ABSTRAK Firda Setiyadin Putri
PUBLIC Dewi Supryati COVER Firda Setiyadin Putri
PUBLIC Dewi Supryati BAB 1 Firda Setiyadin Putri
PUBLIC Dewi Supryati BAB 2 Firda Setiyadin Putri
PUBLIC Dewi Supryati BAB 3 Firda Setiyadin Putri
PUBLIC Dewi Supryati BAB 4 Firda Setiyadin Putri
PUBLIC Dewi Supryati BAB 5 Firda Setiyadin Putri
PUBLIC Dewi Supryati BAB 6 Firda Setiyadin Putri
PUBLIC Dewi Supryati PUSTAKA Firda Setiyadin Putri
PUBLIC Dewi Supryati
Penelitian ini bertujuan untuk mengembangkan algoritma metaheuristik Ant Colony
Optimization (ACO) sebagai alternatif penyelesaian permasalahan lintasan
perakitan kolaborasi manusia-robot atau Assembly Line Balancing Problem Human
Robot Collaboration (ALBP-HRC) dengan memperhatikan waktu setup. Fungsi
tujuan dari algoritma yang dikembangkan adalah meminimalkan waktu siklus.
Data yang digunakan adalah data sekunder yang diperoleh dari empat penelitian
sebelumnya dengan berbagai ukuran data dan variasi precedence. Pengembangan
algoritma ACO dibagi menjadi tiga tahapan. Tahap pertama adalah modifikasi
prosedur ACO standar menjadi spesifik untuk ALBP-HRC dan menambahkan
pengembangan agar pencarian solusi lebih efisien. Setelah itu, dilakukan simulasi
dengan contoh permasalahan kecil untuk memastikan alur prosedur telah logis dan
menghasilkan solusi layak, konvergen, dengan efisien. Tahap terakhir adalah
pengembangan kode program sesuai dengan alur prosedur yang telah divalidasi.
Hasil komputasi menggunakan data sekunder menunjukkan bahwa algoritma yang
dikembangkan mampu mencapai solusi optimal pada data dengan jumlah tugas ?
25 dan mendekati optimal pada data dengan jumlah tugas > 25 dengan waktu yang
jauh lebih cepat dibandingkan metode analitik. Di samping itu, terdapat parameter
batas atas waktu siklus (?) yang ditambahkan pada penelitian ini yang secara
empiris berkontribusi terhadap efisiensi algoritma sebesar 52% lebih cepat.
Penelitian ini memberikan kontribusi terhadap perkembangan penelitian mengenai
permasalahan ALBP-HRC melalui penggunaan algoritma ACO dengan
mempertimbangkan waktu setup dan penambahan parameter untuk meningkatkan
efektivitas algoritma. Secara performansi, algoritma ACO menghasilkan rata-rata
perbedaan dengan solusi optimal sebesar 0,67% dan rata-rata penurunan waktu
komputasi sebesar 61,75%. Penelitian ini diharapkan dapat berkontribusi terhadap
pengambilan kebijakan di lintas perakitan sehingga lebih efektif dan efisien.