CONTOH PROPOSAL TUGAS AKHIR

  • Published on
    04-Jan-2016

  • View
    42

  • Download
    2

DESCRIPTION

OPTIMASI POMPA

Transcript

PROPOSAL TUGAS AKHIR OPTIMASI PREVENTIVE MAINTENANCE PADA SHIPPING PUMP DENGAN HYBRID GENETIC ALGORITHM SIMULATED ANNEALING DI JOINT OPERATING BODY PERTAMINA PETROCHINA EAST JAVA (JOB P-PEJ) SOKO TUBAN Disusun Oleh: Ahmad Asrori NRP. 2410100004 Dosen Pembimbing: Dr. Bambang Lelono W., S.T., M.T. NIP. 196905071995121001 Hendra Cordova, S.T., M.T. NIP. 196905301994121001 PROGRAM STUDI S-1 JURUSAN TEKNIK FISIKA FAKULTAS TEKNOLOGI INDUSTRI INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2013 LEMBAR PENGESAHAN PROPOSAL TUGAS AKHIR JURUSAN TEKNIK FISIKA FTI-ITS Judul : Optimasi Preventive Maintenance pada Shipping Pump dengan Hybrid Genetic Algorithm Simulated Annealing Di Joint Operating Body Pertamina Petrochina East Java (JOB P-PEJ) Soko Tuban Bidang Studi : Rekayasa Instrumentasi dan Kontrol 1. a. Nama : Ahmad Asrori b. NRP : 2410100004 c. Jenis Kelamin : Laki-laki 2. Jangka Waktu : 6 bulan 3. Pembimbing : 1. Dr. Bambang Lelono W., S.T., M.T. 2. Hendra Cordova, S.T., M.T. 4. Usulan Proposal Ke : I 5. Status : Baru Surabaya, 23 September 2013 Pengusul, Ahmad Asrori NRP. 2410100004 Menyetujui, Pembimbing I, Dr. Bambang Lelono, S.T., M.T. NIP. 196905071995121001 Pembimbing II, Hendra Cordova, S.T., M.T. NIP. 196905301994121001 Kepala Laboratorium Rekayasa Instrumentasi dan Kontrol, Ir. Yaumar, M.T. NIP. 195404061981031003 I. Judul Optimasi Preventive Maintenance pada Shipping Pump dengan Hybrid Genetic Algorithm Simulated Annealing Di Joint Operating Body Pertamina Petrochina East Java (JOB P-PEJ) Soko Tuban II. Mata Kuliah Pilihan Bidang Minat yang Diambil 1. Instrunentasi Industri 2. Pengendalian Proses 3. Teknik Optimasi III. Pembimbing 1. Dr. Bambang Lelono W., S.T., M.T. 2. Hendra Cordova, S.T., M.T. IV. Latar Belakang Di era modern seperti saat ini, energi menjadi kebutuhan yang sangat penting untuk mendukung berjalannya aktivitas sehari-hari. Pertumbuhan penduduk yang sangat cepat mengakibatkan permintaan kebutuhan energi terutama Bahan Bakar Minyak (BBM) terus meningkat pesat. Sehingga perusahaan-perusahaan minyak dituntut untuk selalu konsisten dalam menjaga kestabilan proses produksinya. Salah satu upaya dalam menjaga kestabilan proses produksi adalah dengan menjaga kondisi semua alat dan mesin yang digunakan dalam keadaan optimal. Maka diperlukan kegiatan maintenance (pemeliharaan) pada alat-alat dan mesin tersebut untuk menjaga reliability (keandalan) sistem dan menyediakan redundant (cadangan) untuk menghindari penurunan availability (ketersediaan) sistem karena tindakan pemeliharaan. Joint Operating Body Pertamina Petrochina East Java (JOB P-PEJ) merupakan salah satu perusahaan minyak yang melakukan eksplorasi dan produksi pada lapangan utama Blok Tuban dan sekitarnya. Hasil dari proses di Central Processing Area (CPA) JOB P-PEJ adalah minyak mentah (crude oil) yang selanjutnya dikirim ke refinery unit untuk diolah menjadi bahan bakar siap pakai. Pengiriman minyak mentah ke refinery unit dilakukan melalui Floating Storage Offloading (FSO) di utara pantai Palang Tuban. Untuk itu, JOB P-PEJ telah membuat piping sepanjang 55,5 km, dengan 37 km berada di bawah tanah dan 18,5 km di bawah laut untuk aliran minyak mentah dari CPA ke FSO yang dipompakan oleh shipping pump [1]. Alat ini ,menjadi sangat critical di JOB P-PEJ, karena kerusakannya akan mengganggu bahkan menghentikan proses produksi minyak mentah di CPA. Sehingga JOB P-PEJ memasang 5 shipping pump, yaitu PP-8300A/B/C dan PP-8400A/B. Dimana PP-8300A/B dan PP-8400A digerakkan oleh motor listrik, sedangkan PP-8300C dan PP-8400B digerakkan dengan diesel engine. Dalam keadaan biasa terdapat 3 shipping pump yang beroperasi, sedangkan 2 lainnya sebagai cadangan. Penggunaan shipping pump cadangan perlu diikuti dengan pemeliharaan yang baik untuk menekan Life Cycle Cost (LCC) pada setiap alatnya. Ketika terjadi kerusakan pada salah satu shipping pump, maka JOB P-PEJ akan melakukan breakdown maintenance (pemeliharaan kerusakan). Pemeliharaan ini memerlukan biaya downtime yang mahal, sehingga perlu dilakukan preventive maintenance (PM) untuk menekan LCC masing-masing shipping pump. PM atau pemeliharaan pencegahan tidak memerlukan biaya downtime yang mahal seperti halnya pemeliharaan kerusakan, karena waktu downtime menjadi lebih kecil [2]. Saat ini, JOB P-PEJ telah menerapkan strategi PM pada setiap shipping pump dengan melakukan pemeliharaan yang terjadwal secara berkala berdasarkan operation manual dari vendor. Jadwal pemeliharaan dari vendor didasarkan pada desain awal, bukan berdasarkan keadaan aktual. Sedangkan fakta yang terjadi di lapangan sekarang tidak sama dengan desain dari vendor. Karena penggunaan secara terus menerus dan bertambahnya umur shipping pump akan mengakibatkan penurunan keandalannya [3]. Sehingga mengakibatkan jadwal pemeliharaan shipping pump menjadi tidak optimal lagi. Untuk itu, perlu dilakukan tindakan penjadwalan ulang pemeliharaan shipping pump yang akan menjamin keandalannya. Jadwal pemeliharaan yang optimal dapat diperoleh dengan melakukan perhitungan stokastik terhadap kejadian kerusakan shipping pump yang kemudian dilakukan optimasi pada hasil perhitungan tersebut. Terdapat berbagai macam metode yang bisa digunakan untuk mengoptimasi penjadwalan pemeliharaan, diantaranya yaitu Genetic Algorithm dan Simulated Annealing. Genetic Algorithm merupakan algoritma pencarian heuristik yang didasarkan atas mekanisme evolusi biologis, sedangkan Simulated Annealing adalah algoritma pencarian heuristik yang didasarkan atas suatu proses bagaimana membuat bentuk cair berangsur-angsur menjadi bentuk yang lebih padat seiring dengan penurunan temperatur [4]. Pada penelitian ini akan dicari solusi penjadwalan pemeliharaan shipping pump yang optimal menggunakan Hybrid Genetic Algorithm Simulated Annealing (GA-SA). Penggabungan kedua metode tersebut diharapkan mampu memberikan solusi lebih cepat dan optimal untuk penjadwalan pemeliharaan dalam jangka waktu yang panjang. V. Rumusan Masalah Jadwal pemeliharaan shipping pump yang diterapkan oleh JOB P-PEJ pada saat ini sudah kurang optimal, karena tidak sesuai dengan kondisi aktual. Sehingga dapat dirumuskan permasalahan yang ingin diteliti yaitu bagaimana menentukan jadwal pemeliharaan shipping pump yang optimal dengan memaksimalkan reliability dan meminimalkan total cost pemeliharaan menggunakan metode Hybrid Genetic Algorithm Simulated Annealing untuk penjadwalan pemeliharaan dalam jangka waktu yang panjang. VI. Tujuan Tujuan utama dari penelitian ini adalah mendapatkan jadwal pemeliharaan shipping pump dengan reliability maksimal serta total cost pemeliharaan yang minimal menggunakan metode optimasi Hybrid Genetic Algorithm Simulated Annealing. Sehingga dapat diperoleh hasil kalkulasi yang lebih cepat dan lebih optimal untuk jangka panjang. VII. Batasan Masalah Agar tidak menyimpang jauh dari tujuan, maka diberikan beberapa batasan masalah dalam penelitian sebagai berikut: 1. Preventive maintenance didefinisikan sebagai aktivitas pemeliharaan secara periodik atau berkala, bukan secara rutin setiap hari. 2. Optimasi preventive maintenance hanya dilakukan untuk mendapatkan reliability maksimal dan total cost pemeliharaan minimal dengan waktu penjadwalan yang tepat. 3. Penjadwalan hanya dilakukan pada dua shipping pump yang memiliki reliability paling rendah dari jenis motor penggeraknya masing-masing, yaitu electrical motor (PP-8300A/B dan PP-8400A) serta diesel engine (PP-8300C dan PP-8400B). 4. Data maintenance shipping pump berasal dari hasil rekap oleh Department of Construction and Maintenance JOB P-PEJ selama bulan februari hingga pertengahan september tahun 2013. VIII. Tinjauan Pustaka Beberapa pustaka yang menimbulkan gagasan dan mendasari penelitian ini adalah sebagai berikut: [1] Nursubiyantoro, Eko. Triwiyanto. Sistem Manajemen Perawatan Unit MMU Pump dan Oil Shipping Pump Industrial Engineering Conference (IEC): Yogyakarta. 2012. Pada penelitian tersebut dilakukan perhitungan Mean Time Between Failure (MTBF), Mean Time Between Run (MTTR), keandalan mesin (Availability) untuk menunjukkan data kerusakan, waktu perawatan, dan keandalan dari masing-masing mesin MMU Pump serta Oil Shipping Pump di Joint Operating Body Pertamina Petrochina East Java (JOB P-PEJ). [2] Fithri, Prima. Optimasi Preventive Maintenance dan Penjadwalan Penggantian Komponen mesin Kompressor dengan Menggunakan Mixed Integer Non Linear Programming dari Kamran Thesis: Program Pascasarjana Teknik Industri, Universitas Indonesia, Salemba. 2010. Pada penelitian tersebut dicari sebuah solusi untuk menyelesaikan masalah penjadwalan pemeliharaan yang optimal pada mesin kompressor dengan menggunakan Mixed Integer Non Linear Programming dari Kamran S. Moghaddam and John S. Usher (2010). Model Kamran ini mempertimbangkan faktor perbaikan seperti biaya kerusakan, replacement, dan biaya lain dalam proses maintenance dengan fungsi tujuan meminimalkan biaya dan memaksimalkan keandalan mesin. [3] Tsai, You-Tern. Wang, Kuo-Shong. Teng, Hwei-Yuan. Optimizing Preventive Maintenance for Mechanical Components Using Genetic Algorithms Reliability Engineering & System Safety: Science Direct. 2001. Pada penelitian tersebut dilakukan penjadwalan pemeliharaan secara periodik dengan melakukan preventive maintenance dan preventive replacement untuk mechanical component suatu mesin menggunakan pendekatan mechatronic system berupa Genetic Algorithm. Penjadwalan dibuat dalam jangka waktu yang panjang selama biaya pemeliharaan masih lebih murah daripada biaya untuk membeli mesin yang baru. [4] Safaei, Nima. Banjevic Dragan. Jardine, Andrew K.S.. Multi-objective Simulated Annealing for A Maintenance Workforce Scheduling Problem: A Case Study Simulated Annealing, I-Tech Education and Publishing: Vienna, Austria. 2008. hal 27-48. Pada panelitian tersebut dilakukan optimasi penjadwalan tenaga kerja pada bagian maintenance dengan Multi-objective Simulated Annealing (MOSA) untuk meminimalkan biaya tenaga kerja dan memaksimalkan ketersediaan dari equipment yang digunakan. Penggunaan metode MOSA dikarenakan dalam optimasi ini tidak hanya menyangkut tentang penjadwalan mesin, tetapi penjadwalan tenaga kerja yang melakukan pemeliharaan terhadap mesin tersebut. [5] Sohrabi, Babak. A Comparison Between Genetic Algorithm and Simulated Annealing Performance in Preventive Part Replacement Management Knowledge: University of Tehran. 2006. Pada penelitian tersebut dilakukan investigasi terhadap kemampuan Genetic Algorithm dan Simulated Annealing untuk optimasi penjadwalan penggantian komponen. Hasil investigasi kemudian dibandingkan dengan kriteria berupa quality of solution and computation time, code difficulty and ease of implementation, flexibility, simplicity and analyzability, dan robustness. [6] Dahal, Keshav P.. Chakpitak, Nopasit. Generator Maintenance Scheduling in Power Systems Using Metaheuristic-based Hybrid Approaches Electrical Power Systems Research: Science Direct. 2006. Pada penelitian tersebut dilakukan optimasi jadwal pemeliharaan dengan teknik yang lebih efisien. Teknik yang digunakan yaitu dengan melakukan hibridaisasi Genetic Algorithm dengan Simulated Annealing (GA/SA) dan GA/SA dengan Heuristic Hybrid Approaches (GA/SA/Combines). Dimana GA/SA hybrid menggunakan kriteria penerimaan probabilistik dari SA dalam GA framework, sedangkan GA/SA/Combine menggunakan kombinasi heuristic approaches dalam GA/SA hybrid untuk pembenihan initial solution. [7] Dahal, K.P.. Burt, G.M.. McDonald, J.R.. Galloway, S.J.. GA/SA Hybrid Techniques for The Scheduling of Generator Maintenance in Power System Rolls-Royee University Technology Centre: Department of Electrical and Electronic Engineering, University of Strathclyde, Glasgow. 2000. Pada penelitian tersebut menggunakan Hybrid Genetic Algorithm Simulated Annealing (GA/SA) untuk penjadwalan pemeliharaan generator. Penerapan metode GA/SA dilakukan dengan memasukkan kriteria penerimaan probabilistik dari SA dalam GA framework. Hasilnya menunjukkan bahwa GA/SA memberikan solusi yang lebih efektif daripada penerapan GA atau SA secara tunggal. IX. Teori Penunjang 9.1. Shipping Pump Dalam melakukan aktivitas produksinya, JOB P-PEJ hanya menghasilkan minyak mentah yang kemudian dikirmkan ke refinery unit melalui FSO untuk diolah menjadi bahan bakar siap pakai. Terminal FSO berada di tengah laui utara pantai Palang Tuban dengan jarak sekitar 55,5 km dari CPA. Minyak mentah dari CPA harus dipompakan dengan tekanan tinggi untuk menghasilkan flow rate yang cukup agar mampu mencapai terminal FSO [1]. Proses pemompaan ini dilakukan oleh shipping pump dan menjadi unit terakhir dari proses hasil produksi di CPA. Unit ini menjadi bagian yang sangat critical dalam proses produksi di CPA, karena modal yang ditanamkan pada unit tersebut sangat besar dan kerusakannya akan menghentikan seluruh proses produksi [5,6]. Sehingga JOB P-PEJ memasang 3 electrical motor shipping pump, serta 2 diesel engine shipping pump sebagai redundant (cadangan). Gambar 1. (a) Diesel Engine Shipping Pump (b) Electrical Motor Shipping Pump Dengan jumlah yang banyak diharapkan availability (ketersediaan) unit ini akan menjadi tinggi. Namun konsekuensi yang harus diterima yaitu LCC dari unit tersebut juga semakin tinggi. Untuk itu, kegiatan pemeliharaan harus dilakukan secara optimal untuk menekan total cost dengan hasil reliability maksimal. Dimana JOB P-PEJ telah memilih strategi PM untuk melakukan pemeliharaan secara berkala terhadap setiap shipping pump. 9.2. Preventive Maintenance (PM) Terdapat banyak cara untuk melakukan pemeliharaan terhadap peralatan dan mesin di industri. Salah satu diantarannya adalah Preventive Maintenance (PM), dimana pemeliharaan dilakukan untuk mencegah konsekuensi kegagalan pada tingkat komponen maupun tingkat pabrik [2]. PM sendiri dapat dibedakan menjadi 2 macam, yaitu routine maintenance dan periodic maintenance. Routine maintenance (pemeliharaan rutin) merupakan kegiatan pemeliharaan yang dilakukan secara rutin setiap hari, seperti pembersihan fasilitas atau peralatan, pelumasan atau pengecekan oli, pengecekan isi bahan bakar, dan pemanasan (warming up) selama beberapa menit sebelum mesin dinyalakan. Sedangkan periodic a b maintenance (pemeliharaan periodik) dilakukan secara berkala dalam jangka waktu tertentu, sehingga dibutuhkan sistem penjadwalan yang harus ditentukan sebelumnya. Gambar 2. Performansi Alat atau Mesin yang Dilakukan PM dan Tanpa PM [6] 9.3. Distribusi Data Kerusakan Hal terpenting yang harus diperhatikan dalam melakukan penjadwalan PM yaitu distribusi data kerusakan mesin. Pencatatan waktu kerusakan menjadi wajib dilakukan jika perusahaan menghendaki PM pada suatu mesin tertentu. Sebuah mesin akan melalui siklus kerusakan seperti yang ditunjukkan oleh Bath Tube Curve. Gambar 2. Bath Tube Curve Mesin yang baru dioperasikan (Burn in) mempunyai tingkat kerusakan agak tinggi kemudian menurun secara cepat. Hal ini dapat dikarenakan operator belum terbiasa dengan mesin tersebut dan/atau pengaturan mesin masih belum sesuai dengan proses. Kemudian setelah semuanya normal, kerusakan pada mesin akan bersifat acak (Useful life). Fokus pemeliharaan mesin adalah pada bagian ini. Dan karena kerusakan bersifat acak, maka dilakukan pendekatan statistik untuk menentukan waktu perawatan yang tepat. Selanjutnya, pada masa tertentu mesin akan mengalami kerusakan yang semakin lama semakin tinggi (Wear out) karena keusangan. Pengolahan data kerusakan suatu mesin akan menghasilkan sebuah distribusi tertentu yang menunjukkan karakteristik kerusakannya. Karakteristik tersebut selanjutnya digunakan sebagai dasar penjadwalan pemeliharaan mesin. Distribusi yang paling sering dijumpai pada data kerusakan sebuah mesin sejenis pompa adalah distribusi Weibull, Normal, Lognormal, dan Exponential. a. Distribusi Weibull Distribusi Weibull umumnya didapati pada distribusi data kerusakan komponen mekanik. Pendekatan data kerusakan menggunakan distribusi ini sering dilakukan karena mencakup ketiga fase kerusakan seperti pada Bath Tube Curve. Terdapat dua parameter karakteristik dari distribusi ini, yaitu shape parameter () yang menentukan bentuk kurva distribusi kerusakan dan scale parameter () yang menentukan seberapa tinggi kerusakan yang terjadi. Gambar 3. Kurva Distribusi Weibull (a) Shape Parameter (b) Scale Parameter b. Distribusi Lognormal Distribusi Lognormal bisa memiliki berbagai macam bentuk, sehingga seringkali data kerusakan berdistribusi Weibull juga sesuai dengan distribusi ini. Karakteristik dari distribusi Lognormal ditentukan oleh shape parameter (s) sebagai penentu bentuk kurva dan location parameter (tmed) yang merupakan median dari time to failure. Gambar 4. Kurva Distribusi Lognormal c. Distribusi Normal Distribusi data kerusakan yang sesuai dengan distribusi Normal yaitu fenomena keausan pada mesin. Parameter yang mentukan karakteristiknya yaitu median () atau nilai tengah dan standard deviation (). Gambra 5. Kurva Distribusi Normal a b d. Distribusi Exponential Distribusi Exponential merupakan distribusi dari data kerusakan dengan laju yang konstan atau tetap terhadap waktu, artinya probabilitas kerusakan tidak tergantung pada umur alat. Parameter dari karakteristik distribusi ini adalah hazard rate () yang menujukkan rata-rata kedatangan kerusakan yang terjadi. Gambar 6. Kurva Distribusi Exponential 9.4. Persamaan Dasar Pelaksanaan PM pada suatu mesin dilakukan berdasarkan perhitungan statistik dan stokastik terhadap data waktu kerusakan yang dialami oleh mesin tersebut untuk mengetahui nilai-nilai sebagai berikut: a. Reliability Reliability (keandalan) adalah probabilitas dari suatu item untuk dapat melaksanakan fukngsi yang telah ditetapkan pada kondisi pengoperasian dan lingkungan tertentu untuk periode waktu yang telah ditentukan [7]. Perhitungan nilai keandalan dari suatu item (mesin) tergantung pada distribusi kerusakannya. Distribusi Weibull ( ) ( ) Dimana: Distribusi Lognormal ( ) ( ) Dimana: Distribusi Normal ( ) ( ) Dimana: Distribusi Exponential ( ) (9.1) (9.2) (9.3) (9.4) Dimana: b. Mean Time to Failure Mean Time to Failure (MTTR) merupakan rata-rata selang waktu kerusakan dari suatu distribusi dimana waktu ini merupakan ekspektasi terjadinya kerusakan dari unit-unit identik yang beroperasi secara normal. ( ) ( ) ( ) c. Mean Time to Repair Mean Time to Repair (MTTR) merupakan rata-rata waktu untuk menyelesaikan perbaikan pada mesin yang rusak hingga dapat beroperasi kembali. Dalam menghitungnilai MTTR perlu diperhatikan distribusi perbaikannya. ( ) ( ( )) Dimana: ( ) adalah fungsi kepadatan peluang untukTTR ( ) adalah fungsi distribusi komulatif untuk TTR 9.5. Genetic Algorithm (GA) Genetic Algorithm (GA) merupakan sebuah teknik optimasi yang didasarkan pada mekanisme genetika dan evolusi secara alami yang dapat digunakan untuk menyelesaikan permasalahan-permasalahan rumit [8]. GA sangat berguna dan efisien untuk masalah dengan karakteristik sebagai berikut: a. Ruang masalah sangat besar, kompleks, dan sulit dipahami. b. Kurang pengetahuan yang memadai untuk merepresentasikan masalah ke dalam ruang pencarian yang lebih sempit. c. Tidak tersedianya analisis matematika yang memadai. d. Ketika metode konvensional sudah tidak mampu menyelesaikan masalah yang dihadapi. e. Solusi yang diharapkan tidak harus optimal, tetapi cukup bagus ata bisa diterima. f. Terdapat batasan waktu, misalnya real time system. Pada dasarnya untuk membangun GA diperlukan 7 komponen algoritma [9], yaitu: a. Skema pengkodean Terdapat 3 skema pengkodean yang paling umum digunakan, Real number encoding, yaitu nilai gen berada dalam interval [0,R] dimana R adalah bilangan real positifb dan biasanyabernilai 1. Discrete decimal encoding, dimana setiap gen bisa bernilai salahsatu bilangan bulat dalam interval [0,9] Binary encoding, dimana setiap gen hanya bisa bernilai 0 atau 1. b. Nilai fitness Suatu individu dievaluasi berdasarkan fungsi tertentu sebagai ukuran performansinya. Di dalam evolusi alam, individu yang bernilai fitness tinggi yang akan bertahan hidup. Sedangkan yang bernilai fitness rendah akan mati. Pada masalah optimasi, jika solusi yang dicari adalah memaksimalkan sebuah fungsi h (dikenal sebagai masalah maksimasi), maka nilai fitness yang digunakan adalah nilai dari fungsi h tersebut, yakni f = h (dimana f adalah nilai fitness). Tetapi jika masalahnya adalah meminimalkan fungsi h (masalah minimasi), maka fungsi h tidak bisa digunakan secara langsung. Hal ini disebabkan karena (9.5) (9.6) adanya aturan individu yang memiliki nilai fitness tinggi lebih mampu bertahan hidup pada generasi berikutnya.Oleh karena itu, nilai fitness yang bisa digunakan adalah f = 1/h, yang artinya semakin kecil nilai h, semakin besar nilai f. Tetapi hal ini akan menjadi maslah jika h dapat bernilai 0. Sehingga ditambahkan sebuah bilangan yang dianggap sangat kecil dan menjadikan nilai fitness didefinisikan menjadi: ( ) c. Seleksi orang tua Pemilihan dua buah kromosom sebagai orang tua yang akan dipindahsilangkan biasanya dilakukan secara proporsional sesuai dengan nilai fitness. Metode seleksi yang umum digunakan adalah roulette-wheel dimana masing-masing kromosom menempati potongan lingkaran pada roulette-wheel dengan luas secara proporsional berdasarkan nilai fitness. Gambar 7. Metode Seleksi Roylette-wheel d. Crossover Sebuah kromosom yang mengarah pada solusi yang bagus bisa diperoleh dari proses memindah-silangkan (crossover) dua buah kromosom. Gambar 8. Ilustrasi Proses Pindah Silang (9.7) e. Mutasi Untuk semua gen yang ada, jika bilangan random yang dibangkitkan kurang dari probabilitas mutasi (Pmut) yang ditentukan, maka gen tersebut harus diubah menjadi nilai kebalikannya. (dalam binary encoding, 0 diubah 1, dan 1 diubah 0). Biasanya Pmut diatur sebagai 1/n, dimana n adalah jumlah gen dalam kromosom. Gambar 9. Ilustrasi Proses Mutasi f. Elitisme Karena seleksi pada GA dilakukan secara random, maka tidak ada jaminan bahwa individu bernilai fitness tertinggi akan selalu terpilih. Jika terpilih, mungkin individu tersebut akan rusak (nilai fitness menurun) karena proses pindah silang. Maka, individu tersebut harus digandakan satu lagi atau beberapa, prosedur inilah yang dinamakan elitisme. g. Penggantian populasi Skema pergantian populasi atau generational replacement dapat dilakukan dalam GA meskipun hanya mengganti satu individu saja dalam sebuah populasi. Agar jumlah individu dalam populasi tetap sama, maka dalam skema penggantian harus ada individu yang dihilangkan, bisa dipilih individu yang paling tua atau individu dengan fitness paling rendah. 9.6. Simulated Annealing (SA) Simulated Annealing (SA) merupakan penganalogian proses pendinginan logam yang dilakukan secara pelan-pelan untuk keperluan optimasi. Sifat terakhir yang dimiliki oleh logam tergantung pada jadwal pendinginannya. Jika didinginkan dengan terlalu cepat, maka sifat logam akan mudah rusak karena strukturnya yang tidak sempurna. Ketika menyelesaikan permaslahan optimasi menggunakan metode SA, yang perlu dipahami terlebih dahulu adalah analogi-analogi fisis sebagai berikut [10]: Tabel 1. Analogi Sistem Fisis dengan Proses Optimasi SA SA pada dasarnya hanya terdiri dari tiga langkah utama, yaitu memperbaharui solusi, mengevaluasi solusi, dan menerima solusi jika memang lebih baik daripada sebelumnya. Secara umum, langkah-langkah dalam SA meliputi [4,11]: a. Evaluasi keadaan awal. Jika keadaan awal merupakan tujuan, maka pencarian berhasil dan KELUAR. Jika tidak demikian, lanjutkan dengan menetapkan keadaan awal sebagai kondisi sekarang. b. Inisialisasi BEST_SO_FAR untuk keadaan sekarang. c. Inisialisasi t sesuai dengan annealing schedule. d. Kerjakan hingga solusi ditemukan atau sudah tidak ada lagi operator baru yang akan diaplikasikan ke kondisi sekarang. Gunakan operator yang belum pernah digunakan untuk menghasilkan kondisi baru. Evaluai kondisi yang baru dengan menghitung nilai sekarang dikurangi nilai keadaan baru. - Jika kondisi baru merupakan tujuan, maka pencarian berhenti dan KELUAR. - Jika bukan tujuan, namun memiliki nilai yang lebih baik daripada kondisi sekarang, maka tetapkan kondisi baru sebagai kondisi sekarang. Demikian pula BEST_SO_FAR untuk kondisi yang baru tadi. - Jika nilai kondisi baru tidak lebih baik daripada kondisi sekarang, maka tetapkan kondisi baru sebagai kondisi sekarang dengan probabilitas . Langkah ini biasanya dikerjakan dengan membangkan suatbilangan random r pada range [0 1]. Jika , maka perubahan kondisi baru menjadi kondisi sekarang diperbolehkan, Namun jika tidak demikian, maka tidak akan dikerjakan apapun. e. BEST_SO_FAR adalah jawaban yang dimaksudkan. Gambar 10. Proses Iterasi Algoritma SA Dari algoritma tersebut, secara umum terdapat 3 hal yang patut diperhatikan dalam penerapan algoritma SA, yaitu: a. Nilai awal untuk temperatur (T0) Nilai ini biasanya ditetapkan cukup besar, karena jika T mendekati 0 maka gerakan SA akan sama dengan gerakan Hill Climbing. b. Kriteria yang digunakan untuk memutuskan apakah temperature sistem seharusnya dikurangi. c. Berapa besarnya pengurangan temperatur dalam setiap waktu. Berdasarkan penelitian yang pernah dilakukan [12], algoritma SA memiliki beberapa keunggulan yang tidak ada pada GA, diantaranya yaitu: a. Algoritma SA mampu melakukan proses komputasi lebih cepat daripada GA. b. Algoritma SA lebih mudah dimengerti daripada GA dalam pengkodean. c. Algoritma SA dapat dengan mudah mengendalikan perubahan pada objective function, sedangakn GA harus menggunakan fitness function. d. Algoritma SA tetap mudah dianalisis ketika dilakukan pensederhanaan. 9.7. Hybrid Genetic Algorithm Simulated Annealing (GA/SA) Baik GA maupun SA, masing-masing mempunyai kelebihan yang berbeda. Dimana kelebihan GA sebagaian besar merupakan kekurangan SA, begitu pula sebaliknya. Hal ini menimbulkan sebuah pemikiran untuk mengkombinasikan antara GA dengan SA (GA/SA) agar menghasilkan optimasi yang lebih optimal, karena keduanya saling menutupi kekurangan masing-masing. Proses hibridisasi dilakukan dengan memasukkan kriteria penerimaan probabilistik dari SA dalam GA framework [13]. Dimana algoritma hibridisasi GA/SA adalah sebagai berikut: Gambar 11. Algoritma Hybrid GA/SA 9.8. Masalah Optimasi Pemeliharaan mesin menjadi agenda wajib bagi perusahaan agar proses produksi tetap berjalan lancer. Semakin sering dilakukan pemeliharaan, maka keandalan mesin menjadi semakin bagus, namun biaya yang dibutuhkan akan semakin meningkat. Sebaliknya, ketika biaya pemeliharaan dikurangi akan berakibat penurunan keandalan mesin secara drastis. Pola pemeliharaan yang optimal perlu dicari agar antara biaya pemeliharaan bisa seimbang pada total cost yang paling minimal dengan hasil keandalan mesin diperoleh paling maksimal. Untuk menghitung total cost dapat dilakukan dengan persamaan berikut: a. Failure cost ( ) b. Preventive cost ( ) * ( )+ { ( ( ))}* ( )+ { ( ( ))} (9.8) (9.9) Dimana: adalah biaya failure (biaya teknisi + Biaya kehilangan produksi + biaya komponen) x Tf adalah nilai MTTF adalah biaya siklus preventive biaya teknisi x Tp adalah interval waktu preventive maintenance ( ) adalah peluang keandalan yang diharapkan X. Metodologi Penelitian Penyelesaian penelitian Tugas Akhir ini dilakukan melalui beberapa tahapan sebagai berikut: 1. Studi Literatur Untuk membuka wawasan penulis terhadap perkembangan penelitian yang hampir serupa, maka dilakukan studi literatur terhadap beberapa jurnal penelitian untuk mencari sebuah inovasi baru. Studi literatur juga dilakukan melalui bebrapa buku dan melakukan konsultasi secara langsung ke perusahaan (JOB P-PEJ) dengan Supervisor Construction and Maintenance Department agar pengolahan data bisa sesuai dengan kondisi di lapangan. 2. Pengumpulan Data Data diperoleh dari pencatatan pemeliharaan shipping pump oleh Construction and Maintenance Department JOB P-PEJ selama pelaksanaan program Kerja Praktek pada bulan September 2013. 3. Pengolahan Data Rekap data pemeliharaan dari JOB P-PEJ yang masih tercampur, kemudian diklasifikasikan berdasarkan jenis alat, kerusakan, dan waktu kerusakannya. Hasil tersebut selanjutnya diolah menggunakan metode statistik untuk menghitung reliability, MTTF, dan MTTR. 4. Implementasi Metode Optimasi Metode optimasi yang digunakan adalah Hybrid Genetic Algorithm Simulated Annealing dengan menggunakan bantuan software MATLAB. 5. Analisis Hasil Optimasi Dilakukan analisis terhadap hasil optimasi untuk mengetahui baik tidaknya hasil yang diperoleh. 6. Penyusunan dan Penulisan Laporan Tugas Akhir XI. Jadwal Kegiatan Kegiatan penelitian Tugas Akhir ini akan dilaksanakan dalam jangka waktu 6 bulan denganrincian sebagai berikut: No. KEGIATAN BULAN 1 2 3 4 5 6 1. Studi Literatur Jurnal penelitian serupa Buku referensi tentang maintenance dan optimasi Konsultasi dengan supervisor, engineer, dan operator JOB P-PEJ tentang shipping pump 2. Pengumpulan Data Rekap data maintenance shipping pump dari JOB P-PEJ Operating manual shipping pump JOB P-PEJ Inspeksi langsung ke lapangan 3. Pengolahan Data Pemilihan data maintenance Penghitungan reliability, MTTF, dan MTTR 4. Implementasi Metode Optimasi GA/SA 5. Analisis Hasil Optimasi 5. Penyusunan dan Penulisan Laporan Tugas Akhir XII. Daftar Pustaka [1] Fatimah, Ai Siti. 2004. Laporan Praktek Kerja Lapangan: Proses Produksi Di Lapangan Mudi. Yogyakarta: Jurusan Teknik Perminyakan Universitas Proklamasi 45. [2] Soetadji, Prabowo. 2012. Preventive and Predictive Maintenance (PM & PdM). P.T. Indotrain Consultant. [3] Ebeling, Charles E.. 1997. Reliability and Maintainability Engineering. Singapore: McGraw-Hill International Edition. [4] Kusumadewi, Sri. Purnomo, Hari. 2005. Penyelesaian Masalah Optimasi dengan Teknik-teknik Heuristik. Yogyakarta: Graha Ilmu. [5] Nursubiyantoro, Eko. Triwiyanto. Sistem Manajemen Perawatan Unit MMU Pump dan Oil Shipping Pump. Yogyakarta: Industrial Engineering Conference (IEC). 2012. [6] Fithri, Prima. Optimasi Preventive Maintenance dan Penjadwalan Penggantian Komponen mesin Kompressor dengan Menggunakan Mixed Integer Non Linear Programming dari Kamran. Salemba: Thesis Program Pascasarjana Teknik Industri Universitas Indonesia. 2010. [7] Priyanta, Dwi. Keandalan dan Perawatan. Surabaya: Modul Ajar Jurusan Teknik Sistem Perkapalan Institut Teknologi Sepuluh Nopember. 2000. [8] Tsai, You-Tern. Wang, Kuo-Shong. Teng, Hwei-Yuan. Optimizing Preventive Maintenance for Mechanical Components Using Genetic Algorithms. Reliability Engineering & System Safety: Science Direct. 2001. [9] Suyanto. Algoritma Genetika dalam MATLAB. Yogyakarta: Andi. 2005. [10] Hidayanto, Akhmad. Omar Moeis, Armand. Komarudin. Sukoco, Oscar Sriloka. Konsep dan Penjelasan Pustaka Simulated Annealing untuk Menyelesaikan Permaslahan Tata Letak Mesin. Depok: Universitas Indonesia. 2013. [11] Safaei, Nima. Banjevic Dragan. Jardine, Andrew K.S.. Multi-objective Simulated Annealing for A Maintenance Workforce Scheduling Problem: A Case Study Simulated Annealing, I-Tech Education and Publishing: Vienna, Austria. 2008. hal 27-48. [12] Sohrabi, Babak. A Comparison Between Genetic Algorithm and Simulated Annealing Performance in Preventive Part Replacement Management Knowledge. Tehran: University of Tehran. 2006. [13] Dahal, Keshav P.. Chakpitak, Nopasit. Generator Maintenance Scheduling in Power Systems Using Metaheuristic-based Hybrid Approaches Electrical Power Systems Research: Science Direct. 2006. [14] Dahal, K.P.. Burt, G.M.. McDonald, J.R.. Galloway, S.J.. GA/SA Hybrid Techniques for The Scheduling of Generator Maintenance in Power System Rolls-Royee University Technology Centre: Department of Electrical and Electronic Engineering, University of Strathclyde, Glasgow. 2000.

Recommended

View more >