Thread by @pacmannai

Nurunin cost of production dengan scheduling ?!⌛️💸
Kenalan sama job shop problem yuk!
.
.
.
A thread

Dengan begitu banyaknya model baju yang diproduksi oleh 1 brand aja, kadang mimin mikir gimana ya alur produksinya, apalagi mesin yang digunakan buat semua model baju itu sama.

Lebih tepatnya gini, gimana sih cara pabrik ngatur jadwal pemakaian mesin mereka untuk memproduksi berbagai model baju yang berbeda?

Ternyata guys, setelah mimin searching, masalah ini ada namanya loh, yaitu job shop problem. Singkatnya, job shop ini terjadi ketika ada sejumlah pekerjaan (job) dan sejumlah mesin, dimana setiap job ini punya urutan proses yang berbeda dengan job lainnya.

Job shop ini sebenarnya merupakan masalah penjadwalan gitu dan bisa diselesaikan dengan machine learning. Dengan menyelesaikan masalah job shop, kita jadi bisa minimalisir keterlambatan produksi, total biaya produksi, dll.

Ada yang bisa nebak ujung-ujungnya ini jadi masalah apa kalau dalam machine learning?

Yeppp, job shop problem ini ga lain ga bukan adalah masalah optimization. Job shop ini ga cuma ditemuiin di pabrik baju kaya yang mimin contohin tadi aja guys. Masalah ini lazim banget ditemuiin di industri manufaktur, ya secara kann berhubungan banget sama proses produksi.

Di thread kali ini, mimin mau bahas singkat mengenai job shop problem dan algoritma apa yang biasa digunakan untuk ngatasin masalah ini.

Tapii, kalau kalian tertarik buat praktek optimasi, bisa banget nih ikut workshop “Optimasi Rute & Jadwal dalam Industri Manufaktur dengan Machine Learning” yang diadaiin hari Selasa besok. Daftar segera di bit.ly/PendaftaranPac… yaa!

Okeey mimin lanjut yaa. Nah, karena job shop ini sebenernya masalah optimization, sudah pasti ada model matematikanya kann. Jadii, yuk kita bahas bareng!

Job shop problem ini terdiri dari n pekerjaan atau job (J) yang harus diproses oleh m mesin (M). Nah, setiap job (Ji) harus diproses oleh setiap mesin dan melewati proses produksi (mi) yang terdiri operasi Oi1, Oi2, … Oim

Oh iya, urutan operasi Oi1 sampai Oim ini udah ditentukan gitu dan memang harus dilaksanakan berurutan, jadi gabisa Oim dulu yang dikerjaiin baru ke proses Oi1.

Nah, lanjut yaa. Oij merupakan operasi ke-j dari job Ji yang harus diproses pada mesin Mx untuk periode waktu pemrosesan τij tanpa interupsi.

Dalam proses produksi kan pasti ada hubungannya sama waktu yaa. Untuk job shop problem ini, kita bakal notasikan waktu ketika mulai operasi untuk setiap Oij sebagai ‘tij’,

dan keseluruhan waktu / durasi yang dibutuhkan agar semua job selesai akan kita sebut sebagai ‘makespan’ atau kalau dinotasikan itu ‘Cmax’.

Kalau lebih spesifik lagi nih, kita coba notasikan Ai sebagai himpunan pasangan terurut dari operasi yang dibatasi oleh prioritas untuk setiap pekerjaan Ji. Lalu, untuk setiap mesin Mx, Ex merupakan himpunan semua pasangan operasi yang akan diproses oleh mesin.

Setelah memahami hal-hal tadi, sekarang kita bisa memodelkan job shop problem ini dengan equation sebagai berikut:

Sebenernya ada banyak objective function yang bisa dikagegorikan sebagai job shop problem. Tapi si makespan inilah yang menjadi fokus berbagai riset buat nyelesaiin job shop problem.

Jelas, kita pengen minimalisir makespan ini kann biar proses produksinya cepat dan ga makan lebih banyak biaya. Kan kalo kata orang orang mah “time is money”

Nah, itu dia guys objective functionnya. Seperti yang mimin bilang di awal, masalah job shop ini bisa diselesaikan dengan machine learning. Mimin mau bahas sedikit beberapa algoritma yang biasanya digunakan buat job shop problem inii

(1) Genetic algorithm (GA)🏃🏃

Algoritma yang satu ini biasa digunakan buat proses optimasi. Seperti namanya ‘genetic’, algoritma ini emang terinspirasi dari teori evolusi Darwin yang nge state “the strongest species that survive”.

Intinya nihh, GA ini bekerja dengan cara membentuk generasi melalui proses crossover (reproduksi) kemudian mengevaluasinya menggunakan fitness function. GA ini akan terus memproduksi generasi baru sampai generasi yang terbentuk layak dijadiin solusi permasalahan yang dicari.

Dulu mimin pernah bahas lebih detail tentang genetic algorithm dan penerapannya buat menciduk pelanggar lalu lintas di thread ini:

https://twitter.com/pacmannai/status/1376006172516311040

(2) Ant colony optimization🐜🍭

Sama seperti GA, ant colony optimization juga digunakan buat proses optimization. Algoritma satu ini terinspirasi dari cara kerja koloni semut ketika mereka mencari makanan.

Ada berbagai jalur yang bisa dilewati oleh semut untuk menuju ke sumber makanan. Ketika melewati jalur-jalur tersebut, semut akan meninggalkan semacam zat bernama ‘pheromone’ yang menjadi sinyal bagi semut lainnya.

Jelas, mereka mencari jalur terpendek menuju sumber makanannya. Makanya, jalur terpendek memiliki pheromone yang banyak dan akhirnya semut-semut lain pun akan memilih jalur tersebut karena terdapat sinyal yang kuat.

Mimin pernah bahas sedikit mengenai ant colony optimization untuk ngatasin traveling salesman problem. Cek disini yaa:

https://twitter.com/pacmannai/status/1402975391959052288

(3) Honey Bee Algorithm🐝🍯

Kalau dipikir pikir algoritma untuk job shop problem ini berhubungan sama alam banget ya, dari evolusi sampe lebah😅. Anyway, bee colonny algorithm ini juga terinspirasi dari cara kerjanya lebah.

Jadi, ketika para lebah itu kan cari sumber makanan dari bunga, nah mereka akan bawa nektar yang mereka dapetin ke sarang. Setelah sampai sarang, nektar yang dibawa ini semacam dikasih feedback gitu.

Nektar yang dibawa ini dinilai dari kualitasnya dan jarak sumbernya dengan sarang. Feedback ini kemudian ditunjukkan lewat ‘waggle dance’ yang bisa diobservasi sama lebah lebah lain.

Yaudah deh, nanti lebah lain bisa belajar lokasi nektar tadi lewat waggle dance ini. Kalau udah tau lokasinnya, mereka akan menuju ke sumber nektar itu buat nyari makanan. Lain kali mimin akan bahas lebih detail tentang honey bee algorithm ini yaa.

Nah, kira kira gitu guys pembahasan thread hari ini. Kalian bisa belajar optimization dan langsung praktek di Workshop yang mimin sebutin di atas, atauu langsung ikut non degree program Data Scientist / Business Intelligence Pacmann!

Ini hari terakhir promo EARLY BIRD berlaku lohh! Jangan sampai ketinggalan POTONGAN 20% yaa! Yuk segera kepoiin kelasnya / hubungi kami di bit.ly/PacmannioTwitt… yaa! See you!

Referensi:
ieeexplore.ieee.org/document/41178…
pubsonline.informs.org/doi/abs/10.128…
staff.blog.ui.ac.id/komarudin74/jo…