Bab ini membahas penerapan algoritma pencarian solusi dan analisis hasil penelitian. Data pekerjaan (job) dikumpulkan, termasuk due date dan waktu pengerjaan pada setiap mesin, dengan mempertimbangkan tingkat kesulitan dan jumlah pesanan. Waktu standar pengerjaan setiap proses dikalikan dengan kuantitas pesanan untuk menghitung kebutuhan jam kerja. Data downtime, biaya preventive maintenance (CPM), biaya corrective maintenance (CCM), mean time to failure (MTTF), mean time to repair (MTTR), dan waktu preventive maintenance (TP) juga dikumpulkan sebagai input model matematis. Data biaya produksi dan biaya keterlambatan juga digunakan sebagai input, di mana biaya produksi didasarkan pada biaya tenaga kerja per mesin. Algoritma genetika digunakan untuk mencari susunan job optimal yang meminimalkan total biaya produksi. Hasil dari setiap iterasi algoritma ditampilkan, menunjukkan kemampuan algoritma dalam menghasilkan solusi optimal. Percobaan dilakukan dengan jumlah iterasi yang berbeda (100, 200, 300, 400, dan 500) untuk menilai performa algoritma, menunjukkan bahwa 200 iterasi menghasilkan nilai optimal yang memadai dengan titik optimal ditemukan pada iterasi ke-35. Analisis sensitivitas dilakukan pada parameter reliability threshold, menunjukkan bahwa perubahan nilai parameter ini mempengaruhi total biaya produksi, waktu penyelesaian job, dan interval preventive maintenance. Semakin rendah nilai reliability threshold, biaya maintenance semakin rendah, tetapi biaya keterlambatan semakin tinggi. Nilai reliability threshold 65 menghasilkan total biaya produksi terendah. Waktu penyelesaian job fluktuatif karena kriteria performansi utama adalah meminimalkan total biaya produksi. Semakin tinggi nilai reliability threshold, interval preventive maintenance semakin pendek. Algoritma yang dirancang diuji pada kasus dengan 50 job untuk mengevaluasi performanya pada masalah skala besar. Hasilnya menunjukkan bahwa algoritma mampu menghasilkan solusi optimal dalam waktu komputasi 93,75 detik pada komputer dengan spesifikasi tertentu. Penelitian menyimpulkan bahwa algoritma efektif untuk menyelesaikan masalah penjadwalan produksi.