Optimasi Preemptive Penjadwalan Mesin Tunggal dengan Hybrid Advanced Tabu Search untuk Meminimalkan Total Waktu Aliran Tertimbang

Permasalahan single machine scheduling (SMS) penting untuk production scheduling (PS). Produksi diharapkan dapat semakin meningkatkan kualitas produk dengan waktu produksi tetap. Preventive maintenance (PM) sering kali diabaikan yang menyebabkan produksi terhambat karena mesin tidak tersedia. PS melibatkan tugas untuk mesin berkaitan dengan PM untuk mempertahankan sistem dalam kondisi layak beroperasi. Mesin sangat memengaruhi kualitas sistem manufaktur jika terdapat kerusakan yang tidak ditangani dengan efektif dan efisien. Pengambilan keputusan yang baik mengenai penjadwalan mesin dapat menghasilkan pengurangan biaya produksi dan pemeliharaan. Metrik kinerja relevan dalam sistem perencanaan produksi manufaktur dinamis dunia nyata yaitu total flow time untuk menyeimbangkan sumber daya dan pekerjaan. Mesin pabrik memiliki batasan terhadap proses pekerjaan yang dapat hentikan hingga proses pekerjaan lain yang dimulai atau dilanjutkan pada mesin yang sama untuk setiap saat akan menambah kompeksitas permasalahan. Penjadwalan mesin memiliki beberapa komponen seperti release date dan processing time. Processing time yang berbeda-beda biasa digunakan pada mesin produksi baja, manufaktur aditif/pencetakan 3D, ataupun pabrik pakaian. Prioritas penyelesaian harus dipertimbangkan pada proses penjadwalan. Penelitian terdahulu tidak memperhatikan metrik kinerja dan batasan yang dimiliki oleh mesin produksi dengan unequal processing time. Penelitian menggunakan Hybrid Tabu Search untuk menyelesaikan kelemahan yang dimiliki oleh Tabu Search (TS). TS memiliki banyak kelebihan seperti kemampuan pencarian yang kuat ketika mendapatkan initial solution yang baik pada tahap awal dengan struktur efisien yang membatasi perpindahan solusi. Kemampuan tersebut akan dikombinasikan dengan Evolutionary Lovebird Algorithm untuk melakukan eksplorasi awal dan komputasi yang lebih singkat untuk menemukan solusi optimal. Kombinasi keduanya dapat dilakukan dengan berbagi informasi global untuk memandu populasi menuju area solusi optimal. Penelitian bertujuan untuk menyelesaikan single machine scheduling untuk membantu sektor operasi manufaktur agar menghasilkan produk dengan biaya minimum. Pengambilan keputusan yang berfokus pada PM untuk meminimumkan total weighted flow time (TWFT). Tujuan ini didasarkan untuk memanfaatkan sumber daya yang stabil. Penelitian menggunakan kumpulan data penelitian sebelumnya dengan modifikasi unequal processing time. Hasil penelitian menunjukkan bahwa penjadwalan mesin menggunakan Hybrid Advanced Tabu Search dengan Evolutionary Lovebird Algorithm (ATS-ELB) menghasilkan nilai objective function yang optimum pada total weighted completion time (TWCT) sesuai penelitian terdahulu hingga 150 problem size dan hasil near optimum pada TWFT hingga 107 problem size. Evolutionary Lovebird Algorithm (ELB) dan Advanced Tabu Search (ATS) hanya dapat menemukan solusi infeasible untuk dataset lebih dari 50 problem size. Constructive Heuristics (CH) dapat memberikan initial solution yang baik sebelum proses eksplorasi serta eksploitasi pada ELB dan ATS dan dapat membantu untuk menemukan solusi yang lebih baik pada awal generasi dengan lebih cepat. ATS-ELB memiliki hasil yang jauh lebih baik dengan strategi evolusioner yang memanfaatkan lima jenis mutasi seperti flip, interchange, move & push, n-swap, dan n-flip swap dibandingkan Genetic Algorithm (GA). ================================================================================================================================ The problem of single machine scheduling (SMS) is essential for production scheduling (PS). Production is expected further to improve product quality with a fixed production time. Preventive maintenance (PM) is often neglected, which causes production to be hampered because machines are unavailable. PS involves tasks for machines related to PM to maintain systems in proper operating condition. Machines significantly affect the quality of the manufacturing system if the damage is not handled effectively and efficiently. Making good machine scheduling decisions can reduce production and maintenance costs. Performance metrics are relevant in real-world dynamic manufacturing production planning systems, i.e. total flow time to balance resources and jobs. Factory machines have limitations on work processes that can stop until other work processes are started or continued on the same machine at any time, increasing the problem's complexity. Machine scheduling has several components, such as a release date and processing time. Different processing times are commonly used in steel production machinery, additive manufacturing (3D printing), or clothing factories. Scheduling should consider the completion priority of each job in the scheduling process. Previous research should have focused more on the performance metrics and limitations of production machines with unequal processing times. This research uses the Hybrid Tabu Search to solve the weaknesses of Tabu Search (TS). TS has many advantages, such as solid search ability when getting a good initial solution at an early stage and an efficient structure that limits the movement of solutions. Evolutionary Lovebird Algorithm will combine TS capability to perform a shorter initial exploration and computation to find the optimal solution. Combining the two can be done by sharing global information to guide the population towards the optimal solution. The research aims to complete single-machine scheduling to help the manufacturing operations sector produce products at minimum cost. Decision-making that focuses on PM to minimize total weighted flow time (TWFT). This goal is based on exploiting stable resources. This study used previous research data with unequal processing time modifications. According to previous studies of up to 150 problem sizes, machine scheduling using Hybrid Advanced Tabu Search with the Evolutionary Lovebird Algorithm (ATS-ELB) produced optimum objective function values in total weighted completion time (TWCT) and near optimum results in TWFT up to 107 problem sizes. For datasets with more than 50 problem sizes, the Evolutionary Lovebird Algorithm (ELB) and Advanced Tabu Search (ATS) can only find solutions that are infeasible. Constructive Heuristics (CH) might be an excellent starting point before exploring and exploiting ELB and ATS. It can aid in the faster discovery of a better solution at the start of an algorithm generation. ATS-ELB outperforms the Genetic Algorithm (GA) with an evolutionary method that employs five types of mutations: flip, exchange, move & push, n-swap, and n-flip swap