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. Ya’umar, 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 (β) yang menentukan bentuk kurva distribusi

kerusakan dan scale parameter (θ) 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 (μ) atau nilai tengah

dan standard deviation (σ).

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 (λ) 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.