Perbandingan Hybrid Particle Swarm Optimization-Local Search dan Particle Swarm Optimization-Simulated Annealing dalam Penjadwalan Produksi yang Menitikberatkan pada Penghematan Energi

Ariesta, Cynthia Regina (2024) Perbandingan Hybrid Particle Swarm Optimization-Local Search dan Particle Swarm Optimization-Simulated Annealing dalam Penjadwalan Produksi yang Menitikberatkan pada Penghematan Energi. Other thesis, Institut teknologi Sepuluh Nopember.

Text 5002201118-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (3MB) | Request a copy

Abstract

Penjadwalan produksi yang efektif merupakan aspek kritikal, dimana optimalisasi proses penjadwalan dapat membawa dampak signifikan terhadap pengurangan konsumsi sumber daya. Studi sebelumnya telah menggunakan metode Particle Swarm Optimization-Local Search (PSO-LS) untuk penjadwalan produksi. Namun, penelitian tersebut masih menemukan adanya beberapa kekurangan, salah satunya adalah belum adanya penerapan Particle Swarm Optimization-Simulated Annealing (PSO-SA) dalam penjadwalan produksi yang berfokus pada efisiensi energi. Tugas Akhir ini menggunakan metode PSO, PSO-LS, dan PSO-SA dalam penjadwalan produksi single machine. Efektivitas dari tiap metode terlihat berdasarkan nilai Total Weighted Tardiness (TWT) dan jumlah energi. Hasil dari Tugas Akhir ini menunjukkan bahwa metode PSO, ketika digunakan secara sendirian, menghasilkan performa yang lebih buruk dibandingkan dengan varian hibridanya. Di antara dua metode hibrida yang dibandingkan, PSO-LS terbukti lebih unggul. Keunggulan tersebut terlihat dari nilai TWT yang lebih rendah yaitu 184.758 dan konsumsi energi yang lebih efisien yaitu 64382.38 kWh. Sedangkan hasil menggunakan metode PSO-SA menghasilkan nilai TWT yang lebih tinggi yaitu 185.048 dan konsumsi energi yang lebih banyak yaitu 64383.04 kWh. Keunggulan varian hibrida PSO dengan LS terjadi karena metode LS berfokus pada peningkatan iteratif terhadap solusi sehingga memungkinkan penemuan solusi yang lebih optimal. Berbeda dengan SA yang membutuhkan parameter pendinginan yang sulit untuk dituning sehingga menghasilkan konvergensi yang lebih lambat dan tidak stabil. Berdasarkan hasil perhitungan dan komputasi yang telah dilakukan, ditemukan bahwa metode PSO-LS dapat secara signifikan membantu dalam meningkatkan efisiensi penjadwalan produksi.
============================================================
Effective production scheduling is a critical aspect, where optimizing the scheduling process can have a significant impact on reducing resource consumption. Previous studies have used the Particle Swarm Optimization-Local Search (PSO-LS) method for production scheduling. However, the study still found some shortcomings, one of which is the absence of the application of PSO-Simulated Annealing (PSO-SA) in production scheduling that focuses on energy efficiency. This Final Project uses PSO, PSO-LS, and PSO-SA methods in production scheduling. The effectiveness of each method is seen based on the value of Total Weighted Tardiness (TWT) and the amount of energy. The results of this thesis show that the PSO method, when used alone, performs worse than its hybrid variant. Among the two hybrid methods compared, PSO-LS proved to be superior. The superiority can be seen from the lower TWT value of 184.758 and the more efficient energy consumption of 64382.38 kWh. While the results using the PSO-SA method resulted in a higher TWT value of 185.048 and more energy consumption of 64383.04 kWh. The superiority of the hybrid variant of PSO with LS occurs because the LS method focuses on iterative improvement of the solution thus enabling the discovery of a more optimal solution. In contrast to SA which requires cooling parameters that are difficult to tune, resulting in slower and unstable convergence. Based on the calculation and computation results, it is found that the PSO-LS method can significantly help in improving the efficiency of production scheduling.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Penjadwalan Produksi Hemat Energi, Particle Swarm Optimization, Local Search, Simulated Annealing, Single Machine. ============================================================ Energy Saving Production Scheduling, Particle Swarm Optimization, Local Search, Simulated Annealing, Single Machine.
Subjects:	Q Science > QA Mathematics Q Science > QA Mathematics > QA401 Mathematical models. Q Science > QA Mathematics > QA402.6 Transportation problems (Programming)
Divisions:	Faculty of Mathematics, Computation, and Data Science > Mathematics > 44201-(S1) Undergraduate Thesis
Depositing User:	Cynthia Regina Ariesta
Date Deposited:	05 Aug 2024 04:34
Last Modified:	05 Aug 2024 04:34
URI:	http://repository.its.ac.id/id/eprint/111780

Actions (login required)

View Item