Penyeimbangan Lintasan Produk Jaket di CV Surya Advertising & T’Shirt

Menggunakan Algoritma Genetika

Proposal of Jacket Production Line Balancing at CV Surya Advertising & T’Shirt

Using Genetic Algorithm

Addo Wibisono, Santoso

Jurusan Teknik Industri – Fakultas Teknik Universitas Kristen Maranatha
E-mail: addo_wibisono@yahoo.com, santoso_ajiank@yahoo.com

Abstrak

CV SURYA ADVERTISING & T’SHIRT merupakan perusahaan yang menghasilkan produk

garment seperti baju dan jaket. Permasalahan yang dihadapi perusahaan adalah tidak
terpenuhinya target produksi produk jaket yang sudah ditetapkan perusahaan yaitu 660
unit/minggu , sehingga mengakibatkan terjadinya lost sales. Kapasitas produksi produk jaket
yang dapat dihasilkan hanya sebesar 408 unit/minggu.

Tahap pertama dimulai dari pengumpulan data waktu siklus operasi lalu melakukan uji
kenormalan, uji keseragaman, dan uji kecukupan data untuk perhitungan waktu baku. Tahap
selanjutnya adalah perhitungan kapasitas produksi dan efisiensi lintasan dengan metode
aktual perusahaan. Setelah itu dilakukan penyeimbangan lintasan menggunakan metode
algoritma genetika. Pengolahan data dibantu dengan software, dimana software sebelumnya
telah diverifikasi dengan menggunakan contoh kasus yang sederhana.

Perencanaan lintasan produksi dengan metode aktual perusahaan menghasilkan kapasitas

produksi sebesar 408 unit/minggu dan efisiensi lintasan sebesar 36% dengan menggunakan 24
stasiun kerja. Dalam penelitian ini dilakukan perbaikan lintasan produksi dengan
menggunakan algoritma genetika dan menghasilkan kapasitas sebesar 664 unit/minggu
dengan menggunakan 19 stasiun kerja. Kapasitas produksi ini sudah mencapai target produksi
yang ditargetkan perusahaan. Efisiensi lintasan yang dihasilkan adalah sebesar 74,03%. Dari
hasil pengolahan tersebut terjadi peningkatan kapasitas produksi sebesar 256 unit/minggu dan
adanya peningkatan efisiensi lintasan produksi sebesar 38% dengan penghematan jumlah
stasiun kerja sebanyak 5 stasiun.

Kata kunci: penyeimbangan lintasan produksi, algoritma genetika, efisiensi lintasan

Abstract

CV SURYA ADVERTISING&T’SHIRT is a company that produces products in garment such

as shirt and jacket. The problem facing by this company is not satisfied of production target
jacket products that have been set by the company amounted to 660 units/week and resulted
lost sales. Production capacity that can be produced amounted to only 408 units/week.

First step begin with collected data on the operating cycle time and then test of the normality,
test of uniformity, and test of the adequacy of the data for calculate standard time. The next
step is calculate production capacity and efficiency for the company's current method. After
that is doing line balancing calculation using genetic algorithms. The calculation is helped by
software, which the software is verified before with using a simple case study.

Production line planning from company’s method currently produce a production capacity
amount 408 units /week and the line efficiency is 36% by using 24 work stations. In this
research, the production line is repaired using a genetic algorithm and produce capacity of
production amount 664 units/ week by using 19 work stations. The production capacity has
reached the production targets by the company. The line efficiency is 74,03%. From the results
of these processing, the results obtained an increase in production capacity amount 256

1
JURNAL INTEGRA VOL. 4, NO. 1, JUNI 2014: 1-11

units/week and an increase in the efficiency of the production line amount 38% with saving 5
work stations.

Keywords: line balancing, genetic algorithm, line efficiency

1. Pendahuluan

Dalam suatu lini produksi, baik lini produksi manufaktur maupun lini produksi perakitan,
penugasan elemen kerja pada stasiun kerja menjadi satu hal yang penting. CV SURYA
ADVERTISING & T‟SHIRT merupakan perusahaan yang menghasilkan produk di bidang
garment. Perusahaan ini menghasilkan produk seperti baju, kemeja, celana training, polo shirt, dan
jaket. Perusahaan ini memiliki dua tipe produksi yaitu job order dan mass production, dimana
produk job order disesuaikan dengan permintaan konsumen. Sementara itu produk yang termasuk
dalam tipe produksi mass production ialah produk celana training dan jaket.

Permasalahan yang dihadapi perusahaan saat ini adalah tidak terpenuhinya target produksi produk
jaket yang sudah ditetapkan perusahaan, sehingga mengakibatkan terjadinya lost sales. Dari hasil
wawancara dan penelitian awal yang mencakup kinerja operator, mesin yang digunakan, material
dan bahan, serta metode yang digunakan perusahaan, hasil yang diperoleh adalah operator bekerja
dengan baik dan terampil, mesin yang digunakan dalam kondisi yang baik, dan bahan yang
digunakan tidak mengalami masalah keterlambatan kedatangan. Permasalahan yang ada muncul
pada metode perusahaan yaitu tidak seimbangnya pembagian beban kerja pada setiap stasiun kerja.
Hal ini terlihat pada beberapa stasiun kerja dimana terdapat delay dan penumpukan.

Pembatasan masalah dan asumsi yang digunakan adalah:

a. Periode pengukuran waktu siklus dari 15 Januari 2014 sampai dengan 29 Januari 2014
b. Biaya penataan ulang tidak diperhitungkan
c. Tidak memperhitungkan waktu setup dan transport

Tujuan penelitian yang dilakukan adalah sebagai berikut:

a. Mengidentifikasi kelemahan yang ada pada lintasan saat ini
b. Mengetahui hasil penyeimbangan lintasan menurut algoritma genetika
c. Mengusulkan penyusunan lintasan produksi yang sebaiknya diterapkan oleh perusahaan

2. Tinjauan Pustaka
2.1 Prinsip Dasar Line Balancing

Jalur perakitan merupakan lini produksi dimana material bergerak secara terus menerus dalam
suatu tingkat rata-rata melalui urutan stasiun kerja dimana pekerjaan perakitan dilakukan Lini
perakitan selalu menjadi bagian penting dalam kegiatan manufaktur dan operasi perakitan dari
tahun ke tahun, meskipun jumlah tenaga kerja pada saat ini dapat dikurangi menjadi kegiatan
robotik. Terdapat dua masalah utama dalam penyeimbangan lintasan yaitu: (Elsayed, 1985)
a. Penyeimbangan stasiun kerja.
b. Memperhatian lini perakitan dalam produksi secara berkelanjutan.

Line balancing juga mempunyai beberapa batasan yang harus diperhatikan yaitu:
a. Hubungan precedence.
b. Mesin yang berada dalam sebuah stasiun kerja harus merupakan mesin yang sama.
c. Waktu siklus harus lebih besar atau sama dengan waktu terbesar/waktu operasi dari stasiun
kerja dan elemen kerja.

2
 PENYEIMBANGAN LINTASAN MENGGUNAKAN ALGORITMA GENETIKA (Addo W., et al.)

2.2 Istilah dalam Line Balancing (Elsayed, 1985)

Terdapat beberapa istilah yang digunakan dalam line balancing yaitu:

a. Produk perakitan
Produk yang diselesaikan melalui beberapa urutan stasiun kerja dimana dalam stasiun kerja
terdapat tugas kerja yang harus diselesaikan pada produk sampai pada akhirnya produk tersebut
selesai di stasiun kerja akhir.
b. Elemen Kerja
Bagian dari pekerjaan total pada produk yang berada pada proses perakitan dimana N
merupakan total elemen pekerjaan yang dibutuhkan dan I merupakan nomor elemen kerja (1 ≤ i
≤ N).
c. Stasiun Kerja
Lokasi pada lini perakitan dimana elemen kerja dilakukan untuk membuat produk. Nomor
minimal pada elemen kerja, k, lebih besar atau sama dengan satu.
d. Waktu siklus
Waktu diantara dua penyelesaian perakitan yang berhasil, dengan asumsi semua perakitan
konstan dalam hal kecepatan konveyor. Harga minimal untuk waktu siklus harus lebih besar
atau sama dengan waktu stasiun kerja terlama yang ada.
e. Waktu stasiun kerja
Jumlah waktu dari tiap elemen kerja yang dilakukan pada stasiun kerja. Hal yang harus
diperhatikan adalah waktu stasiun tidak boleh melebihi waktu siklus.
f. Waktu menganggur pada stasiun kerja
Perbedaan diantara waktu siklus dan waktu stasiun
g. Precedence diagram
Diagram yang menjelaskan elemen kerja yang harus dikerjakan. Beberapa pekerjaan tidak boleh
dilakukan jika pekerjaan sebelumnya belum selesai. Tata letak dari stasiun kerja pada lini
perakitan juga mempengaruhi precedence diagram yang ada.

2.3 Ukuran dalam Line Balancing (Elsayed, 1985)

Dalam line balancing terdapat beberapa ukuran kerja yaitu:

a. Efisiensi Lintasan
Rasio total waktu stasiun dengan waktu siklus dikalikan dengan jumlah stasiun kerja yang
dirumuskan dengan sebagai berikut:
EL = (1)

Dimana ST merupakan waktu stasiun, K merupakan total jumlah stasiun kerja, dan CT
merupakan waktu siklus.
b. Smoothness Index (SI)
Merupakan suatu index untuk mengindikasikan tingkat kemulusan relative pada keseimbangan
lini perakitan. Jika menghasilkan angka 0 maka tingkatnya menunjukkan hasil yang sempurna.
Index ini dihitung dengan rumus:

SI = (2)

Dimana ST max merupakan waktu stasiun terbesar, STi adalah waktu stasiun tertentu, dan K
adalah total jumlah stasiun kerja.

2.4 Algoritma Genetika (GA)

Dalam dunia Teknik Industri terdapat banyak masalah optimisasi, contoh tertentu ada pada sistem
manufaktur, yang sangat kompleks dan sulit dipecahkan dengan teknik optimisasi konvensional.
Pada saat ini algoritma genetika mendapatkan perhatian yang besar terkait dengan potensinya
sebagai salah satu teknik optimisasi dalam permasalahan masalah yang kompleks dan sangat
sukses diterapkan dalam area teknik industri. Area ini mencakup aplikasi-aplikasi seperti

3
JURNAL INTEGRA VOL. 4, NO. 1, JUNI 2014: 1-11

penjadwalan, design reliabilitas, rute transportasi, tata letak fasilitas, group technology, dan masih
banyak lagi

2.4.1 Struktur Umum Algoritma Genetika

Algoritma genetika merupakan teknik pendekatan stokastik yang berdasarkan pada mekanisme
seleksi dan genetika secara alami. Algoritma genetika, berbeda dengan teknik biasa lainnya,
algoritma genetika ini dimulai dengan menginisialisasi beberapa solusi acak yang disebut populasi.
Setiap individu di dalam populasi disebut kromosom. Kromosom yang ada ini akan berkembang
melalui beberapa iterasi yang sukses yang disebut generasi. Pada setiap generasi, kromosom yang
ada akan dievaluasi menggunakan beberapa nilai. Untuk membuat generasi selanjutnya, kromosom
yang baru, disebut offspring, dibentuk melalui penggabungan dua kromosom dari generasi saat ini
melalui crossover atau memodifikasi sebuah kromosom menggunakan mutasi. Generasi yang baru
terbentuk dari pemilihan, tergantung dengan nilai fitness values, parents (kromosom awal yang
menghasilkan kromosom baru) dan hasil offspring serta membuang kromosom lain agar ukuran
populasi tetap konstan. Kromosom yang baik memiliki probabilitas yang tinggi untuk dipilih.
Setelah beberapa generasi, algoritma akan mengeluarkan kromosom yang terbaik, yang diharapkan
akan mewakili solusi optimal dari permasalahan yang ada.

2.4.2 Parameter Algoritma Genetika

Terdapat beberapa parameter di algoritma genetika yaitu: (Obitko, 1998)

a. Ukuran populasi
Ukuran populasi menunjukkan berapa banyak kromosom dalam suatu populasi (dalam satu
generasi). Jika terdapat sedikit kromosom, maka algoritma genetika memiliki beberapa
kemungkinan untuk melakukan crossover dan hanya sebagian kecil dari ruang pencarian
dieksplorasi. Disisi lain jika terlalu banyak kromosom maka algoritma genetika akan melambat.
Penelitian menunjukkan bahwa setelah beberapa batasan (encoding dan masalah itu sendiri),
tidak disarankan untuk meningkatkan jumlah populasi karena tidak akan membuat pemecahan
masalah menjadi semakin cepat. Ukuran populasi yang baik ialah sekitar 20 – 30 populasi.
b. Jumlah generasi (Mitchell, 2002)
Generasi merupakan iterasi-iterasi yang akan menghasilkan kromosom baru. Algoritma genetika
biasanya terdiri dari 50 – 500 generasi atau lebih. Keseluruhan jalannya generasi disebut run. Di
akhir run, akan terdapat satu atau lebih kromosom yang cocok untuk populasi yang telah
ditentukan.
c. Probabilitas crossover
Probabilitas crossover menunjukkan seberapa sering crossover dilakukan. Jika tidak terdapat
crossover maka offspring yang dibentuk ialah kromosom dari parents dan jika terdapat
crossover maka offspring dibentuk dari bagian-bagian parents. Jika probabilitas crossover ialah
100% maka semua keturunan dibentuk oleh crossover. Namun jika probabilitas crossover 0%
maka generasi baru akan dibuat dari salinan parents yang ada. Crossover dibuat dengan harapan
bahwa kromosom yang baru akan memiliki bagian yang baik dari kromosom lama dan
memungkinkan kromosom yang baru lebih baik dari kromosom yang lama. Namun dianjurkan
beberapa bagian dari populasi untuk bertahan ke generasi berikutnya. Probabilitas crossover
umumnya harus tinggi yaitu sebesar 80 – 95%.
d. Probabilitas mutasi
Probabilitas mutasi menunjukkan seberapa sering bagian dari kromosom megalami mutasi. Jika
tidak terdapat mutasi, maka keturunan diambil setelah proses crossover tanpa mengalami
perubahan apapun. Jika mutasi dilakukan maka bagian dari kromosom akan berubah. Mutasi ini
dilakukan dengan tujuan mencegah jatuhnya algoritma genetika kedalam solusi yang sangat
ekstrim, namun hal ini tidak akan sering terjadi karena algoritma genetika sendiri menghasilkan
pencarian secara acak. Tingkat mutasi dianjurkan rendah, harga terbaik yaitu sebesar 0,5 - 1%

4
 PENYEIMBANGAN LINTASAN MENGGUNAKAN ALGORITMA GENETIKA (Addo W., et al.)

2.4.3 Operator Genetik

Bentuk yang paling sederhana dari algoritma genetika melibatkan tiga tipe operator yaitu seleksi,
crossover, dan mutasi (Gen, 1997)
a. Crossover
Selama beberapa dekade lalu, beberapa operator crossover diusulkan untuk mewakili permutasi,
seperti partial-mapped crossover (PMX), order based crossover, cycle crossover (CX), dan
position based crossover.
b. Mutasi
Proses mutasi adalah mencipatakan individu baru dengan memodifikasikan satu atau lebih gen
dalam individu yang sama. Mutasi berfungsi untuk menggantikan gen yang hilang dari populasi
selama proses seleksi serta menyediakan gen yang tidak ada dalam populasi awal, sehingga
mutasi akan meningkatkan variasi populasi.
Proses mutasi dalam algoritma genetika sangat jarang terjadi. Proses ini dilakukan untuk
menghindari kondisi stuck pada algoritma genetika. Proses ini berfungsi untuk melindungi dari
kehilangan yang tidak dapat dipulihkan. Goldberg menyatakan bahwa proses mutasi hanya
memiliki peranan yang sekunder dalam pencarian solusi yang optimal.
Jika bilangan random yang dibangkitkan dari suatu kromosom dalam proses mutasi ini ternyata
lebih kecil atau sama dengan probabilitas mutasi (Pm), maka kromosom tersebut akan
mengalami mutasi.
Proses untuk melakukan mutasi pada suatu kromosom ada 3 metode, yaitu:
 Scrambled Based Mutation
 Order Based Mutation
Order Based Mutation adalah metode mutasi yang dianggap paling baik, karena proses
mutasi ini memberikan variasi pada urutan gen-gennya.
 Position Based Mutation

c. Seleksi
Seleksi memberikan kekuatan pendorong pada algoritma genetika dan seleksi juga memberikan
tekanan seleksi yang kritikal didalamnya. Dalam beberapa tahun kebelakang ini, banyak
bermunculan beberapa metode seleksi yang bermunculan dan dibandingkan satu dengan yang
lainnya. Namun terdapat tiga faktor yang perlu diperhatikan dalam seleksi ini yaitu:
 Ruang sampling
Prosedur seleksi dapat membuat populasi baru untuk generasi berikutnya yang didasarkan
pada parents maupun offspring yang muncul. Karakteristik ruang sampling ini terdiri dari
dua hal yaitu ukuran dan bahan (parents dan offspring). Terdapat dua jenis cara pada ruang
sampling yaitu:
1. Regular sampling space.
2. Enlarged sampling space

 Mekanisme Sampling
Mekanisme sampling berkonsentrasi pada masalah bagaimana memilih kromosom dari ruang
sampling. Terdapat tiga dasar yang digunakan pada mekanisme sampling yaitu:
1. Stochastic sampling
2. Deterministic sampling
3. Mixed sampling

 Probabilitas Seleksi
Metode ini terkonsentrasi pada bagaimana menentukan probabilitas seleksi untuk setiap
kromosom. Dalam prosedur seleksi secara proposional, probabilitas seleksi untuk setiap
kromosom adalah dengan melihat nilai fitness-nya

5
JURNAL INTEGRA VOL. 4, NO. 1, JUNI 2014: 1-11

2.5 Utilisasi

Output dalam jam kerja standar akan bergantung pada jam kerja yang tersedia dan efisiensi yang
ada pada kinerja operator. Jumlah jam keja yang sebenarnya dilakukan mungkin akan kurang dari
jumlah jam kerja yang tersedia dikarenakan oleh beberapa faktor, seperti faktor mesin dan
ketidakhadiran operator. Ratio untuk jam kerja yang tersedia dan jam kerja yang dilakukan disebut
dengan utiliasi dengan rumus: (Smith, 1989)
Utilisasi = (3)

3. Pembahasan

Hasil perhitungan efisiensi lintasan produksi saat ini menghasilkan efisiensi lintasan sebesar 36%
yang dapat dilihat pada Tabel 1, sedangkan hasil susunan stasiun kerja dengan menggunakan
algoritma genetika menghasilkan efisiensi lintasan sebesar 74,03% dengan susunan stasiun
ditunjukkan pada Tabel 2. Hasil perhitungan setelah line balancing menunjukkan hasil efisiensi
lintasan yang lebih besar dan juga perusahaan dapat memenuhi kapasitas produksi untuk membuat
jaket. Ringkasan hasil ini ditunjukkan pada Tabel 3.
Tabel 1. Hasil Lintasan Produksi Saat Ini
Stasiun Operasi Mesin Waktu Kumulatif Efisiensi
1 55,71
1 8 manual 46,86 156,21 44%
12 53,64
2 91,25
6 81,17
9 68,30
2 jahit 352,61 100%
17 27,77
20 59,29
23 24,83
18 40,97
3 jahit 87,82 25%
19 46,85
24 45,86
4 25 jahit 58,88 182,83 52%
26 78,09
5 4 jahit 99,56 99,56 28%
6 5 jahit 216,62 216,62 61%
10 78,43
7 jahit 253,91 72%
14 175,48
3 20,71
8 obras 49,07 14%
7 28,36
11 38,07
9 obras 97,59 28%
13 59,51
15 67,78
10 obras 122,04 35%
16 54,26
11 21 obras 53,64 53,64 15%
12 28 setrika 52,62 52,62 15%
13 29 jahit 90,25 106,26 30%
30 12,21
14 lubang 24,61 7%
31 12,40
32 13,00
15 lubang 24,80 7%
33 11,79
34 62,37
16 jahit 131,42 37%
22 69,04
17 27 jahit 59,50 59,50 17%
18 35 obras 69,27 69,27 20%
19 36 jahit 100,69 100,69 29%
20 37 jahit 97,20 97,20 28%
38 pasang 97,70
21 195,18 55%
39 kancing 97,49
40 pasang 96,96
22 193,45 55%
41 kancing 96,50
23 42 obras 207,88 207,88 59%
24 43 periksa 127,97 127,97 36%
36%

6
 PENYEIMBANGAN LINTASAN MENGGUNAKAN ALGORITMA GENETIKA (Addo W., et al.)

Tabel 2. Hasil Lintasan Produksi Algoritma Genetika

Tabel 3. Perbandingan Hasil Lintasan Produksi Metode: 1. Saat Ini dan 2. Algoritma Genetika
No Metode Waktu stasiun terbesar (detik) Efisiensi lintasan Kapasitas produksi (unit)
1 Kondisi saat ini 352,62 36% 408,38
2 Line Balancing 216,62 74,03% 664,76

Contoh perhitungan target produksi kondisi saat ini:

Kapasitas produksi = (4)
= = 408,38 unit

Berdasarkan Tabel 3 dapat terlihat bahwa terjadi peningkatan efisiensi lintasan pada lini produksi
jaket sebelum dan sesudah line balancing sebesar 38,03% dari 36% menjadi 74,03%. Selain itu
kapasitas produksi yang ada mengalami peningkatan sebesar 256 unit/minggu menjadi 660
unit/minggu dibandingkan dengan kapasitas produksi saat ini sebesar 408 unit/minggu sehingga
target produksi perusahaan menjadi tercapai. Dalam hal stasiun kerja, stasiun kerja yang ada
mengalami pengurangan stasiun kerja sebanyak 5 stasiun yang pada awalnya terdapat 24 stasiun
kerja menjadi hanya 19 stasiun kerja.

7
JURNAL INTEGRA VOL. 4, NO. 1, JUNI 2014: 1-11

Dalam penelitian ini juga dilakukan perhitungan perbandingan jumlah mesin yang ada dengan cara
menghitung jumlah kebutuhan mesin di lantai produksi saat ini dengan kebutuhan mesin
berdasarkan algoritma genetika. Jumlah kebutuhan mesin dengan algoritma genetika lebih sedikit
jika dibandingkan dengan jumlah kebutuhan mesin saat ini yang ditunjukkan pada Tabel 4.
Tabel 4. Perbandingan Jumlah Mesin
Jumlah
No Mesin Selisih Jumlah Mesin
Saat Ini Algortima Genetika
1 Jahit 11 9 2
2 Obras 6 4 2
3 Setrika 1 1 0
4 Lubang Kancing 2 1 1
5 Pasang Kancing 2 2 0
6 Manual 1 1 0
7 Periksa 1 1 0
Total 24 19

Berdasarkan hasil perhitungan dengan algortima genetika produk jaket, perusahaan akan
memperoleh keuntungan berupa penghematan mesin karena jumlah mesin yang diterapkan oleh
peneliti memiliki jumlah yang lebih sedikit jika dibandingkan jumlah mesin yang diterapkan oleh
perusahaan. Oleh karena itu, perusahaan dapat memanfaatkan kelebihan mesin ini. Salah satu cara
yang dapat dimanfaatkan oleh perusahaan ialah dengan mengalokasikan mesin ke dalam lini
produksi produk yang lainnya. Tata letak (layout) diusulkan karena adanya pemindahan mesin
setelah dilakukan penerapan metode algoritma genetika pada lini produksi jaket. Tata letak awal
dan usulan dapat dilihat pada Gambar 1 dan Gambar 2 berikut ini:
20m

Meja sablon Meja sablon

Meja potong
Meja potong
WC
Steam

Inspeksi (manual)

Lini produksi jaket

Packing
(manual)
Press
Steam

Kantor dan Gudang

Bahan Baku
Press

14 m
Steam
Steam

(Skala 1:50)
Gambar 1. Layout Saat Ini (Skala 1:50)

8
 PENYEIMBANGAN LINTASAN MENGGUNAKAN ALGORITMA GENETIKA (Addo W., et al.)

20m

Meja potong Meja sablon Meja sablon

Steam

Meja potong WC
Steam

Inspeksi (manual)

Packing
(manual)

Press
Steam
Lini produksi jaket

Kantor dan Gudang

Bahan Baku

14 m
Press
Steam

(Skala 1:50)
Gambar 2. Layout Usulan

Tata letak yang diusulkan ini memiliki perbedaan dengan tata letak perusahaan saat ini yaitu
adanya perubahan pada lini produksi jaket yang ditunjukkan dengan warna yang berbeda. Dengan
adanya pengurangan jumlah mesin sebanyak 5 buah, maka sisa mesin tersebut dapat dialokasikan
ke lintasan produksi job order yang berada di sebelah kiri.

Terdapat kelebihan produk sebesar 4 unit jaket/minggu, hal ini dapat dimanfaatkan oleh perusahaan
untuk berbagai alternatif. Alternatif pertama ialah menyimpan 4 unit produk tersebut untuk
pengganti produk yang memiliki cacat produksi. Alternatif kedua ialah dengan menjual kelebihan
produk ini dengan meningkatkan kinerja bagian pemasaran.

4. Kesimpulan dan Saran

4.1 Kesimpulan

Berdasarkan hasil pengumpulan data, pengolahan data, dan analisis, maka dapat ditarik beberapa
kesimpulan sebagai berikut:
1. Kelemahan lintasan produksi yang diterapkan perusahaan saat ini adalah sebagai berikut:
a. Efisiensi lintasan produksi jaket pada perusahaan sangat kecil yaitu hanya sebesar 36%.
Hal ini terjadi karena terdapat beberapa stasiun kerja yang memiliki ketidakseimbangan
pembobotan tugas yang dilakukan. Terdapat stasiun kerja yang lebih banyak menganggur
dan terdapat pula stasiun kerja yang memiliki pekerjaan yang berlebihan.
b. Stasiun kerja yang ada pada kondisi perusahaan saat ini terlampau banyak yaitu sebesar 24
stasiun kerja. Hal ini berdampak pada ketidakefisiennya lini produksi yang ada.
c. Perusahaan memiliki target produksi sebesar 660 buah jaket. Namun lini produksi yang ada
tidak dapat memenuhi target produksi perusahaan. Lini produksi yang ada hanya dapat
memproduksi 408 jaket.

9
JURNAL INTEGRA VOL. 4, NO. 1, JUNI 2014: 1-11

2. Hasil dari metode yang diusulkan (Line Balancing Genetic Algorithm) adalah sebagai berikut:
d. Dengan adanya Line Balancing Genetic Algorithm efisiensi lintasan produksi meningkat
sebesar 38,03%. Efisiensi lintasan produksi usulan menjadi 74,03%. Hal ini menunjukkan
bahwa pembobotan kerja pada lintasan produksi usulan menjadi lebih seimbang
dibandingkan dengan lintasan produksi perusahaan saat ini yang hanya menghasilkan
efisiensi lintasan sebesar 36%.
e. Stasiun kerja hasil dari Line Balancing Genetic Algorithm lebih sedikit dari stasiun kerja
perusahaan saat ini yaitu hanya sebesar 19 stasiun kerja. Stasiun kerja ini berkurang lima
stasiun dari stasiun kerja awal yaitu sebesar 24 buah. Dengan berkurangnya stasiun kerja
ini perusahaan dapat menghemat dua buah mesin jahit, dua buah mesin obras dan satu buah
mesin lubang dan mengalokasikannya kedalam lini produksi produk yang lainnya.
f. Kapasitas produksi perusahaan dengan Line Balancing Genetic Algorithm menjadi
terpenuhi karena dengan metode ini kapasitas produksi dari lini produksi yang ada dapat
memproduksi 664 buah jaket/minggu dengan target produksi perusahaan sebesar 660
jaket/minggu. Lini produksi yang ada mengalami peningkatan produksi sebesar 256
buah/minggu dengan kapasitas produksi awal sebesar 408 buah jaket/minggu.

3. Penyusunan lintasan produksi yang sebaiknya diterapkan oleh perusahaan ialah dengan
menerapkan penugasan elemen kerja dengan metode algoritma genetika seperti yang diusulkan
oleh peneliti.

4.2 Saran

Saran yang dapat diberikan peneliti untuk perusahaan adalah sebagai berikut:
1. Perusahaan sebaiknya menggunakan layout usulan yang telah diberikan.
2. Perusahaan sebaiknya melakukan sosialisasi pada pekerja mengenai perubahan beban kerja
yang ada pada setiap stasiun kerja agar pekerja terbiasa dengan elemen kerja baru yang
diberikan.
3. Perusahaan disarankan menggunakan software algoritma genetika dalam proses untuk
penyeimbangan lintasan

5. Daftar Pustaka

Blank, L. T. (1982), “Statistical Procedures for Engineering, Management, and Science”,

International Student Edition, McGraw-Hill, Tokyo.

Elsayed, E. A. and Thomas O Boucher (1985), “Analysis and Control of Production

Systems”, Prentice-Hall, New Jersey.

Gen, M. (1997), “Genetic Algorithms and Engineering Design”, John Wiley & Sons, Inc., United
States of America

Mitchell, M. (2002), “An Introduction To Genetic Algorithm”, Prentice Hall, New Delhi.

Narasimhan, S.L., McLeavey, D. W., Billington, P. (1995), “Production Planning and Inventory
Control”, Prentice Hall, United States of America.

Obitko, M. (1998), http://www.obitko.com

Smith, S. B. (1989), “Computer Based Production and Inventory Control”, Prentice-Hall, Canada.

10
 PENYEIMBANGAN LINTASAN MENGGUNAKAN ALGORITMA GENETIKA (Addo W., et al.)

Sutalaksana, I. Z., Anggawisastra, R., Tjakaraatmadja, J. H. (2006), “Teknik Tata Cara Kerja”,
Jurusan Teknik Industri Institut Teknologi Bandung, Bandung.

Walpole, R. E. (1995), “Pengantar Statistika”, Edisi ke-3, PT Gramedia Pustaka Utama, Jakarta.

11