LPPMUNSERALPPMUNSERA

Jurnal Sistem dan Manajemen IndustriJurnal Sistem dan Manajemen Industri

Penelitian ini bertujuan mengatasi tantangan optimasi yang kompleks pada perencanaan urutan pemotongan (CUT) dalam industri pakaian, dengan menekankan konsumsi kain, efisiensi komputasi, dan akurasi produksi. Tiga pendekatan optimasi dibandingkan: Adaptive Heuristic Scoring Optimizer (AHOPS), Hybrid Metaheuristic Optimization dengan Simulated Annealing (HIMOSA), dan Gradient-Based Penalty-Driven (GBPD). Hasil menunjukkan metode GBPD mencapai pemanfaatan kain tertinggi (87,13%), jumlah lapisan kain paling sedikit (12), dan efisiensi komputasi maksimum (0,022 detik), secara signifikan melampaui metode konvensional maupun pendekatan lanjutan lainnya. Sebaliknya, AHOPS dan HIMOSA memerlukan lebih banyak lapisan (15) dan menghasilkan pemanfaatan kain yang lebih rendah (sekitar 69,70%), dengan HIMOSA menunjukkan kebutuhan komputasi yang jauh lebih besar (0,527 detik). Mekanisme penilaian heuristik adaptif serta kombinasi gradient descent dan prediksi pembelajaran mesin, yang berhasil menangani kesulitan kombinatorial COP, menjadi faktor utama kinerja luar biasa GBPD. Temuan ini memberikan informasi berharga bagi produsen yang mencari solusi optimasi skalabel dan efektif, serta menunjukkan potensi penelitian lanjutan, seperti memperluas aplikasi GBPD ke skenario produksi yang lebih kompleks dan meningkatkan model pembelajaran mesin untuk efisiensi serta adaptabilitas yang lebih tinggi.

Penelitian ini membandingkan tiga pendekatan optimasi cut order planning, yaitu AHOPS, HIMOSA, dan GBPD, dan menunjukkan bahwa GBPD secara signifikan melampaui metode lain serta standar industri tradisional dengan pemanfaatan kain maksimum sebesar 87,13%, hanya 12 lapisan diperlukan, dan efisiensi komputasi 0,022 detik.Keunggulan GBPD terletak pada mekanisme adaptif yang menyeimbangkan penggunaan kain, presisi produksi, dan kecepatan, sehingga mengurangi limbah material dan biaya produksi secara efektif.Penelitian selanjutnya disarankan untuk memperluas GBPD ke skenario produksi yang lebih besar dan kompleks, mengintegrasikan fitur adaptasi waktu nyata, serta meningkatkan komponen pembelajaran mesin untuk hasil yang lebih optimal.

Penelitian selanjutnya dapat mengeksplorasi bagaimana metode GBPD dapat dimodifikasi untuk menangani kendala multi‑warna kain pada skala produksi besar, sehingga meningkatkan keberlanjutan dan efisiensi material. Selanjutnya, penting untuk mengembangkan kerangka kerja GBPD yang mampu beradaptasi secara real‑time terhadap perubahan permintaan order menggunakan pembelajaran online, sehingga mempercepat respon produksi terhadap fluktuasi pasar. Akhirnya, penelitian dapat menyelidiki dampak penerapan model pembelajaran mesin yang lebih maju, seperti jaringan saraf dalam, sebagai inisialisasi GBPD untuk meningkatkan kualitas solusi dan mempercepat konvergensi pada masalah optimasi yang lebih kompleks.

  1. Evolutionary Algorithms for Optimization Sequence of Cut in the Laser Cutting Path Problem. evolutionary... mdpi.com/2076-3417/13/18/10133Evolutionary Algorithms for Optimization Sequence of Cut in the Laser Cutting Path Problem evolutionary mdpi 2076 3417 13 18 10133
Read online
File size700.03 KB
Pages15
DMCAReport

Related /

ads-block-test