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.