Bagaimana jika sebuah pabrik dapat menyesuaikan jadwal produksinya secara cerdas ketika mesin mengalami kerusakan atau jumlah tenaga kerja berkurang? Perkembangan kecerdasan buatan (Artificial Intelligence/AI) membuka peluang untuk menjawab tantangan tersebut melalui sistem penjadwalan produksi yang mampu memprediksi durasi pekerjaan, mengambil keputusan secara adaptif, dan mengevaluasi berbagai kemungkinan kondisi operasional sebelum diterapkan di lapangan.
Dalam industri manufaktur, penjadwalan produksi bukan sekadar menentukan pekerjaan mana yang harus diselesaikan terlebih dahulu. Setiap tugas memiliki durasi, kebutuhan mesin, kompetensi operator, dan ketergantungan terhadap pekerjaan lainnya. Ketika satu mesin berhenti beroperasi atau jumlah pekerja berkurang, jadwal yang sebelumnya optimal dapat menjadi tidak efektif. Akibatnya, waktu penyelesaian produksi bertambah dan pemanfaatan sumber daya menurun.
Sistem penjadwalan konvensional, seperti First-Come, First-Served (FCFS), umumnya mengutamakan urutan kedatangan pekerjaan. Pendekatan ini mudah dipahami, tetapi belum tentu mampu merespons perubahan kondisi secara optimal. Karena itu, diperlukan sistem yang tidak hanya mengikuti aturan tetap, tetapi juga dapat mempelajari pola data dan menyesuaikan keputusan berdasarkan situasi yang dihadapi.
Menggabungkan Empat Teknologi untuk Penjadwalan Cerdas
Penelitian berjudul “Enhancing Production Efficiency Through Smart Scheduling: A Deep Learning and Simulation-Based Approach” mengembangkan kerangka penjadwalan cerdas dengan mengintegrasikan empat pendekatan, yaitu Deep Learning (DL), Reinforcement Learning (RL), Agent-Based Simulation (ABS), dan Discrete Event Simulation (DES).
DL digunakan untuk memprediksi durasi penyelesaian tugas berdasarkan data historis, termasuk jenis pekerjaan, spesifikasi mesin, tingkat keterampilan operator, dan waktu penyelesaian sebelumnya. Prediksi ini menjadi masukan penting agar jadwal produksi disusun berdasarkan perkiraan durasi pekerjaan yang lebih informatif.
Selanjutnya, RL berperan sebagai pengambil keputusan adaptif. Melalui interaksi dengan lingkungan simulasi, sistem mempelajari kebijakan penjadwalan untuk mengurangi waktu penyelesaian keseluruhan produksi sekaligus menekan waktu menganggur sumber daya. Penelitian ini menggunakan algoritma Proximal Policy Optimization (PPO) untuk mempelajari kebijakan tersebut.
Dua pendekatan simulasi melengkapi proses ini. ABS memodelkan perilaku dan interaksi agen individual, seperti mesin dan operator. Sementara itu, DES merepresentasikan aliran proses berdasarkan kejadian, misalnya dimulainya pekerjaan, selesainya operasi, kerusakan mesin, dan ketersediaan kembali sumber daya. Integrasi keduanya memungkinkan keputusan penjadwalan dievaluasi dalam lingkungan yang merepresentasikan dinamika produksi.
Efisiensi Meningkat dalam Tiga Skenario
Kinerja sistem diuji melalui simulasi menggunakan dataset sintetis yang terdiri atas 50 tugas unik, dengan karakteristik yang disusun berdasarkan kondisi operasional sebuah perusahaan manufaktur logam di Surabaya. Pengujian dilakukan pada tiga skenario dan dibandingkan dengan metode penjadwalan FCFS.
Pada kondisi operasi normal, sistem menghasilkan penurunan makespan sebesar 15% dan peningkatan utilisasi sumber daya sebesar 10%. Makespan merupakan total waktu yang diperlukan untuk menyelesaikan seluruh rangkaian pekerjaan, sedangkan utilisasi sumber daya menunjukkan proporsi waktu mesin dan operator yang digunakan untuk kegiatan produktif.
Pada skenario peningkatan permintaan sebesar 30% disertai simulasi kerusakan pada 20% mesin, penurunan makespan mencapai 20%, dengan peningkatan utilisasi sumber daya sebesar 13%. Sementara itu, pada kondisi ketersediaan operator berkurang 25%, sistem menghasilkan penurunan makespan sebesar 12% dan peningkatan utilisasi sebesar 8%.
Hasil tersebut menunjukkan bahwa integrasi AI dan simulasi berpotensi membantu sistem produksi merespons perubahan operasional secara lebih adaptif. Namun, angka-angka tersebut merupakan hasil eksperimen simulasi, bukan pengukuran penghematan biaya atau peningkatan produktivitas yang telah dibuktikan melalui penerapan langsung di pabrik.
Dari Simulasi Menuju Implementasi Industri
Meskipun menjanjikan, penjadwalan berbasis AI masih menghadapi sejumlah tantangan. Akurasi keputusan sangat bergantung pada kualitas data dan kemampuan simulasi merepresentasikan kondisi nyata. Sistem juga perlu dikembangkan agar mampu menangani lingkungan produksi yang lebih besar dan mempertimbangkan beberapa tujuan sekaligus, seperti waktu penyelesaian, biaya, energi, dan ketepatan pengiriman.
Tahap berikutnya adalah memvalidasi model menggunakan catatan aktivitas produksi aktual atau shop-floor event logs, kemudian menguji prototipe dalam operasional industri. Langkah ini penting untuk memastikan bahwa peningkatan kinerja dalam simulasi juga dapat diwujudkan pada kondisi nyata.
Pada akhirnya, masa depan manufaktur cerdas tidak hanya ditentukan oleh kemampuan mesin bekerja secara otomatis, tetapi juga oleh kemampuan sistem dalam membuat keputusan yang tepat ketika kondisi berubah. Integrasi Deep Learning, Reinforcement Learning, dan simulasi menawarkan salah satu pendekatan untuk mencapai tujuan tersebut. Dengan validasi yang memadai dan penerapan yang terukur, penjadwalan cerdas berpotensi menjadi bagian penting dari transformasi industri menuju produksi yang lebih efisien, adaptif, dan berkelanjutan.
AIP untuk E-IPKI
Detail artikel:
Judul : Enhancing Production Efficiency Through Smart Scheduling: A Deep Learning and Simulation-based Approach
DOI: 10.24507/icicelb.17.10.1063
Authors: Yutika Amelia Effendi, Minsoo Kim
http://www.icicelb.org/ellb/contents/2026/10/elb-17-10-12.pdf
Teknik Robotika dan Kecerdasan Buatan, FTMM UNAIR
Email/Kontak: yutika.effendi@ftmm.unair.ac.id/ 082301787770
