Perpustakaan Digital ITB

Kondisi lintasan perakitan dituntut semakin fleksibel terhadap perubahan dengan semakin pendeknya umur hidup produk. Robot kolaboratif atau cobot merupakan robot yang dirancang agar dapat berinteraksi secara langsung dengan manusia dalam lingkungan produksi. Cobot memiliki fleksibilitas melakukan berbagai tugas dengan melakukan pertukaran end-effector (grip) sehingga waktu setup berpengaruh dalam penentuan solusi rancangan lintas perakitan. Penelitian ini bertujuan mengembangkan algoritma genetika untuk meminimalkan waktu siklus sebagai alternatif penyelesaian permasalahan lintas perakitan kolaborasi manusia robot dengan mempertimbangkan waktu setup. Dengan menggunakan data sekunder dari beberapa referensi dengan berbagai ukuran data dan variasi precedence. Algoritma genetika dikembangkan dengan terbagi menjadi dua proses utama yaitu proses pembangkitan solusi awal dan proses perbaikan solusi. Tahap pembangkitan solusi awal dilakukan dengan mengusulkan prosedur khusus. Prosedur khusus dilakukan dengan menentukan urutan tugas yang tidak melanggar batasan precedence, menentukan sumber daya dengan waktu layak secara acak, dan menempatkan pada stasiun yang tidak melanggar upper bound cycle time yang telah ditentukan. Prosedur seleksi turnamen digunakan pada penelitian ini. Metode pindah silang yang digunakan adalah one-point dan partially mapped crossover. Mutasi yang diusulkan menggunakan swap dan scramble mutation digunakan untuk permasalahan ALBP-HRC. Penentuan parameter dilakukan dengan design of experiment (DOE) menggunakan full factorial design untuk mengidentifikasi nilai yang tepat dari parameter yang digunakan pada algoritma genetika. Terdapat pengembangan parameter batas atas waktu siklus (?) yang ditambahkan pada penelitian ini dan berkontribusi terhadap efisiensi algoritma sebesar 39%. Hasil komputasi pengembangan algoritma genetika pada kasus penelitian ini menggunakan data sekunder menunjukkan bahwa algoritma yang dikembangkan mampu mencapai solusi yang sesuai metode analitik dengan jumlah tugas mencapai 35 dan menghasilkan solusi yang kebih baik pada data dengan jumlah tugas lebih dari 35. Algoritma genetika mampu menghasilkan solusi optimal pada data sekunder dengan selisih rata-rata sebesar 2,13% dan memiliki waktu komputasi yang lebih cepat dengan selisih rata-rata 64,66%. Pengembangan algoritma genetika mampu memperoleh solusi yang baik dengan waktu komputasi yang cepat sehingga membantu meningkatkan efisiensi dan efektivitas dalam pengambilan keputusan terkait dengan permasalahan lintas perakitan.