PENYELESAIAN PENJADWALAN FLOWSHOP DENGAN ALGORITMA CROSS ENTROPY-GENETIC ALGORITHM DAN ALGORITMA DIFFERENTIAL EVOLUTION PLUS

Abstract

Pada penelitian ini digunakan data simulasi yang diperoleh dari website OR-Library. Data tersebut merupakan data flowshop yang diformulasi oleh J. Carlier (1978) dan C. R. Reeves (1995) yang terdiri dari 7 data. Penjadwalan flowshop pada 7 data simulasi tersebut menggunakan algoritma Cross Entropy- Genetic Algorithm (CEGA) dan algoritma Differential Evolution Plus (DE Plus). Setelah dilakukan penjadwalan pada 7 data flowshop, dapat diketahui makespan minimum, tingkat konvergensi, dan running time dari dua algoritma tersebut. Penerapan algoritma CEGA dan algoritma DE Plus pada 7 data flowshop memberikan hasil bahwa 4 dari 7 data flowshop yang telah diselesaikan, nilai makespan minimum yang dihasilkan kedua algoritma tersebut sama. Sedangkan untuk 3 data yang lain, nilai makespan minimum yang dihasilkan algoritma CEGA dan algoritma DE Plus berbeda. Selain itu pada data car6 (8 Job, 9 Mesin), car7 (7 Job, 7 Mesin), car8 (8 Job, 8 Mesin), rata-rata makespan yang dihasilkan algoritma CEGA dan DE Plus sama. Sehingga dapat dikatakan bahwa pada data car6 (8 Job, 9 Mesin), car7 (7 Job, 7 Mesin), car8 (8 Job, 8 Mesin) algoritma CEGA dan algoritma DE Plus sama-sama baik. Sedangkan pada data reC07 (20 Job, 10 Mesin), reC13 (20 Job, 15 Mesin), reC19 (30 Job, 10 Mesin), dan reC27 (30 Job, 15 Mesin) rata-rata makespan yang dihasilkan algoritma DE Plus lebih kecil dibandingkan algoritma CEGA. Sehingga dapat dikatakan bahwa pada data reC07 (20 Job, 10 Mesin), reC13 (20 Job, 15 Mesin), reC19 (30 Job, 10 Mesin), dan reC27 (30 Job, 15 Mesin) algoritma DE Plus lebih baik dibandingkan algoritma CEGA. Pada penelitian tingkat konvergensi algoritma CEGA dan algoritma DE Plus, diperoleh hasil bahwa pada kasus data car6 (8 Job, 9 Mesin), car7 (7 Job, 7 Mesin), car8 (8 Job, 8 Mesin) algoritma DE Plus lebih cepat konvergen dibandingkan algoritma CEGA. Sedangkan pada kasus data reC07 (20 Job, 10 Mesin), reC13 (20 Job, 15 Mesin), reC19 (30 Job, 10 Mesin), algoritma CEGA lebih cepat konvergen dibandingkan algoritma DE Plus. Selain itu, running time yang dihasilkan algoritma CEGA untuk menyelesaikan seluruh data lebih cepat dibandingkan algoritma DE Plus.