Berikut silabus dengan materi “Implementasi Algoritma Optimasi Genetic Algorithm untuk Penjadwalan Mesin di Industri Manufaktur”:
Bagian 1: Pengantar dan Dasar-dasar Algoritma Genetic
Sesi 1: Pengantar Optimasi dan Genetic Algorithm
- Definisi optimasi.
- Sejarah dan konsep dasar Genetic Algorithm.
- Aplikasi Genetic Algorithm di berbagai bidang.
Sesi 2: Struktur dan Komponen Genetic Algorithm
- Populasi, kromosom, gen, dan individu.
- Fungsi fitness, seleksi, crossover, dan mutasi.
- Parameter yang mempengaruhi performa Genetic Algorithm.
Sesi 3: Pengenalan Penjadwalan Mesin di Industri Manufaktur
- Pengantar penjadwalan mesin.
- Jenis-jenis masalah penjadwalan (Flow Shop, Job Shop, dll).
- Tantangan dan parameter dalam penjadwalan mesin.
Sesi 4: Merancang Fungsi Fitness untuk Penjadwalan Mesin
- Konsep fungsi fitness untuk masalah penjadwalan.
- Menentukan kriteria performa (makespan, tardiness, dll).
- Contoh perhitungan fungsi fitness sederhana.
Sesi 5: Pembuatan Model Permasalahan Penjadwalan Mesin
- Formulasi masalah penjadwalan mesin.
- Representasi solusi dalam bentuk kromosom.
- Contoh kasus penjadwalan mesin sederhana.
Bagian 2: Implementasi Genetic Algorithm untuk Penjadwalan Mesin
Sesi 6: Implementasi Genetic Algorithm di MATLAB/Python
- Pengenalan tools: MATLAB/Python untuk implementasi Genetic Algorithm.
- Menulis kode dasar untuk Genetic Algorithm.
- Menentukan parameter awal (populasi, probabilitas crossover, dll).
Sesi 7: Implementasi Fungsi Fitness untuk Penjadwalan Mesin
- Membuat fungsi fitness berdasarkan model masalah.
- Mengintegrasikan fungsi fitness ke dalam algoritma.
- Uji coba fungsi fitness dengan data sederhana.
Sesi 8: Seleksi dan Crossover pada Penjadwalan Mesin
- Metode seleksi: Roulette Wheel, Tournament Selection, dll.
- Teknik crossover: One-point, Two-point, Uniform crossover.
- Implementasi seleksi dan crossover di kode.
Sesi 9: Mutasi dan Strategi Pengendalian Mutasi
- Jenis-jenis mutasi: Bit flip, swap, scramble mutation.
- Peran mutasi dalam eksplorasi solusi.
- Implementasi mutasi dalam kode.
Sesi 10: Menguji Algoritma dengan Data Simulasi
- Menyusun data simulasi penjadwalan mesin.
- Menjalankan algoritma dan menganalisis hasil awal.
- Memperbaiki bug dan optimasi kode.
Sesi 11: Visualisasi Hasil dan Analisis
- Visualisasi makespan dan parameter lain.
- Membuat grafik konvergensi fitness.
- Analisis tren dan solusi optimal.
Sesi 12: Optimalisasi Parameter Genetic Algorithm
- Eksperimen variasi parameter (ukuran populasi, probabilitas crossover/mutasi).
- Mengukur dampak parameter terhadap performa algoritma.
- Mencari kombinasi parameter optimal.
Bagian 3: Studi Kasus Penjadwalan Mesin di Industri Manufaktur
Sesi 13: Studi Kasus 1: Penjadwalan Flow Shop
- Memformulasikan masalah penjadwalan Flow Shop.
- Implementasi Genetic Algorithm untuk Flow Shop.
- Analisis performa dan solusi.
Sesi 14: Studi Kasus 2: Penjadwalan Job Shop
- Memformulasikan masalah penjadwalan Job Shop.
- Implementasi Genetic Algorithm untuk Job Shop.
- Analisis performa dan solusi.
Sesi 15: Studi Kasus 3: Penjadwalan Mesin dengan Waktu Set-Up
- Menambahkan parameter waktu set-up dalam penjadwalan.
- Modifikasi fungsi fitness untuk mempertimbangkan waktu set-up.
- Analisis hasil dan solusi.
Sesi 16: Studi Kasus 4: Penjadwalan Mesin dengan Waktu Menganggur (Idle Time)
- Mengatasi masalah idle time dalam penjadwalan.
- Modifikasi model dan implementasi algoritma.
- Evaluasi hasil dan performa.
Sesi 17: Studi Kasus 5: Penjadwalan Mesin Multi-Objective
- Mengintegrasikan multi-objective ke dalam Genetic Algorithm.
- Menangani trade-off antara makespan dan tardiness.
- Analisis Pareto dan solusi optimal.
Bagian 4: Pengembangan dan Evaluasi Lebih Lanjut
Sesi 18: Advanced Genetic Operators untuk Penjadwalan Mesin
- Operator elitism, crossover multiple-point, adaptive mutation.
- Implementasi dan analisis efeknya terhadap performa.
- Studi kasus kecil dengan operator baru.
Sesi 19: Hybrid Genetic Algorithm untuk Penjadwalan Mesin
- Menggabungkan Genetic Algorithm dengan teknik optimasi lain (Simulated Annealing, Tabu Search).
- Implementasi hybrid dalam penjadwalan mesin.
- Analisis performa hybrid algorithm.
Sesi 20: Penggunaan Algoritma Heuristik untuk Mempercepat Konvergensi
- Implementasi algoritma heuristik untuk initial solution.
- Perbandingan performa dengan Genetic Algorithm standar.
- Analisis hasil eksperimen.
Sesi 21: Algoritma Genetic Terdistribusi untuk Penjadwalan Mesin
- Konsep Genetic Algorithm terdistribusi.
- Implementasi menggunakan parallel computing (MATLAB/Python).
- Evaluasi performa terhadap masalah besar.
Sesi 22: Evaluasi Kinerja Genetic Algorithm
- Metode evaluasi performa (Stability, Robustness, Convergence).
- Membandingkan Genetic Algorithm dengan algoritma lain (Particle Swarm Optimization, Ant Colony Optimization).
- Metrik evaluasi dan studi kasus.
Bagian 5: Implementasi dalam Sistem Industri Nyata
Sesi 23: Integrasi Genetic Algorithm dalam Sistem ERP
- Konsep integrasi algoritma optimasi dalam ERP.
- Studi kasus sederhana integrasi Genetic Algorithm.
- Tantangan dan solusi integrasi.
Sesi 24: Pengembangan Antarmuka Pengguna untuk Penjadwalan Mesin
- Desain antarmuka pengguna sederhana.
- Implementasi GUI di MATLAB/Python untuk mengendalikan Genetic Algorithm.
- Testing GUI dengan pengguna.
Sesi 25: Pengembangan Sistem Penjadwalan Mesin Berbasis Web
- Pengenalan framework web untuk implementasi Genetic Algorithm.
- Desain API untuk penjadwalan mesin.
- Contoh kasus implementasi.
Sesi 26: Automasi Penjadwalan Mesin di Industri
- Sistem otomatisasi berbasis IoT untuk penjadwalan mesin.
- Integrasi Genetic Algorithm dengan sensor dan aktuator.
- Studi kasus dan simulasi.
Sesi 27: Evaluasi Sistem dan Peningkatan Algoritma
- Menguji performa sistem penjadwalan dengan data nyata.
- Mengidentifikasi kelemahan dan peluang perbaikan.
- Pengembangan fitur baru dan iterasi algoritma.
Sesi 28: Presentasi dan Evaluasi Proyek
- Setiap peserta mempresentasikan proyek akhir.
- Evaluasi performa algoritma dan implementasi sistem.
- Feedback dan diskusi untuk perbaikan.
Bagian 6: Penutup dan Kesimpulan
Sesi 29: Diskusi dan Tren Masa Depan Algoritma Optimasi
- Tren terbaru dalam penelitian Genetic Algorithm.
- Aplikasi algoritma optimasi di masa depan.
- Peluang riset dan pengembangan.
Sesi 30: Tinjauan dan Rekomendasi Akhir
- Tinjauan keseluruhan materi yang telah dibahas.
- Rekomendasi untuk pengembangan lebih lanjut.
- Sesi tanya jawab dan penyelesaian masalah.
Silabus ini diharapkan dapat membantu memberikan pemahaman yang komprehensif tentang implementasi Genetic Algorithm untuk penjadwalan mesin di industri manufaktur.
