3.1.2. Gambaran Umum Sistem yang Dibuat
Untuk mengatasi permasalahan yang muncul dengan sistem penjadwalan yang masih manual diperlukan suatu sistem baru yang dapat menangani hal
tersebut agar mendapat hasil terbaik dengan proses penjadwalan yang lebih cepat. Permasalahan penjadwalan karyawan paruh waktu ini dapat diselesaikan
menggunakan algoritma genetika. Algoritma genetika merupakan salah satu solusi untuk menyelesaikan masalah optimasi berdasarkan mekanisme seleksi
alami dan sifat genetika. Dari data yang ada yaitu jumlah hari, jumlah shift per hari, jumlah karyawan dalam suatu lokasi dapat diarahkan untuk pembentukan
kromosom-kromosom sebagai populasi awal. Dari beberapa kemungkinan kromosom yang terbentuk akan dipilih beberapa kromosom terbaik yang akan
menjadi kromosom-kromosom induk. Dari beberapa kromosom induk akan dikembangkan dalam perkawinan silang dan mutasi untuk mendapatkan
keturunan yang baik yang akan menjadi hasil akhir, yaitu satu kromosom yang akan mewakili terbentuknya jadwal karyawan.
Flowchart sistem yang akan dibuat tampak pada gambar 3.1 dengan pengaturan algoritma pada gambar 3.2
dan flowchart algoritma Genetika yang digunakan dalam sistem tampak pada gambar 3.3.
mulai
Proses algoritma genetika Input data lokasi
Input permintaan jadwal Input data shift
Input data karyawan
Jadwal karyawan selesai
Input pengaturan algoritma genetika
Gambar 3.1 Flowchart sistem
mulai
Probabilitas mutasi = besar probabilitas mutasi100 jumlah iterasi
Input jumlah iterasi
Input keaktifan permintaan jadwal
Input besar probabilitas mutasi
Input jenis crossover
selesai
Gambar 3.2 Flowchart pengaturan algoritma Genetika
mulai Pembentukan kromosom
Evaluasi nilai fitnes tiap kromosom dengan aturan
permintaan jadwal
Iterasi jumlah iterasi ?
Y Pembangkitan populasi
awal Iterasi = 0
Aturan permintaan jadwal aktif ?
Evaluasi nilai fitnes tiap kromosom tanpa aturan
permintaan jadwal
Seleksi kromosom
Iterasi = iterasi mutasi ?
Proses mutasi
Proses crossover 2 titik
Jenis crossover = 2 titik ?
Proses crossover 4 titik
Iterasi++ Evaluasi nilai fitnes
offspring Update kromosom
Fitness == 0 ?
kromosom terbaik Y
Y
Y T
T
T T
selesai Iterasi mutasi =
iterasi mutasi + iterasi Iterasi mutasi =
Jumlah iterasi probabilitas mutasi
Gambar 3.3 Flowchart algoritma Genetika
3.2. Perancangan Antarmuka