Pendahuluan

PT XYZ merupakan perusahaan manufaktur yang berfokus pada produksi karung plastik industri berkualitas tinggi, salah satunya Cement Bag yang digunakan secara luas pada sektor konstruksi dan logistik. Proses produksi di perusahaan ini bersifat terintegrasi, dimulai dari tahap extruction, yaitu pencairan bahan baku Polypropylene (PP) atau Polyethylene (PE) menjadi benang (tape yarn), dilanjutkan dengan proses weaving menggunakan mesin circular loom, kemudian coating dengan lapisan LDPE untuk meningkatkan ketahanan, serta tahap printing, cutting, dan sewing hingga menghasilkan produk akhir berkapasitas 40–50 kg. Kompleksitas alur produksi ini memerlukan pengelolaan penjadwalan yang akurat untuk memastikan setiap tahapan berjalan selaras dalam kerangka waktu yang efisien.

Sistem produksi yang diterapkan PT XYZ berbasis Make To Order (MTO), sehingga permintaan pelanggan cenderung fluktuatif dalam jumlah dan waktu pemesanan [1]. Kondisi ini menuntut sistem penjadwalan produksi yang adaptif dan mampu menyeimbangkan beban kerja antar stasiun produksi. Namun, praktik penjadwalan yang ada masih bersifat manual dan statis, hanya mengandalkan urutan tetap berdasarkan kebiasaan kerja terdahulu [2]. Hal tersebut berdampak pada munculnya bottleneck di sejumlah stasiun, tingginya waktu tunggu antar proses, dan akumulasi makespan yang melebihi target penyelesaian produksi [3]. Keterlambatan ini tidak hanya menimbulkan potensi ketidakpuasan pelanggan, tetapi juga meningkatkan biaya operasional akibat penggunaan sumber daya yang tidak optimal [4].

Permasalahan penjadwalan yang kompleks pada sistem produksi multiproses seperti di PT XYZ menjadi tantangan tersendiri. Metode konvensional seperti heuristic scheduling dan linear programming memiliki keterbatasan dalam menangani jumlah variabel keputusan yang besar, ketergantungan antar proses, dan dinamika permintaan yang berubah-ubah [5]. Oleh karena itu, dibutuhkan pendekatan optimasi yang lebih fleksibel, mampu mengeksplorasi ruang solusi secara lebih luas, dan tidak terikat pada asumsi matematis yang ketat [6].

Particle Swarm Optimization (PSO) merupakan salah satu metode optimasi berbasis kecerdasan buatan yang dikembangkan dengan inspirasi dari perilaku kolektif populasi dalam mencari solusi terbaik [7]. Dalam konteks penjadwalan produksi, setiap partikel dalam algoritma PSO merepresentasikan alternatif urutan pekerjaan yang dinilai berdasarkan fungsi objektif, seperti minimasi makespan atau waktu tunggu total [8]. Mekanisme pembaruan posisi partikel dilakukan dengan mempertimbangkan pengalaman terbaik individu (personal best) serta informasi terbaik kelompok (global best), sehingga memungkinkan perbaikan solusi secara iteratif hingga tercapai kondisi konvergensi optimal [9].

Keunggulan PSO terletak pada kemampuannya menjelajahi ruang solusi yang sangat besar dengan waktu komputasi relatif cepat, serta sifat adaptif yang sesuai untuk sistem produksi yang dinamis [10]. Studi terdahulu menunjukkan efektivitas PSO dalam menyelesaikan berbagai persoalan penjadwalan produksi. Metode Particle Swarm Optimization (PSO) mampu mengurangi makespan produksi jembatan baja di PT XYZ menjadi 8.394 menit, lebih efisien dibanding metode Longest Processing Time (LPT) [11]. Selain itu, penelitian lain menunjukkan PSO dapat menyelesaikan permasalahan ordered flowshop scheduling dalam waktu eksekusi hanya 28,42 detik, dengan hasil makespan minimum yang signifikan [12]. Temuan ini menegaskan bahwa PSO mampu memberikan solusi penjadwalan yang unggul dalam berbagai industri manufaktur.

Penelitian ini bertujuan untuk mengembangkan dan menerapkan metode Particle Swarm Optimization dalam penjadwalan produksi Cement Bag pada PT XYZ, dengan fokus pada minimasi makespan dan waktu tunggu total. Penerapan PSO diharapkan dapat menghasilkan usulan urutan pekerjaan yang lebih efisien dan seimbang antar stasiun produksi. Dengan demikian, perusahaan dapat meningkatkan utilisasi mesin, mempercepat waktu penyelesaian pesanan, dan memperkuat kapabilitas adaptasi terhadap fluktuasi permintaan pasar. Berbeda dengan penelitian sebelumnya yang umumnya hanya menyoroti makespan sebagai indikator kinerja tunggal, penelitian ini menegaskan novelty pada integrasi dua ukuran performa sekaligus, yaitu makespan dan total waiting time, dalam sistem produksi multiproses Cement Bag. Selain itu, penerapan PSO pada konteks industri karung plastik, khususnya Cement Bag dengan alur produksi enam mesin terintegrasi, belum pernah diteliti secara komprehensif. Dengan demikian, penelitian ini menghadirkan kontribusi baru dalam literatur penjadwalan produksi berbasis kecerdasan buatan yang lebih relevan terhadap kebutuhan industri manufaktur modern.

Metode

Penelitian ini dilaksanakan di PT XYZ, perusahaan manufaktur tenun plastik yang berlokasi di Kabupaten Sidoarjo, Jawa Timur, selama periode Februari 2025 hingga seluruh data yang diperlukan terkumpul secara menyeluruh. Metode penelitian menggunakan pendekatan kuantitatif dengan fokus pada optimasi penjadwalan produksi Cement Bag melalui algoritma Particle Swarm Optimization (PSO). Variabel terikat dalam penelitian ini adalah total waktu penyelesaian produksi (makespan) sebagai ukuran efisiensi sistem, sedangkan variabel bebas meliputi parameter-parameter utama algoritma PSO, yaitu jumlah partikel, iterasi maksimum, inertia weight, kecepatan awal partikel, cognitive learning factor (C1), social learning factor (C2), serta jumlah mesin paralel yang digunakan dalam proses simulasi. Data dikumpulkan melalui kombinasi data primer berupa hasil observasi langsung aktivitas produksi, wawancara mendalam dengan bagian perencanaan produksi, serta survei pendukung, dan data sekunder berupa dokumentasi historis urutan proses kerja, waktu proses per stasiun, serta literatur relevan. Pemilihan nilai parameter PSO didasarkan pada rekomendasi penelitian terdahulu, di mana nilai C1 dan C2 ditetapkan pada kisaran 1,5–2,0 untuk menjaga keseimbangan eksplorasi dan eksploitasi solusi, sementara inertia weight (w) digunakan secara menurun dari 0,9 ke 0,4 guna mendorong pencarian solusi luas di awal iterasi dan memperkuat konvergensi di akhir proses. Jumlah partikel dan iterasi maksimum ditentukan melalui percobaan awal (trial experiment) agar tercapai keseimbangan antara kualitas solusi dan efisiensi komputasi. Seluruh pengolahan data dilakukan dengan perangkat lunak Matlab yang digunakan untuk meminimasi makespan dan waktu tunggu (waiting time) serta menghasilkan usulan urutan pekerjaan optimal, dengan tahapan penelitian dilaksanakan secara sistematis mulai dari identifikasi kebutuhan data, pengaturan parameter, pengujian simulasi, hingga validasi hasil yang keseluruhannya divisualisasikan dalam diagram alir penelitian guna memastikan keterlacakan prosedur secara menyeluruh.

Gambar 1. Diagram Alir Penelitian

Diagram alir penelitian ini diawali dengan identifikasi permasalahan penjadwalan produksi pada PT XYZ yang menyebabkan tingginya penyelesaian (makespan) dan waktu tunggu (waiting time) akibat sistem penjadwalan manual yang belum optimal. Setelah itu dilakukan studi literatur untuk memperoleh dasar teori serta referensi metode yang relevan, dilanjutkan dengan studi lapangan guna memahami kondisi aktual proses produksi Cement Bag serta mengumpulkan data primer dan sekunder terkait urutan proses, waktu proses per mesin, dan data waktu kerja. Selanjutnya, dirumuskan permasalahan, tujuan, batasan, serta manfaat penelitian secara terarah.

Data yang telah dikumpulkan digunakan sebagai dasar penentuan parameter algoritma Particle Swarm Optimization (PSO), seperti jumlah partikel, iterasi maksimum, inertia weight, dan faktor pembelajaran (C₁ dan C₂). Proses implementasi algoritma PSO dilakukan menggunakan perangkat lunak MATLAB dengan tahapan inisialisasi partikel, evaluasi fitness, pembaruan kecepatan dan posisi partikel, serta iterasi hingga mencapai kriteria penghentian (stopping criteria) berupa nilai makespan dan waiting time yang konvergen. Setelah proses optimasi selesai, hasil penjadwalan dievaluasi melalui analisis kinerja algoritma terhadap efisiensi sistem produksi. Penelitian ditutup dengan penarikan kesimpulan dan pemberian saran untuk implementasi di perusahaan maupun pengembangan penelitian selanjutnya.

Hasil dan Pembahasan

A. Proses Produksi Perusahaan

Proses produksi di perusahaan membutuhkan enam jenis mesin produksi, yaitu Extruction, Loom, Printing, Laminating, Cutting, dan Sewing. Untuk menyelesaikan setiap produk, diperlukan 12 tahapan proses kerja untuk 12 jenis produk. Jenis produk dan urutan pengerjaan serta alur produksi perusahaan dapat dilihat pada Tabel 1 dan Gambar 2.

Tabel 1. Jenis Produk dan Urutan Pengerjaan

Gambar 2. Alur Produksi Cement Bag PT XYZ

Gambar 2 menunjukkan alur produksi pada PT XYZ menunjukkan enam tahapan utama yang dilalui setiap unit produk Cement Bag secara berurutan, dimulai dari proses Extruction, yaitu pelelehan Polypropylene (PP) menjadi tape yarn sebagai bahan dasar kain tenun. Tahap berikutnya adalah Loom, yaitu penenunan tape yarn menjadi lembaran kain tubular menggunakan mesin circular loom. Setelah itu, kain dicetak pada tahap Printing dengan mesin flexographic untuk mencantumkan identitas dan informasi produk. Proses Laminating kemudian menambahkan lapisan pelindung LDPE guna meningkatkan ketahanan terhadap kelembaban. Selanjutnya, lembaran kain dipotong pada tahap Cutting sesuai ukuran kapasitas kantong yang ditetapkan. Terakhir, potongan kain dijahit pada tahap Sewing menjadi kantong semen siap pakai sebelum masuk proses inspeksi mutu dan pengemasan. Tiap tahap memiliki waktu proses spesifik yang bervariasi antar job, mencerminkan perbedaan karakteristik dan kompleksitas produk yang diproduksi.

Tabel 2. Waktu Proses Produksi

Tabel 2 menunjukkan waktu proses produksi yang merupakan durasi yang dibutuhkan setiap job untuk diselesaikan pada tiap stasiun kerja [13], mulai dari Extruction hingga Sewing, yang masing-masing memiliki durasi pengerjaan berbeda tergantung jenis pekerjaan (Job) yang sedang diproses. Nilai waktu proses yang didapatkan dalam satuan detik, dengan variasi antar job mencerminkan kompleksitas dan karakteristik produk yang dikerjakan.

B. Penjadwalan Eksisting Perusahaan

Penjadwalan produksi dalam penelitian ini difokuskan pada pengaturan urutan pengerjaan sejumlah job yang mewakili variasi produk Cement Bag di PT XYZ. Penjadwalan tersebut bertujuan untuk mengoptimalkan alur produksi sehingga total waktu penyelesaian (makespan) dan waktu tunggu (waiting time) dapat diminimalkan. Penjadwalan yang akan diteliti dilakukan dengan pendekatan berbasis metode Particle Swarm Optimization (PSO), yang dirancang untuk menemukan urutan pengerjaan paling optimal dibandingkan metode penjadwalan eksisting perusahaan. Penjadwalan eksisting yang dilakukan oleh perusahaan disusun secara manual dengan urutan pengerjaan job yang bersifat tetap dan dikerjakan secara paralel. Pendekatan ini bertujuan memudahkan pengaturan produksi, namun dalam praktiknya kerap menimbulkan ketidakseimbangan beban kerja antar mesin dan waktu tunggu yang tinggi [14]. Oleh karena itu, penjadwalan eksisting digunakan sebagai acuan pembanding untuk menilai efektivitas hasil optimasi yang dihasilkan oleh metode Particle Swarm Optimization (PSO).

Tabel 3. Penjadwalan Eksisting Perusahaan

Tabel 3 menunjukkan penjadwalan eksisting pada PT XYZ menunjukkan total waktu penyelesaian produksi (makespan) sebesar 49.400 detik atau setara 13 jam 43 menit, yang diperoleh dengan menjumlahkan waktu penyelesaian tiap job berdasarkan urutan pengerjaan dari proses Extruction hingga Sewing. Nilai makespan tertinggi tercatat pada tahap Loom (M2) pada pekerjaan ke-12. Selain itu, perhitungan waiting time dihitung sebagai selisih antara waktu selesai produksi job pada operasi terakhir dengan total durasi proses aktif seluruh stasiun kerja. Contoh perhitungan pada Job 2 menunjukkan waiting time sebesar 1.530 detik, yang berasal dari selisih waktu penyelesaian 17.180 detik dengan total durasi proses aktif 15.650 detik. Akumulasi waiting time untuk seluruh job mencapai 117.620 detik atau 32,67 jam, dengan rata-rata 9.801,6 detik per job. Hasil ini menunjukkan adanya ketidakseimbangan alokasi waktu proses antar mesin yang berdampak pada tingginya waktu tunggu (waiting time) dan rendahnya efisiensi jadwal produksi eksisting [15].

C. Penjadwalan Usulan Metode Particle Swarm Optimization (PSO)

Berdasarkan pengolahan data dengan menggunakan script program yang didefinisikan oleh software Matlab yang sesuai untuk penyelesaian permasalahan penjadwalan produksi dengan menggunakan metode algoritma Particle Swarm Optimization (PSO) didapatkan beberapa output, yang dapat dilihat pada Gambar 3.

Berdasarkan hasil pengolahan data untuk permasalahan penjadwalan produksi Cement Bag pada 12 job dan 6 mesin menggunakan metode Particle Swarm Optimization (PSO) sebanyak 500 iterasi didapatkan urutan job, yaitu J1 – J5 – J6 – J7 – J8 – J2 – J4 – J12 – J3 – J9 – J11 – J10. Penjelasan mengenai waktu proses tiap job pada masing-masing mesin dapat dilihat pada gantt chart. Pada gantt chart dapat dilihat bahwa waktu proses selesai ditandai dengan waktu penyelesaian (makespan) sebesar 34.520 detik, lebih cepat sekitar 32,77% dari jadwal eksisting perusahaan yang sebelumnya, dengan total processing time 189.310 detik dan total waiting time optimal 115.870 detik.

D. Perbandingan Penjadwalan Eksisting dan Usulan Metode Particle Swarm Optimization (PSO)

Untuk memberikan gambaran yang lebih jelas mengenai efektivitas metode optimasi yang digunakan dalam penelitian ini, disusunlah tabel perbandingan antara hasil penjadwalan eksisting perusahaan dan hasil penjadwalan optimal yang diperoleh melalui implementasi algoritma Particle Swarm Optimization (PSO) dengan bantuan software Matlab. Perbandingan ini mencakup parameter utama seperti nilai makespan, total waiting time, serta urutan pengerjaan job. Adapun tabel 4 menunjukkan perbandingan dengan menggunakan parameter yang sudah ditentukan.

Tabel 4. Perbandingan Penjadwalan Eksisting dan Usulan Metode PSO

Berdasarkan perbandingan yang telah dilakukan, pengambilan keputusan perusahaan adalah menggunakan metode Algoritma PSO yang dapat diterapkan guna memaksimalkan waktu produksi untuk mengerjakan seluruh job dengan optimal (J1 – J5 – J6 – J7 – J8 – J2 – J4 – J12 – J3 – J9 – J11 – J10) sebanyak 12 job dengan 6 mesin produksi. Keputusan ini menegaskan bahwa PSO bukan hanya alat analitis, melainkan juga instrumen strategis yang dapat membantu perusahaan dalam merancang sistem penjadwalan produksi yang lebih responsif, efisien, dan kompetitif.

Simpulan

Berdasarkan hasil penelitian yang telah dilakukan mengenai pengoptimalan penjadwalan produksi Cement Bag pada PT XYZ, maka dapat diambil kesimpulan bahwa penelitian ini membuktikan penerapan algoritma Particle Swarm Optimization (PSO) secara efektif mampu mengoptimalkan penjadwalan produksi Cement Bag di PT XYZ yang sebelumnya menggunakan metode manual. Hasil implementasi PSO menunjukkan penurunan makespan yang signifikan dari 49.400 detik menjadi 34.520 detik, disertai pengurangan total waiting time dari 186.050 detik menjadi 115.870 detik. Capaian ini menunjukkan perbaikan nyata terhadap efisiensi alur produksi, utilisasi mesin, dan percepatan penyelesaian pesanan. Urutan pengerjaan job hasil optimasi (J1 – J5 – J6 – J7 – J8 – J2 – J4 – J12 – J3 – J9 – J11 – J10) terbukti lebih seimbang dan adaptif dibandingkan jadwal eksisting, sehingga mengurangi potensi bottleneck dan idle time antar stasiun kerja. Keunggulan PSO terletak pada kemampuannya mengeksplorasi ruang solusi secara luas tanpa memerlukan asumsi matematis yang ketat, menjadikannya metode yang relevan diterapkan dalam sistem produksi paralel yang kompleks dan dinamis. Selain itu, penelitian ini menegaskan bahwa pendekatan optimasi berbasis kecerdasan buatan dapat menghadirkan solusi yang praktis, terukur, dan berdampak langsung pada peningkatan kinerja operasional perusahaan. Temuan ini juga menjadi dasar yang kuat bagi pengembangan sistem penjadwalan dengan bantuan software terintegrasi, yang di masa depan diharapkan mampu mengotomatisasi proses penjadwalan dan menyesuaikan jadwal secara real-time terhadap fluktuasi permintaan produksi. Secara keseluruhan, penerapan PSO terbukti menjadi strategi optimasi yang strategis dan aplikatif dalam mendukung peningkatan produktivitas dan daya saing industri manufaktur. Dari sisi kontribusi ilmiah, penelitian ini memperkaya literatur mengenai penerapan PSO pada kasus nyata penjadwalan produksi multi-machine dengan kompleksitas tinggi, sekaligus memberikan bukti empiris bahwa algoritma swarm intelligence dapat diadaptasikan secara efektif pada skala industri. Hal ini membuka peluang penelitian lanjutan untuk mengembangkan varian algoritma metaheuristik lain maupun integrasi hibrida yang lebih adaptif terhadap dinamika sistem manufaktur modern.