APLIKASI ALJABAR MAX-PLUS PADA PENJADWALAN …

TUGAS AKHIR - SM141501

APLIKASI ALJABAR MAX-PLUS PADAPENJADWALAN FLOWSHOP DENGANMENGGUNAKAN MODEL TIMED PETRI NET

SUSI YANUARSIHNRP 1211 100 096

Dosen Pembimbing:Dr. Subiono, M.S

JURUSAN MATEMATIKAFakultas Matematika dan Ilmu Pengetahuan AlamInstitut Teknologi Sepuluh NopemberSurabaya 2015

FINAL PROJECT - SM141501

MAX-PLUS ALGEBRA APPLICATION FORFLOWSHOP SCHEDULING MODELED WITHTIMED PETRI NET

SUSI YANUARSIHNRP 1211 100 096

Supervisor:Dr. Subiono, M.S

DEPARTMENT OF MATHEMATICSFaculty of Mathematics and Natural SciencesSepuluh Nopember Institute of TechnologySurabaya 2015

APLIKASI ALJABAR MAX-PLUS PADAPENJADWALAN FLOWSHOP DENGAN

MENGGUNAKAN MODEL TIMED PETRINET

Nama Mahasiswa : Susi YanuarsihNRP : 1211 100 096Jurusan : Matematika FMIPA-ITSPembimbing : Dr. Subiono, M.S

AbstrakAljabar Max-Plus merupakan salah satu teknik analisis

pengkajian dari sistem event diskret yang mempunyaibanyak aplikasi pada teori sistem, Petri net dan teorigraph. Salah satu aplikasinya adalah pada penjadwalansistem produksi. Pada penelitian ini, didesain penjadwalansistem produksi flowshop. Di dalam penelitian inidibahas masalah penjadwalan 5 workstation dan 3 job.Dari data yang ada dibuat sinkronisasi antar mesin.Dari sinkronisasi tersebut dicari permutasi urutan jobyang optimal, dengan menggunakan algoritma Branch danBound dengan pendekatan Aljabar Max-Plus. Selanjutnya,dikonstruksi model petri net dan Aljabar Max-Plus untukmenentukan jadwal pemrosesan job di masing - masing mesin.Berdasarkan studi kasus di UKM Rizki Makmur, didapatmodel dinamik X(k) = M ⊗ X(k − 1), serta urutan jobyang mengoptimalkan makespan (jangka waktu selesainyaseluruh job) yang dihasilkan adalah job 2 (pembuatan kusen),job 3 (pembuatan jendela), job 1 (pembuatan pintu) denganmakespan sebesar 170 menit.

Kata-kunci: Aljabar Max-Plus, Timed Petri Net,Penjadwalan Flowshop.

vii

MAX-PLUS ALGEBRA APPLICATION FORFLOWSHOP SCHEDULING MODELED WITH

TIMED PETRI NET

Name : Susi YanuarsihNRP : 1211 100 096Department : Mathematics FMIPA-ITSSupervisor : Dr. Subiono, M.S

AbstractMax-plus Algebra is one of the engineering assessment

analysis of discrete event systems which have manyapplications on systems theory, Petri net and graph theory.One of its application is production scheduling system. In thisresearch, flowshop production scheduling system is designed.In this research scheduling issues of 5 workstation and 3 jobis discussed. From the existing data, synchronization betweenmachines created. From the synchronization will be soughtpermutation of optimal job sequence, using Branch and BoundAlgorithm with Max-Plus Algebra approach. Furthermore,the model is constructed petri net and Max-Plus algebra todetermine the schedule of job processing in each machine.Based on case studies in UKM Rizki Makmur, obtained thedynamic model X(k) = M ⊗ X(k − 1), we can get the jobsequence that optimizes makespan (term of completion of theentire job), the sequence generated job is a job 2 (manufactureframes), job 3 (manufacture of windows), job 1 (manufactureof doors) with makespan of 170 minutes.

Key-words: Max-Plus Algebra, Timed Petri Net, FlowshopScedhuling

ix

KATA PENGANTAR

Assalamu’alaikum Wr. Wb.Alhamdulillaahirobbil’aalamiin, segala puji dan syukur

penulis panjatkan ke hadirat Allah SWT yang telahmemberikan limpahan rahmat, petunjuk serta hidayah-Nya,sehingga penulis dapat menyelesaikan Tugas Akhir yangberjudul

”APLIKASI ALJABAR MAX-PLUS PADAPENJADWALAN FLOWSHOP DENGAN

MENGGUNAKAN MODEL TIMED PETRI NET”

sebagai salah satu syarat kelulusan Program Sarjana JurusanMatematika FMIPA Institut Teknologi Sepuluh Nopember(ITS) Surabaya.

Tugas Akhir ini dapat terselesaikan dengan baik berkatbantuan dan dukungan dari berbagai pihak. Oleh karena itu,penulis menyampaikan ucapan terima kasih dan penghargaankepada:

1. Ibu Prof. Dr. Erna Apriliani, M.Si selaku KetuaJurusan Matematika ITS yang telah memberikanfasilitas dalam penyelesaian tugas akhir.

2. Bapak Dr. Subiono, M.S selaku dosen pembimbingatas segala bimbingan dan motivasinya kepada penulisdalam mengerjakan Tugas Akhir ini sehingga dapatterselesaikan dengan baik.

3. Ibu Sunarsini, S.Si., M.Si., Bapak Drs. Sentot DidikS., M.Si., Ibu Dian Winda, M.Si., dan Bapak KistosilFahim, M.Si. selaku dosen penguji atas semua saranyang telah diberikan demi perbaikan Tugas Akhir ini.

xi

4. Dr. Chairul Imron, M.I.Komp. selaku koordinatorTugas Akhir.

5. Bapak Prof.Dr.M.Isa Irawan, M.T. selaku dosen waliyang telah memberikan arahan akademik selama penulismenempuh pendidikan di Jurusan Matematika FMIPAITS.

6. Bapak dan Ibu dosen serta para staf JurusanMatematika ITS yang tidak dapat penulis sebutkansatu-persatu.

Penulis juga menyadari bahwa dalam Tugas Akhir inimasih terdapat kekurangan. Oleh sebab itu, kritik dan saranyang bersifat membangun sangat penulis harapkan demikesempurnaan Tugas Akhir ini. Akhirnya, penulis berharapsemoga Tugas Akhir ini dapat bermanfaat bagi banyak pihak.

Surabaya, Juli 2015

Penulis

xii

Special Thank’s To

Keberhasilan penulisan Tugas Akhir ini tidak lepas dariorang-orang terdekat penulis. Oleh sebab itu, penulismengucapkan terima kasih kepada :

1. Kedua orang tua yang telah memberi dukungan kepadapenulis sejak kecil hingga kini, serta keluarga besar dirumah yang selalu menjadi motivasi bagi penulis untuksegera menyelesaikan tugas akhir ini.

2. Bapak - ibu guru penulis dari sejak SD - SMA, bapak -ibu pembina di asrama Bina Siswa SMA Plus Cisarua,terimakasih atas ilmu dan doa yang diberikan.

2. Keluarga selamanya, Kabinet Kolaborasi Harmoni2014/2015 terutama keluarga Keilmuan, Keluarga besarKos Qur’an, Keluarga Besar Ibnu Muqlah, FRUITS 11,terimakasih untuk dukungan, doa, dan banyak pelajaranyang kalian berikan.

3. Galaksi Andromeda 142, terimakasih atas doa - doa yangkalian berikan. We are family forever ever.

4. Menara 11 dan Keluarga Besar HIMATIKA, terimakasihatas dukungan dan semangat yang diberikan selamapenulis di Surabaya.

5. Trio, Mas Fahim, Mas Syifaul, dan Mas Satria yangtelah banyak membantu penulis dalam hal akademikmaupun penyelesaian tugas akhir ini.

6. Semua pihak yang tak bisa penulis sebutkan satu-persatu, terima kasih telah membantu sampaiterselesaikannya Tugas Akhir ini.

xiii

DAFTAR ISI

HALAMAN JUDUL i

LEMBAR PENGESAHAN vi

ABSTRAK vii

ABSTRACT ix

KATA PENGANTAR xi

DAFTAR ISI xv

DAFTAR GAMBAR xvii

DAFTAR TABEL xix

BAB I PENDAHULUAN 1

1.1 Latar Belakang . . . . . . . . . . . . . . . . . . . . . . . . . . 1

1.2 Rumusan Masalah . . . . . . . . . . . . . . . . . . . . . . . 3

1.3 Batasan Masalah . . . . . . . . . . . . . . . . . . . . . . . . 3

1.4 Tujuan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

1.5 Manfaat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

1.6 Sistematika Penulisan . . . . . . . . . . . . . . . . . . . . 4

BAB II TINJAUAN PUSTAKA 7

2.1 Aljabar Max-Plus . . . . . . . . . . . . . . . . . . . . . . . . 7

2.1.1 Vektor dan Matriks dalam AljabarMax-Plus . . . . . . . . . . . . . . . . . . . . . . . . . . 8

2.1.2 Graf Berarah dalam Aljabar Max-Plus 9

2.1.3 Nilai Eigen dan Vektor Eigen dalamAljabar Max-Plus . . . . . . . . . . . . . . . . . . 11

2.1.4 Eigenmode . . . . . . . . . . . . . . . . . . . . . . . . 13

2.2 Masalah Optimasi dalam Aljabar Max-Plus . 17

xv

2.2.1 Masalah Optimasi dalam T2×2(Rε) . . . . 182.2.2 Masalah Optimasi dalam T3×3(Rε) . . . . 19

2.3 Petri net . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 242.3.1 Transisi Enabling dan Firing . . . . . . . . . 25

2.4 Penjadwalan Sistem Produksi . . . . . . . . . . . . . 26

BAB III METODE PENELITIAN 333.1 Studi Literatur . . . . . . . . . . . . . . . . . . . . . . . . . . 333.2 Sinkronisasi Mesin . . . . . . . . . . . . . . . . . . . . . . . 333.3 Konstruksi Model . . . . . . . . . . . . . . . . . . . . . . . . 333.4 Penarikan Kesimpulan . . . . . . . . . . . . . . . . . . . . 34

BAB IV ANALISIS DAN PEMBAHASAN 354.1 Sinkronisasi Mesin, Penentuan Urutan Job

Optimal, dan Besarnya Makespan . . . . . . . . . . 354.1.1 Sinkronisasi Mesin . . . . . . . . . . . . . . . . . . 364.1.2 Penentuan Urutan Optimal dengan

Menggunakan Algoritma Branch danBound . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48

4.2 Konstruksi Model . . . . . . . . . . . . . . . . . . . . . . . . 58

BAB V PENUTUP 775.1 Kesimpulan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 775.2 Saran . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78

DAFTAR PUSTAKA 79

LAMPIRAN A Biodata Penulis 81

xvi

DAFTAR TABEL

Tabel 4.1 Keterangan Model Timed Petri Net 3 job5 mesin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60

Tabel 4.2 Contoh kasus waktu pemrosesan 3 jobpada 5 mesin . . . . . . . . . . . . . . . . . . . . . . . . . 66

Tabel 4.3 Jadwal Mulainya Pemrosesan Job padaContoh 4.1 Menggunakan (4.15) untuk 3Siklus Produksi . . . . . . . . . . . . . . . . . . . . . . . 74

xix

DAFTAR GAMBAR

Gambar 2.1 Pola Aliran Kerja Job Shop . . . . . . . . . . 27Gambar 2.2 Pola Alir Flow Shop Murni . . . . . . . . . . . 28Gambar 2.3 Pola Alir Flow Shop Umum . . . . . . . . . . 29Gambar 2.4 Diagram flowshop 3 job pada 5 mesin

di UKM Rizki Makmur . . . . . . . . . . . . . . 31

Gambar 4.1 Sinkronisasi antar mesin . . . . . . . . . . . . . 37Gambar 4.2 Model Timed Petri Net 3 job 5 mesin . . 59Gambar 4.3 Representasi graph dari matriks 3 job

5 mesin . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65Gambar 4.4 Gant Chart jadwal produksi 3 job 5

mesin pada Contoh 4.1 . . . . . . . . . . . . . . 75

xvii

BAB IPENDAHULUAN

Pada bab ini diuraikan tentang latar belakang, rumusanmasalah, batasan masalah, asumsi, tujuan dan manfaat sertasistematika penulisan tugas akhir ini.

1.1 Latar Belakang

Untuk memulai suatu produksi, perusahaan yangbergerak di bidang industri haruslah mempunyai rencanaproduksi (Production Schedule). Salah satu kendaladalam keterlambatan penyelesaian proses produksi adalahmetode penjadwalan. Metode penjadwalan memiliki perananyang sangat penting untuk optimalisasi sumber dayayang digunakan agar mendapatkan hasil yang optimum.Penjadwalan produksi diupayakan untuk mendapatkankeefektifan kerja pada setiap workstation, agar tidak terjadipenumpukan job sehingga dapat mengurangi waktu idle atauwaktu menunggu proses pengerjaan berikutnya.

Dengan penjadwalan produksi yang baik, mesin - mesinyang digunakan dapat dioperasikan sesuai kapasitas yangdimiliki dan memperkecil kemungkinan timbulnya waktuyang tidak produktif dari mesin - mesin yang digunakan,meskipun belum tentu mesin tersebut dioperasikan sebataskapasitas maksimum, namun demikian setidaknya dengansuatu penjadwalan produksi yang baik maka hasil produksirelatif akan lebih tinggi.

Penjadwalan produksi berfungsi untuk membuat agararus produksi dapat berjalan lancar sesuai dengan waktuyang telah direncanakan. Sehingga dapat dikatakan bahwa

1

2

penjadwalan produksi dilakukan agar mesin - mesin dapatbekerja sesuai dengan kapasitas yang ada dan biaya yangseminimal mungkin, serta kuantitas produk yang diinginkansesuai waktu yang telah ditentukan[3].

Istilah penjadwalan pada penelitian tugas akhir inimengacu pada penentuan urutan job dan penyusunan jadwalreguler dari waktu mulainya pemrosesan seluruh job dalamsistem. Beberapa penelitian sebelumnya telah dilakukan,antara lain dengan menggunakan Branch dan Bound [8], tabusearch [9], ant colony [10], algoritma honey bee [6], dll.

Aljabar Max-Plus merupakan salah satu teknik analisispengkajian dari sistem event diskret yang mempunyai banyakaplikasi pada teori sistem, Petri net dan teori graph. Selainuntuk masalah penjadwalan sistem produksi, Aljabar Max-Plus juga pernah diaplikasikan pada sistem penjadwalantransportasi, model sistem antrian, dan lain - lain. Padapenelitian sebelumnya telah diteliti tentang penggunaanaljabar max-plus untuk menganalisis penjadwalan produksialiran flowshop oleh [5]. Pada penelitian itu, flowshop yangditeliti adalah flowshop dengan n job 2 mesin[5]. Selain itujuga telah diteliti tentang penggunaan Algoritma Branch danBound oleh [8]. Pada penelitian itu, masih digunakan aljabarbiasa. Penelitian tugas akhir ini menggunakan AlgoritmaBranch dan Bound dengan pendekatan aljabar max-plus.

Pada penelitian tugas akhir ini, ditentukan urutan yangmeminimumkan waktu tunggu pemrosesan job di setiap mesinsehinggamakespan (jangka waktu selesainya seluruh job) yangdihasilkan lebih minimum dengan menggunakan algoritmaBranch dan Bound dengan pendekatan aljabar max-plus.Selanjutnya dikonstruksi model dari sistem produksi denganmenggunakan timed petri - net. Berikutnya dianalisis desainpenjadwalan sistem produksi dengan menggunakan aljabarmax-plus.

3

1.2 Rumusan Masalah

Dari latar belakang di atas diambil rumusan masalahyaitu:

1. Bagaimana menentukan urutan job yangmeminimumkan waktu tunggu pemrosesan job disetiap mesin dengan menggunakan algoritma Branchdan Bound dengan pendekatan aljabar max-plus?

2. Bagaimana model Timed Petri Net dari sistem produksiflowshop 3 job pada 5 mesin?

3. Bagaimana menentukan desain penjadwalan sistemproduksi dengan menggunakan aljabar max-plus?

1.3 Batasan Masalah

Adapun batasan masalah dari penelitian tugas akhir iniadalah:

1. Model sistem produksi yang digunakan adalah modelflowshop umum, dimana semua job melewati mesin yangsama dan urutan yang sama, namun ada job yangmelewati mesin tertentu .

2. Lamanya waktu pemrosesan masing - masing job padasetiap proses sudah diketahui tetap.

3. Tidak diperbolehkan pre-emption, yaitu menghentikansuatu job yang sedang diproses pada suatu mesin danmemproses job yang lain pada mesin tersebut.

4. Pada suatu waktu, satu mesin hanya dapat memprosessatu job.

5. Model yang digunakan diambil dari salah satu UKMRizki Makmur di daerah Kenjeran.

4

1.4 Tujuan

Tujuan dari penelitian ini adalah untuk mendapatkandesain penjadwalan job pada sistem produksi flowshop 3job pada 5 mesin sehingga menghasilkan makespan yangminimum.

1.5 Manfaat

Adapun manfaat dari hasil penelitian ini adalahanalisa pemodelan dan penjadwalan yang digunakan dapatdikembangkan untuk penelitian lebih lanjut, sehingga padapenelitian berikutnya dapat lebih memberi manfaat bagipihak yang membutuhkan.

1.6 Sistematika Penulisan

Penulisan Tugas Akhir ini disusun dalam lima bab, yaitu:

1. BAB I PENDAHULUANBab ini berisi tentang gambaran umum dari penulisanTugas Akhir yang meliputi latar belakang, rumusanmasalah, batasan masalah, tujuan, manfaat, dansistematika penulisan.

2. BAB II TINJAUAN PUSTAKAPada Bab II diuraikan mengenai materi-materi yangmendukung proses pengerjaan Tugas Akhir, antara lainAljabar Max-Plus, Optimasi dalam Aljabar Max-Plus,Petri Net, serta Pengenalan tentang Sistem Produksi.

3. BAB III METODE PENELITIANDalam bab ini dijelaskan tahapan-tahapan yangdilakukan dalam pengerjaan Tugas Akhir. Tahapan-tahapan tersebut antara lain studi literatur, sinkronisasiantar mesin yang dilanjutkan dengan penentuan urutanyang mengoptimalkan makespan. Selanjutnya adalahmengkonstruksi model petri net, serta model aljabar

5

maxplus untuk menentukan jadwal. Tahap terakhiradalah melakukan penarikan kesimpulan berdasarkanhasil analisis dan pembahasan yang telah dilakukan.

4. BAB IV ANALISIS DAN PEMBAHASANPada bab ini dibahas secara detail mengenai sinkronisasiantar mesin yang dilanjutkan dengan penentuan urutanyang mengoptimalkan makespan, model petri net,serta model aljabar maxplus untuk menentukan jadwalbeserta penjelasan mengenai hasil yang diperoleh.

5. BAB V PENUTUPBab ini berisi kesimpulan akhir yang diperoleh dariTugas Akhir serta saran untuk pengembangan penelitianselanjutnya.

BAB IITINJAUAN PUSTAKA

Pada bab ini disajikan beberapa teori dan metode yangdigunakan dalam menyelesaikan permasalahan yang dibahasdalam penelitian ini. Landasan teori yang dikaji utamanyaadalah aljabar max-plus, timed petri net, dan penjadwalanproduksi.

2.1 Aljabar Max-Plus

Sebelum membahas mengenai aljabar max-plus lebihjauh, terlebih dahulu berikut ini diberikan definisi strukturaljabar max-plus.Definisi 2.1.1.[1]Aljabar Max-Plus didefinisikan sebagai Rmax = (Rε,⊕,⊗)dengan Rε

def= R ∪ ε dimana R merupakan himpunan semua

bilangan real dan εdef= −∞. Operasi yang digunakan dalam

aljabar max-plus adalah :∀x, y ∈ Rε

x⊕ ydef= max{x, y} dan x⊗ y

def= x+ y (2.1)

Adapun elemen nol dan elemen satuan dalam aljabarmax-plus adalah ε = −∞ dan e = 0, yang memenuhi

ε⊕ x = x⊕ ε = x, ∀x ∈ Rε (2.2)

e⊗ x = x⊗ e = x, ∀x ∈ Rε (2.3)

7

8

Untuk selanjutnya dijelaskan tentang operasi pangkatdalam aljabar max-plus, untuk setiap x ∈ Rε dan untuksemua n ∈ N, dengan N merupakan himpunan bilangan aslidigabung dengan himpunan bilangan nol

x⊗n =

⎧⎨⎩e = 0, untuk n = 0

x⊗ x⊗ . . .⊗ x︸︷︷︸n

= x+ x+ . . .+ x︸︷︷︸n

= n× x, untuk n �= 0

2.1.1 Vektor dan Matriks dalam Aljabar Max-Plus

Himpunan matriks ukuran n×m dalam aljabar max-plusdinotasikan oleh R

n×mε , dimana n,m ∈ N dan didefinisikan

n = {1, 2, ..., n}. Misalkan A ∈ Rn×mε , maka elemen- elemen

A pada baris ke - i dan kolom ke - j dinotasikan oleh ai,j atau[A]i,juntuk i ∈ n dan j ∈ m. Berikut ini adalah penulisanmatriks A:

A =

⎛⎜⎜⎜⎝a1,1 a1,2 · · · a1,ma2,1 a2,2 · · · a2,m...

.... . .

...an,1 an,2 · · · an,m

⎞⎟⎟⎟⎠

Penjumlahan matriks A,B ∈ Rn×mε yang dinotasikan oleh

A⊕B didefinisikan oleh

[A⊕B]i,j = ai,j ⊕ bi,j = max{ai,j , bi,j}Adapun perkalian skalar α ∈ Rε dengan matriks

A ∈ Rn×mε pada Aljabar max-plus didefinisikan sebagai :

[α⊗A]i,jdef= α⊗ ai,j

Mengikuti perkalian matriks pada aljabar sebagaimanabiasanya, perkalian matriks A ∈ R

n×pε dan B ∈ R

p×mε pada

aljabar max-plus didefinisikan sebagai

9

[A⊗B]i,j =

p⊕k=1

ai,k ⊗ bk,j = maxk∈p

{ai,k + bk,j}

2.1.2 Graf Berarah dalam Aljabar Max-PlusMisalkan matriks A ∈ R

n×nε suatu graf berarah dari

matriks A adalah G(A) = (E, V ). Graf G(A) mempunyaititik sebanyak n, titik-titik ini biasanya disebut sebagaivertex, dan himpunan semua vertex dari G(A) dinyatakanoleh V . Suatu garis dari titik j ke titik i dinotasikan oleh(j, i). Untuk selanjutnya garis ini disebut sebagai edge.Himpunan semua edge dari graf G(A) dinotasikan oleh E.Bobot dari edge (j, i) adalah nilai dari ai,j yang dinotasikanoleh w(j, i) = ai,j dan bila ai,j = ε, maka edge (j, i) tidakada. Suatu barisan edge (j1, j2), (j2, j3), ..., (jl−1, jl) darisuatu graf dinamakan suatu path. Suatu path dikatakanelementer bila tidak ada titik terjadi dua kali dalam pathtersebut. Suatu sirkuit adalah path elementer tertutup,yaitu (j1, j2), (j2, j3), ..., (jl−1, j1). Bobot dari suatu pathp = (j1, j2), (j2, j3), ..., (jl−1, jl) dinotasikan oleh |p|w dandiberikan oleh |p|w = w(j1, j2) + w(j2, j3) + ...+ w(jl−1, jl) =(aj2j1 + aj3j2 + ... + ajljl−1

), sedangkan panjang dari pathp atau banyaknya edge dalam path p dinotasikan oleh |p|l.Himpunan semua path dari titik i ke titik j dengan panjangk dinotasikan oleh P (j, i; k). Bobot rata-rata dari path pdidefinisikan sebagai bobot dari p dibagi oleh banyaknya edgedalam path p, yaitu

|p|w|p|l =

aj2j1 + aj3j2 + ...+ ajljl−1

l − 1

Sirkuit rata-rata adalah bobot rata-rata dari suatusirkuit. Sebarang sirkuit dengan sirkuit rata-rata maksimumdinamakan sirkuit kritis. Suatu graf dikatakan stronglyconnected bila suatu path ada untuk setiap titik i ke setiap

10

titik j. Bila graf G(A) adalah strongly connected, makamatriks A juga dikatakan irreducible.

Graf dan matriks representasi dari graf saling berkaitansatu sama lain. Kondisi dari suatu graf dapat dibaca melaluimatriks representasinya, begitu pula sebaliknya. Salahsatu contoh keterkaitan tersebut adalah panjang dari suatupath dalam graf berhubungan dengan pangkat dari matriksrepresetasinya. Berikut diberikan teorema yang menjelaskanbahwa elemen [A⊗k]i,j menghasilkan bobot maksimal darisuatu path dengan panjang k dari titik j ke titik i, asalkansuatu path ada.Teorema 2.1.1[1]. Diberikan A ∈ R

n×nε . Untuk setiap k ≥ 1

berlaku[A⊗k]i,j = max{|p|w : p ∈ P (j, i, k)},

dengan [A⊗k]i,j = ε pada kasus P (j, i, k) adalah himpunankosong, yaitu ketika tidak ada path dengan panjang k dari jke i dalam G(A).

Dari Teorema 2.1.1 didapat, untuk suatu matriks persegiA ∈ R

n×nε , matriks A+ didefinisikan sebagai

A+ def=

∞⊗i=1

A⊗i (2.4)

Catatan bahwa, elemen [A⊗k]i,j adalah bobot maksimumdari semua path dengan panjang k dari titik j ke titik i.Jadi elemen [A+]i,j adalah bobot maksimum dari path-pathdengan panjang sebarang dari titik j ke titik i, sehinggadidapat

[A+]i,j = max{[A⊗k]i,j |k ≥ 1}.Perhatikan bahwa dalam Persamaan (2.4) matriks pangkatA⊗i, i = 1, 2, ...,+∞. Berikut ini diberikan suatu teoremamengenai A+ dengan matriks pangkat A⊗i berhenti untuk

11

i = n dengan n adalah ukuran dari matriks A yaitu banyaknyabaris dan banyaknya kolom dari A.Teorema 2.1.2[1] Misalkan A ∈ R

n×nε sedemikian hingga

setiap sirkuit di G(A) mempunyai bobot sirkuit rata-ratakurang atau sama dengan 0. Maka

A+ =

∞⊕i=1

A⊗i = A⊕A⊗2 ⊕ ...⊕A⊗n ∈ Rn×nε . (2.5)

Teorema 2.1.3[1] Misalkan matriks A berukuran n×n. GrafG(A) tidak memuat satupun sirkuit bila dan hanya bila A⊗k =ε(n, n), ∀k ≥ n.

2.1.3 Nilai Eigen dan Vektor Eigen dalam AljabarMax-Plus

Tidak jauh berbeda dengan aljabar linier sebagaimanabiasanya, pada aljabar max-plus nilai eigen dan vektor eigenyang bersesuaian didefinisikan sebagai berikut:Definisi 2.1.2[1]Vektor v ∈ R

nε dengan v �= (ε, ε, ..., ε)T dan λ ∈ R, disebut

vektor eigen dan nilai eigen yang bersesuaian dengan suatumatriks A ∈ R

n×nε jika memenuhi persamaan

A⊗ v = λ⊗ v.

Algoritma untuk menentukan nilai eigen dan vektoreigen dari matriks A ∈ R

n×nε dilakukan secara berulang dari

persamaan linear

x(k + 1) = A⊗ x(k), k = 0, 1, 2, ... (2.6)

Adapun algoritma untuk mendapatkan nilai eigen sekaligusvektor eigen dari suatu matriks persegi dikenal denganAlgoritma Power, yaitu sebagai berikut:[1]

12

1. Mulai dari sebarang vektor awal x(0) �= ε

2. Iterasi persamaan (2.6) sampai ada bilangan bulat p >q ≥ 0 dan bilangan real c sehingga suatu perilakuperiodik terjadi, yaitu x(p) = c⊗ x(q)

3. Hitung nilai eigen λ = cp−q

4. Hitung vektor eigen

v =

p−q⊕i=1

(λ⊗(p−q−i) ⊗ x(q + i− 1))

Contoh 2.1 Misalkan diberikan matriks A sebagai berikut:

A =

⎛⎝1 2 ε4 ε 3ε 5 ε

⎞⎠ dan vektor keadaan awal x(0) =

⎛⎝000

⎞⎠

Iterasi Persamaan (2.6) didapat

x(0) =

⎛⎝000

⎞⎠ ; x(1) =

⎛⎝245

⎞⎠ ; x(2) =

⎛⎝689

⎞⎠ ;

dari iterasi di atas dapat dilihat bahwa

x(2) = 4⊗ x(1)

↓⎛⎝689

⎞⎠ = 4⊗

⎛⎝245

⎞⎠

13

Dengan demikian didapat p = 2, q = 1 dan c = 4. Jadi nilaieigen dari matriks A adalah λ = c

p−q = 41 = 4. Vektor v dari

algoritma Power diberikan oleh

v = 41−1 ⊗ x(1 + 1− 1)

= 0⊗ x(1)

v = x(1) =

⎛⎝245

⎞⎠

Dapat diselidiki bahwa v adalah vektor eigen dari A untuknilai eigen λ = 4 sebagai berikut:

A⊗ v =

⎛⎝1 2 ε4 ε 3ε 5 ε

⎞⎠⊗

⎛⎝245

⎞⎠ =

⎛⎝689

⎞⎠ = 4⊗

⎛⎝245

⎞⎠ = λ⊗ v

2.1.4 Eigenmode

Dalam aplikasi aljabar max-plus, terdapat tiga komponenpenting berhubungan dengan matriks, yaitu nilai eigen, vektoreigen, dan eigenmode. Matriks yang dibahas adalah matriksreguler yaitu matriks yang disetiap baris setidaknya memuatsatu elemen tidak sama dengan ε. Pada bagian ini diberikanpengertian eigenmode sebagaimana definisi berikut.Definisi 2.1.3[1]Suatu pasangan vektor (η, v) ∈ R

n × Rn disebut eigenmode

tergeneralisasi dari matriks reguler A jika untuk setiap k ≥ 0memenuhi

A⊗ (k × η + v) = (k + 1)× η + v (2.7)

Dalam Persamaan (2.7) ketika k = 0 didapat

A⊗ v = η + v (2.8)

14

dan bila semua elemen vektor η adalah konstan bernilai λ ∈ R,maka Persamaan (2.8) menjadi

A⊗ v = λ⊗ v (2.9)

Dengan demikian λ adalah suatu nilai eigen dari matriksA yang bersesuaian dengan vektor eigen v. Dalam halyang demikian vektor η adalah perluasan nilai eigen darimatriks A. Vektor η erat kaitannya dengan vektor cyclemean. Jadi bila beberapa elemen dari vektor η mempunyaibeberapa nilai yang berbeda, maka dipastikan bahwa matriksA dalam Persamaan (2.7) adalah tereduksi atau ekivalen grafG(A) tidak strongly connected. Tetapi hal ini tidak berlakusebaliknya.

Algoritma untuk menentukan eigenmode dari matrikstereduksi reguler adalah sebagai berikut:Algoritma 2.1.1

1. Ambil matriks tereduksi reguler A ∈ Rn×nε .

2. Tentukan bentuk matriks blok segitiga atas dari matriksA.

3. Hitung nilai eigen dan vektor eigen dari blok matriksterakhir pada diagonal utama matriks blok segitiga atasdari matriks A. Misal Aq,q, maka hitung nilai eigen λq =λ(Aq,q) dan vektor eigen vq yang bersesuaian dengannilai eigen tersebut. Selanjutnya, ambil ξq = λq dani = q.

4. Hitung nilai eigen λ(i−1) dari matriks A(i−1),(i−1).

5. Jika λ(i−1) > ξi lanjutkan ke langkah 6, jika tidak kelangkah 7.

15

6. Ambil ξ(i−1) = λ(i−1) dan hitung vektor v(i−1) melaluipersamaan berikut:

ξ(i−1) ⊗ v(i−1) = A(i−1),(i−1) ⊗ v(i−1) ⊕q⊕

j=i

A(i−1),j ⊗ vj .

Kemudian, lanjutkan ke langkah 8.

7. Ambil ξ(i−1) = λi dan hitung vektor vi−1 melaluipersamaan berikut:

λi ⊗ v(i−1) = A(i−1),(i−1) ⊗ v(i−1) ⊕q⊕

j=i

A(i−1),j ⊗ vj .

Kemudian, lanjutkan ke langkah 8.

8. Jika i − 1 �= 1 kembali ke langkah 4, jika tidak makaselesai.Jadi didapatkan eigenmode tergeneralisasi dari matriksA adalah pasangan vektor (η, v), dengan η =(ξ1 ξ2 ... ξq)

T dan v = (v1 v2 ... vq)T .

Contoh 2.2[1] Diberikan matriks tereduksi regular yangmemiliki bentuk matriks blok segitiga atas sebagai berikut:

A =

(A1,1 A1,2

ε A2,2

)

dengan

A1,1 =

(ε 31 ε

), A1,2 =

(2 εε ε

), ε =

(ε εε ε

), A2,2 =

(ε 44 ε

),

Berikut dihitung eigenmode dari matriks A denganmenggunakan Algoritma 2.1.1. Pertama, dilakukanperhitungan nilai eigen dan vektor eigen untuk A2,2 dengan

16

menggunakan Algoritma Power. Untuk keadaan awal x(0) =(00

)diperoleh evolusi keadaan

(00

),

(44

), ...

Sehingga diperoleh nilai eigen dari matriks A2,2 adalah λ2 = 4,dengan vektor eigen yang bersesuaian

v2 =⊕i=1

(λ⊗(1−i) ⊗ x(i− 1))

= λ⊗(0) ⊗ x(0)

=

(00

)

Kemudian diambil ξ2 = λ2 = 4. Langkah selanjutnya dihitungnilai eigen dari matriks A1,1. Dengan menggunakan AlgoritmaPower didapat λ1 = 2. Karena λ1 < ξ2, maka ξ1 = λ2 = 4,dan dilakukan perhitungan vektor eigen v1 sebagai berikut:

λ2 ⊗ v1 = (A1,1 ⊗ v1)⊕ (A1,2 ⊗ v2)

4⊗(v1v2

)=

[(ε 31 ε

)⊗

(v1v2

)]⊕[(

2 εε ε

)⊗

(00

)]

(2.10)

dari Persamaan (2.10) diperoleh

4 + v1 = max{3 + v2, 2}4 + v1 = 2

v1 = −2dan

4 + v2 = max{1 + v1, ε}4 + v2 = max{1 + (−2), ε}

v2 = −5

17

Jadi, didapatkan v1 =

(−2−5

). Oleh karena itu, pasangan

vektor (η, v) dengan η = (4 4 4 4)T dan v = (−2 −5 0 0)T adalah eigenmode tergeneralisasi dari matrikstereduksi reguler A sebab untuk k = 0, memenuhi:

A⊗ (0× η + v) = (2 − 1 4 4)T = 1× η + v,

untuk k = 1, memenuhi:

A⊗ (1× η + v) = (6 3 8 8)T = 2× η + v,

dan seterusnya, vektor η dan v untuk k = 0, 1, 2, ... memenuhi

A⊗ (k × η + v) = (k + 1)× η + v.

2.2 Masalah Optimasi dalam Aljabar Max-PlusAljabar max-plus memiliki banyak aplikasi, seperti teori

sistem, optimal kontrol, teori graph, petri net, dll. Padapenelitian ini, diteliti tentang aplikasi aljabar max-plus padasistem produksi flowshop. Dalam hal ini, aljabar max-plusdapat digunakan untuk menyelesaikan masalah optimasi padapenjadwalan n job pada m mesin. Misalkan kita mempunyain job {Jx}; 1 ≤ x ≤ n untuk diproses pada m mesin. Setiapjob harus melewati m operasi dan untuk operasi job x padamesin k dinotasikan Ox,k. Sedangkan waktu yang dibutuhkanOx,k adalah px,k. Pre-emption tidak diperbolehkan dansebuah mesin hanya dapat memproses satu job pada suatuwaktu.

Misalkan matriks A merupakan matriks segitiga atasberukuran m × m, sedemikian hingga [A]i,j = ε; ∀i > j.Didefinisikan Tm×m(Rε) merupakan himpunan matrikssegitiga atas ukuran m × m dengan elemen - elemennya diRε, dan matriks A merupakan representasi dari matriks jobpada masalah penjadwalan flowshop.

18

2.2.1 Masalah Optimasi dalam T2×2(Rε)

Misalkan M = {M(1),M(2), ...,M(n)} merupakanhimpunan matriks segitiga atas dengan ukuran 2 × 2 dalamaljabar max-plus, ∀i, 1 ≤ i ≤ n berlaku

M(i) =

(μ1,1(i) μ1,2(i)

ε μ2,2(i)

)

dengan μa,b(i) merupakan representasi dari waktu yangdibutuhkan untuk memproses job i dari mesin a hingga mesinb.

Kemudian didefinisikan perkalian dua matriks M(i) danmatriks M(i′) adalah

M(i)⊗M(i′) =(μ1(i)μ1(i

′) μ1(i)μ1,2(i′)⊕ μ1,2(i)μ2(i

′)ε μ2(i)μ2(i

′)

)

Jelas bahwa M(i) ⊗ M(i′) �= M(i′) ⊗ M(i), sehinggahasil kali matriks tidak komutatif. Namun karena perkalianelemen matriks pada Aljabar Max-Plus bersifat komutatif,μ1(i)μ1(i

′) = μ1(i′)μ1(i) dan μ2(i)μ2(i

′) = μ2(i′)μ2(i), maka

hanya elemen kanan atas yang bergantung pada urutanperkalian.

Untuk menentukan urutan perkalian optimal, akanditentukan permutasi σ dari n job sedemikian hingga hasilkali matriks dengan urutan permutasi σ menghasilkan elemenkanan atas yang minimal. Permutasi ini dinotasikan oleh⊗M2 ‖M1,2.

Urutan optimal untuk n matriks dapat ditentukan denganmenggunakan Algoritma JG [11]:

a. Ambil U = {M(i) : μ1(i) < μ2(i)}

b. Ambil V = {M(i) : μ1(i) ≥ μ2(i)}

19

c. Misalkan U s merupakan himpunan U yang terurutsedemikian hingga μ2(i)

μ1,2(i)terurut tidak naik.

d. Misalkan V s merupakan himpunan V yang terurutsedemikian hingga μ1(i)

μ1,2(i)terurut tidak turun.

e. σ = U s;V s , concatenation atau gabungan terurut dariU s dan V s merupakan permutasi optimal, dalam hal inimerupakan urutan job optimal.

2.2.2 Masalah Optimasi dalam T3×3(Rε)

Misalkan M = {M(1),M(2), ...,M(n)} merupakanhimpunan matriks segitiga atas dengan ukuran 3× 3yang didefinisikan oleh, ∀i, 1 ≤ k ≤ n berlaku

M(k) =

⎛⎝μ1(k) μ1,2(k) μ1,3(k)

ε μ2(i) μ2,3(k)ε ε μ3(k)

⎞⎠

Misalkan barisan permutasi dari n job adalah σ, makamatriks permutasi didefinisikan

M(σ) =

n⊗k=1

M(σ(k))

Akan ditentukan permutasi σ yang meminimumkannilai elemen kanan atas, yaitu elemen μ1,3(k). Masalahini dinotasikan oleh ⊗M3||M1,3. Untuk menyelesaikannyadigunakan Algoritma Branch dan Bound.

Algoritma Branch dan BoundSebuah node s = (ςs,Ωs, LB(s)) yang didefinisikan oleh

• Himpunan bagian terurut dari M ={M(1),M(2), ...,M(n)} dinotasikan oleh ςs

20

• Himpunan matriks job yang belum terurutkan,dinotasikan oleh Ωs, yaitu himpunan matriks yangbelum masuk dalam ςs, atau dapat dituliskanΩs =M\ ςs

• Lower bound (Batas Bawah) LB(s) merupakan batasbawah dari elemen kanan atas matriks permutasi jobςs

Pada setiap node s, cabang node sk dibangun oleh Ωsk =Ωs \ M(k) dan ςsk = {M(k)} dengan matriks M(k)merupakan matriks yang sudah dijadwalkan. Selanjutnyapada cabang node sk mempunyai subcabang lagi, yaitusk,l yang dibangun oleh Ωsk,l = Ωsk \ M(l) dan ςsk,l ={M(k),M(l)}. Subcabang akan terus memiliki subcabanghingga Ωsk,l,.. = {}. Selanjutnya diimplementasikan algoritmabranch dan bound dengan best-first strategy seperti langkah -langkah berikut:

1. Masukkan subnode sk ke dalam antrian Q.

2. Pilih dari antrian Q subnode sk yang mempunyai batasbawah terkecil. Jika batas bawah lebih besar daribatas atas, berhenti. Didapat makespan minimumsama dengan batas atas, serta urutan job yangmeminimumkan makespan adalah ςs yang berkaitandengan nilai batas atas tersebut. Jika tidak, lanjutkanke langkah 3. Jika Q kosong, berhenti.

3. Bangun cabang dari subnode sk, kembali ke langkah1. Jika subnode sk merupakan akar node, hitung batasatasnya, lanjutkan ke langkah 4.

4. Jika batas atas yang baru lebih besar dari batas atasyang disimpan sebelumnya, kembali ke langkah 2. Jikabatas atas yang baru lebih besar dari batas atas yang

21

disimpan sebelumnya, perbarui nilai batas atas, kembalike langkah 2.

Batas bawah dan batas atas dijelaskan dibawah ini.

Batas BawahMisalkan u dan v bilangan bulat dengan 1 ≤ u < v ≤ 5,

dinotasikan Mu,v(k) dengan

[Mu,v(k)]i,j =

⎧⎪⎪⎪⎪⎨⎪⎪⎪⎪⎩

μu(k), untuk i = j = u

μv(k), untuk i = j = v

μu,v(k), untuk i = u dan j = v

ε, untuk i dan j yang lainnya

maka M(k) ≥Mu,v(k).Dibawah ini dinotasikan x ∧ y merupakan nilai minimum

dari x dan y, x ∧ y = (x⊗−1 ⊕ y⊗−1)⊗−1 = (x⊗ y)(x⊕ y)⊗−1

dan xy = x ⊗ y⊗−1, sedangkan Juv menotasikan permutasi

optimal dari ⊗M2||M1,2 yang berkaitan dengan matriksMu,v(k).

Lemma 2.1.1[11] Misalkan L(M(k), u, v) ∈ T3×3(Rε)dengan 1 ≤ u < v ≤ 3 merupakan matriks yang didefinisikanoleh

L(M(k), 1, 2) =

⎛⎜⎝0

μ1,2(k)μ2(k)

×ε 0 ×ε ε ×

⎞⎟⎠ ;

L(M(k), 1, 3) =

⎛⎜⎝0 × μ1,3(k)

μ3(k)

ε × μ2,3(k)μ3(k)

ε ε 0

⎞⎟⎠

22

L(M(k), 2, 3) =

⎛⎜⎝× μ1,2(k)

μ2(k)∧ μ1,3(k)

μ2,3(k)μ1,3(k)μ3(k)

ε 0μ2,3(k)μ3(k)

ε ε 0

⎞⎟⎠

dan simbol × menunjukkan sembarang nilai di Rε, maka ∀u, vdengan 1 ≤ u < v ≤ 3 berlaku M ≥ L(M(k), u, v)⊗Mu,v(k).Bukti

L(M(k), 1, 2)⊗M1,2(k) =

⎛⎝μ1(k) μ1,2(k) ε

ε μ2(k) εε ε ε

⎞⎠ ≤M(k)

L(M(k), 1, 3)⊗M1,3(k) =

⎛⎝μ1(k) ε μ1,3(k)

ε ε μ2,3(k)ε ε μ3(k)

⎞⎠ ≤M(k)

L(M(k), 2, 3)⊗M2,3(k) =

⎛⎜⎝ε μ1,2(k) ∧ μ1,3(k)μ2(k)

μ2,3(k)μ1,3(k)

ε μ2(k) μ2,3(k)ε ε μ3(k)

⎞⎟⎠

≤M(k)

Lemma 2.1.2[11] Misalkan R(M(k), u, v) ∈ T33(Rε) dengan1 ≤ u < v ≤ 3 merupakan matriks yang didefinisikan oleh

R(M(k), 1, 2) =

⎛⎜⎝0

μ1,2(k)μ1(k)

μ1,3(k)μ1(k)

ε 0μ1,3(k)μ1,2(k)

∧ μ2,3(k)μ2(k)

ε ε ×

⎞⎟⎠

R(M(k), 1, 3) =

⎛⎜⎝0

μ1,2(k)μ1(k)

μ1,3(k)μ1(k)

ε × ×ε ε 0

⎞⎟⎠ ;

R(M(k), 2, 3) =

⎛⎜⎝× × ×ε 0

μ2,3(k)μ2(k)

ε ε 0

⎞⎟⎠

23

maka ∀(u, v); 1 ≤ u < v ≤ 3; berlaku M(k) ≥Mu,v(k)⊗R(M(k), u, v)

Bukti

M1,2(k)⊗R(M(k), 1, 2) =

⎛⎜⎝μ1(k) μ1,2(k) μ1,3(k)

ε μ2μ1,3(k)μ2(k)

μ1,2(k)∧ μ2,3(k)

ε ε ε

⎞⎟⎠

≤M(k)

M1,3(k)⊗R(M(k), 1, 3) =

⎛⎝μ1(k) μ1,2(k) μ1,3(k)

ε ε εε ε μ3(k)

⎞⎠ ≤M(k)

M2,3(k)⊗R(M(k), 2, 3) =

⎛⎝ε ε εε μ2(k) μ2,3(k)ε ε μ3(k)

⎞⎠ ≤M(k)

Proposisi 2.1.1[11] Untuk setiap (u, v) dimana 1 ≤ u <v ≤ 3, dan untuk sembarang nilai i dan j yang tetap,jika dinotasikan Lmin(M,u, v) dan Rmin(M,u, v) merupakanmatriks yang didefinisikan oleh

[Lmin(M,u, v)]i,j =n

mink=1

[L(M(k), u, v)]i,j

dan

[Rmin(M,u, v)]i,j =n

mink=1

[R(M(k), u, v)]i,j

kemudian batas bawah dari hasil kali⊗n

i=1M(σ(i)) adalah

LB(u, v) = Lmin(M,u, v)⊗Mu,v(Ju,v)⊗Rmin(M,u, v)

24

Bukti

n⊗i=1

M(σ(i)) = M(σ(1))⊗ (

n−1⊗i=2

M(σ(i)))⊗M(σ(n))

n⊗i=1

M(σ(i)) ≥ (L(M(σ(1)), u, v)⊗Mu,v(σ(1)))⊗ (

n−1⊗i=2

M(σ(i)))

⊗(Mu,v(σ(n))⊗R(M(σ(n)), u, v))n⊗

i=1

M(σ(i)) ≥ Lmin(M,u, v)⊗ (n⊗

i=1

M(σ(i)))⊗Rmin(M,u, v)

n⊗i=1

M(σ(i)) ≥ Lmin(M,u, v)⊗Mu,v(Juv)⊗Rmin(M,u, v)

Jika C2×2max(J

u,v) merupakan nilai dari elemen kanan ataspermutasi yang optimal matriks Mu,v berukuran 2 × 2,terdapat sepuluh batas bawah untuk nilai kanan atas, yangdinotasikan oleh LBuv = [LB(u, v)]1,3 dan nilai yang palingmendekati untuk mendapatkan batas bawah adalah LB13.

Batas AtasBatas atas dari permutasi Ju,v dinotasikan oleh UBuv,

∀(u, v); 1 ≤ u < v ≤ 3;UBuv = C3×3max(J

uv)

Dimana C3×3max(σ) merupakan nilai dari elemen kanan atas dari

hasil kali⊗n

i=1M(σ(i)). [11]

2.3 Petri net

Petri net ditemukan pada tahun 1962 oleh Carl AdamPetri. Petri net merupakan Graphical and mathematicalmodeling tool yang dapat diaplikasikan pada banyak sistem.Sebagai graphical tool, petri net dapat digunakan sebagai

25

bantuan komunikasi visual semilar dengan flow chart,diagram blok, dan network. Sebagai tambahan, token dalampetri net digunakan untuk mensimulasikan dinamika sistem.Sebagai suatu mathematical tool, dimungkinkan kita men-setup state equation, persamaan aljabar, dan model matematikalainnya berkaitan dengan perilaku sistem.

Adapun komponen dari grafik petri net adalah sebagaiberikut :

Place digambarkan oleh lingkaran. Place dinyatakan sebagaikondisi dari suatu keadaan yang merupakan syarat agarsuatu kejadian berlaku.

Token digambarkan oleh titik hitam. Token merupakanrepresentasi nilai spesifik pada kondisi misalkan variabelprogram.

Transisi digambarkan oleh kotak. Transisi merupakankejadian yang merubah nilai kondisi dan objek.

Arc merupakan panah yang menghubungkan antara placedan transisi, yang menandakan bahwa objek dirubaholeh kejadian tertentu. [2]

2.3.1 Transisi Enabling dan Firing

Perilaku dari beberapa sistem dapat digambarkan dengansystem state dan perubahan state. Untuk mensimulasikanprilaku dinamik dari sistem, suatu state atau marking dalampetri net dirubah sesuai dengan transisi atau firing rule :

1. Transisi t dikatakan enable jika setiap input place p darit memiliki token sekurang - kurangnya w(p, t), denganw(p, t) merupakan bobot dari arc dari p ke t.

26

2. Suatu transisi yang enable boleh (atau tidak) di fire,ditandai dengan bar atau kotak berwarna merah.

3. Firing dari transisi enable t mengakibatkan token darisetiap input place p berkurang sejumlah w(p, t) danditambahkan ke setiap output place q sejumlah w(q, t)dengan w(q, t) adalah bobot dari arc dari t ke q.[4]

2.4 Penjadwalan Sistem Produksi

Penjadwalan produksi yang baik dalam suatu perusahaanakan memiliki keuntungan:

1. Meningkatkan penggunaan sumber daya ataumengurangi waktu tunggunya, sehingga total waktuproses dapat berkurang, dan produktivitas dapatmeningkat.

2. Mengurangi persediaan barang setengah jadi ataumengurangi sejumlah pekerjaan yang menunggu dalamantrian ketika sumber daya yang ada masih mengerjakantugas lain.

3. Mengurangi beberapa kelambatan pada pekerjaan yangmempunyai batas waktu penyelesaian sehingga akanmeminimasi penalti cost.

4. Membantu pengambilan keputusan mengenaiperencanaan kapasitas pabrik dan jenis kapasitasyang dibutuhkan sehingga penambahan biaya yangmahal dapat dihindarkan.

Berdasarkan urutan produksi, penjadwalan produksi memilikidua tipe, yaitu:

27

1. Penjadwalan produksi tipe Job ShopPenjadwalan job shop adalah pola alir dari n jobmelalui m mesin dengan pola alir sembarang. Selainitu penjadwalan job shop dapat berarti setiap jobdapat dijadwalkan pada satu atau beberapa mesin yangmempunyai pemrosesan sama atau berbeda. Alirankerja job shop adalah sebagai berikut :

Gambar 2.1: Pola Aliran Kerja Job Shop

Pada penjadwalan job shop, sebuah operasi dinyatakansebagai triplet (i,j,k) yang berarti operasi ke-j, job ke-i,membutuhkan mesin ke - k dengan pola job shop.

2. Penjadwalan produksi tipe Flow ShopPenjadwalan flow shop adalah pola alir dari n buahjob yang melalui proses yang sama (searah). Modelflow shop merupakan sebuah pekerjaan yang dianggapsebagai kumpulan dari operasi - operasi dimanaditerapkannya sebuah struktur presenden khusus.

Adapun ciri - ciri penjadwalan flow shop adalah adanyaaliran kerja yang satu arah dan tertentu. Pada dasarnya ada

28

beberapa macam pola flow shop yaitu :

a. Flow shop murniKondisi dimana sebuah job diharuskan menjalani satukali proses untuk tiap -tiap tahapan proses. Misalnya,masing - masing job melalui mesin 1, kemudian mesin2, mesin 3 dan seterusnya sampai dengan mesin padaproses yang paling akhir. Dibawah ini diberikangambaran sistem produksi dengan flow shop murni :

Gambar 2.2: Pola Alir Flow Shop Murni

b. Flow shop umumKondisi dimana sebuah job boleh melalui seluruh mesinproduksi, dimana mulai awal sampai dengan yangterakhir. Dan selain itu sebuah job boleh melaluibeberapa mesin tertentu, yang mana mesin tersebutmasih berdekatan dengan mesin - mesin lainnya danmasih satu arah lintasannya. Berikut ini contoh sistemproduksi dengan pola flow shop umum :

Adapun perbedaan antara penjadwalan job shop danpenjadwalan flow shop adalah :

• Job shop menangani variasi produk yang sangat banyak,dengan pola aliran yang berbeda - beda melalui pusat -pusat kerja.

• Peralatan pada job shop digunakan secara bersama -sama oleh bermacam - macam order dalam prosesnya,

29

Gambar 2.3: Pola Alir Flow Shop Umum

sedangkan peralatan pada flow shop digunakan khusushanya satu jenis produk.

• Job - job yang berbeda mungkin ditentukan olehprioritas yang berbeda pula. Hal ini mengakibatkanorder tertentu yang dipilih harus diproses seketikapada saat order tersebut ditugaskan pada satu pusatkerja. Sedangkan pada flow shop tidak terjadipermasalahan seperti diatas karena keseragaman outputyang diproduksi untuk persediaan. Prioritas orderflow shop dipengaruhi terutama pada pengirimannyadibandingkan tanggal pemrosesan. [3]

Pada penelitian ini, penjadwalan yang dimaksud adalahpenentuan urutan job dan penyusunan jadwal dari waktumulainya pemrosesan seluruh job pada sistem tersebut, akandisusun jadwal yang reguler dan juga mempunyai makespanminimum.

Penyelesaian dalam masalah pengurutan job pada aliranproduksi flowshop dapat diklasifikasikan menjadi tiga.Penyelesaian masalah berbeda antara satu dengan yang lain,disesuaikan dengan jumlah mesin yang mengerjakan [5] ,yaitu:

30

1. Pengurutan job untuk n job pada 1 mesinPengurutan job untuk n job pada 1 mesin sangatsederhana dalam pengurutannya dimana n jobdiproses oleh satu mesin dan semua job harusmelalui mesin tersebut. Dalam kasus ini, tujuanmeminimumkan makespan tidak perlu dilakukan karenabagaimanapun urutan jobnya tidak akan mempegaruhibesar makespannya.

2. Pengurutan job untuk n job pada 2 mesinPada kasus ini kita harus memperhatikan situasidimana pada saaat job k selesai diproses di mesin1 dan dilanjutkan ke pemrosesan di mesin 2,apakah job k-1 sudah selesai diproses atau belum,sehingga mengakibatkan job k menunggu atau tidak.Menentukan urutan seperti ini bukanlah suatu hal yangmudah. Untuk menentukan urutan n job pada 2 mesinbisa menggunakan algoritma Johnson.

3. Pengurutan job untuk n job pada m mesinSama halnya dengan pengurutan job untuk n job pada 2mesin, kasus ini juga memperhatikan waktu pemrosesandi setiap mesin. Hanya saja, kasus ini lebih kompleks,karena menggunakan mesin yang lebih banyak.

Berikut ini adalah contoh diagram flowshop 3 job pada 5 mesinyang ada di UKM Rizki Makmur:

31

Gambar 2.4: Diagram flowshop 3 job pada 5 mesin di UKMRizki Makmur

BAB IIIMETODE PENELITIAN

Dalam bab ini diuraikan langkah-langkah sistematis yangdilakukan dalam proses pengerjaan Tugas Akhir. Metodepenelitian dalam Tugas Akhir ini terdiri atas enam tahap,antara lain: studi literatur, Sinkronisasi Mesin, KonstruksiModel dan penarikan kesimpulan.

3.1 Studi Literatur

Dalam tahap ini dilakukan identifikasi permasalahandengan mencari referensi tentang sistem produksi tipeflowshop, Aljabar Max-Plus, Timed Petri Net, serta MasalahOptimasi dalam Aljabar Max-Plus. Selain itu juga dilakukanpencarian data terkait jumlah workstation dan jumlah jobyang akan diteliti, beserta waktu yang dibutuhkan untukmemproses masing - masing job di tiap mesin.

3.2 Sinkronisasi Mesin

Pada tahapan ini, diperiksa masalah sinkronisasi akanmesin yang dilanjutkan dengan menentukan urutan permutasioptimal yang meminimumkan makespan. Untuk menentukanurutan permutasi optimal digunakan Algoritma Branch danBound yang menggunakan pendekatan Aljabar Max-Plus.

3.3 Konstruksi Model

Pada tahap ini, dikonstruksi model Timed Petri net darisistem produksi aliran flowshop. Kemudian dikonstruksimodel Aljabar Max-Plus untuk menentukan jadwal regulerdimulainya tiap job pada tiap mesin. Pertama akan dicariterlebih dahulu model dinamik dari jadwal sistem, setelah itu

33

34

akan dicari nilai eigen dan vektor eigen, atau jika nilai eigentidak tunggal, akan dicari eigen mode, dan kemudian dibuatjadwal regulernya.

3.4 Penarikan KesimpulanTahap akhir dalam penelitian ini adalah penarikan

kesimpulan dari hasil analisis dan pembahasan yang telahdilakukan mengenai penjadwalan sistem produksi aliranflowshop 5 mesin 3 job.

BAB IVANALISIS DAN PEMBAHASAN

Pada bab ini dibahas mengenai langkah - langkahpembuatan penjadwalan sistem produksi flowshop. Yaitumenentukan sinkronisasi mesin dan penentuan urutan joboptimal serta besarnya makespan dengan menggunakanAljabar Max-Plus serta algoritma Branch dan Bound.Setelah didapatkan urutan job optimal, dibuat model sistemmenggunakan Timed Petri Net, kemudian disusun jadwalnyadengan menggunakan Aljabar Max-Plus.

Misalkan pada aliran produksi permutation flowshop,terdapat 3 job {Ji} yang akan dijadwalkan pada 5 mesin{Mk}, dengan 1 ≤ i ≤ 3 dan k = 1, 2, 3, 4, 5. Masing - masingjob harus diproses tepat satu kali pada tiap mesin denganurutan mesin yang sama. Waktu pemrosesan (processingtime) job i pada mesin k dinotasikan dengan pi,k. Sedangkanwaktu selesainya (completion time) job i pada Mk dinotasikanCk. Sedangkan Cmax menyatakan makespan jangka waktuselesainya seluruh job. Setiap mesin hanya dapat mengerjakansatu operasi dari satu job tertentu, dan pre-emption tidakdiperbolehkan.

4.1 Sinkronisasi Mesin, Penentuan Urutan JobOptimal, dan Besarnya Makespan

Suatu urutan job dikatakan optimal jika urutan jobtersebut mempunyai makespan minimum. Makespanmerupakan salah satu kriteria optimasi yang sering digunakanpada proses produksi yang menggunakan multi mesin seperti

35

36

pada flowshop.Dalam Tugas Akhir ini untuk menentukan urutan job

optimal akan digunakan Algoritma Branch dan Bounddengan pendekatan Aljabar Max-Plus. Dengan menggunakanpendekatan Aljabar Max-Plus, akan lebih banyak informasiyang diperoleh. Informasi tersebut digunakan untukmenyusun suatu jadwal reguler dan optimal dari waktumulainya pemrosesan masing - masing job untuk siklusproduksi yang ke-k dengan k = 1, 2, ...

4.1.1 Sinkronisasi MesinAliran produksi flowshop dapat dipandang sebagai sistem

event diskrit dimana mulainya pemrosesan job Ji pada mesinMk bergantung pada selesainya job Ji−1 pada mesin tersebutdan juga bergantung pada selesainya pemrosesan job Ji padamesin sebelumnya (Mk−1). Oleh karena itu, pada kasus iniharus dilakukan sinkronisasi antar mesin.

Saat mulainya pemrosesan job Ji pada mesin Mk

merupakan maksimum dari selesainya job Ji−1 pada mesinMk

dan selesainya job Ji pada mesin Mk−1. Sedangkan selesainyajob Ji pada mesin Mk merupakan maksimum dari selesainyajob Ji−1 pada mesinMk dan selesainya pemrosesan job Ji padamesinMk−1 masing - masing ditambah waktu pemrosesan pi,k.

37

Gambar 4.1: Sinkronisasi antar mesin

Masalah pada aliran produksi flowshop dengan 3 job5 mesin untuk meminimumkan makespan dengan konstrainpermutation dinotasikan dengan F5|prmu|Cmax. Gambar 4.1mengilustrasikan sikronisasi antarmesin pada F5|prmu|Cmax

, yaitu untuk k yang tetap, C[i],k menyatakan waktu selesainyajob i pada Mk dan pi,k menyatakan waktu pemrosesannyadengan 1 ≤ i ≤ n dan k = 1, 2, 3, 4, 5. Sedangkan tkmenyatakan waktu selesainya job posisi urutan sebelumnyapada Mk.

Dari Gambar (4.1) dapat dilihat bahwa waktu selesainyajob i pada M1 adalah

C1 = t1 + p1

atau dituliskan dalam Aljabar Max-Plus

C[i],1 = C[i−1],1 ⊗ pi,1 (4.1)

Sedangkan waktu selesainya job posisi ke-i pada M2 adalah

C2 = max(t2, t1 + p1) + p2 = max(t2, C1) + p2

38

atau dituliskan dalam Aljabar Max-Plus

C[i],2 = (C[i−1],2 ⊕ C[i],2)⊗ pi,2

= (C[i−2],2 ⊕ (C[i−1],1 ⊗ p[i],1)⊗ pi,2) (4.2)

Sehingga waktu selesainya job posisi ke-i pada M3,M4,M5

dalam notasi Aljabar Max-Plus adalah

C[i],3 = (C[i−1],3 ⊕ C[i],2)⊗ pi,3

= (C[i−1],3 ⊕ (C[i−1],2 ⊕ (C[i−1],1 ⊗ pi,1))⊗ pi,2)

⊗pi,3 (4.3)

C[i],4 = (C[i−1],4 ⊕ C[i],3)⊗ pi,4

= (C[i−1],4 ⊕ (C[i−1],3 ⊕ (C[i−1],2 ⊕ (C[i−1],1 ⊗ pi,1)

⊗pi,2)⊗ pi,3))⊗ pi,4 (4.4)

C[i],5 = (C[i−1],5 ⊕ C[i],4)⊗ pi,5

= (C[i−1],5 ⊕ (C[i−1],4 ⊕ (C[i−1],3 ⊕ (C[i−1],2 ⊕ (C[i−1],1⊗pi,1)⊗ pi,2)⊗ pi,3)⊗ pi,4))⊗ pi,5 (4.5)

Dari Persamaan (4.1) sampai (4.5) dibentuk persamaan(C[i],1 C[i],2 C[i],3 C[i],4 C[i],5

)=

(C[i−1],1 C[i−1],2 C[i−1],3 C[i−1],4 C[i−1],5

)

⊗

⎛⎜⎜⎜⎜⎝

pi,1 pi,1pi,2 pi,1pi,2pi,3 A Bε pi,2 pi,2pi,3 pi,2pi,3pi,4 Cε ε pi,3 pi,3pi,4 pi,3pi,4pi,5ε ε ε pi,4 pi,4pi,5ε ε ε ε pi,5

⎞⎟⎟⎟⎟⎠

dengan

A = pi,1pi,2pi,3pi,4

B = pi,1pi,2pi,3pi,4pi,5

C = pi,2pi,3pi,4pi,5

39

atau

C[i] = C[i−1] ⊗M(Ji) (4.6)

dengan C[i] =(C[i],1 C[i],2 C[i],3 C[i],4 C[i],5

); dan

C[i−1] =(C[i−1],1 C[i−1],2 C[i−1],3 C[i−1],4 C[i−1],5

)dan

M(Ji) merupakan matriks job. Misalkan terdapat n jobmaka terdapat himpunan n matriks, M = {M(J1), ,M(Jn)},akan ditentukan permutasi σ (untuk menyatakan urutanyang digunakan pada perkalian matriks) sedemikian hinggaperkalian matriks - matriks tersebut optimal.

Untuk menunjukkan n matriks job yang akandikalikan dengan urutan σ digunakan notasiM(σ(1)),M(σ(2)), ...,M(σ(n)). Hasil perkalian dari nmatriks dengan urutan tersebut, yang dinotasikan dengan⊗n

i=1M(σ(i)) , akan ditentukan sebagai berikut :

M(σ(1))⊗M(σ(2)) =⎛⎜⎜⎜⎜⎝

μ1(σ(1)) μ1,2(σ(1)) μ1,3(σ(1)) μ1,4(σ(1)) μ1,5(σ(1))ε μ2(σ(1)) μ2,3(σ(1)) μ2,4(σ(1)) μ2,5(σ(1))ε ε μ3(σ(1)) μ3,4(σ(1)) μ3,5(σ(1))ε ε ε μ4(σ(1)) μ4,5(σ(1))ε ε ε ε μ5(σ(1))

⎞⎟⎟⎟⎟⎠⊗

⎛⎜⎜⎜⎜⎝


⎞⎟⎟⎟⎟⎠

=

⎛⎜⎜⎜⎜⎝

A B D G Kε C E H Lε ε F I Mε ε ε J Nε ε ε ε O

⎞⎟⎟⎟⎟⎠

40

dengan

A = μ1(σ(1))μ1(σ(2))

B = μ1(σ(1))μ1,2(σ(2))⊗ μ1,2(σ(1))μ2(σ(2))

C = μ2(σ(1))μ2(σ(2))

D = μ1(σ(1))μ1,3(σ(2))⊕ μ1,2(σ(1))μ2,3(σ(2))

⊕μ1,3(σ(1))μ3(σ(2))

E = μ2(σ(1))μ2,3(σ(2))⊕ μ2,3(σ(1))μ3(σ(2))

F = μ3(σ(1))μ3(σ(2))

G = μ1(σ(1))μ1,4(σ(2))⊕ μ1,2(σ(1))μ2,4(σ(2))

⊕μ1,3(σ(1))μ3,4(σ(2))⊕ μ1,4(σ(1))μ4(σ(2))

H = μ2(σ(1))μ2,4(σ(2))⊕ μ2,3(σ(1))μ3,4(σ(2))

⊕μ2,4(σ(1))μ4(σ(2))

I = μ3(σ(1))μ3,4(σ(2))⊕ μ3,4(σ(1))μ4(σ(2))

J = μ4(σ(1))μ4(σ(2))

K = μ1(σ(1))μ1,5(σ(2))⊕ μ1,2(σ(1))μ2,5(σ(2))

⊕μ1,3(σ(1))μ3,5(σ(2))⊕ μ1,4(σ(1))μ4,5(σ(2))

⊕μ1,5(σ(1))μ5(σ(2))

L = μ2(σ(1))μ2,5(σ(2))⊕ μ2,3(σ(1))μ3,5(σ(2))

⊕μ2,4(σ(1))μ4,5(σ(2))⊕ μ2,5(σ(1))μ5(σ(2))

M = μ3(σ(1))μ3,5(σ(2))⊕ μ3,4(σ(1))μ4,5(σ(2))

⊕μ3,5(σ(1))μ5(σ(2))

N = μ4(σ(1))μ4,5(σ(2))⊕ μ4,5(σ(1))μ5(σ(2))

O = μ5(σ(1))μ5(σ(2))

41

Perkalian tiga matriks dengan urutan M(σ(1)) ⊗M(σ(2))⊗M(σ(3)) menghasilkan

M(σ(1))⊗M(σ(2))⊗M(σ(3)) =

⎛⎜⎜⎜⎜⎝

A B D G Kε C E H Lε ε F I Mε ε ε J Nε ε ε ε O

⎞⎟⎟⎟⎟⎠

⊗

⎛⎜⎜⎜⎜⎝


⎞⎟⎟⎟⎟⎠

=

⎛⎜⎜⎜⎜⎝

A′ B′ D′ G′ K ′

ε C ′ E′ H ′ L′

ε ε F ′ I ′ M ′

ε ε ε J ′ N ′

ε ε ε ε O′

⎞⎟⎟⎟⎟⎠

dengan

A′ = μ1(σ(1))μ1(σ(2))μ1(σ(3))

B′ = μ1(σ(1))μ1(σ(2))μ1,2(σ(3))⊕ μ1(σ(1))μ1,2(σ(2))μ2(σ(3))

⊕μ1,2(σ(1))μ2(σ(2))μ2(σ(3))

C ′ = μ2(σ(1))μ2(σ(2))μ2(σ(3))

D′ = μ1(σ(1))μ1(σ(2))μ1,3(σ(3))⊕ μ1(σ(1))μ1,2(σ(2))μ2,3(σ(3))

⊕μ1,2(σ(1))μ2(σ(2))μ2,3(σ(3))⊕ μ1(σ(1))μ1,3(σ(2))μ3(σ(3))

⊕μ1,2(σ(1))μ2,3(σ(2))μ3(σ(3))⊕ μ1,3(σ(1))μ3(σ(2))μ3(σ(3))

E′ = μ2(σ(1))μ2(σ(2))μ2,3(σ(3))⊕ μ2(σ(1))μ2,3(σ(2))μ3(σ(3))

⊕μ2,3(σ(1))μ3(σ(2))μ3(σ(3))

F ′ = μ3(σ(1))μ3(σ(2))μ3(σ(3))

42

G′ = μ1(σ(1))μ1(σ(2))μ1,4(σ(3))⊕ μ1(σ(1))μ1,2(σ(2))

μ2,4(σ(3))⊕ μ1,2(σ(1))μ2(σ(2))μ2,4(σ(3))⊕ μ1(σ(1))

μ1,3(σ(2))μ3,4(σ(3))⊕ μ1,2(σ(1))μ2,3(σ(2))μ3,4(σ(3))

⊕μ1,3(σ(1))μ3(σ(2))μ3,4(σ(3))⊕ μ1(σ(1))μ1,4(σ(2))

μ4(σ(3))⊕ μ1,2(σ(1))μ2,4(σ(2))μ4(σ(3))⊕ μ1,3(σ(1))

μ3,4(σ(2))μ4(σ(3))⊕ μ1,4(σ(1))μ4(σ(2))μ4(σ(3))

H ′ = μ2(σ(1))μ2(σ(2))μ2,4(σ(3))⊕ μ2(σ(1))μ2,3(σ(2))

μ3,4(σ(3))⊕ μ2,3(σ(1))μ3(σ(2))μ3,4(σ(3))⊕ μ2(σ(1))

μ2,4(σ(2))μ4(σ(3))⊕ μ2,3(σ(1))μ3,4(σ(2))μ4(σ(3))

⊕μ2,4(σ(1))μ4(σ(2))μ4(σ(3))

I ′ = μ3(σ(1))μ3(σ(2))μ3,4(σ(3))⊕ μ3(σ(1))μ3,4(σ(2))

μ4(σ(3))⊕ μ3,4(σ(1))μ4(σ(2))μ4(σ(3))

J ′ = μ4(σ(1))μ4(σ(2))μ4(σ(3))

K ′ = μ1(σ(1))μ1(σ(2))μ1,5(σ(3))⊕ μ1(σ(1))μ1,2(σ(2))

μ2,5(σ(3))⊕ μ1,2(σ(1))μ2(σ(2))μ2,5(σ(3))⊕ μ1(σ(1))

μ1,3(σ(2))μ3,5(σ(3))⊕ μ1,2(σ(1))μ2,3(σ(2))μ3,5(σ(3))

⊕μ1,3(σ(1))μ3(σ(2))μ3,5(σ(3))⊕ μ1(σ(1))μ1,4(σ(2))

μ4,5(σ(3))⊕ μ1,2(σ(1))μ2,4(σ(2))μ4,5(σ(3))⊕ μ1,3(σ(1))

μ3,4(σ(2))μ4,5(σ(3))⊕ μ1,4(σ(1))μ4(σ(2))μ4,5(σ(3))

⊕μ1(σ(1))μ1,5(σ(2))μ5(σ(3))⊕ μ1,2(σ(1))μ2,5(σ(2))

μ5(σ(3))⊕ μ1,3(σ(1))μ3,5(σ(2))μ5(σ(3))⊕ μ1,4(σ(1))

μ4,5(σ(2))μ5(σ(3))⊕ μ1,5(σ(1))μ5(σ(2))μ5(σ(3))

L′ = μ2(σ(1))μ2(σ(2))μ2,5(σ(3))⊕ μ2(σ(1))μ2,3(σ(2))

μ3,5(σ(3))⊕ μ2,3(σ(1))μ3(σ(2))μ3,5(σ(3))⊕ μ2(σ(1))

μ2,4(σ(2))μ4,5(σ(3))⊕ μ2,3(σ(1))μ3,4(σ(2))μ4,5(σ(3))

⊕μ2,4(σ(1))μ4(σ(2))μ4,5(σ(3))⊕ μ2(σ(1))μ2,5(σ(2))

μ5(σ(3))⊕ μ2,3(σ(1))μ3,5(σ(2))μ5(σ(3))⊕ μ2,4(σ(1))

μ4,5(σ(2))μ5(σ(3))⊕ μ2,5(σ(1))μ5(σ(2))μ5(σ(3))

43

M ′ = μ3(σ(1))μ3(σ(2))μ3,5(σ(3))⊕ μ3(σ(1))μ3,4(σ(2))μ4,5(σ(3))

⊕μ3,4(σ(1))μ4(σ(2))μ4,5(σ(3))⊕ μ3(σ(1))μ3,5(σ(2))μ5(σ(3))

⊕μ3,4(σ(1))μ4,5(σ(2))μ5(σ(3))⊕ μ3,5(σ(1))μ5(σ(2))μ5(σ(3))

N ′ = μ4(σ(1))μ4(σ(2))μ4,5(σ(3))⊕ μ4(σ(1))μ4,5(σ(2))μ5(σ(3))

⊕μ4,5(σ(1))μ5(σ(2))μ5(σ(3))

O′ = μ5(σ(1))μ5(σ(2))μ5(σ(3))

Misalkan barisan permutasi dari 3 job adalah σ, makamatriks permutasi M(σ) didefinisikan

M(σ) =

3⊗i=1

M(σ(i)) (4.7)

Elemen kanan atas dari matriks permutasi M(σ)merepresentasikan waktu selesainya job posisi terakhir padaM5, yang tidak lain adalah makespan dari barisan jobtersebut. Dengan demikian, makespan dari suatu barisanpermutasi dari 3 job dapat dihitung dengan menggunakanpersamaan

C(σ) =(e ε ε ε ε

)⊗M(σ) (4.8)

dengan C(σ) =(C1(σ) C2(σ) C3(σ) C4(σ) C5(σ)

),

Ck(σ) menyatakan completion time pada mesin Mk, sehinggaC5(σ) merupakan completion time dari M5 sekaligus besarnyamakespan dari barisan job σ.

Dari Persamaan (4.8) terlihat bahwa urutan job optimalditentukan oleh Persamaan (4.7), yaitu ditentukan dari urutanperkalian matriks job yang berupa matriks segitiga atassedemikian hingga M(σ) pada Persamaan (4.7) optimal.

Oleh karena itu, mula - mula dikaji mengenai perkalianmatriks segitiga atas pada Aljabar Max-Plus. Dalam halini, masing - masing job dinyatakan dalam matriks segitiga

44

atas yang dinamakan matriks job dimana elemen - elemennyamerupakan waktu pemrosesan masing - masing job. Matriksjob dari job Ji dinyatakan oleh

M(Ji) =⎛⎜⎜⎜⎜⎝

pi,1 pi,1pi,2 pi,1pi,2pi,3 P Qε pi,2 pi,2pi,3 pi,2pi,3pi,4 Rε ε pi,3 pi,3pi,4 pi,3pi,4pi,5ε ε ε pi,4 pi,4pi,5ε ε ε ε pi,5

⎞⎟⎟⎟⎟⎠(4.9)

dengan

P = pi,1pi,2pi,3pi,4

Q = pi,1pi,2pi,3pi,4pi,5

R = pi,2pi,3pi,4pi,5

Kemudian urutan job optimal ditentukan berdasarkanhasil matriks job pada Persamaan (4.7) yang optimal.

Perkalian dua matriks tidak komutatif. Misalkandiberikan dua matriks segitiga atas A dan B berukuran 5× 5yang didefinisikan dengan

A =

⎛⎜⎜⎜⎜⎝

a1 a1,2 a1,3 a1,4 a1,5ε a2 a2,3 a2,4 a2,5ε ε a3 a3,4 a3,5ε ε ε a4 a4,5ε ε ε ε a5

⎞⎟⎟⎟⎟⎠B =

⎛⎜⎜⎜⎜⎝

b1 b1,2 b1,3 b1,4 b1,5ε b2 b2,3 b2,4 b2,5ε ε b3 b3,4 b3,5ε ε ε b4 b4,5ε ε ε ε b5

⎞⎟⎟⎟⎟⎠

Perkalian dua matriks dengan urutan A⊗B menghasilkan

45

A⊗B =⎛⎜⎜⎜⎜⎝


⎞⎟⎟⎟⎟⎠⊗

⎛⎜⎜⎜⎜⎝


⎞⎟⎟⎟⎟⎠

A⊗B =⎛⎜⎜⎜⎜⎝

a1b1 a1b1,2 ⊕ a1,2b2 P Q Sε a2b2 a2b2,3 ⊕ a2,3b3 R Tε ε a3b3 a3b3,4 ⊕ a3,4b4 Uε ε ε a4b4 Vε ε ε ε a5b5

⎞⎟⎟⎟⎟⎠

(4.10)

dengan

P = a1b1,3 ⊕ a1,2b2,3 ⊕ a1,3b3

Q = a1b1,4 ⊕ a1,2b2,4 ⊕ a1,4b4

R = a2b2,4 ⊕ a2,3b3,4 ⊕ a2,4b4

S = a1b1,5 ⊕ a1,2b2,5 ⊕ a1,3b3,5 ⊕ a1,4b4,5 ⊕ a1,5b5

T = a2b2,5 ⊕ a2,3b3,5 ⊕ a2,4b4,5 ⊕ a2,5b5

U = a3b3,5 ⊕ a3,4b4,5 ⊕ a3,5b5

V = a4b4,5 ⊕ a4,5b5

Sedangkan perkalian dua matriks dengan urutan B ⊗ A

46

menghasilkan

B ⊗A =⎛⎜⎜⎜⎜⎝


⎞⎟⎟⎟⎟⎠⊗

⎛⎜⎜⎜⎜⎝


⎞⎟⎟⎟⎟⎠

B ⊗A =⎛⎜⎜⎜⎜⎝

b1a1 b1a1,2 ⊕ b1,2a2 H I Kε b2a2 b2a2,3 ⊕ b2,3a3 J Lε ε b3a3 b3a3,4 ⊕ b3,4a4 Mε ε ε b4a4 Nε ε ε ε b5a5

⎞⎟⎟⎟⎟⎠

(4.11)

dengan

H = b1a1,3 ⊕ b1,2a2,3 ⊕ b1,3a3

I = b1a1,4 ⊕ b1,2a2,4 ⊕ b1,4a4

J = b2a2,4 ⊕ b2,3a3,4 ⊕ b2,4a4

K = b1a1,5 ⊕ b1,2a2,5 ⊕ b1,3a3,5 ⊕ b1,4a4,5 ⊕ b1,5a5

L = b2a2,5 ⊕ b2,3a3,5 ⊕ b2,4a4,5 ⊕ b2,5a5

M = b3a3,5 ⊕ b3,4a4,5 ⊕ b3,5a5

N = b4a4,5 ⊕ b4,5a5

Jelas bahwa A ⊗ B �= B ⊗ A, perkalian dua matrikstidak komutatif. Seperti yang dijelaskan sebelumnyabahwa besarnya makespan direpresentasikan oleh elemenkanan atas matriks dan bergantung pada urutan perkalianmatriks. Berikutnya ditentukan permutasi σ sedemikian

47

hingga hasil perkalian matriks (dalam urutan σ) optimal.Dengan kata lain, ditentukan permutasi σ sedemikianhingga hasil perkalian matriks (dalam urutan σ) padaPersamaan (4.7) meminimumkan elemen kanan atas (elemenyang merepresentasikan besarnya makespan pada barisan jobdengan urutan σ).

Untuk menentukan permutasi σ tersebut dikaji mengenaioptimasi terkait urutan perkalian matriks segitiga atas padaAljabar Max-Plus yaitu dengan menggunakan algoritmabranch dan bound[11].

Misalkan M = M(1),M(2), ,M(n) merupakan himpunanmatriks segitiga ukuran 5 × 5 atas yang didefinisikan oleh∀k, 1 ≤ k ≤ n;

M(k) =

⎛⎜⎜⎜⎜⎝

μ1(k) μ1,2(k) μ1,3(k) μ1,4(k) μ1,5(k)ε μ2(k) μ2,3(k) μ2,4(k) μ2,5(k)ε ε μ3(k) μ3,4(k) μ3,5(k)ε ε ε μ4(k) μ4,5(k)ε ε ε ε μ5(k)

⎞⎟⎟⎟⎟⎠

Misalkan barisan permutasi dari n job adalah σ, makamatriks permutasi didefinisikan

M(σ) =

n⊗k=1

M(σ(k))

Akan ditentukan permutasi σ yang meminimumkannilai elemen kanan atas, yaitu elemen μ1,5(k). Masalahini dinotasikan oleh ⊗M5||M1,5. Untuk menyelesaikannyadigunakan Algoritma Branch dan Bound.

48

4.1.2 Penentuan Urutan Optimal denganMenggunakan Algoritma Branch dan Bound

Algoritma Branch dan Bound yang digunakan untukmenentukan urutan job optimal pada 5 mesin tidak jauhberbeda dengan menentukan urutan job optimal pada 3mesin seperti yang telah dijelaskan pada Bab II. Hal yangmembedakan adalah pencarian batas bawah dan batasatas dari matriks job-nya. Adapun batas bawah dan batasatas untuk menentukan urutan job optimal pada 5 mesindijelaskan dibawah ini.

Batas BawahMisalkan u dan v bilangan bulat dengan 1 ≤ u < v ≤ 5,

dinotasikan Mu,v(k) dengan

[Mu,v(k)]i,j =

⎧⎪⎪⎪⎪⎨⎪⎪⎪⎪⎩

μu(k), untuk i = j = u

μv(k), untuk i = j = v

μu,v(k), untuk i = u dan j = v

ε, untuk i dan j yang lainnya

maka M(k) ≥Mu,v(k).

Lemma 4.1.1. Misalkan L(M(k), u, v) ∈ T5×5(Rmax)dengan 1 ≤ u < v ≤ 5 merupakan matriks yang didefinisikanoleh

L(M(k), 1, 2) =

⎛⎜⎜⎜⎜⎜⎝

0μ1,2(k)μ2(k)

× × ×ε 0 × × ×ε ε × × ×ε ε ε × ×ε ε ε ε ×

⎞⎟⎟⎟⎟⎟⎠ ;

49

L(M(k), 1, 3) =

⎛⎜⎜⎜⎜⎜⎝

0 × μ1,3(k)μ3(k)

× ×ε 0

μ2,3(k)μ3(k)

× ×ε ε 0 × ×ε ε ε × ×ε ε ε ε ×

⎞⎟⎟⎟⎟⎟⎠ ;

L(M(k), 1, 4) =

⎛⎜⎜⎜⎜⎜⎜⎝

0 × × μ1,4(k)μ4(k)

×ε × × μ2,4(k)

μ4(k)×

ε ε × μ3,4(k)μ4(k)

×ε ε ε 0 ×ε ε ε ε ×

⎞⎟⎟⎟⎟⎟⎟⎠

;

L(M(k), 1, 5) =

⎛⎜⎜⎜⎜⎜⎜⎝

0 × × × μ1,5(k)μ5(k)

ε × × × μ2,5(k)μ5(k)

ε ε × × μ3,5(k)μ5(k)

ε ε ε × μ4,5(k)μ5(k)

ε ε ε ε 0

⎞⎟⎟⎟⎟⎟⎟⎠

;

L(M(k), 2, 3) =

⎛⎜⎜⎜⎜⎜⎝

× μ1,2(k)μ2(k)

∧ μ1,3(k)

μ2,3(k)μ1,3(k)μ3(k)

× ×ε 0

μ2,3(k)μ3(k)

× ×ε ε 0 × ×ε ε ε × ×ε ε ε ε ×

⎞⎟⎟⎟⎟⎟⎠ ;

L(M(k), 2, 4) =

⎛⎜⎜⎜⎜⎜⎜⎝

× μ1,2(k)μ2(k)

∧ μ1,4(k)μ2,4(k)

× μ1,4(k)μ4(k)

×ε 0 × μ2,4(k)

μ4(k)×

ε ε × μ3,4(k)μ4(k)

×ε ε ε 0 ×ε ε ε ε ×

⎞⎟⎟⎟⎟⎟⎟⎠

;

50

L(M(k), 2, 5) =

⎛⎜⎜⎜⎜⎜⎜⎜⎝

× μ1,2(k)μ2(k)

∧ μ1,5(k)μ2,5(k)

× × μ1,5(k)μ5(k)

ε 0 × × μ2,5(k)μ5(k)

ε ε × × μ3,5(k)μ5(k)

ε ε ε × μ4,5(k)μ5(k)

ε ε ε ε 0

⎞⎟⎟⎟⎟⎟⎟⎟⎠

;

L(M(k), 3, 4) =

⎛⎜⎜⎜⎜⎜⎜⎝

× × μ1,3(k)μ3(k)

∧ μ1,4(k)μ3,4(k)

μ1,4(k)μ4(k)

×ε × μ2,3(k)

μ3(k)∧ μ2,4(k)

μ3,4(k)μ2,4(k)μ4(k)

×ε ε 0

μ3,4(k)μ4(k)

×ε ε ε 0 ×ε ε ε ε ×

⎞⎟⎟⎟⎟⎟⎟⎠

;

L(M(k), 3, 5) =

⎛⎜⎜⎜⎜⎜⎜⎜⎝

× × μ1,3(k)μ3(k)

∧ μ1,5(k)μ3,5(k)

× μ1,5(k)μ5(k)

ε × μ2,3(k)μ3(k)

∧ μ2,5(k)μ3,5(k)

× μ2,5(k)μ5(k)

ε ε 0 × μ3,5(k)μ5(k)

ε ε ε × μ4,5(k)μ5(k)

ε ε ε ε 0

⎞⎟⎟⎟⎟⎟⎟⎟⎠

;

L(M(k), 4, 5) =

⎛⎜⎜⎜⎜⎜⎜⎜⎝

× × × μ1,4(k)μ4(k)

∧ μ1,5(k)μ4,5(k)

μ1,5(k)μ5(k)

ε × × μ2,4(k)μ4(k)

∧ μ2,5(k)μ4,5(k)

μ2,5(k)μ5(k)

ε ε × μ3,4(k)μ4(k)

∧ μ3,5(k)μ4,5(k)

μ3,5(k)μ5(k)

ε ε ε 0μ4,5(k)μ5(k)

ε ε ε ε 0

⎞⎟⎟⎟⎟⎟⎟⎟⎠

;

dan simbol × menunjukkan sembarang nilai di Rε,maka ∀u, v dengan 1 ≤ u < v ≤ 5 berlakuM(k) ≥ L(M(k), u, v)⊗Mu,v(k)

51

Bukti

L(M(k), 1, 2)⊗M1,2(k) =

⎛⎜⎜⎜⎜⎝

μ1(k) μ1,2(k) ε ε εε μ2(k) ε ε εε ε ε ε εε ε ε ε εε ε ε ε ε

⎞⎟⎟⎟⎟⎠ ≤M(k),

L(M(k), 1, 3)⊗M1,3(k) =

⎛⎜⎜⎜⎜⎝

μ1(k) ε μ1,3(k) ε εε ε μ2,3(k) ε εε ε μ3(k) ε εε ε ε ε εε ε ε ε ε

⎞⎟⎟⎟⎟⎠ ≤M(k),

L(M(k), 1, 4)⊗M1,4(k) =

⎛⎜⎜⎜⎜⎝

μ1(k) ε ε μ1,4(k) εε ε ε μ2,4(k) εε ε ε μ3,4(k) εε ε ε μ4(k) εε ε ε ε ε

⎞⎟⎟⎟⎟⎠ ≤M(k),

L(M(k), 1, 5)⊗M1,5(k) =

⎛⎜⎜⎜⎜⎝

μ1(k) ε ε ε μ1,5(k)ε ε ε ε μ2,5(k)ε ε ε ε μ3,5(k)ε ε ε ε μ4,5(k)ε ε ε ε μ5(k)

⎞⎟⎟⎟⎟⎠ ≤M(k),

L(M(k), 2, 3)⊗M2,3(k) =⎛⎜⎜⎜⎜⎜⎝

ε μ1,2(k) ∧ μ1,3(k)μ2(k)μ2,3(k)

μ1,3(k) ε ε

ε μ2(k) μ2,3(k) ε εε ε μ3(k) ε εε ε ε ε εε ε ε ε ε

⎞⎟⎟⎟⎟⎟⎠ ≤M(k),

L(M(k), 2, 4)⊗M2,4(k) =⎛⎜⎜⎜⎜⎜⎝

ε μ1,2(k) ∧ μ1,4(k)μ2(k)μ2,4(k)

ε μ1,4(k) ε

ε μ2(k) ε μ2,4(k) εε ε ε μ3,4(k) εε ε ε μ4(k) εε ε ε ε ε

⎞⎟⎟⎟⎟⎟⎠ ≤M(k),

52

L(M(k), 2, 5)⊗M2,5(k) =⎛⎜⎜⎜⎜⎜⎝

ε μ1,2(k) ∧ μ1,5(k)μ2(k)μ2,5(k)

ε ε μ1,5(k)

ε μ2(k) ε ε μ2,5(k)ε ε ε ε μ3,5(k)ε ε ε ε μ4,5(k)ε ε ε ε μ5(k)

⎞⎟⎟⎟⎟⎟⎠ ≤M(k),

L(M(k), 3, 4)⊗M3,4(k) =⎛⎜⎜⎜⎜⎜⎝

ε ε μ1,3(k) ∧ μ1,4(k)μ3(k)μ3,4(k)

μ1,4(k) ε

ε ε μ2,3(k) ∧ μ2,4(k)μ3(k)μ3,4(k)

μ2,4(k) ε

ε ε μ3(k) μ3,4(k) εε ε ε μ4(k) εε ε ε ε ε

⎞⎟⎟⎟⎟⎟⎠ ≤M(k),

L(M(k), 3, 5)⊗M3,5(k) =⎛⎜⎜⎜⎜⎜⎝

ε ε μ1,3(k) ∧ μ1,5(k)μ3(k)μ3,5(k)

ε μ1,5(k)

ε ε μ2,3(k) ∧ μ2,5(k)μ3(k)μ3,5(k)

ε μ2,5(k)

ε ε μ3(k) ε μ3,5(k)ε ε ε ε μ4,5(k)ε ε ε ε μ5(k)

⎞⎟⎟⎟⎟⎟⎠ ≤M(k),

L(M(k), 4, 5)⊗M4,5(k) =⎛⎜⎜⎜⎜⎜⎜⎝

ε ε ε μ1,4(k) ∧ μ1,5(k)μ4(k)μ4,5(k)

μ1,5(k)

ε ε ε μ2,4(k) ∧ μ2,5(k)μ4(k)μ4,5(k)

μ2,5(k)

ε ε ε μ3,4(k) ∧ μ3,5(k)μ4(k)μ4,5(k)

μ3,5(k)

ε ε ε μ4(k) μ4,5(k)ε ε ε ε μ5(k)

⎞⎟⎟⎟⎟⎟⎟⎠≤M(k),

Lemma 4.1.2 Misalkan R(M(k), u, v) ∈ T(5×5)(Rε) dengan1 ≤ u < v ≤ 5 merupakan matriks yang didefinisikan oleh

53

R(M(k), 1, 2) =⎛⎜⎜⎜⎜⎜⎝

0μ1,2(k)μ1(k)

μ1,3(k)μ1(k)

μ1,4(k)μ1(k)

μ1,5(k)μ1(k)

ε 0μ1,3(k)μ1,2(k)

∧ μ2,3(k)μ2(k)

μ1,4(k)μ1,2(k)

∧ μ2,4(k)μ2(k)

μ1,5(k)μ1,2(k)

∧ μ2,5(k)μ2(k)

ε ε × × ×ε ε ε × ×ε ε ε ε ×

⎞⎟⎟⎟⎟⎟⎠ ;

R(M(k), 1, 3) =⎛⎜⎜⎜⎜⎜⎝

0μ1,2(k)μ1(k)

μ1,3(k)μ1(k)

μ1,4(k)μ1(k)

μ1,5(k)μ1(k)

ε × × × ×ε ε 0

μ1,4(k)μ1,3(k)

∧ μ3,4(k)μ3(k)

μ1,5(k)μ1,3(k)

∧ μ3,5(k)μ3(k)

ε ε ε × ×ε ε ε ε ×

⎞⎟⎟⎟⎟⎟⎠ ;

R(M(k), 1, 4) =⎛⎜⎜⎜⎜⎜⎝

0μ1,2(k)μ1(k)

μ1,3(k)μ1(k)

μ1,4(k)μ1(k)

μ1,5(k)μ1(k)

ε × × × ×ε ε × × ×ε ε ε 0

μ1,5(k)μ1,4(k)

∧ μ4,5(k)μ4(k)

ε ε ε ε ×

⎞⎟⎟⎟⎟⎟⎠ ;

R(M(k), 1, 5) =

⎛⎜⎜⎜⎜⎜⎝

0μ1,2(k)μ1(k)

μ1,3(k)μ1(k)

μ1,4(k)μ1(k)

μ1,5(k)μ1(k)

ε × × × ×ε ε × × ×ε ε ε × ×ε ε ε ε 0

⎞⎟⎟⎟⎟⎟⎠ ;

R(M(k), 2, 3) =⎛⎜⎜⎜⎜⎜⎝

× × × × ×ε 0

μ2,3(k)μ2(k)

μ2,4(k)μ2(k)

μ2,5(k)μ2(k)

ε ε 0μ2,4(k)μ2,3(k)

∧ μ3,4(k)μ3(k)

μ2,5(k)μ2,3(k)

∧ μ3,5(k)μ3(k)

ε ε ε × ×ε ε ε ε ×

⎞⎟⎟⎟⎟⎟⎠ ;

54

R(M(k), 2, 4) =

⎛⎜⎜⎜⎜⎜⎝

× × × × ×ε 0

μ2,3(k)μ2(k)

μ2,4(k)μ2(k)

μ2,5(k)μ2(k)

ε × × × ×ε ε ε 0

μ2,5(k)μ2,4(k)

∧ μ4,5(k)μ4(k)

ε ε ε ε ×

⎞⎟⎟⎟⎟⎟⎠ ;

R(M(k), 2, 5) =

⎛⎜⎜⎜⎜⎜⎝

× × × × ×ε 0

μ2,3(k)μ2(k)

μ2,4(k)μ2(k)

μ2,5(k)μ2(k)

ε × × × ×ε ε ε × ×ε ε ε ε 0

⎞⎟⎟⎟⎟⎟⎠ ;

R(M(k), 3, 4) =

⎛⎜⎜⎜⎜⎜⎝

× × × × ×ε × × × ×ε × 0

μ3,4(k)μ3(k)

μ3,5(k)μ3(k)

ε ε ε 0μ3,5(k)μ3,4(k)

∧ μ4,5(k)μ4(k)

ε ε ε ε ×

⎞⎟⎟⎟⎟⎟⎠ ;

R(M(k), 3, 5) =

⎛⎜⎜⎜⎜⎜⎝

× × × × ×ε × × × ×ε × 0

μ3,4(k)μ3(k)

μ3,5(k)μ3(k)

ε ε ε × ×ε ε ε ε 0

⎞⎟⎟⎟⎟⎟⎠ ;

R(M(k), 4, 5) =

⎛⎜⎜⎜⎜⎜⎝

× × × × ×ε × × × ×ε × × × ×ε ε ε 0

μ4,5(k)μ4(k)

ε ε ε ε 0

⎞⎟⎟⎟⎟⎟⎠ ;

maka ∀(u, v), 1 ≤ u < v ≤ 5 berlaku M(k) ≥Mu,v(k)⊗R(M(k), u, v).

55

Bukti

M1,2(k)⊗R(M(k), 1, 2) =⎛⎜⎜⎜⎜⎜⎝

μ1(k) μ1,2(k) μ1,3(k) μ1,4(k) μ1,5(k)

ε μ2(k)μ1,3(k)μ2

μ1,2(k)∧ μ2,3(k) A B

ε ε ε ε εε ε ε ε εε ε ε ε ε

⎞⎟⎟⎟⎟⎟⎠ ≤M(k),

A =μ1,4(k)μ2(k)

μ1,2(k)∧ μ2,4(k)

B =μ1,5(k)μ2(k)

μ1,2(k)∧ μ2,5(k)

M1,3(k)⊗R(M(k), 1, 3) =⎛⎜⎜⎜⎜⎝

μ1(k) μ1,2(k) μ1,3(k) μ1,4(k) μ1,5(k)ε ε ε ε εε ε μ3(k) C Dε ε ε ε εε ε ε ε ε

⎞⎟⎟⎟⎟⎠ ≤M(k),

C =μ1,4(k)μ3(k)

μ1,3(k)∧ μ3,4(k)

D =μ1,5(k)μ3(k)

μ1,3(k)∧ μ3,5(k)

M1,4(k)⊗R(M(k), 1, 4) =⎛⎜⎜⎜⎜⎝

μ1(k) μ1,2(k) μ1,3(k) μ1,4(k) μ1,5(k)ε ε ε ε εε ε ε ε εε ε ε μ4 Eε ε ε ε ε

⎞⎟⎟⎟⎟⎠ ≤M(k),

E =μ1,5(k)μ4(k)

μ1,4(k)∧ μ4,5(k)

56

M1,5(k)⊗R(M(k), 1, 5) =⎛⎜⎜⎜⎜⎝

μ1(k) μ1,2(k) μ1,3(k) μ1,4(k) μ1,5(k)ε ε ε ε εε ε ε ε εε ε ε ε εε ε ε ε μ5(k)

⎞⎟⎟⎟⎟⎠ ≤M(k),

M2,3(k)⊗R(M(k), 2, 3) =⎛⎜⎜⎜⎜⎜⎝

ε ε ε ε εε μ2(k) μ2,3(k) μ2,4(k) μ2,5(k)

ε ε μ3(k)μ2,4(k)μ3(k)

μ2,3(k)∧ μ3,4(k)

μ2,5(k)μ3(k)μ2,3(k)

∧ μ3,5(k)

ε ε ε ε εε ε ε ε ε

⎞⎟⎟⎟⎟⎟⎠

≤M(k),

M2,4(k)⊗R(M(k), 2, 4) =⎛⎜⎜⎜⎜⎜⎝

ε ε ε ε εε μ2(k) μ2,3(k) μ2,4(k) μ2,5(k)ε ε ε ε ε

ε ε ε μ4(k)μ2,5(k)μ4(k)

μ2,4(k)∧ μ4,5(k)

ε ε ε ε ε

⎞⎟⎟⎟⎟⎟⎠ ≤M(k),

M2,5(k)⊗R(M(k), 2, 5) =⎛⎜⎜⎜⎜⎝

ε ε ε ε εε μ2(k) μ2,3(k) μ2,4(k) μ2,5(k)ε ε ε ε εε ε ε ε εε ε ε ε μ5(k)

⎞⎟⎟⎟⎟⎠ ≤M(k),

M3,4(k)⊗R(M(k), 3, 4) =⎛⎜⎜⎜⎜⎜⎝

ε ε ε ε εε ε ε ε εε ε μ3(k) μ3,4(k) μ3,5(k)

ε ε ε μ4(k)μ3,5(k)μ4(k)

μ3,4(k)∧ μ4,5(k)

ε ε ε ε ε

⎞⎟⎟⎟⎟⎟⎠ ≤M(k),

57

M3,5(k)⊗R(M(k), 3, 5) =

⎛⎜⎜⎜⎜⎝

ε ε ε ε εε ε ε ε εε ε μ3(k) μ3,4(k) μ3,5(k)ε ε ε ε εε ε ε ε μ5(k)

⎞⎟⎟⎟⎟⎠

≤M(k),

M4,5(k)⊗R(M(k), 4, 5) =

⎛⎜⎜⎜⎜⎝

ε ε ε ε εε ε ε ε εε ε ε ε εε ε ε μ4(k) μ4,5(k)ε ε ε ε μ5(k)

⎞⎟⎟⎟⎟⎠ ≤M(k),

Proposisi[11] Untuk setiap (u, v) dimana 1 ≤ u < v ≤ 5, danuntuk sembarang nilai i dan j yang tetap, jika dinotasikanLmin(M,u, v) dan Rmin(M,u, v) merupakan matriks yangdidefinisikan oleh

[Lmin(M,u, v)]i,j =n

mink=1

[L(M(k), u, v)]i,j

dan

[Rmin(M,u, v)]i,j =n

mink=1

[R(M(k), u, v)]i,j

maka batas bawah dari hasil kali⊗n

i=1M(σ(i)) adalahLB(u, v) = Lmin(M,u, v)⊗Mu,v(Ju,v)⊗Rmin(M,u, v).

Buktin⊗

i=1

M(σ(i)) = M(σ(1))⊗ (

n−1⊗i=2

M(σ(i)))⊗M(σ(n))

n⊗i=1

M(σ(i)) ≥ (L(M(σ(1)), u, v)⊗Mu,v(σ(1)))⊗ (

n−1⊗i=2

M(σ(i)))

⊗(Mu,v(σ(n))⊗R(M(σ(n)), u, v))

58

n⊗i=1

M(σ(i)) ≥ Lmin(M,u, v)⊗ (n⊗

i=1

M(σ(i)))⊗Rmin(M,u, v)

n⊗i=1

M(σ(i)) ≥ Lmin(M,u, v)⊗Mu,v(Juv)⊗Rmin(M,u, v)

Jika C2×2max(J

u,v) merupakan nilai dari elemen kanan ataspermutasi yang optimal matriks Mu,v berukuran 2 × 2,terdapat sepuluh batas bawah untuk nilai kanan atas dalamhal ini adalah elemen pada baris ke-1 kolom ke-5, yangdinotasikan oleh LBuv = [LB(u, v)]1,5 dan nilai yang palingmendekati untuk mendapatkan batas bawah adalah LB15.Batas Atas

Batas atas dari permutasi Ju,v dinotasikan oleh UBuv,∀(u, v, 1 ≤ u < v ≤ 5, UBuv = C5×5

max(Juv), dimana

C5×5max(σ) merupakan nilai dari elemen kanan atas dari hasil

kali⊗n

i=1M(σ(i)) .

4.2 Konstruksi ModelSetelah didapatkan urutan optimal dari job,

selanjutnya dikonstruksi suatu model timed petri netyang merepresentasikan sistem produksi flowshop yang sudahterurut. Dari model timed petri net tersebut dibuat suatumodel matematis dengan menggunakan terminologi AljabarMax-Plus.

59

Gambar 4.2: Model Timed Petri Net 3 job 5 mesin

60

Tabel 4.1: Keterangan Model Timed Petri Net 3 job 5 mesinVariabel Keterangan

T0 Bahan baku job 1 siap

T1 Job 1 mulai diproses di mesin 1

T2 Job 1 selesai diproses di mesin 1





























61

Keterangan Model Timed Petri Net 3 job 5 mesinVariabel Keterangan

P0 Job 1 antri untuk diproses di mesin 1

P1 Job 1 sedang diproses di mesin 1







P8 Job 1 siap








P16 mesin 1 sibuk

P17 mesin 2 sibuk

P18 mesin 3 sibuk

P19 mesin 4 sibuk

P20 mesin 5 sibuk




P24 Job 2 siap






62

Keterangan Model Timed Petri Net 3 job 5 mesinVariabel Keterangan






P35 Job 3 siap

Dari model timed petri net yang sudah dikonstruksiberdasarkan urutan job optimal, selanjutnya dikonstruksimodel Aljabar Max-Plus untuk memperoleh jadwal regulerdari flowshop 5 mesin 3 job. Misalkan job yang sudahdiurutkan dinotasikan J ′1, J ′2, ..., J ′n dimana J ′i = σ(i). Waktumulainya pemrosesan job J ′m yang ke - k pada mesinn dinotasikan xm,n(k). Waktu yang dibutuhkan untukpemrosesan job J ′m pada mesin n dinotasikan pm,n. Maka,

x1,1(k) = p3,1 + x3,1(k − 1)

x1,2(k) = max{(p1,1 + x1,1(k)), (p3,2 + x3,2(k − 1))}x1,3(k) = max{(p1,2 + x1,2(k)), (p3,3 + x3,3(k − 1))}x1,4(k) = max{(p1,3 + x1,3(k)), (p3,4 + x3,4(k − 1))}x1,5(k) = max{(p1,4 + x1,4(k)), (p3,5 + x3,5(k − 1))}x2,1(k) = (p1,1 + x1,1(k))

x2,2(k) = max{(p2,1 + x2,1(k)), (p1,2 + x1,2(k − 1))}x2,3(k) = max{(p2,2 + x2,2(k)), (p1,3 + x1,3(k − 1))}x2,4(k) = max{(p2,3 + x2,3(k)), (p1,4 + x1,4(k − 1))}x2,5(k) = max{(p2,4 + x2,4(k)), (p1,5 + x1,5(k − 1))}x3,1(k) = (p2,1 + x2,1(k))

x3,2(k) = max{(p3,1 + x3,1(k)), (p2,2 + x2,2(k − 1))}

63

x3,3(k) = max{(p3,2 + x3,2(k)), (p2,3 + x2,3(k − 1))}x3,4(k) = max{(p3,3 + x3,3(k)), (p2,4 + x2,4(k − 1))}x3,5(k) = max{(p3,4 + x3,4(k)), (p2,5 + x2,5(k − 1))}

(4.12)

dalam Aljabar Max-Plus, Persamaan (4.12) tersebut dapatdituliskan

x1,1(k) = p3,1 ⊗ x3,1(k − 1)

x1,2(k) = p1,1 ⊗ x1,1(k)⊕ p3,2 ⊗ x3,2(k − 1)

x1,3(k) = p1,2 ⊗ x1,2(k)⊕ p3,3 ⊗ x3,3(k − 1)

x1,4(k) = p1,3 ⊗ x1,3(k)⊕ p3,4 ⊗ x3,4(k − 1)

x1,5(k) = p1,4 ⊗ x1,4(k)⊕ p3,5 ⊗ x3,5(k − 1)

x2,1(k) = p1,1 ⊗ x1,1(k − 1)

x2,2(k) = p2,1 ⊗ x2,1(k)⊕ p1,2 ⊗ x1,2(k − 1)

x2,3(k) = p2,2 ⊗ x2,2(k)⊕ p1,3 ⊗ x1,3(k − 1)

x2,4(k) = p2,3 ⊗ x2,3(k)⊕ p1,4 ⊗ x1,4(k − 1)

x2,5(k) = p2,4 ⊗ x2,4(k)⊕ p1,5 ⊗ x1,5(k − 1)

x3,1(k) = p2,1 ⊗ x2,1(k − 1)

x3,2(k) = p3,1 ⊗ x3,1(k)⊕ p2,2 ⊗ x2,2(k − 1)

x3,3(k) = p3,2 ⊗ x3,2(k)⊕ p2,3 ⊗ x2,3(k − 1)

x3,4(k) = p3,3 ⊗ x3,3(k)⊕ p2,4 ⊗ x2,4(k − 1)

x3,5(k) = p3,4 ⊗ x3,4(k)⊕ p2,5 ⊗ x2,5(k − 1)

Dengan demikian, X(k + 1) dapat dinyatakan dalam bentukmatriks menjadi

X(k) = AX(k)⊕BX(k − 1) (4.13)

64

dengan

X(k) =

⎛⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎝

x1,1(k)x1,2(k)x1,3(k)x1,4(k)x1,5(k)x2,1(k)x2,2(k)x2,3(k)x2,4(k)x2,5(k)x3,1(k)x3,2(k)x3,3(k)x3,4(k)x3,5(k)

⎞⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎠

A adalah matriks persegi yang berukuran 15×15 dengan inputelemen - elemennya adalah [A]2,1 = p1,1; [A]3,2 = p1,2; [A]4,3 =p1,3; [A]5,4 = p1,4; [A]6,1 = p1,1; [A]7,2 = p1,2; [A]7,6 =p2,1; [A]8,3 = p1,3; [A]8,7 = p2,2; [A]9,4 = p1,4; [A]9,8 =p2,3; [A]10,5 = p1,5; [A]10,9 = p2,4; [A]11,6 = p2,1; [A]12,7 =p2,2; [A]12,11 = p3,1; [A]13,8 = p2,3; [A]13,12 = p3,2; [A]14,9 =p2,4; [A]14,13 = p3,3; [A]15,10 = p2,5; [A]15,14 = p3,4; dan εuntuk input elemen lainnya. Sedangkan B adalah matrikspersegi berukuran 15 × 15 dengan input elemen - elemennyaadalah [B]1,11 = p3,1; [B]2,12 = p3,2; [B]3,13 = p3,3; [B]4,14 =p3,4; [B]5,15 = p3,5 dan ε untuk input elemen lainnya.

Persamaan (4.13) merupakan persamaan implisit dalamX. Jika dilakukan substitusi secara berulang pada ruas kananPersamaan (4.13), akan diperoleh

65

X(k) = A⊗ (A⊗X(k)⊕B ⊗X(k − 1))⊕B ⊗X(k − 1)

= A2X(k)⊕ABX(k − 1)⊕BX(k − 1)

setelah k substitusi diperoleh

X(k) = AkX(k)⊕ (Ak−1 ⊕Ak−2 ⊕ . . .⊕A⊕ E)BX(k − 1)

(4.14)

Gambar 4.3: Representasi graph dari matriks 3 job 5 mesin

Pada Persamaan (4.14), E menyatakan matriks identitas,bernilai e pada diagonal dan ε untuk yang lain. Ak

menunjukkan bobot dari lintasan dengan panjang k padagraph.

Dapat dilihat pada graph yang diberikan oleh Gambar(4.3), bahwa matriks A tidak mempunyai sirkuit. BerdasarkanTeorema (2.1.3), apabila graf G(A) tidak memuat satupunsirkuit maka nilai A⊗k = ε(n, n)∀k ≥ n. Sehingga Persamaan(4.14) menjadi

X(k) = ε(n, n)⊗X(k)⊕ (Ak−1 ⊕Ak−2 ⊕ . . .⊕A⊕ E)

⊗BX(k − 1)

X(k) = (Ak−1 ⊕Ak−2 ⊕ . . .⊕A⊕ E)⊗BX(k − 1)

X(k) = A∗BX(k − 1) (4.15)

66

dengan demikian, diperoleh model dinamik dalam x yaituX(k) = MX(k − 1) dengan M = A∗BContoh 4.1Misalkan terdapat 3 job, J1, J2, dan J3, dengan J1 merupakanpembuatan kusen, J2 merupakan pembuatan jendela, danJ3 merupakan pembuatan pintu. Ketiga job tersebut akandiproses pada 5 Mesin, M1,M2,M3,M4,M5, dengan M1

adalah mesin pemotong kayu, M2 adalah mesin penghaluskayu, M3 adalah mesin pemprofil kayu, M4 adalah mesinpembuat lubang, serta M5 merupakan perakitan. Jikadiberikan waktu pemrosesan masing - masing sebagai berikut:

Tabel 4.2: Contoh kasus waktu pemrosesan 3 job pada 5mesin

M1 M2 M3 M4 M5

J1 10 50 10 0 40

J2 10 15 5 5 25

J3 15 35 20 20 30

Dari Tabel 4.2 diatas, didapat matriks job untuk J1, J2,dan J3, yaitu :

M(J1) =

⎛⎜⎜⎜⎜⎝

10 60 70 70 110ε 50 60 60 100ε ε 10 10 50ε ε ε 0 40ε ε ε ε 40

⎞⎟⎟⎟⎟⎠

M(J2) =

⎛⎜⎜⎜⎜⎝

10 25 30 35 60ε 15 20 25 50ε ε 5 10 35ε ε ε 5 30ε ε ε ε 25

⎞⎟⎟⎟⎟⎠

67

M(J3) =

⎛⎜⎜⎜⎜⎝

15 50 70 90 120ε 35 55 75 105ε ε 20 40 70ε ε ε 20 50ε ε ε ε 30

⎞⎟⎟⎟⎟⎠

Kemudian diurutkan matriks job di atas denganmenggunakan algoritma branch dan bound seperti yangdijelaskan di atas.

1. Cabang node tingkat pertama, terdapat 3 cabang node{s1, s2, s3}

s1 = (ς(s1),Ωs1 , LB)

ς(s1) = {M(J1)}; Ωs1 = {M(J2),M(J3)};LB = 110

s2 = (ς(s2),Ωs2 , LB)

ς(s2) = {M(J2)}; Ωs2 = {M(J1),M(J3)};LB = 60

s3 = (ς(s3),Ωs3 , LB)

ς(s3) = {M(J3)}; Ωs3 = {M(J1),M(J2)};LB = 120

2. Urutan dari LB terkecil hingga terbesar, {s2, s1, s3}3. Dibangun kembali cabang node dari s2, yaitu s2,1 dan

s2,3

s2,1 = (ς(s2,1),Ωs2,1 , LB)

ς(s2,1) = {M(J2),M(J1)}; Ωs2,1 = {M(J3)};LB = 120

s2,3 = (ς(s2,3),Ωs2,3 , LB)

ς(s2,3) = {M(J2),M(J3)}; Ωs2,3 = {M(J1)};LB = 130

4. Urutan dari LB terkecil hingga terbesar,{s1, s3, s2, 1, s2, 3}

68

5. Dibangun kembali cabang node dari s1, yaitu s1,2 dans1,3

s1,2 = (ς(s1,2),Ωs1,2 , LB)

ς(s1,2) = {M(J1),M(J2)}; Ωs1,2 = {M(J3)};LB = 135

s1,3 = (ς(s1,3),Ω s1,3, LB)

ς(s1,3) = {M(J1),M(J3)}; Ωs1,3 = {M(J2)};LB = 140

6. Urutan dari LB terkecil hingga terbesar,{s3, s2,1, s2,3, s1,2, s1,3}

7. Dibangun kembali cabang node dari s3, yaitu s3,1 dans3,2

s3,1 = (ς(s3,1),Ωs3,1 , LB)

ς(s3,1) = {M(J3),M(J1)}; Ωs3,1 = {M(J2)};LB = 160

s3,2 = (ς(s3,2),Ωs3,2 , LB)

ς(s3,2) = {M(J3),M(J2)}; Ωs3,2 = {M(J3,2)};LB = 145

8. Urutan dari LB terkecil hingga terbesar,{s2,1, s2,3, s1,2, s1,3, s3,2, s3,1}

9. Dibangun kembali cabang node dari s2,1, yaitu s2,1,3

s2,1,3 = (ς(s2,1,3),Ωs2,1,3 , LB)

ς(s2,1,3) = {M(J2),M(J1),M(J3)}; Ωs3,2 = {}

Karena s2,1,3 merupakan akar node, maka hitung nilaibatas atas, yaitu 180

10. Kemudian buat cabang dari s2,3, yaitu s2,3,1Hitung batas atas kembali, batas atas dari s2,3,1 adalah170; karena 170 < 180 nilai batas atas diperbaruimenjadi 170

69

11. Buat kembali cabang node dari s1,2, yaitu s1,2,3. Hitungbatas atas, didapat nilainya 180, karena 180 > 170, nilaibatas atas masih tetap 170.

12. Dibangun kembali cabang node dari s1,3, yaitu s1,3,2.Hitung batas atas, didapat nilainya 190, karena 190 >170, nilai batas atas masih tetap 170.



15. Sehingga permutasi optimalnya adalah s2,3,1 denganmakespan 170 satuan waktu.

Setelah didapatkan urutan optimalnya, selanjutnya dibuatjadwal pemrosesannya dengan menggunakan Aljabar max-Plus. Dimana J ′1 = J2; J

′2 = J3 dan J ′3 = J1 dan xm,n(k)

adalah waktu mulainya proses J ′m pada Mn pada periode ke-k. Berdasarkan model dinamik, X(k) = AX(k)⊕BX(k − 1)dengan

70

A =

⎛⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎝

ε ε ε ε ε ε ε ε ε ε ε ε ε ε ε10 ε ε ε ε ε ε ε ε ε ε ε ε ε εε 15 ε ε ε ε ε ε ε ε ε ε ε ε εε ε 5 ε ε ε ε ε ε ε ε ε ε ε εε ε ε 5 ε ε ε ε ε ε ε ε ε ε ε10 ε ε ε ε ε ε ε ε ε ε ε ε ε εε 15 ε ε ε 15 ε ε ε ε ε ε ε ε εε ε 5 ε ε ε 35 ε ε ε ε ε ε ε εε ε ε 5 ε ε ε 20 ε ε ε ε ε ε εε ε ε ε 25 ε ε ε 20 ε ε ε ε ε εε ε ε ε ε 15 ε ε ε ε ε ε ε ε εε ε ε ε ε ε 35 ε ε ε 10 ε ε ε εε ε ε ε ε ε ε 20 ε ε ε 50 ε ε εε ε ε ε ε ε ε ε 20 ε ε ε 10 ε εε ε ε ε ε ε ε ε ε 30 ε ε ε 0 ε

⎞⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎠

dan matriks B adalah matriks persegi berukuran 15 × 15dengan input elemen - elemennya adalah [B]1,11 =10; [B]2,12 = 50; [B]3,13 = 10; [B]4,14 = 0; [B]5,15 = 40dan ε untuk input elemen lainnya.Selanjutnya dengan menggunakan scilab, didapat nilai dariA∗, yaitu

71

A∗ =⎛⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎝

0 ε ε ε ε ε ε ε ε ε ε ε ε ε ε10 0 ε ε ε ε ε ε ε ε ε ε ε ε ε25 15 0 ε ε ε ε ε ε ε ε ε ε ε ε30 20 5 0 ε ε ε ε ε ε ε ε ε ε ε35 25 10 5 0 ε ε ε ε ε ε ε ε ε ε10 ε ε ε ε 0 ε ε ε ε ε ε ε ε ε25 15 ε ε ε 15 0 ε ε ε ε ε ε ε ε60 50 5 ε ε 50 35 0 ε ε ε ε ε ε ε80 70 25 5 ε 70 55 20 0 ε ε ε ε ε ε100 90 45 30 25 90 75 40 20 0 ε ε ε ε ε25 ε ε ε ε 15 ε ε ε ε 0 ε ε ε ε60 50 ε ε ε 50 35 ε ε ε 10 0 ε ε ε110 100 25 ε ε 100 85 20 ε ε 60 50 0 ε ε120 110 45 25 ε 110 95 40 20 ε 70 60 10 0 ε130 120 75 60 55 120 105 70 50 30 70 60 10 0 0

⎞⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎠

maka diperoleh matriks transisi M = A∗B

M =

⎛⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎝

ε ε ε ε ε ε ε ε ε ε 10 ε ε ε εε ε ε ε ε ε ε ε ε ε 20 50 ε ε εε ε ε ε ε ε ε ε ε ε 35 65 10 ε εε ε ε ε ε ε ε ε ε ε 40 70 15 0 εε ε ε ε ε ε ε ε ε ε 45 75 20 5 40ε ε ε ε ε ε ε ε ε ε 20 ε ε ε εε ε ε ε ε ε ε ε ε ε 35 65 ε ε εε ε ε ε ε ε ε ε ε ε 70 100 15 ε εε ε ε ε ε ε ε ε ε ε 90 120 35 5 εε ε ε ε ε ε ε ε ε ε 110 140 55 30 65ε ε ε ε ε ε ε ε ε ε 35 ε ε ε εε ε ε ε ε ε ε ε ε ε 70 100 ε ε εε ε ε ε ε ε ε ε ε ε 120 150 35 ε εε ε ε ε ε ε ε ε ε ε 130 160 55 25 εε ε ε ε ε ε ε ε ε ε 140 170 85 60 95

⎞⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎠

72

Masih dengan menggunakan scilab, dicari nilai eigen danvektor eigen dari matriks transisi, ternyata, matriks transisiM tidak mempunyai nilai eigen yang tunggal. Selanjutnyadicari eigenmode tergeneralisasi dari matriks transisi M yangmerupakan perluasan nilai eigen dari matriks M denganmenggunakan algoritma 2.1.1 , didapat :

η =

⎛⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎝

351001001001003510010010010035100100100100

⎞⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎠

dan x =

⎛⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎝

010253070102560801002560110120130

⎞⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎠

Dapat dilihat bahwa waktu pemrosesan setiap job di mesin 1periodik setiap 35 menit sekali dan pemrosesan job di mesinlainnya periodik setiap 100 menit sekali. Kemudian didapatiterasi vektor keadaan X(k) yaitu :

73

X(0) =

⎛⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎝

010253070102560801002560110120130

⎞⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎠

;X(1) =

⎛⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎝

351101251301704512516018020060160210220230

⎞⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎠

;X(2) =

⎛⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎜⎝

702102252302708022526028030095260310320330

⎞⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎟⎠

(4.16)

Selanjutnya akan dibuat jadwal reguler dari waktumulainya pemrosesan 3 job pada 5 mesin. Jika dimisalkanwaktu awal pemrosesan job pertama pada mesin pertamaadalah pukul 07.00, berdasarkan Persamaan (4.15), makawaktu awal pemrosesan job pertama pada mesin kedua adalah10 menit kemudian, yaitu pada pukul 07.10. Dengan carayang sama akan disusun jadwal pemrosesan 3 job pada 5mesin dengan waktu seperti pada Contoh (4.1), yaitu sebagaiberikut:

74

Tabel 4.3: Jadwal Mulainya Pemrosesan Job pada Contoh4.1 Menggunakan (4.15) untuk 3 Siklus Produksi

M1 M2 M3 M4 M5

1 J ′1 07.00 07.10 07.25 07.30 08.10

J ′2 07.10 07.25 08.00 08.20 08.40

J ′3 07.25 08.00 08.50 - 09.10

2 J ′1 07.35 08.50 09.05 09.10 09.50

J ′2 07.45 09.05 09.40 10.00 10.20

J ′3 08.00 09.40 10.30 - 10.50

3 J ′1 08.10 10.30 10.45 10.50 11.30

J ′2 08.20 10.45 11.20 11.40 12.00

J ′3 08.35 11.20 12.10 - 12.30

Pada Tabel (4.2) terlihat bahwa sistem akan berulangsetiap 35 menit pada mesin 1 dan 100 menit padamesin lainnya dengan makespan 170. Berikut ini akanditampilkan gant chart dari jadwal yang telah disusun untukmempermudah visualisasi jadwal.

75

Gambar 4.4: Gant Chart jadwal produksi 3 job 5 mesin padaContoh 4.1

BAB VPENUTUP

Pada bab ini, diberikan kesimpulan yang diperoleh dariTugas Akhir serta saran untuk penelitian selanjutnya.

5.1 Kesimpulan

Berdasarkan analisis dan pembahasan yang telah disajikanpada Bab IV, dapat disimpulkan beberapa hal sebagai berikut:

a. Pada problem F5|prmu|Cmax, urutan job yangmempunyai makespan minimum dapat ditentukandengan menggunakan Algoritma Branch and Bound.Sedangkan besarnya makespan dari urutan job yangtelah diperoleh dapat dihitung dengan menggunakanpersamaan

C(σ) =(e ε ε ε ε

)⊗M(σ)

dengan completion time (waktu selesainya pemrosesanseluruh job satu kali proses) bergantung pada nilai darielemen pada baris ke - 1 dan kolom ke - 5 dari matrikspermutasi job.

b. Konstruksi model aliran produksi flowshop 3 job 5mesin, yaitu

X(k + 1) = A⊗X(k + 1)⊕B ⊗X(k)

sedangkan model dinamiknya adalah

X(k) = MX(k − 1)

77

78

dimana M merupakan matriks transisi yang selanjutnyadicari nilai eigen dan vektor eigennya, yang dalam studikasus di UKM Rizki Makmur tidak ditemukan nilaieigen yang tunggal, sehingga perlu dicari eigenmodetergeneralisasi untuk menentukan jadwal reguler darisistem penjadwalan yang diberikan.

5.2 Saran

Pada Tugas Akhir ini belum dibahas mengenaipenjadwalan flowshop n job pada m mesin secara umum.Oleh sebab itu, penulis menyarankan agar penelitian dapatdilanjutkan pada pembahasan tersebut.

DAFTAR PUSTAKA

[1] Subiono. (2015). Aljabar Min-Max Plus danTerapannya.Buku Ajar Kuliah Pilihan Pasca SarjanaMatematika, ITS, Surabaya.

[2] Murata, T. (1989).Petri Nets: Properties,Analysis and Applications. Proceeding of theIEEE, Vol. 77, No.4.

[3] Masruroh, Nisa.(2009). Analisa PenjadwalanProduksi dengan Menggunakan MetodeAmpbell Dudeck Smith, Palmer, danDannenbring di PT.Loka Refraktoris Surabaya.Skripsi S1, FTI-UPN Veteran, Jatim.

[4] Usadha, I Gusti Ngurah Rai. (2013). PemodelanPetri Nets pada Keandalan Sistem dan SistemProduksi. ITS, Surabaya.

[5] Shofianah, Nur. (2014).Using Max-Plus Algebra inthe Flow Shop Scheduling. Thesis Magister, ITS,Surabaya.

[6] Saidah, Nafiuna Hidayatus.(2010).ImplementasiAlgoritma Optimasi Bee Colony untukPenjadwalan Job Shop. Tugas Akhir S1, ITS,Surabaya.

[7] Bause, Falko. (2002).Stochastic Petri Nets, AnIntroduction to the Theory.Vieweg, Germany.

79

80

[8] Lely, Herlina.(2014).Penjadwalan Produk Painteddi PT. X dengan Algoritma Branch and Bounduntuk Meminimasi Mean Flow Time. Skripsi S1,Universitas Muhammadiyah Surakarta, Surakarta.

[9] Naftali, Tirza.(2007).Penjadwalan produksi flow-shop dengan metode algoritma tabu searchpada PT. X.Skripsi S1, Universitas Indoensia, Depok.

[10] Imamah, Nurul.(2011).Penerapan AlgoritmaModified Ant Colony pada PenjadwalanProduksi Baja.Tugas Akhir S1, Institut TeknologiSepuluh Nopember, Surabaya.

[11] J.-L. Bouquard. (2006).Application of anoptimization problem in Max-Plus algebrato scheduling problems.Science Direct,France.

LAMPIRAN ABiodata Penulis

Penulis bernama SusiYanuarsih, lahir di Cirebon, 04Januari 1994. Penulis merupakananak terakhir dari pasanganMundihab dan Atik Sartika.Penulis menempuh pendidikanformal dimulai dari SDN 122363Pematang Siantar (1999-2004),SDN 1 Bulak, Cirebon (2004-2005)SMP Negeri Arjawinangun (2005-2008), dan SMA Negeri 1 Cisarua(2008-2011). Setelah lulus dariSMA, pada tahun 2011 penulis

melanjutkan studi ke jenjang S1 di Jurusan Matematika ITSSurabaya melalui jalur SNMPTN tertulis dengan NRP 1211100 096. Di Jurusan Matematika, penulis mengambil BidangMinat Analisis dan Aljabar. Selain aktif kuliah, penulisjuga aktif berorganisasi di KM ITS melalui HIMATIKA ITSsebagai staf Depart. Sainstek (2012-2013), LDJ Ibnu MuqlahMatematika ITS sebagai ketua keputrian (2012-2013) dansekretaris departemen Kaderisasi (2013-2014), serta JMMIITS sebagai koordinator putri divisi Keilmuan DepartemenSyiar (2012-2013) dan Koordinator putri DepartemenKeilmuan (2014-2015) Disamping itu, sejak semester 5penulis dipercaya menjadi asisten dosen matakuliah kalkukusI dan kalulus II.

Informasi lebih lanjut mengenai Tugas Akhir ini dapatditujukan ke penulis melalui email: [email protected]

APLIKASI ALJABAR MAX-PLUS PADA PENJADWALAN …

Documents

Transcript of APLIKASI ALJABAR MAX-PLUS PADA PENJADWALAN …