i Pengembangan Model Penjadwalan dan Algoritma Permutation- based Genetic Algorithm pada MTSSDRC dengan Unrelated Machine Parallel untuk Minimasi Makespan TESIS Karya tulis sebagai salah satu syarat untuk memperoleh gelar Magister dari Institut Teknologi Bandung Oleh M. AKBAR RUGOVA KRISNA P. NIM: 23422050 (Program Studi Magister Teknik dan Manajemen Industri) INSTITUT TEKNOLOGI BANDUNG Juli 2024 ii ABSTRAK Pengembangan Model Penjadwalan dan Algoritma Permutation- based Genetic Algorithm pada MTSSDRC dengan Unrelated Machine Parallel untuk Minimasi Makespan Oleh: M. Akbar Rugova Krisna P. NIM: 23422050 (Program Studi Magister Teknik dan Manajemen Industri) Industri manufaktur menggunakan alat produksi semi-otomatis untuk meminimasi biaya operasional. Mesin tersebut membuat pekerjaan operator menjadi lebih ringan karena hanya perlu terlibat dalam kegiatan setup dan unloading. Hal ini menyebabkan operator lebih fleksibel, dapat berpindah dari mesin ke mesin untuk mengawasi kegiatan permesinan secara bersamaan. Akibatnya, industri manufaktur mampu menugaskan jumlah operator yang lebih sedikit daripada jumlah mesin yang ada. Multi-task simultaneous supervision dual-resources constrained (MTSSDRC) merupakan istilah penjadwalan yang mendeskripsikan keadaan lantai produksi tersebut. Pada penelitian ini, MTSSDRC diimplementasikan di lingkungan mesin paralel unrelated yang biasa disebut sebagai Unrelated Parallel Machine Scheduling Problem (UPMSP). Artinya, waktu permesinan yang dilakukan oleh suatu mesin untuk memproses pekerjaan tertentu adalah berbeda-beda tanpa ada korelasi tertentu antar mesin dan pekerjaan. Penjadwalan MTSSDRC pada UPMSP merupakan penelitian yang belum dilakukan sebelumnya. Permasalahan penjadwalan MTSSDRC pada UPMSP dapat dimodelkan dengan mixed- integer linear programming (MILP) untuk meminimasi makespan. Oleh karena itu, penyelesaian model MILP dapat diuji dengan data input hipotetis. Masalah MTSSDRC pada UPMSP termasuk dalam masalah NP-hard yang sulit diselesaikan secara analitik karena kompleksitasnya. Maka dari itu, pencarian solusi dilakukan dengan menggunakan metode metaheuristik. Pengujian dilakukan dengan mengelompokkan ukuran sub-kasus (pekerjaan × mesin × operator) menjadi kasus kecil, sedang, dan besar. Pengujian dilakukan menggunakan perangkat lunak Gurobi sebagai solver. Gurobi mampu mendapatkan solusi optimal sampai kasus kecil (6 pekerjaan, 4 mesin, dan 3 operator). Tetapi hal yang sama tidak dapat dilakukan pada kasus sedang (tidak menghasilkan solusi optimal) dan kasus besar (tidak dapat menghasilkan solusi karena iii ‘out of memory’).