OPTIMASI CUTTING STOCK PROBLEM PRODUKSI FURNITURE UNTUK MENGURANGI WASTE DENGAN PENDEKATAN MACHINE LEARNING

WIJAYANTO, HELMI (2025) OPTIMASI CUTTING STOCK PROBLEM PRODUKSI FURNITURE UNTUK MENGURANGI WASTE DENGAN PENDEKATAN MACHINE LEARNING. Skripsi thesis, UPN "Veteran"Yogyakarta.

	Text 2_Cover_122210030_Helmi Wijayanto.pdf Download (132kB)
	Text 3_Abstrak_122210030_Helmi Wijayanto.pdf Download (11kB)
	Text 4_Halaman Pengesahan_122210030_Helmi Wijayanto.pdf Download (3MB)
	Text 5_Daftar isi_122210030_Helmi Wijayanto.pdf Download (61kB)
	Text 6_Daftar Pustaka_122210030_Helmi Wijayanto.pdf Download (140kB)
	Text 1_Skripsi full_122210030_Helmi Wijayanto.pdf Restricted to Repository staff only Download (13MB)

Abstract

Proses produksi, terutama pada tahap pemotongan material, muncul
permasalahan Cutting Stock Problem (CSP), yaitu kondisi ketika penempatan
potongan pada lembar bahan tidak optimal, sehingga menghasilkan sisa material
yang tidak dapat dimanfaatkan. Penelitian ini bertujuan untuk mengatasi masalah
CSP, agar pemotongan material dapat dilakukan secara lebih efisien. Tujuan
utamanya adalah meminimalkan limbah material dengan menyesuaikan ukuran dan
jumlah potongan terhadap dimensi plywood, sehingga meningkatkan efisiensi
produksi pada perusahaan.
Model dilatih menggunakan pendekatan machine learning berbasis
reinforcement learning, khususnya Deep Q-Network (DQN). Pelatihan dilakukan
dengan lima skenario pelatihan masing-masing sebanyak 5, 25, 50, 75, dan 100
epoch. Selanjutnya, dilakukan pengujian lanjutan dengan pelatihan tetap sebanyak
100 epoch dan variasi jumlah produk untuk mengevaluasi kemampuan generalisasi
model dalam kondisi produksi yang berbeda.
Hasil menunjukkan bahwa semakin banyak produk yang diproses, efisiensi
penggunaan material meningkat. Saat produksi satu unit, efisiensinya sebesar
71,5%, karena itu memang kebutuhan material produk tersebut. Ketika jumlah
produk ditingkatkan menjadi tiga unit, efisiensi naik menjadi 85,8%. Produksi lima
unit produk, efisiensi mencapai titik tertinggi sebesar 89,3%. Hal ini menunjukkan
bahwa pemrosesan dalam jumlah lebih besar memungkinkan pemanfaatan material
yang lebih optimal dan minim pemborosan. Temuan ini membuktikan bahwa model
mampu menggeneralisasi pola pemotongan secara efektif, menghasilkan layout
yang lebih padat, dan mengurangi limbah, sehingga memberikan implikasi positif
dalam perencanaan dan efisiensi produkkan skenario lainnya, menunjukkan
peningkatan kualitas pemanfaatan material.
Kata kunci : Cutting stock problem, Machine learning, Reinforcement Learning

Item Type:	Tugas Akhir (Skripsi)
Additional Information:	Helmi Wijayanto (Penulis - 122210030); Nur Indrianti (Pembimbing)
Uncontrolled Keywords:	Cutting stock problem, Machine learning, Reinforcement Learning
Subjek:	T Technology > TS Manufactures
Divisions:	Fakultas Teknik Industri > (S1) Teknik Industri
Depositing User:	UPA Perpustakaan
Date Deposited:	25 Nov 2025 01:56
Last Modified:	25 Nov 2025 01:56
URI:	http://eprints.upnyk.ac.id/id/eprint/45763

Actions (login required)

View Item