Laporkan Masalah

FAMILY OF PARTS FORMATION AND NUMBER OF CLUSTERS OPTIMIZATION IN GROUP TECHNOLOGY WITH NEURAL NETWORK AND META-HEURISTIC METHODS

Annisa Uswatun Kh., Dr. Andi Sudiarso.

2013 | Tesis | S2 Teknik Industri

Group Technology (GT) merupakan sebuah filosofi dalam manufaktur yang bertujuan untuk mengelompokan komponen ke dalam part families. Ada banyak manfaat yang dapat diperoleh dengan menerapkan GT, antara lain: dapat mengurangi waktu produksi, kebutuhan pekerja, work in process inventory, dan tooling and routing. Langkah pertama untuk menerapkan GT adalah dengan membentuk part families. Pembentukan part families dapat dilakukan berdasarkan kesamaan desain dan/atau proses manufaktur, namun keuntungan yang paling besar dapat didapatkan dengan menggabungkan keduanya. Bagian pertama pada tesis ini mencoba untuk menerapkan algoritma Growing Self-Organizing Map (GSSOM) and Particle Swarm Optimization (PSO)–based Self-Organizing Map (PSOSOM) untuk meningkatkan perfoma dari SOM yang merupakan salah satu metode yang digunakan dalam studi ini. Pendekatan GSOM+PSOSOM ini terdiri dari dua tahapan. Pada tahap pertama, GSOM digunakan untuk menentukan ukuran topology SOM, kemudian PSOSOM digunakan pada tahap kedua untuk memperbaharui bobot SOM. Performa algoritma PSOSOM dibandingan dengan dua algoritma yang lain dan dengan CGASOM menggunakan data set, Iris, Wine, Vowel, dan Glass. Hasil simulasi mengindikasikan bahwa PSOSOM memiliki performa terbaik. Algoritma ini kemudian digunakan dalam studi kasus untuk melakukan pengelompokan komponen ke dalam part families dari sebuah industri manufaktur di Yogyakarta yang memproduksi perabot rumah sakit. Bagian kedua dari studi ini mengaplikasikan algoritma Kohonen dan K-means dalam pembentukan part families. Kohonen dan K-means merupakan metode yangn popular digunakan dalam clustering, namun penggunaan metode-metode tersebut dalam GT masih sangat jarang ditemukan, sehingga bagian kedua mencoba untuk mengimplementasikan Kohonen dan K-means untuk mengelompokan komponen berdasarkan design dan proses manufaktur. Dalam studi ini, weighted Kohonen dan perbandingan hasil pengelompokan dari kedua metode akan dibahas. Analisis statistika, clustering validity measurement dengan RS, visualisasi hasil dengan grafik (secara terpisah maupun simultan) dan juga percent misclassifed error dilakukan guna untuk mengevaluasi hasil pegelompokan dan dipaparkan pada bagian akhir penelitian. Dari bagian pertama, dapat disimpulkan bahwa jumlah optimal kluster untuk kasus GT dalam studi ini adalah tiga. Dari bagian kedua, berdasarkan pengujian ANOVA dan RS, kedua algoritma mampu membagi komponen ke dalam kluster-kluster dengan perbedaan yang signifikan antar klusternya. Dapat disimpulkan pula bahwa, waktu komputasi dari K-means lebih cepat dibandingkan dengan Kohonen, namun Kohonen memberikan hasil dengan variasi yang lebih sedikit dibandingkan K-means. Berdasarkan, visualisasi hasil dengan grafik, dan percent misclassifed error, secara keseluruhan K-means memberikan hasil yang sedikit lebih baik dari Kohonen. Dengan demikian, dapat disimpulkan bahwa pada penelitian ini, langkah pertama pada GT dapat dilakukan dengan baik.

Group Technology (GT) is one of manufacturing philosophy, which is popular with identifying and grouping parts into part families. Many benefits in flow line production can be obtained by implementing GT, such as; reduce production lead time, set-up time, processing time, work-in process, labor, rework, tooling, and routing. One of the first things that must be done to implement GT is determining the part families and the number of clusters. Determining the part families can be done based on design and/or manufacturing attributes, but the most significant benefits come from part families formation based on combination of both similarities. The first part of this study attempts to employ Growing Self-Organizing Map (GSOM) algorithm and Particle Swarm Optimization (PSO)-based Self Organizing Map (PSOSOM) to improve the performance of SOM. The proposed GSOM+PSOSOM approach for SOM is consisted of two stages. In the first stage, GSOM is used to determine the SOM topology and then followed by PSOSOM in the second stage to fine-tune the SOM weights. The proposed PSOSOM algorithm is compared with other two algorithms and also compare to CGASOM from the previous study using four benchmark datasets, Iris, Wine, Vowel, and Glass. The simulation results indicate that PSOSOM algorithm is able to find the better solution. Then, the proposed approach was employed in GT to cluster components into part families for a medical furniture manufacturer in Yogyakarta and to obtain the optimum number of clusters of the part families. The second part of this study try to employ Kohonen and K-means algorithm as part clustering method in GT case. Kohonen and K-means are two popular clustering methods and have been widely used in many scopes. However, the implementation of these methods in GT case is still rarely found, therefore the second part of this study tries to implement Kohonen and K-means algorithm to cluster component based on both design and manufacturing similarities. Weighted variable analysis and the results comparison between both methods will be presented. Further statistical analysis, clustering validity measurement through RS, output visualization graphs (separately and simultaneously) and percent misclassified through data sets to validate the clustering results are also conducted in the end of the study for further evaluation. From the first part, it can be concluded that the optimum number of clusters for this GT case is three. From the second part, based on ANOVA and RS test, Kohonen and K-means are able to determine the part families with significant difference for each feature in every cluster. The results also indicate that, the computational time of K-means is much faster than Kohonen neural network, but Kohonen gives less variation in results. Based on RS, output visualization graphs and, percent misclassified, K-means is slightly better than Kohonen. Finally, it can be conclude that this study can successfully obtain the first step of GT.

Kata Kunci : clustering, GSOM, PSO, Kohonen neural networks, K-means algorithm, part families, Group Technology


    Tidak tersedia file untuk ditampilkan ke publik.