Industri manufaktur menggunakan alat produksi semi-otomatis untuk meminimasi
biaya operasional. Mesin tersebut membuat pekerjaan operator menjadi lebih ringan
karena hanya perlu terlibat dalam kegiatan setup dan unloading. Hal ini menyebabkan
operator lebih fleksibel, dapat berpindah dari mesin ke mesin untuk mengawasi
kegiatan permesinan secara bersamaan. Akibatnya, industri manufaktur mampu
menugaskan jumlah operator yang lebih sedikit daripada jumlah mesin yang ada.
Multi-task simultaneous supervision dual-resources constrained (MTSSDRC)
merupakan istilah penjadwalan yang mendeskripsikan keadaan lantai produksi tersebut.
Pada penelitian ini, MTSSDRC diimplementasikan di lingkungan mesin paralel
unrelated yang biasa disebut sebagai Unrelated Parallel Machine Scheduling Problem
(UPMSP). Artinya, waktu permesinan yang dilakukan oleh suatu mesin untuk
memproses pekerjaan tertentu adalah berbeda-beda tanpa ada korelasi tertentu antar
mesin dan pekerjaan. Penjadwalan MTSSDRC pada UPMSP merupakan penelitian
yang belum dilakukan sebelumnya.
Permasalahan penjadwalan MTSSDRC pada UPMSP dapat dimodelkan dengan mixed-
integer linear programming (MILP) untuk meminimasi makespan. Oleh karena itu,
penyelesaian model MILP dapat diuji dengan data input hipotetis. Masalah MTSSDRC
pada UPMSP termasuk dalam masalah NP-hard yang sulit diselesaikan secara analitik
karena kompleksitasnya. Maka dari itu, pencarian solusi dilakukan dengan
menggunakan metode metaheuristik. Pengujian dilakukan dengan mengelompokkan
ukuran sub-kasus (pekerjaan × mesin × operator) menjadi kasus kecil, sedang, dan
besar. Pengujian dilakukan menggunakan perangkat lunak Gurobi sebagai solver.
Gurobi mampu mendapatkan solusi optimal sampai kasus kecil (6 pekerjaan, 4 mesin,
dan 3 operator). Tetapi hal yang sama tidak dapat dilakukan pada kasus sedang (tidak
menghasilkan solusi optimal) dan kasus besar (tidak dapat menghasilkan solusi karena
‘out of memory’). Verifikasi dan validasi dilakukan dengan melihat gantt chart yang
dihasilkan dan membandingkan hasil uji model acuan dan model usulan.
Model MILP kemudian disesuaikan algoritmanya menggunakan Permutation-based
Genetic Algorithm (PGA). PGA ini dapat menghasilkan solusi optimal yang sama
seperti Gurobi dengan waktu konsisten semakin besar ukuran input indeks sub-kasus
(pekerjaan × mesin × operator). PGA dapat menghasilkan solusi yang lebih baik di
beberapa sub-kasus pada ukuran kasus sedang saat ukuran input indeks semakin besar
dengan waktu komputasi yang lebih efektif. Untuk kasus besar, PGA dapat
menghasilkan solusi sementara Gurobi tidak. Verifikasi dan validasi pada PGA dapat
dilakukan dengan memvisualisasikan solusi dengan gantt chart dan membandingkan
solusi yang dihasilkan dengan solusi Gurobi.
Penelitian ini membawa penjadwalan MTSSDRC lebih dekat dengan lebih dekat
dengan situasi nyata di banyak industri manufaktur yang memiliki lingkungan mesin
dan batasan yang sama.