Perpustakaan Digital ITB

Penjadwalan produksi color-coated coil (CCL) merupakan kegiatan penentuan urutan pesanan berdasarkan karakteristik warna, tebal, dan lebar coil, dengan tujuan meminimalkan jumlah coil transisi, waktu persiapan, dan selisih ketebalan antarpesanan berurutan. Penelitian ini mengembangkan model offline-online yang menggabungkan Mixed Integer Programming (MIP) dan model kecerdasan buatan Pointer Network berbasis Long Short-Term Memory (LSTM). Model MIP diselesaikan menggunakan perangkat lunak Gurobi sebagai pembangkit solusi pada fase offline, kemudian model kecerdasan buatan dilatih untuk menghasilkan prediksi urutan secara real-time pada fase online. Karakteristik penjadwalan CCL yang ditentukan oleh perubahan yang terjadi antarpasangan berurutan memodifikasi mekanisme attention pada arsitektur pointer network yang diusulkan dengan mengintegrasikan relationship matrix, yang merepresentasikan hubungan relasi antarpasangan pesanan, serta mekanisme masking untuk menjamin kelayakan solusi terhadap kendala lebar menurun dan pemilihan pesanan tepat satu kali. Model dilatih menggunakan 30.000 skenario yang dibangkitkan dengan teknik Latin Hypercube Sampling (LHS) pada rentang 10 hingga 25 pesanan. Tahap pre-processing dilakukan untuk mengubah nilai kategorial seperti warna menjadi nilai numerik melalui encoding serta dilakukan normalisasi data untuk menghindari dominasi nilai. Proporsi pembagian data pelatihan, data validasi, dan data testing berturut-turut sebesar 70%, 20%, dan 10% untuk menjamin keterulangan model. Model pointer network dilatih selama 529 menit, menghasilkan akurasi sebesar 65%, exact match sebesar 28%, dan rata-rata error Key Performance Indicator (KPI) hingga 4% dibandingkan dengan model MIP pada data testing. Uji Wilcoxon Signed-Rank Test mengonfirmasi bahwa terdapat perbedaan signifikan secara statistik antara KPI model prediksi dan model MIP, namun kekuatan perbedaan tergolong kecil hingga sedang. Analisis sensitivitas menunjukkan bahwa model prediksi lebih sensitif terhadap faktor kategorial seperti jumlah pesanan, tebal, lebar, dan warna pada satu skenario, dibandingkan dengan parameter mesin kontinu, dengan keterbatasan performa yang signifikan pada permasalahan dengan 30 pesanan di luar rentang pelatihan. Validasi terhadap jadwal produksi aktual dengan 24 pesanan membuktikan bahwa baik model matematis maupun pointer network secara konsisten menghasilkan solusi yang layak yang memenuhi kendala serta KPI yang lebih baik dibandingkan dengan jadwal yang disusun secara manual oleh planner, dengan waktu komputasi pointer network yang jauh lebih cepat dibandingkan dengan model MIP. Penelitian ini berkontribusi pada pengembangan sistem pendukung keputusan yang dapat diandalkan untuk penjadwalan produksi CCL secara real-time, sekaligus mengidentifikasi batas keandalan model sebagai panduan praktis bagi pengguna sistem seperti planner, sales, dan manajer produksi.