Perancangan tata letak lantai produksi menggunakan Algoritma Simulated Annealing (SA) dan Genetic Algorithm (GA) pada PT. Rekadaya Multi Adiprima

DETAIL KOLEKSI

Perancangan tata letak lantai produksi menggunakan Algoritma Simulated Annealing (SA) dan Genetic Algorithm (GA) pada PT. Rekadaya Multi Adiprima

Oleh : Nadia Khodijah Fudlah

Info Katalog

Penerbit : FTI - Usakti

Kota Terbit : Jakarta

Tahun Terbit : 2020

Pembimbing 1 : Didien Suhardini

Subyek : Automated layout design;Production floor;Genetic algorithms

Kata Kunci : layout, algoritma meta-heuristic, simulated annealing (sa), genetic algorithm (ga), material handlin

Status Posting : Published

Status : Lengkap

File Repositori

No.	Nama File	Hal.
1.	2020_TA_STI_063001600139_Halaman-Judul.pdf	13
2.	2020_TA_STI_063001600139_Lembar-Pengesahan.pdf
3.	2020_TA_STI_063001600139_Bab-1_Pendahuluan.pdf	5
4.	2020_TA_STI_063001600139_Bab-2_Tinjauan-Pustaka.pdf
5.	2020_TA_STI_063001600139_Bab-3_Metodologi-Penelitian.pdf
6.	2020_TA_STI_063001600139_Bab-4_Pembahasan.pdf
7.	2020_TA_STI_063001600139_Bab-5_-Kesimpulan-dan-Saran.pdf
8.	2020_TA_STI_063001600139_Daftar-Pustaka.pdf	1
9.	2020_TA_STI_063001600139_Lampiran.pdf

Abstrak
Abstract

P PT. Rekadaya Multi Adiprima adalah salah satu perusahaan lokal di Indonesia sejak 1994 yang memproduksi komponen otomotif. PT. Rekadaya Multi Adiprima memiliki berbagai macam divisi komponen otomotif seperti felt, metal, door trim assy, non assy, interior, service hole. Permasalahan yang dialami oleh PT Rekadaya Multi Adiprima dalam divisi metal ialah biaya material handling yang besar disebabkan oleh perpindahan material yang jauh antar operasi. Penelitian ini bertujuan untuk melakukan perbaikan tata letak dan pengaturan dari fasilitas produksi untuk PT. Rekadaya Multi Adiprima menggunakan Algoritma Meta-Heuristic yaitu algoritma Simulated Annealing (SA) dan Genetic Algorithm (GA). Kedua algoritma tersebut pada permasalahan tata letak bertujuan untuk meminimalkan jarak perpindahan material handling. Input dari penelitian ini adalah Operation Process Chart (OPC), kapasitas produksi, jenis produk, jumlah dan jenis mesin, jarak, frekuensi, ongkos material handling/meter, dan urutan mesin. Output pada penelitian ini adalah tata letak lantai produksi dengan total biaya Material Handling Evaluation Sheet (MHES) yang paling optimal. Pada perancangan tata letak dengan Simulated Annealing (SA) dibutuhkan faktor penurunan temperatur secara konstan dengan melakukan pertukaran mesin dengan mempertimbangkan jarak perpindahan dan hubungan kedekatan antar kelompok mesin sehingga dapat menurunkan biaya perpindahan dengan hasil MHES sebesar Rp 99,753,904.63 per bulan. Genetic Algorithm adalah penyusunan urutan mesin dengan menyilangkan mesin sehingga mendapatkan generasi terbaik yang menghasilkan biaya material handling terkecil dengan mempertimbangkan jarak dan ongkos material handling/meter. Hasil dari Genetic Algorithm dari tata letak awal didapatkan urutan mesin 13-8-10-6-3-7-11-1-12-4-5-9-2 dengan MHES sebesar Rp 103,066,756.66 per bulan. Hasil MHES tata letak Genetic Algorithm (GA) perbaikan dari tata letak Simulated Annealing (SA) sebesar Rp 83,304,888.21 dengan urutan mesin 12-5-4-9-11-13-1-10-2-3-6-8-7 yang menjadi tata letak terpilih. Urutan mesin dilihat dari penempatan mesin pada layout yang diarahkan dari gudang bahan baku hingga gudang barang jadi, dengan susunan zig-zag atau terbentuk huruf Z disesuaikan dengan bentuk bangunan.

P PT. Rekadaya Multi Adiprima is a local company in Indonesia since 1994 which produces automotive components. PT. Rekadaya Multi Adiprima has various automotive component divisions such as felt, metal, door trim assy, non assy, interior, service hole. The problem experienced by PT Rekadaya Multi Adiprima in the metal division is the large material handling costs caused by the long transfer of material between operations. This study aims to improve the layout and arrangement of production facilities for PT. Rekadaya Multi Adiprima uses a Meta-Heuristic Algorithm, namely Simulated Annealing (SA) and Genetic Algorithm (GA) algorithms. The two algorithms in the layout problem aim to minimize the material handling displacement distance. The input of this research is the Operation Process Chart (OPC), production capacity, product type, number and type of engine, distance, frequency, material handling costs / meter, and machine sequence. The output in this study is the layout of the production floor with the most optimal total cost of Material Handling Evaluation Sheet (MHES). In the layout design with Simulated Annealing (SA), it requires a constant temperature reduction factor by making engine exchanges by considering the displacement distance and the proximity relationship between engine groups so that it can reduce displacement costs with MHES results of Rp. 99,753,904.63 per month. Genetic Algorithm is the arrangement of machine sequences by crossing machines so as to get the best generation that results in the smallest material handling costs by considering distance and material handling costs / meter. The results of the Genetic Algorithm from the initial layout obtained a sequence of machines 13-8-10-6-3-7-11-1-12-4-5-9-2 with MHES of Rp. 103,066,756.66 per month. Results of MHES layout Genetic Algorithm (GA) improved Simulated Annealing (SA) layout of Rp. 83,304,888.21 with machine sequence 12-5-4-9-11-13-1-10-2-3-6-8-7 which be the selected layout. The order of the machines is seen from the placement of the machines in the layout directed from the raw material warehouse to the finished goods warehouse, with a zigzag arrangement or the letter Z is formed according to the shape of the building.