Dalam permasalahan Assembliy Line Balancing Problem (ALBP) pada lintasan
perakitan, waktu siklus dan minimnya pilihan operator pada lintasan perakitan
menjadi suatu perhatian. Semakin kecil waktu siklus maka akan semakin cepat
proses pengiriman produk ke pelanggan. Saat ini telah dikembangkan model
matematis terkait minimasi waktu siklus dengan memanfaatkan Human-Robot
Collaboration disertai pertimbangan pemasangan jenis tools pada end-effector
cobot. Kelemahan dari model matematis atau analitik yaitu dalam hal waktu
komputasinya yang sangat lama. Waktu komputasi yang lama ini akan menghambat
proses rekonfigurasi lintasan perakitan.
Untuk mengatasi permasalahan waktu komputasi tersebut, maka dalam penelitian
ini dikembangkan suatu algoritma metaheuristik berupa Simulated Annealing (SA).
Algoritma SA yang dikembangkan, terdiri dari dua algoritma besar yaitu : algoritma
konstruksi untuk menghasilkan solusi awal, dan algoritma perbaikan SA yang
terdiri dari algoritma outer loop yang merupakan prosedur umum algortima SA dan
algoritma inner loop sebagai pembangkit dari solusi baru. Prosedur inner loop
terdiri dari tiga prosedur yaitu pemindahan tugas, penukaran tugas dan penukaran
sumber daya. Kontribusi lain yang dikembangkan yaitu penambahan parameter beta
(?) sebagai parameter untuk membatasi ruang solusi berupa upper bound cycle time.
Penelitian ini menggunakan design of experiment (DOE) berupa full factorial
design untuk mengetahui parameter Simulated Annealing yang signifikan
memengaruhi waktu siklus. Dilakukan juga penyetalan parameter ? sehingga akan
didapatkan kombinasi parameter terbaik yang akan digunakan dalam pengujian
algoritma SA.
Dari perancangan eksperimen yang telah dilakukan, teradapat dua parameter SA
yang signifikan memengaruhi waktu siklus. Kedua parameter tersebut yaitu jumlah
penurunan suhu (M) dan jumlah iterasi disetiap suhu (N). Penyetelan parameter ?
akan optimal ketika ? = 0,7 untuk data kecil dan ? = 0,9 untuk data besar
Berdasarkan pengujian algoritma SA yang telah dikembangkan ini, didapatkan
hasil berupa : perbaikan solusi baru sebesar 11,38% dari solusi awal, selisih gap
waktu siklus antara metode analitik dan algoritma SA hanya sebesar 1,67%, serta
penurunan waktu komputasi yang sangat signifikan antara metode analitik dan
algoritma SA yaitu sebesar 88,78%. Melihat presentase hasil dari algortima SA,
terbukti bahwa algoritma SA yang dikembangkan menghasilkan kualitas solusi
yang mendekati optimal dan kecepatan waktu komputasi yang lebih baik dari
metode analitik.