JURNAL SAINS DAN INFORMATIKA
Research of Science and Informatic V9.
Vol.
09 No.
http://publikasi.
id/index.
php/jsi p-issn : 2459-9549 e-issn : 2502-096X Penerapan Algorithma Gentika pada Masalah Penugasan Maklon di Industri Garmen Fadil Abdullaha.
Nurmalinda Rahwamatib.
Valentinus Galih Vidia Putrac Teknik Industri.
Fakultas Rekayasa Industri.
Universitas Telkom, email : fadilabdullah1880@gmail.
Manajemen.
Universitas Bakrie, email : malindanur16@gmail.
Teknik Tekstil.
Politeknik St Bandung, email : galih_vidia@yahoo.
Submitted: 29-08-2022.
Reviewed: 13-10-2022.
Accepted 26-11-2022 http://doi.
org/10.
22216/jsi.
Abstrak Penelitian ini bertujuan untuk mencari urutan penjadwalan biaya minimum pada proses manufaktur di industri garmen menggunakan algoritma genetika.
Metode dalam penelitian ini didasarkan pada eksperimen dengan menggunakan data primer.
Data yang diperoleh terdiri dari 7 urutan pabrik dan 7 jenis produk beserta biaya produksinya yang telah dipilih berdasarkan produk dengan penjualan tertinggi dari perusahaan.
Penelitian ini memiliki batasan standar yaitu setiap pabrik hanya memproduksi satu jenis produk.
Data tersebut kemudian dibangkitkan menggunakan algoritma genetika dengan 3 variasi jumlah iterasi yang berbeda untuk mencari urutan penjadwalan yang memiliki biaya paling kecil.
Hasil penelitian diperoleh kromosom .
, 6, 3, 1, 5, 7, .
sebagai kromosom terbaik dengan nilai fitness 3743 setelah 100 iterasi.
Kromosom .
, 6, 3, 1, 5, 7, .
juga menyediakan urutan penjadwalan yang diusulkan dari setiap pabrik untuk berbagai jenis produk dan memiliki biaya paling rendah.
Studi ini menyimpulkan bahwa metode Algoritma Genetika berhasil digunakan dalam kasus penugasan tol di industri garmen.
Kebaruan dari penelitian ini adalah bahwa ini adalah pertama kalinya Algoritma Genetika digunakan untuk menganalisis kasus penugasan maklon di industri garmen.
Penerapan keilmuan dari studi ini adalah hasil riset ini dapat digunakan oleh praktisi untuk dapat mengambil keputusan yang tepat dalam industri tekstil Kata Kunci: Sistem Informasi.
Masalah penugasan.
Algorithma Genetika, maklon,Industri garmen Abstract This study aims to find the minimum cost sequence of scheduling in the manufacturing process in the garment industry using genetic algorithms.
The method in this research is based on experiments using primary data.
The data obtained consists of 7 factory sequences and 7 types of products along with their production costs that have been selected based on the products with the highest sales from the company.
This research has a standard limitation in that each factory only produces one type of The data is then generated using genetic algorithm with 3 variations on the number of different iterations to find the scheduling sequence that has the least cost.
The results obtained chromosome .
, 6, 3, 1, 5, 7, .
as the best chromosome with a fitness value of 3743 after 100 iterations.
Chromosome .
, 6, 3, 1, 5, 7, .
also provides a proposed scheduling sequence from each factory for different types of products and has the least cost.
The study concludes that the Genetic Algorithm method was used successfully in the case of tolling assignments in the garment industry.
The novelty of this study is that it is the first time that a Genetic Algorithm has been used to analyze cases assignments in the garment industry.
The scientific application of this study is that the research findings can be used by practitioners to make good decisions in the textile industry.
Keyword : Assignment Problem,Genetic Algorithm,maklon,garment industry A 2023 Jurnal Sains dan Informatika untuk mencapai rencana tersebut, hal ini juga berlaku pada bisnis maklon untuk melakukan proses produksi di Perilaku komersial bisnis selalu berorientasi pada industri garmen.
keuntungan maksimal.
Upaya yang dapat dilakukan untuk mencapai keuntungan tersebut yaitu dengan cara Produksi merupakan kegiatan yang cukup penting pada memanfaatkan semua potensi atau sumber daya untuk suatu perusahaan.
Ketika proses produksi berhenti maka menciptakan dan meningkatkan utilitas barang dan jasa.
kegiatan lainnya dalam industri juga akan berhenti.
Dalam rangka mengatur kegiatan tersebut, perlu diambil Sebuah permasalahan perkembangan bisnis pada keputusan yang berkaitan dengan upaya pencapaian industri tersebut akan muncul salah satunya untuk tujuan agar barang dan jasa yang dihasilkan sesuai menemukan biaya paling minimal dari suatu penugasan dengan rencana.
Efisiensi diperlukan di semua bidang untuk melakukan proses produksi.
Pendahuluan Fadil Abdullah.
Nurmalinda Rahwamati.
Valentinus Galih Vidia Putra / Jurnal Sains dan Informatika : Vol.
09 No.
Penerapan saran dan solusi pada dunia bisnis telah ycycuycoycycycn = ycycaycycnycaycayceyco ycycuycoycycycn ycu! perkembangan zaman dan digitalisasi teknologi.
Jika masalah penugasan memiliki jangakuan yang Penerapan solusi yang diberikan oleh teknologi sangat besar maka untuk menemukan hasil dari suatu menampilkan visualisasi saran dan solusi berdasarkan urutan solusi membutuhkan waktu yang lama.
Pada data yang tersaji.
Dalam hal ini telah dilakukan prinspinya assignment problem yang diterapkan dalam penyempurnaan sistem integrasi dan teknologi untuk algorithma genetika memuat fungsi matematis yang memberikan informasi dan saran terhadap penyaluran mengdesekripsikan kebutuhan atau tujuan dari tenaga kerja sesuai dengan beberapa kriteria yang penerapannya.
Dalam contoh kasus ini adalah menjadi parameternya.
Penerapan sistem pakar telah meminimumkan biaya operasional perusahaan dengan dilakukan oleh .
mengenai sistem integrasi informasi mengurutkan pabrik yang memproduksi jenis produk perihal penjaringan informasi kerja dan lowongan kerja sehingga memperoleh urutan order dengan biaya paling untuk lulus sma.
dimana hasil dari penelitian tersebut minimal.
Persamaan berikut menjelaskan tentang fungsi adalah sistem dapat merekomendasikan tipe pekerjaan matematis sebagai fungsi objektif untuk mencari biaya menurut enam jenis kepribadian dan keahlian pada paling minimal.
bidang vokasi.
Masalah Penugasan (Assignment yc Proble.
merupakan masalah pengalokasian sejumah m pekerja ditugaskan pada sejumlah n pekerjaan .
ya = Oc Oc.
ayc ].
aycn ] Beberapa variabel yang mempengaruhi seperti besaran yc=1 ycn=1 ongkos produksi, besaran biaya operasional, pemeliharaan mesin, biaya tenaga kerja hingga biaya Dimana C sebagai cost, yayc sebagai pabrik ke yc dan yaycn Pemilihan meliputi alat, mesin, sumber daya sebagai produk ke ycn.
sehingga untuk mencari fungsi manusia atau pabrik merupakan penentuan dalam objektif dari urutan cost pada setiap pabrik untuk setiap menemukan biaya paling minimal untuk masalah produk adalah :
penugasan sehingga beberapa variabel tersebut dipilih berdasarkan pilihan yang paling tepat.
Masalah yce .
cu ) = min ya .
penugasan ini memiliki beberapa pilihan solusi yang menjadi jalan keluar untuk menemukan biaya paling minimal dalam penugasan.
Dalam menemukan solusi itu Sehingga Persamaanya menjadi :
banyak cara yang digunakan salah satunya dengan linear programing, perhitungan sederhana hingga penerapan yc ycn algorithma genetika.
Proses menemukan solusi pada .
cu ) = ycoycnycu Oc Oc.
ayc ].
aycn ] penerapan linear programming membutuhkan waktu yc=1 ycn=1 yang lama dalam menemukan suatu fungsi yang tepat hingga melakukan penerapan dalam pemecahan Penerapan algorithma genetika dalam assignment Untuk mengatasi kasus demikian dapat problem memudahkan proses pemilihan solusi digunakan metode heuristik, yaitu suatu metode berdasarkan proses komputasi yang relatif singkat pencarian yang didasarkan atas intuisi atau aturan-aturan empiris untuk memperoleh solusi yang lebih baik dengan fungsi-fungsi yang termasuk kedalamnya.
daripada solusi yang telah dicapai sebelumnya.
Algortima Genetika merupakan salah satu metode 2.
Tinjauan Pustaka heuristik yang merupakan cabang dari algorithma evolusi, yaitu suatu teknik untuk memecahkan masalah- 2.
1 Maklon masalah optimisasi yang rumit dengan menirukan proses evolusi mahluk hidup.
Solusi yang merupakan Industri Garmen merupakan salah satu industri yang kombinasi dari pilihan variabel solusi dilakukan analisis dibutuhkan masyarakat dalam dunia sandang dengan secara komperhensif dengan waktu iterasi yang relatif perkembangan yang sangat masif .
Proses produksi singkat jika dibandingkan dengan metode linear industri garmen sering mengalami permasalahan mengenai bahan baku kain, tenaga kerja sampai kepada proses produksi dan kuantitas produksi.
Pada industri Berdasarkan pengamatan permasalahan penugasan garmen sistem maklon atau pihak ketiga dalam proses maklon pada industri garmen mengenai pembagian produksi sering digunakan untuk melakukan proses order pada setiap pabrik untuk menemukan urutan order produksi dengan kuantitas produk yang besar.
Maklon yang diampu dan masing-masing jenis order dengan adalah pinjaman istilah dari bahasa Belanda.
Istilah lain biaya paling minimal.
Algorithma genetika menekankan yang umum dipakai adalah CMT (Cut Make Tri.
pada pilihan solusi random yang dapat dilakukan dengan Maklon sendiri menyediakan berbagai fasilitas dan beberapa kali iterasi.
Pilihan random tersebut layanan pihak ketiga dalam melakukan proses produksi.
merupakan pilihan solusi dengan persamaan matematis Diantaranya adalah proses produksi berupa mesin utama produksi, desain hingga pengemasan.
Perusahaan yang sebagai berikut :
memiliki konsep maklon, yaitu membuat suatu produk Fadil Abdullah.
Nurmalinda Rahwamati.
Valentinus Galih Vidia Putra / Jurnal Sains dan Informatika : Vol.
09 No.
dengan menggunakan merek dagang perusahaan lain Metaheuristik adalah prosedur tingkat tinggi untuk memilih aturan dengan tingkat yang lebih rendah dalam yang melakukan subkontrak .
memberikan solusi yang cukup baik untuk masalah Pada industri garmen proses maklon sendiri memiliki optimasi .
Lebih lanjut talbi mengemukakan bahwa sistem include layanan diantaranya yaitu proses metaheuristik adalah metode advance berbasis heuristik desain,produksi hingga pengemasan.
Kualitas produksi untuk menyelesaikan persoalan optimasi secara efisien hingga distribusi merupakan tanggung jawab .
Banyak sekali pendekatan yang masuk kategori perusahaan yang menerapkan sistem maklon.
Namun metaheuristik seperti Simulated Annealing (SA).
Tabu perusahaan yang melakukan perjanjian maklon dengan Search (TS).
Algoritma Genetika.
Particle Swarm beberapa perusahaan untuk proses produksi harus Optimization (PSO).
Ant Colony Optimization (ACO) memastikan perusahaan yang dapat menerima order dan Harmony Search.
Penelitian ini berfokus pada dengan ketentuan yang inginkan.
Tentunya proses penggunaan algortihma genetika untuk memecahkan seleksi ini harus mempertimbangkan aspek biaya permasalahan penugasan order pada proses maklon di hingga kualitas.
Urutan biaya produksi hingga distribusi industri garmen.
proses maklon menjadi pertimbangan dan penerapan harga pada setiap produknya.
Aspek biaya ini 2.
5 Algorithma Genetika merupakan permasalahan proses maklon pada industri garmen yang sangat penting dalam melihat aspek Genetic Algorithm (GA) atau Algoritma Genetika penugasan perusahaan yang memiliki tujuan merupakan metode metaheuristic yang terinsipirasi dari mendapatkan cost yang minimum dari proses produksi proses seleksi natural .
GA merupakan penerapan dengan sistem maklon sendiri.
langkah berfikir sistematis dalam memecahkan masalah yang terinspirasi teori evolusi Darwin.
Proses umumnya GA terdiri dari proses umum evolusi yaitu selection, 2 Assignment Problem crossover dan mutation .
Dalam proses selection GA Masalah penugasan adalah masalah yang hanya mempunyai tujuan untuk memilih individu dengan nilai mempunyai satu tujuan optimasi, yaitu memaksimalkan terbaik yang akan melakukan proses selanjutnya yaitu atau meminimalkan suatu sumber daya .
endapatan, crossover.
Sementara proses crossover merupakan biaya, jarak atau wakt.
yang digunakan untuk proses perpindahan antar gen dari dua individu terbaik menyelesaikan tugas .
Pada masalah penugasan ini setelah proses selection dan menghasilkan children.
memiliki tujuan untuk mengoptimalisasi penggunaan Proses selanjtutnnya adalah proses mutasi.
Proses sumber daya sehingga suatu aktivitas dapat dilakukan mutasi merupakan proses dimana urutan gen yang dengan sumber daya yang efektif dan biaya yang terdapat pada individu dilakukan pertukaran ulang gen Penggunaan tenaga kerja, mesin, bahan baku individu itu sendiri untuk mendapatkan individu yang yang berhubungan dengan penugasan serta sumber baru.
pendanaan dilakukan kombinasi sehingga menemukan solusi yang optimal dari suatu aktivitas kasus tersebut.
Output terbaik dari proses evolusi adalah menghasilkan Manajemen harus menyadari permasalahan dan solusi individu yang baik atau dengan sebutan fitness organism yang bijaksana untuk mengumpulkan informasi dan terbaik.
Dalam konteks GA, fitness disebut dengan menyelesaikannya berdasarkan data dan tidak bias fitness value .
Tujuan dari algoritma genetika adalah dalam pengambilan serta membuat suatu keputusan.
mencari fitness value dari individu di suatu populasi.
Permasalahan ini menguraikan sumber daya .
Penerapan dalam mencari nilai fitness value berjumlah .
unit untuk dialokasikan ke tugas .
diapilikasikan dengan berbagai perbedaan permasalahan berjumlah .
tipe tugas.
Dimana setiap i akan yang dibahas.
Dalam permasalahan assignment problem dialokasikan hanya pada satu tugas saja.
Sehingga nilai GA mencari individu dengan fitness value terendah yang berarti mencari nilai minimum fitness untuk n tidak lebih kecil dari nilai m, atau nOum .
permasalahan assignment problem.
Kelebihan dari menggunakan algoritma genetika ini adalah fitness 4 Metode Metaheuristik value yang dicari dapat menyelesaikan pada masalah Dalam implementasi untuk memecahkan suatu global optimum dimana pada metode geometrik lebih permasalahan mengenai optimasi yang sulit untuk sulit ditemukan atau sering terjebak di lokal dipecahkan menggunakan persamaan optimasi pasti.
Ada beberapa tahap dalam menggunakan maka dibuat suatu algotihma perkiraan untuk algortihma genetika diantaranya analisis kromosom, menyederhanakan dan meringkas metode berfikir dalam selection,crossover dan mutasi memecahkan permasalahan tersebut.
Metode berfikir ini dibagi menjadi dua yaitu metaheurstik dan herustic .
Metodologi Penelitian Meta mempunyai arti dalam bahasa yunani adalah level Sementara heuristic merupakan arti dalam Bahasa Metodologi penelitian yang dilakukan adalah berbasis yunani seni dalam mencari strategi baru.
eksperimen dalam bentuk usulan keputusan penjadwalan order proses makloon industri garmen menggunakan optimasi metaheuristic algorithma Fadil Abdullah.
Nurmalinda Rahwamati.
Valentinus Galih Vidia Putra / Jurnal Sains dan Informatika : Vol.
09 No.
Gambar 1 Rencana alur penelitian Jenis data yang digunakan dalam penelitian ini adalah data primer.
Data berasal dari perusahaan garmen yang didapatkan dengan ijin internal perusahaan pada Gambar 1 menampilkan, tahap pertama dalam penelitian ini dengan melakukan pengumpulan data dan pemilihan variabel sebagai produk yang dilakukan generate Pemilihan data dan variabel yang digunakan untuk algortihma genetika.
Data yang telah dilakukan generate algorithma genetika yaitu berdasarkan usulan pemilihan selanjutnya dimasukan pada program perusahaan dalam melakukan proses maklon dan algoritihma genetika menggunakan jupiter lab dan mempunyai indeks penjualan produk yang paling tinggi.
diolah berdasarkan prinsip algorithma genetika.
Pengumpulan data menghasilkan data yang diperlukan sebagai masukan seperti yang ditampilkan pada Tabel 1.
Prinsip algorithma genetika antara lain : inisialisasi populasi, evaluasi fungsi tujuan .
eleksi, crossover dan mutas.
sehingga mendapatkan individu terbaik dan siap Tabel 1 Data penelitian yang digunakan dilakukan implementasi.
Pabrik Cost Produ .
(Rib.
Produ Maske Hazma Jersey Traini Kemej Celana Jeans Inisialisasi Populasi Proses menginisialisasi individu.
Individu menyatakan salah satu solusi yang mungkin.
Individu atau kromosom merupakan kumpulan gen .
sementara gen adalah satuan dasar yang membentuk nilai dan mempunyai arti Gen terdiri dari allele yang merupakan nilai kemudian kumpulan dari solusi atau individu dsibeut dengan populasi.
Populasi merupakan sekumpulan individu yang diproses bersama dalam satu siklus proses.
inisialisasi kromosom dapat menggunakan persamaan 45 berikut :
ya = .
ca1 yca2 U ycaycu ] .
Dimana c adalah ya = .
ayc yaycn ] Sehingga, ya = .
a1 yaycn ya2 yaycn ya3 yaycn .
yaycu yaycn ] .
Dimana .
a1 yaycn ] merupakan cost factory ke 1 untuk jenis job ke i.
Sehingga dari persmaan tersebut dapat maklon didefinisikan sebagai berikut:
Dalam penyusunan penjadwalan proses mempunyai Batasan kaku .
ard constrains.
setiap pabrik hanya melakukan proses produksi untuk satu produk.
Adapun rencana alur penelitian yang dibuat seperti ditampilkan pada Gambar 1.
ya1 ycayccycaycoycaEa yceycaycaycycuycyc ycoyce 1 ycycuycycyco ycycuyca ycoyce ycn .
aycn ) yaycu ycayccycaycoycaEa yceycaycaycycuycyc ycoyce ycu ycycuycycyco ycycuyca ycoyce ycn .
aycn ) A Evaluasi Fungsi Selection Fadil Abdullah.
Nurmalinda Rahwamati.
Valentinus Galih Vidia Putra / Jurnal Sains dan Informatika : Vol.
09 No.
Proses ini merupakan proses untuk mengevaluasi setiap A Crossover populasi dengan menghitung nilai fitness setiap kromosom dan mengevaluasinya sampai terpenuhi Proses crossover merupakan operator dari algorthma kriteria yang diinginkan .
Fungsi fitness genetika yang melibatkan dua induk untuk membentuk bertujuan untuk mengetahui baik tidaknya solusi yang kromosom.
Proses crossover dilakukan pada setiap ada pada suatu individu dan setiap individu pada parents yang terpilih.
Proses crossover sendiri populasi harus memiliki nilai pembandingnya.
setelah menggunakan metode uniform crossover dimana dilakukan inisialisasi kromosom maka setiap kromosom uniform ini adalah metode crossover acak persilangan dicari nilai objektifnya dan nilai fitnessnya.
Dalam kasus gen yang terkandung oleh setiap parents.
Crossover assignment problem ini nilai fitnees adalah berbanding unifrom menghasilkan kromosom keturunan dengan lurus dengan nilai objektifnya sehingga :
menyalin bit-bit secara acak dari kedua orangtuanya (Sinaga, 2.
Contoh dari proses crossover ditampilkan dalam Tabel 2 sebagai berikut :
cu ) = yceyce Tabel 2 Contoh proses crossover .
Parrents 1 , 6, 2, 3, 5, 1, 4, 7, .
Sehingga kromosom terbaik adalah kromosom yang Parents 2 , 7, 1, 3, 2, 5, 6, 4, .
, 2, 5, 7, 1, 3, 4, 6, .
memiliki nilai fitness terendah.
Hal ini merpuakan Child tujuan dari penerapan assignment problem untuk A Mutasi mengetahui urutan pabrik dan produk yang akan melakukan kegiatan produksi.
Yaitu dengan mencari urutan pabrik dan produk yang akan melakukan kegiatan Mutasi menciptakan individu baru dengan melakukan produksi dengan kriteria biaya yang paling minimal.
modifikasi satu atau lebih gen dalam individu yang Selanjutnya kromosom-kromosom yang memiliki nilai sama.
Mutasi berfungsi untuk menggantikan gen yang fitnees terbaik akan dipilih dalam proses seleksi untuk hilang dari populasi selama proses seleksi serta menjadi parents.
Metode seleksi yang digunakan adalah menyediakan gen yang tidak ada dalam populasi awal metode proportionate selection jenis roulette sheel .
Ada beberapa jenis metode mutasi dalam penerapan di algorithma genetika.
Dalam penelitian ini metode mutasi yang digunakan adalah jenis swab mutation.
Metode proportionate selection sendiri memiliki dua Pada mutasi swap, kita memilih dua posisi pada kategori yaitu: Roulette Wheel Selection dan Stochastic kromosom secara acak, dan menukar nilai.
Ini umum Universal Sampling.
Roulette shell selection merupakan terjadi pada permutasi berbasis encodings metode seleksi yangmana mengukur kemungkinan suatu kromosom menjadi parents dengan melihat nilai Data yang telah dilakukan proses algorithma gentika Semakin nilai fitnessnya minimal persentase selanjutnya dipilih berdasarkan nilai fitness yang paling untuk menjadi parents semakin besar.
Kemudian optimal sesuai dengan kebutuhan penjadwalan.
Hasil stochastic universal sampling merupakan metode akhir proses data dengan genetika algorithma menjadi kromosom dipetakan ke segmen yang mengandung implementasi suatu usulan dalam melakukan proses rangking kromosom dan nilai fitnessnya .
Dalam hal penjadwalan proses maklon pada perusahaan.
ini untuk mendapatkan jumlah parents yang akan dipilih maka terlebih dahulu membangkitkan bilangan random A Individu Terbaik dari rentang 0,1 sehingga dipilih pada case assegment problem ini dengan bilangan random 0,5.
Dengan Individu terbaik didapatkan dengan kriteria nilai fitnees ketentuan sebagai berikut.
Membangkitkan bilangan terendah dalam populasi untuk beberapa kali iterasi.
random R dengan rentang (.
sebanyak jumlah Dalam penelitian ini untuk menemukan individu terbaik kromosom pada populasi.
Jika total probabilitas .
< tersebut dilakukan tiga kali percobaan dengan jumlah R) dan.
1 > R), maka pilih kromosom .
iterasi yang berbeda.
Percobaan pertama dilakukan sebagai kandidat parent .
Sehingga didapatkan iterasi sebanyak 100 kali.
Percobaan kedua dilakukan persamaan untuk probabilitas seleksi berikut iterasi sebanyak 300 kali dan percobaan ketiga dilakukan sebanyak 500 kali.
Adapun jumlah maksimal yceyce.
iterasi dari penelitian ini adalah 5040 yaitu berdasarkan ycyycn = ycu Ocycn=1 yceyce .
cn ) Dengan pi sebagai probabilitas kromosom yang akan Variasi solusi=7! =5040 kemungkinan solusi terpilih menjadi parents.
ff sebagai nilai fitness kromosom dan jumlah ff sebagai jumlah total fitness Setelah didapatkan individu/kromosom terbaik.
kromosom dalam satu populasi.
Seperti diketahui bahwa Langkah selanjutnya adalah memberi usulan bilangan (R) random adalah 0,5 sehingga apabila: penjadwalan produksi dengan skema maklon yang p.
< 0,5 dan p.
1 > 0,5 maka dipilih n memiliki biaya paling minimal dari urutan pabrik dan produk yang akan dilakukan proses produksi Fadil Abdullah.
Nurmalinda Rahwamati.
Valentinus Galih Vidia Putra / Jurnal Sains dan Informatika : Vol.
09 No.
berdasarkan urutan gen pada kromosom terbaik hasil produk 7.
Setelah dilakukan proses inisialisasi populasi dari algorithma genetika.
awal yang terdiri dari 20 kromosom.
Proses kromosom terbaik dari populasi awal untuk menjadi parents dan melakukan proses crossover sehingga 1 Data Penelitian menghasilkan kromosom - kromosom generasi Pada penelitian dilakukan analisis untuk mencari proses selanjutnya.
maklon industri apparel garmen dalam hal cost paling A Seleksi minimal dari suatu kegiatan produksi.
Data yang didapatkan berupa 7 perushaan yang siap melakukan - Fungsi fitness dan Probabilitas Parrents produksi untuk 7 jenis produk yang berbeda.
Sebagai perusahaan apparel pemilihan pabrik serta produk yang Proses seleksi kromosom dari populasi awal dilakukan diproduksi dicari berdasarkan ongkos produksi paling untuk mencari kromosom unggul yangmana akan minimal untuk memperoleh profit yang semakin besar menjadi parrents dan menghasilkan kromosomData penelitian yang digunakan seperti yang kromosom baru untuk populasi berikutnya.
Proses ditampilkan pada Tabel 1.
seleksi ini berdasarkan nilai fungsi fitnees dari Hasil dan Pembahasan persamaan 6 dan nilai probabilitas seleksi pada setiap kromosom berdasarkan persamaan 7 Tabel 4 menampilkan urutan kromosom terbaik yang memiliki Padapenelitian ini aturan baku dari penjadwalan proses nilai fitness dan probabilitas seleksi dari terkecil sampai maklon adalah setiap produk hanya dikerjakan oleh satu terbesar dari populasi awal.
pabrik saja.
Maka berdasarkan data yang didapatkan bahwa Panjang kromosom terdiri dari 7 gen dan setiap Tabel 4 Urutan kromosom terbaik gen mengandung nilai .
diantara urutan pabrik dan Urutan kromosom terbaik dari populasi , 7, 2, 4, 1, 6, .
, 3.
, 0,049.
produk yang akan melakukan kegaiatn produksi.
Tabel [[ 1, 4, 3, 6, 5, 7, .
, 3.
, 0,049.
3 menampilkan hasil insialisasi kromosom untuk [[ 4, 2, 6, 1, 7, 5, .
, 3.
, 0,049.
populasi awal sebanyak 20 kromosom yang [[ 3, 1, 2, 6, 7, 5, .
, 3.
, 0,049.
dibangkitkan secara random.
, 6, 5, 2, 1, 7, .
, 3.
, 0,049.
2 Inisialisasi Populasi Tabel 3 Inisialisais populasi awal Inisialisi Populasi Awal [.
, 2, 5, 7, 4, 1, .
, 4, 6, 7, 2, 5, .
, 1, 4, 5, 7, 6, .
, 1, 3, 7, 4, 2, .
, 5, 7, 4, 2, 6, .
, 3, 2, 5, 6, 4, .
, 2, 4, 6, 1, 5, .
, 1, 4, 6, 3, 5, .
, 7, 2, 4, 1, 6, .
[[ 1, 4, 3, 6, 5, 7, .
[[ 4, 2, 6, 1, 7, 5, .
[[ 3, 1, 2, 6, 7, 5, .
, 2, 5, 3, 7, 1, .
, 6, 7, 5, 4, 3, .
, 6, 7, 4, 1, 3, .
, 5, 6, 7, 2, 3, .
, 1, 4, 5, 6, 2, .
, 6, 5, 2, 1, 7, .
, 4, 2, 6, 3, 1, .
, 6, 7, 4, 5, 2, .
, 4, 2, 6, 3, 1, .
, 3.
, 0,049.
, 3, 2, 5, 6, 4, .
, 3.
, 0,049.
, 2, 4, 6, 1, 5, .
, 3.
, 0,049.
, 2, 5, 7, 4, 1, .
, 3.
, 0,050.
, 4, 6, 7, 2, 5, .
, 3.
, 0,050.
, 1, 4, 5, 7, 6, .
, 3.
, 0,050.
, 1, 3, 7, 4, 2, .
, 3.
, 0,050.
, 5, 7, 4, 2, 6, .
, 3.
, 0,050.
, 1, 4, 6, 3, 5, .
, 3.
, 0,050.
, 2, 5, 3, 7, 1, .
, 3.
, 0,050.
, 6, 7, 5, 4, 3, .
, 3.
, 0,050.
, 6, 7, 4, 1, 3, .
, 3.
, 0,050.
, 6, 7, 4, 5, 2, .
, 3.
, 0,050.
, 5, 6, 7, 2, 3, .
, 3.
, 0,050.
, 1, 4, 5, 6, 2, .
, 3.
, 0,050.
, 6, 7, 4, 1, 3, .
, 3.
, 0,050.
, 6, 7, 4, 5, 2, .
, 3.
, 0,050.
Tabel 4 menampilkan urutan dari kromosom-kromosom dari populais awal yang memiliki nilai fitness dan probabilitas seleksi terkecil sampai terbesar.
Dari aturan Aup.
< 0,05 dan p.
1 > 0,5 maka dipilih n kromosomAy Informasi yang didapatkan dari Tabel 3 menampilkan kromosom yang memilki probabilitas dibawah 0,05 urutan kromosom dengan Panjang kromosom teridiri dipilih menjadi parents yang akan melakukan proses dari 7 gen.
Berdasarkan informasi tersebut maka dapat selanjutnya yaitu crossover.
Tabel 4 terdapat 8 dijabarkan contoh dari inisialisasi kromosom dan kromosom untuk menjadi parents yang selanjutnya informasinya sebagai berikut : K = .
,3,4,1,5,7,.
melakukan proses crossover.
Kromosom di atas informasi yang didapatkan adalah :
biaya pabrik 2 untuk melakukan produksi produk 1, biaya pabrik 3 untuk melakukan produksi produk 2, sampai kepada biaya pabrik 6 untuk melakukan produksi , 7, 2, 4, 1, 6, .
[[ 1, 4, 3, 6, 5, 7, .
[[ 4, 2, 6, 1, 7, 5, .
[[ 3, 1, 2, 6, 7, 5, .
, 6, 5, 2, 1, 7, .
Fadil Abdullah.
Nurmalinda Rahwamati.
Valentinus Galih Vidia Putra / Jurnal Sains dan Informatika : Vol.
09 No.
, 4, 2, 6, 3, 1, .
, 3, 2, 5, 6, 4, .
, 2, 4, 6, 1, 5, .
[[ 5, 3, 6, 7, 4, 2, .
, 3.
[[ 5, 6, 7, 4, 3, 1, .
, 3.
[[ 7, 4, 5, 2, 1, 3, .
, 3.
[[ 6, 5, 1, 7, 2, 3, .
, 3.
[[ 7, 1, 4, 3, 6, 5, .
, 3.
[[ 5, 7, 4, 3, 6, 2, .
, 3.
, 1, 4, 5, 6, 2, .
, 3.
Mutasi Mutasi dilakukan pada setiap kromosom dengan menukar gen yang terdapat pada masing-masing 4.
6 Hasil Variasi Iterasi Metode mutasi yang digunakan adalah swap mutation satu titik.
Dimana terdapat kedua gen yang Pada penelitian ini dilakukan tiga kali percobaan dengan bertukar posisi dalam setiap kromosom.
Tabel 5 variasi iterasi : 100, 250 dan 500 kali iterasi.
Hasil yang didapatkan dari proses iterasi untuk proses maklon diperoleh kromosom-kromosom hasil mutase.
dalam memilih urutan pabrik dan masing-masing jenis produk ditampilkan pada Tabel 7.
Tabel 5 Hasil proses mutasi
Tabel 7 Hasil percobaan iterasi
Mutasi
Sebelum Percobaan 1
Percobaan 2
Percobaan 3
Iterasi
Kromosom
[ 2, 6, 3, 1, 5,
7, .
, 3, 7, 1, 5,
6, .
, 3, 2,
6, 5, 7, .
[ 2, 3, 6, 1, 4,
7, 5,]
, 3, 2, 6, 5,
7, .
, 7, 3,
1, 5, 6, .
, 4, 3, 1, 6,
7, .
, 3, 6, 1, 5,
7, .
, 3, 6, 1, 4,
7, .
Nilai Fitness Sesudah [.
, 7, 2, 4, 1, 6, .
[[ 1, 4, 3, 6, 5, 7, .
[[ 4, 2, 6, 1, 7, 5, .
[[ 3, 1, 2, 6, 7, 5, .
, 6, 5, 2, 1, 7, .
, 4, 2, 6, 3, 1, .
, 3, 2, 5, 6, 4, .
, 2, 4, 6, 1, 5, .
, 7, 5, 4, 1, 6, 2 ], [ 1, 4, 3, 6, 5, 2 ],
[ 4, 2, 3, 1, 7, 5, .
[ 3, 1, 2, 4, 7, 5, .
[ 3, 6, 7, 2, 1, 5, .
[ 7, 1, 2, 6, 3, 4, .
[ 7, 3, 2, 5, 6, 1, .
[ 3, 2, 4, 6, 1, 7, .
4 Crossover Kromosom-kromosom terpilih menjadi parents Dari hasil 3 percobaan variasi iterasi didapatkan 3 selanjutnya melakukan proses crossover.
Jenis kromosom berbeda pada setiap variasi iterasinya.
Hasil crossover yang digunakan dalam penelitian ini adalah pada setiap percobaan didapatkan nilai fitness dan uniform crossover.
uniform crossover dimana metode urutan kromoson yang berbeda.
Genetika algorithma crossover yang menggunakan teknik acak persilangan dapat berhenti apabila solusi telah ditemukan dalam gen yang terkandung oleh setiap parents.
jumlah iterasi tertentu.
Atau iterasi algotihma genetika dapat berhenti apabila telah mencapai batas iterasi suatu kasus dan pada penelitian ini memiliki batasan 5040 kali 5 New Generation Algorithma genetika juga dapat berhenti Setelah melakukan crossover maka proses algorithma melakukan iterasi apabila telah ditemukan solusi yang genetika telah menyelesaikan satu iterasi.
Dimana hasil mirip pada beberapa kali percobaan.
Dari Tabel 7 dari proses crossover menjadi kromosom-kromosom informasi yang didapatkan bahwa kromosom terbaik generasi selanjutnya.
Pada iterasi pertama kromosom .
, memiliki nilai fitness 3743 dan terdapat dua kromosom 2, 4, 6, 1, 5, .
menjadi kromosom terbaik dengan nilai yang bernilai 3743 yaitu [ 2, 6, 3, 1, 5, 7, .
Dan .
, 3, 6.
Hasil crossover ditampilkan pada Tabel 6 1, 5, 7, .
Gambar 2 menampilkan grafik hubungan sebagai berikut :
antara percobaan variasi iterasi dengan nilai fitness yang Tabel 6 Urutab kromosom generasi berikutnya Generasi Berikutnya [[ 2, 3, 1, 5, 7, 6, .
, 3.
, [.
, 6, 5, 3, 1, 7, .
, 3.
, [.
, 2, 1, 4, 6, 7, .
, 3.
, [.
, 4, 3, 6, 5, 7, .
, 3.
, [.
, 5, 1, 2, 7, 6, .
, 3.
, [.
, 1, 7, 2, 6, 5, .
, 3.
, [.
, 5, 7, 4, 3, 6, .
, 3.
, [.
, 6, 3, 1, 7, 5, .
, 3.
, [.
, 1, 4, 3, 6, 7, .
, 3.
, [[ 7, 4, 3, 2, 5, 6, .
, 3.
[[ 3, 7, 6, 4, 1, 5, .
, 3.
[[ 3, 7, 6, 4, 1, 5, .
, 3.
[[ 4, 3, 1, 5, 6, 7, .
, 3.
Fadil Abdullah.
Nurmalinda Rahwamati.
Valentinus Galih Vidia Putra / Jurnal Sains dan Informatika : Vol.
09 No.
elana A Pabrik ke 4 pesanan produk 1 .
A Pabrik ke 5 pesanan produk 5 ( kemej.
A Pabrik ke 6 pesanan produk 7 ( jean.
Pabrik ke 7 pesanan produk 4 ( trainin.
Gambar 2 Grafik hubungan antara percobaan variasi iterasi 7 Implementasi Berdasarkan hasil generate algorithma genetika didapatkan hasil kromosom [ 2, 6, 3, 1, 5, 7, .
, 5.
Kesimpulan 3, 6, 1, 5, 7, .
dengan nilai fitness terbaik pada jumlah iterasi ke 100 sehingga usulan implementasi untuk Dari penelitian yang telah dilakukan maka dapat ditarik proses maklon industri garmen ditampilkan pada Tabel kesimpulan dan saran sebagai berikut :
8 sebagai berikut :
Tabel 8 Hasil usulan implementasi Kromosom Nilai fitness [ 2, 6, 3, 1, 5, 7, .
Perintah maklon , 3, 6, 1, 5, 7, .
Pabrik ke 1 pesanan produk 2 .
Pabrik ke 2 pesanan produk 6 .
elana Pabrik ke 3 pesanan produk 3 .
Pabrik ke 4 pesanan produk 1 .
Pabrik ke 5 pesanan produk 5 ( kemej.
Pabrik ke 6 pesanan produk 7 ( jean.
Pabrik ke 7 pesanan produk 4 ( trainin.
Pabrik ke 1 pesanan produk 2 .
A Pabrik ke 2 pesanan produk 3 .
A Pabrik ke 3 pesanan produk Kesimpulan Didapatkan hasil terbaik dari algorithma genetika setelah melakukan 100 kali iterasi memiliki nilai fitness 3743 dengan kromosom [ 2, 6, 3, 1, 5, 7, .
Dengan hasil tersebut PT X mendapatkan urutan maklon pada 7 pabrik untuk 7 produk yang berbeda meliputi : pabrik 2 akan memproduksi masker atau produk 1, pabrik 6 akan memproduksi hazmat atau produk 2, pabrik 3 akan memproduksi jersey atau produk 3, pabrik 1 akan memproduksi training atau produk 4, pabrik 5 akan memproduksi kemeja atau produk 5, pabrik 7 akan memproduksi celana bahan atau produk 6, dan pabrik 4 akan memproduksi celana jeans atau produk 7.
Dengan total biaya proses maklon sebesar Rp.
Didapatkan solusi paling minimal setelah melakukan 100 kali iterasi.
Percobaan variasi didapatkan solusi yang sama karena sifat random dari algorithma genetika pada setiap kali melakukan running.
Pada iterasi pertama saat melakukan seleksi untuk mendapatkan kromosom terbaik sebagai parents.
Didapatkan hasil 8 kromosom terpilih sebagai parents dan metode crossover yang digunakan adalah uniform crossover serta metode swab Saran Untuk memperbaharui keilmuan yang kompreshensif didapatkan saran sebagai berikut :
Fadil Abdullah.
Nurmalinda Rahwamati.
Valentinus Galih Vidia Putra / Jurnal Sains dan Informatika : Vol.
09 No.
Menggabungkan atau membandingkan dua algorithma combinatoria untuk mendapatkan hasil yang semakin akurat dengan waktu yang cepat.
Penggunaan algorithma genetika dalam case study perlu ditambahkan tools berbasis digital yang bisa mengakses dengan instan pada setiap kali .
menemukan case yang sama Ucapan Terima Kasih