Optimasi Algoritma Genetika Dalam Menyelesaikan Permasalahan Multi-Site Multi-Product Aggregate Production Planning

Aggregate Production Planning (APP) berkaitan dengan perencanaan alokasi sumber daya produksi dari sebuah perusahaan dalam memenuhi permintaan pasar. Tujuan dari APP adalah untuk meminimalkan jumlah biaya produksi. Hal ini dilakukan dengan cara menentukan level produksi, inventory dan tenaga kerja yang bertujuan untuk meminimalkan tingkat perubahan jumlah produksi dan tingkat perubahan jumlah tenaga kerja sehingga didapatkan jumlah biaya produksi yang kecil selama periode produksi. Pada penelitian ini digunakan Algoritma Genetika dalam menyusun Aggregate Production Planning, dimana permasalahan Aggregate Production Planning pada penelitian ini memiliki beberapa constraint (multi-constraint), yaitu constraint kapasitas, tenaga kerja, serta inventory dalam mencapai beberapa tujuan (multi-objective), dalam hal ini adalah meminimalisir tingkat perubahan jumlah tenaga kerja serta perubahan level produksi. Algoritma Genetika yang digunakan akan dioptimasi untuk dapat meningkatkan performa dalam menyelesaikan permasalahan pada penelitian ini. Optimasi dilakukan dengan cara menggabungkan dua metode seleksi yaitu: Seleksi Roda Roulette dan Seleksi Rangking. Penggabungan dua metode seleksi ini ditujukan untuk mendapatkan sebuah metode seleksi yang memiliki keunggulan dari segi ekplorasi maupun ekploitasi. Selain itu juga diterapkan prinsip mitochondrial DNA (mtDNA) yang dapat menghindarkan terjadinya crossover antara individu yang memiliki kesamaan yang dapat meningkatkan keragaman dari populasi dan dapat mencegah terjadinya konvergensi dini. Hasil penelitian menunjukkan bahwa optimasi Algoritma Genetika yang dilakukan dapat menghasilkan nilai fitness yang lebih baik jika dibandingkan dengan Algoritma dengan metode seleksi Roda Roulette maupun seleksi Rangking. Pada percobaan dengan menggunakan Algoritma Genetika yang dioptimasi sebelum melalui proses mutasi, nilai fitness maksimal maupun fitness rata-rata terbaik didapatkan dengan pada crossover rate sebesar 0.7. Sedangkan untuk percobaan dengan menggunakan proses mutasi terbaik pada nilai crossover rate optimal yaitu 0.7, didapatkan nilai fitness maksimal maupun fitness ratarata terbaik pada mutation rate sebesar 0.2. Maka dari hasil percobaan yang telah dilakukan, dapat diambil kesimpulan bahwa Algoritma Genetika yang sudah mampu menunjukkan hasil fitness terbaik dengan menggunakan kombinasi crossover rate dan mutation rate masing-masing sebesar 0.7 dan 0.2