini digunakan Algoritma Genetika dalam menyusun Aggregate Production Planning, dimana permasalahan Aggregate Production Planning pada penelitian ini memiliki beberapa constraint (multi-constraint), yaitu constraint kapasitas, tenaga kerja, serta inventory dalam mencapai beberapa tujuan (multi-objective), dalam hal ini adalah meminimalisir tingkat perubahan jumlah tenaga kerja serta perubahan level produksi. Algoritma Genetika yang digunakan akan dioptimasi untuk dapat meningkatkan performa dalam menyelesaikan permasalahan pada penelitian ini. Optimasi dilakukan dengan cara menggabungkan dua metode seleksi yaitu: Seleksi Roda Roulette dan Seleksi Rangking. Penggabungan dua metode seleksi ini ditujukan untuk mendapatkan sebuah metode seleksi yang memiliki keunggulan dari segi ekplorasi maupun ekploitasi. Selain itu juga diterapkan prinsip mitochondrial DNA (mtDNA) yang dapat menghindarkan terjadinya crossover antara individu yang memiliki kesamaan yang dapat meningkatkan keragaman dari populasi dan dapat mencegah terjadinya konvergensi dini. Hasil penelitian menunjukkan bahwa optimasi Algoritma Genetika yang dilakukan dapat menghasilkan nilai fitness yang lebih baik jika dibandingkan dengan Algoritma dengan metode seleksi Roda Roulette maupun seleksi Rangking. Pada percobaan dengan menggunakan Algoritma Genetika yang dioptimasi sebelum melalui proses mutasi, nilai fitness maksimal maupun fitness rata-rata terbaik didapatkan dengan pada crossover rate sebesar 0.7. Sedangkan untuk percobaan dengan menggunakan proses mutasi terbaik pada nilai crossover rate optimal yaitu 0.7, didapatkan nilai fitness maksimal maupun fitness ratarata terbaik pada mutation rate sebesar 0.2. Maka dari hasil percobaan yang telah dilakukan, dapat diambil kesimpulan bahwa Algoritma Genetika yang sudah mampu menunjukkan hasil fitness terbaik dengan menggunakan kombinasi crossover rate dan mutation rate masing-masing sebesar 0.7 dan 0.2.
English Abstract
Aggregate Production Planning (APP) deals with the planning of production resource to meet market demands. The Objective of APP is to minimize the sum of production cost. This is done by determining the level of production, inventory and labor that aims to minimize the rate of change in the amount of production and the change in the amount of labor so as to obtain production cost as small as possible. Genetic Algorithm is used this research in compiling APP, where the problem of APP has multi-constraints in reaching multi-objectives. Genetic algorithms used in this research will be optimized to improve its performance. Optimization is done by combining two selection methods, Roulette Wheels and Ranks Selection. It is expected that by combining this selection method can be obtained a method that has advantages in terms of exploration and exploitation. It also applies the principle of mitochondrial DNA (mtDNA) that can avoid crossover between individuals who have similarities that can increase the diversity of the population and can prevent the occurrence of premature convergence. The results obtained from the research showed that the optimization of Genetic Algorithm performed can produce better fitness value compared with the Algorithm using Roulette Wheels or Ranks selection method. In experiments using optimized Genetic Algorithms before going through the mutation process, the best maximum as well as the best average fitness value was obtained with a crossover rate of 0.7. While for the experiment by using mutation process at the optimal crossover rate of 0.7, best maximum fitness as well as best average fitness value are obtained at the mutation rate of 0.2. From the results of experiments that have been done, it can be concluded that the Genetic Algorithm has been able to show the best results by using a combination of crossover rate and mutation rate of 0.7 and 0.2 respectively.
| Item Type: | Thesis (Magister) |
|---|---|
| Identification Number: | TES/005.1/DAK/o/2017/041708988 |
| Uncontrolled Keywords: | GENETIC ALGORITHMS, AGGREGATE INDUSTRY |
| Subjects: | 000 Computer science, information and general works > 005 Computer programming, programs, data > 005.1 Programming |
| Divisions: | S2/S3 > Magister Teknik Elektro, Fakultas Teknik |
| Depositing User: | Nur Cholis |
| Date Deposited: | 13 Nov 2017 01:22 |
| Last Modified: | 22 Oct 2020 15:13 |
| URI: | http://repository.ub.ac.id/id/eprint/5292 |
Actions (login required)
 |
View Item |