Gambaran Umum Sistem yang Dibuat

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