Yoga Pradana, Aldi and Widya, Setiafindari (2020) PENGEMBANGAN MODEL OPTIMASI ARTIFICIAL NEURAL NETWORK PADA PENJADWALAN PRODUKSI SNACK TORTILLA. Tugas Akhir thesis, University of Technology Yogyakarta.
|
Text
5160611037 Aldi Yoga Pradana.pdf Download (312kB) | Preview |
Abstract
ABSTRAK Pada produksi Mei 2019, PT X memproduksi 29.159 kg Tortilla untuk dipasarkan di dalam dan luar negeri. Jumlah produksi yang besar menunjukkan tingginya minat konsumen terhadap Tortilla, yang membuat PT X memproduksi dalam jumlah banyak dalam 1 bulan. Produksi 29.159 kg diselesaikan dalam 3 minggu dengan 3 shift dalam 7 hari kerja pada minggu pertama dan ketiga, dan 6 hari kerja pada minggu kedua. Perencanaan produksi yang tidak akurat membuat produksi Tortilla melebihi kapasitas gudang, hal ini menandakan proses produksi masih berjalan meskipun pada bulan Juni sebanyak 17.346 kg dan 26.835 kg pada bulan Juli mengakibatkan overproduksi sebesar 6% pada Mei 2019 dan 15% pada Juni 2019. sehingga terjadi peningkatan pada Juli 2019 menjadi 50%. Implementasi metode Artificial Neural Network (ANN) berbasis Particle Swarm Optimization (PSO) menggunakan Steepest Ascent Hill Climbing Algorithm (SAHC) mengoptimalkan waktu aliran rata-rata akhir sebesar 51%, pengurangan makespan sebesar 0,5 pada bulan Mei-Juni dan 0,1 pada bulan Juli, dan penurunan keterlambatan sebesar 13% setelah pemrosesan ulang menghasilkan pengoptimalan yang dapat mengatasi masalah produksi berlebih. Kata Kunci: Overproduction, Mean Flow Time, Lateness, Makespan, ANN-PSO-SAHC ABSTRACT In May 2019 production, PT X produced 29,159 kg of Tortilla to be marketed in domestic and abroad. The large production amount shows the high consumer interest in Tortilla, which makes PT X produces large quantities in 1 month. They complete 29,159 kg production within 3 weeks with 3 shifts in 7 working days in the first and third week, and 6 working days in the second week. Inaccurate production planning makes Tortilla production exceeds in warehouse capacity, this indicates production process is still running even though in June as much as 17,346 kg; and 26,835 kg in July resulted in overproduction; as much as 6% in May 2019; 15% in June 2019; and 50% in July 2019. The implementation of Artificial Neural Network (ANN) method is based on Particle Swarm Optimization (PSO) using Steepest Ascent Hill Climbing Algorithm (SAHC). It optimizes final average flow time by 51%, reducing makespan by 0.5 in May-June and 0.1 in July. 13% reduction in delay after reprocessing resulted in optimization, it addresses the issue of overproduction. Keywords: Overproduction, Mean Flow Time, Lateness, Makespan, ANN-PSO-SAHC
| Item Type: | Thesis (Skripsi, Tugas Akhir or Kerja Praktek) (Tugas Akhir) |
|---|---|
| Subjects: | T Technology > TS Manufactures |
| Divisions: | Fakultas Sains dan Teknologi > S1 Teknik Industri |
| Depositing User: | Kaprodi S1 Teknik Industri UTY |
| Date Deposited: | 28 Sep 2020 08:08 |
| Last Modified: | 28 Sep 2020 08:08 |
| URI: | http://eprints.uty.ac.id/id/eprint/5431 |
Actions (login required)
 |
View Item |
