Sistem penjadwalan karyawan paruh waktu dengan algoritma genetika : studi kasus Kedai 24 jam.

(1)

ABSTRAK

Penjadwalan karyawan merupakan masalah umum yang dihadapi manager dalam sebuah perusahaan salah satunya adalah manager kedai 24 jam, proses penjadwalan karyawan paruh waktu di kedai 24 jam masih dilakukan secara manual dan belum menggunakan sistem yang mendukung proses penjadwalan tersebut. Oleh karena itu Sistem Penjadwalan Karyawan Paruh Waktu dibuat untuk membantu manager dalam proses pembuatan jadwal karyawan paruh waktu. Penjadwalan karyawam paruh waktu ini terkait dengan jumlah hari, jumlah shift per hari, jumlah shift karyawan dalam satu bulan, kualitas kerja karyawan, jadwal sebelumnya dan permintaan jadwal karyawan paruh waktu yaitu permohonan jadwal shift karyawan paruh waktu sebelum jadwal disusun. Hasil yang diharapkan adalah jadwal karyawan yang sesuai dengan aturan-aturan yang ditetapkan dengan proses yang lebih cepat dibandingkan proses penjadwalan secara manual.

Persoalan penjadwalan karyawan paruh waktu ini diselesaikan dengan algoritma Genetika yaitu algoritma yang mempunyai fungsi untuk mendapatkan suatu nilai solusi optimal terhadap suatu permasalahan yang mempunyai banyak kemungkinan solusi. Dari beberapa aspek yang ada yaitu jumlah hari, jumlah karyawan dan jumlah shift digunakan untuk membentuk model kromosom, panjang kromosom diperoleh dari hasil kali jumlah hari yang akan dijadwalkan dan jumlah shift dalam satu hari, kemudian jumlah karyawan akan menempati setiap gen dalam kromosom sebagai nilai dari gen (allele). Aspek yang lain yaitu jumlah shift karyawan dalam satu bulan, kualitas kerja karyawan, jadwal sebelumnya dan permintaan jadwal karyawan paruh waktu digunakan untuk membuat aturan-aturan penjadwalan yang nantinya digunakan untuk mencari nilai fitness tiap kromosom.

Proses algoritma Genetika dimulai dengan membangkitkan 10 kromosom secara random,

kemudian dicari nilai fitness untuk setiap kromosom sesuai aturan-aturan yang ditetapkan sebelumnya. Selanjutnya kromosom-kromosom diseleksi dengan metode seleksi roda roulette untuk menentukan 1 atau 2 kromosom yang akan melakukan proses reproduksi, yaitu mutasi dan perkawinan silang/crossover. Proses mutasi melibatkan 1 kromosom dengan probabilitas mutasi 0% - 5% untuk satu kali proses penjadwalan. Proses crossover melibatkan 2 kromosom dengan jenis crossover 2 titik atau crossover 4 titik. Kedua proses reproduksi ini akan menghasilkan

offspring atau kromosom baru hasil reproduksi, jika offspring yang dihasilkan ini lebih baik atau nilai fitness-nya lebih sedikit dari kromosom yang ada dalam populasi, maka posisi kromosom dalam populasi akan digantikan dengan offspring, proses seperti ini yang dinamakan update

kromosom.

Proses algoritma genetika ini akan berlangsung sebanyak jumlah iterasi yang ditentukan. Proses ini akan berhenti jika iterasi sudah dilakukan sebanyak iterasi yang telah ditentukan sebelumnya atau ditemukan nilai fitness kromosom = 0 (tidak terjadi pelanggaran pada aturan-aturan yang ditentukan). Terakhir satu kromosom terpilih menjadi hasil akhir yang mewakili jadwal karyawan paruh waktu.

(2)

ABSTRACT

Employee scheduling is a common problem faced by a company management, including

“Kedai 24 jam” management, most of part-time employee scheduling in “Kedai 24 jam” are done manually and not using computerized system yet. Therefore Part Time Employee Scheduling System is designed to help manager handling part-time employee scheduling process. Part-time employee scheduling is related to number of working days, number of daily

shift, number of employees’ shift monthly, employees’ performance, previous schedule, and also

request made by employees prior to scheduling process. The expected result is employee schedule meets company rules with faster process compared to the manual process.

Part-time employee scheduling’s problem can be solved using Genetic algorithm which has the function to get optimal solution value of a problem that has certain number of possible solutions. Some available aspects which are number of working days, number of employee, and number of shift are being used to form chromosome model, length of chromosome is number of working days multiply by number of shift in one day, number of employees will be fitted to each gen in a chromosome as the value of the gen (allele). Another aspect which is number of

employees’ shift monthly, employees’ performance, previous schedule, and employees’ request

are being used to form scheduling rules that in the future will be used to search fitness value of each chromosome.

Genetic algorithm process is started by randomly form 10 chromosomes and then search for the fitness value of each chromosome based on rules that had been pre-developed. In the next step, the chromosomes are being selected using roulette wheel selection to determine 1 or 2 chromosomes that will be used for reproduction process, which are mutation and crossover. Mutation process involves 1 chromosome with mutation probability 0%-5% for one time scheduling process. On the other hand, crossover involves 2 chromosomes with either 2 points or 4 points crossover. Both reproduction processes will deliver offspring or new chromosome as the result of reproduction, if the offspring result is better or has less fitness value compared to all the chromosomes in the population, then the position of chromosomes in the population will be replaced with this offspring, this process is called chromosome update.

This genetic algorithm process will be repeated as many as iteration number that has been pre-defined. This process will be stopped if the iteration has been done as many as iteration number that has been pre-defined or until chromosome fitness value = 0 is found (no infraction of the rules). At last the chosen chromosome is being the final result that represent part-time

(3)

SISTEM PENJADWALAN KARYAWAN PARUH WAKTU DENGAN ALGORITMA GENETIKA

(Studi Kasus : Kedai 24 Jam)

SKRIPSI

Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer (S.Kom)

Program Studi Teknik Informatika

Disusun oleh :

MARIA KARMELIA FAJAR LESTARI 115314067

PROGRAM STUDI TEKNIK INFORMATIKA JURUSAN TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA YOGYAKARTA

(4)

PART-TIME EMPLOYEE SCHEDULING SYSTEM WITH GENETIC ALGORITHM

Case Study at Kedai 24 Jam

Presented as Partial Fulfillment of the Requirements To Obtain the Sarjana Komputer (S.Kom) Degree

In Informatics Engineering

Present by :

MARIA KARMELIA FAJAR LESTARI 115314067

INFORMATION ENGINEERING STUDY PROGRAM DEPARTMENT OF INFORMATION ENGINEERING

FACULTY OF SCIENCE AND TECNOLOGY SANATA DHARMA UNIVERSITY

YOGYAKARTA 2015

(5)

SKRIPSI

SISTEM PENJADWALAN KARYAWAN PARUH WAKTU

DENGAN ALGORITMA GENETIKA

(Studi Kasus : Kedai 24 Jam)

Disusun Oleh :

Maria Karmelia Fajar Lestari NIM : 115314067

Telah dipertahankan di depan Panitia Penguji dan Pada tanggal 24 November 2015

Dan dinyatakan memenuhi syarat

Susunan Panitia Penguji :

Ketua : P.H. Prima Rosa, S.Si., M.Kom. ………... Sekretaris : Agnes Maria Polina, S.Kom., M.Sc. ……… Anggota : Drs. Haris Sriwindono, M.Kom. ………

Yogyakarta, Desember 2015 Fakultas Sains dan Teknologi

(6)

(7)

(8)

(9)

HALAMAN PERSEMBAHAN

Nikmati dan berhati-hatilah dalam proses, karena proses jauh lebih berharga

daripada hasil

Karya ini saya persembahkan teristimewa kepada :

Tuhan Yesus

,

yang selalu melimpahkan berkat dan rahmat karunia-Nya

Dosen & Karyawan USD,

yang selalu memberi bantuan dan bimbingan dalam proses

Keluarga & Sahabat,

(10)

ABSTRAK

Proses algoritma Genetika dimulai dengan membangkitkan 10 kromosom secara random,

kromosom.

(11)

ABSTRACT

Employee scheduling is a common problem faced by a company management, including

shift, number of employees’ shift monthly, employees’ performance, previous schedule, and also

request made by employees prior to scheduling process. The expected result is employee schedule meets company rules with faster process compared to the manual process.

employees’ shift monthly, employees’ performance, previous schedule, and employees’ request

are being used to form scheduling rules that in the future will be used to search fitness value of each chromosome.

(12)

KATA PENGANTAR

Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa atas berkat rahmat dan karunia-Nya penulis dapat menyusun dan menyelesaikan skripsi yang berjudul “Sistem

Penjadwalan Karyawan Paruh Waktu dengan Algoritma Genetika” dengan baik.

Skripsi ini disusun untuk memenuhi salah satu syarat kelulusan jenjang Strata I Jurusan Teknik Informatika Fakultas Sains dan Teknologi Universitas Sanata Dharma Yogyakarta. Dalam proses penyusunan skripsi ini banyak mengalami hambatan, namun berkat bantuan, bimbingan, dan kerjasama dari berbagai pihak akhirnya segala hambatan tersebut dapat teratasi dengan baik.

Ucapan terima kasih penulis sampaikan khususnya kepada Bapak Drs. Haris Sriwindono, M.Kom. selaku pembimbing yang telah sabar dan ikhlas meluangkan waktu, tenaga dan pikiran dalam memberikan bimbingan, motivasi dan saran-saran selama proses penyusunan skripsi ini. Penulis menyampaikan terima kasih pula kepada:

1. Ibu PH. Prima Rosa, S.Si., M.Sc yang telah membimbing penulis dalam pemilihan topik dan metodologi penelitian

2. Pak Puspa selaku dosen pembimbing akademik

3. Seluruh Dosen Fakultas Sains dan Teknologi yang telah membekali ilmu sehingga penulis dapat menyelesaikan studi di Universitas Sanata Dharma

4. Bapak Ibuk, mas Arif dan mas Thomas yang memberi motivasi dan selalu mendukung penulis selama masa kuliah

5. Kezia, Meity, Dion, terima kasih atas kebersamaan kalian selama ini, terima kasih juga untuk doa, dukungan, semangat dan perhatian kalian, kalian teman terluar biasa

6. Mas Adit yang telah mendukung, memberi perhatian dan selalu menemani penulis dalam mengerjakan skripsi

7. Monic, Ria, Anggit, untuk doa dan dukungan kalian 8. Teman-teman Teknik Informatika 2011

9. Keluarga besar Kedai 24jam yang telah memberi kesempatan penulis untuk belajar kasus penjadwalan dan selalu memberi tempat penulis dalam mengerjakan skripsi

(13)

10.Semua pihak yang tidak dapat penulis sebutkan satu persatu yang telah membantu terselesaikanya skripsi ini, terima kasih.

Penulis menyadari bahwa skripsi ini jauh dari sempurna, maka dengan segala kerendahan hati penulis mengharapkan kritik dan saran yang bersifat membangun demi kesempurnaan skripsi ini. Dengan segala keterbatasan yang dimiliki penulis juga berharap skripsi ini dapat berguna dan mempunyai manfaat bagi berbagai pihak.

(14)

DAFTAR ISI

HALAMAN JUDUL ... Error! Bookmark not defined. HALAMAN PERSETUJUAN PEMBIMBING ... Error! Bookmark not defined. HALAMAN PENGESAHAN ... Error! Bookmark not defined.v

PERNYATAAN KEASLIAN KARYA ... v

PERNYATAAN PERSETUJUAN PUPLIKASI………...………vi

HALAMAN PERSEMBAHAN ... Error! Bookmark not defined.i ABSTRAK ... Error! Bookmark not defined. ABSTRACT ... ix

KATA PENGANTAR ... x

DAFTAR ISI ... Error! Bookmark not defined. DAFTAR GAMBAR ... Error! Bookmark not defined.v DAFTAR TABEL ... Error! Bookmark not defined.iii BAB I PENDAHULUAN ... 1

1.1. Latar Belakang ... 1

1.2. Rumusan Masalah ... 3

1.3. Manfaat dan Tujuan ... 3

1.4. Batasan Masalah ... 3

1.5. Metodologi Penelitian ... 4

1.6. Sistematika Penulisan ... Error! Bookmark not defined. BAB II LANDASAN TEORI ... 6

2.1. Algoritma Genetika ... 6

(15)

2.1.3. Istilah-istilah dalam Algoritma Genetika ... 6

2.1.4. Struktur Umum Algoritma Genetika ... 7

2.1.5. Basis Algoritma Genetika ... 8

2.1.6. Operator Algoritma Genetika ... 9

2.1.7. Hal-hal yang Harus Dilakukan dalam Algoritma Genetika .. Error! Bookmark not defined.15 BAB III ANALISA DAN PERANCANGAN ... 17

3.1 Definisi Masalah ... 17

3.1.1 Analisis Sistem... 17

3.1.2 Gambaran Umum Sistem ... 19

3.2 Perancangan Antarmuka ... 22

3.2.1 Perancangan Menu ... 22

3.2.2 Perancangan Input dan Output ... 22

3.3 Perancangan Basisdata ... 28

3.3.1 Entitas dan Atribut ... 28

3.3.2 Relasi dan Entitas ... 29

3.3.3 ER Diagram ... 30

3.3.4 Diagram Fisikal ... 30

3.3.5 Perancangan Tabel ... 31

3.4 Perancangan Algoritma Genetika ... 33

3.4.1 Representasi Masalah... 33

3.4.2 Pembentukan dan Pemodelan Kromosom ... 34

3.4.3 Pembangkitan Kromosom ... 35

(16)

3.4.5 Seleksi Kromosom ... 37

3.4.6 Proses Reproduksi ... 38

3.4.7 Update Generasi... 40

3.4.8 Kondisi Berhenti ... 40

3.5 Penerapan Algoritma Genetika ... 40

3.5.1 Pembangkitan Kromosom ... 42

3.5.2 Pencarian Nilai Fitness ... 45

3.5.3 Seleksi Kromosom ... 46

3.5.4 Reproduksi Kromosom ... 47

BAB IV IMPLEMENTASI DAN ANALISA HASIL ... 54

4.1 Flowchart ... 54

4.2 Implementasi Program ... 55

4.2.1 Form Utama ... 55

4.2.2 Form Data Lokasi ... 55

4.2.3 Form Data Shift ... 56

4.2.4 Form Data Karyawan ... 57

4.2.5 Form Data Permintaan Jadwal ... 58

4.2.6 Proses Penjadwalan ... 59

4.2.7 Jadwal Karyawan ... 60

4.3 Analisis Hasil Program ... 61

4.3.1 Pengujian Program ... 61

4.3.2 Kelebihan dan Kekurangan Program ... 66

BAB V PENUTUP ... 68

5.1 Kesimpulan ... 68

(17)

DAFTAR PUSTAKA ... 69

DAFTAR GAMBAR

Gambar 2.1 Diagram alir proses algoritma genetika ... 9

Gambar 2.2 Contoh Seleksi Roda Roulette ... 10

Gambar 2.3 Contoh Seleksi Rangking ... 12

Gambar 2.4 Contoh Single Point Crossover ... 13

Gambar 2.5 Contoh Multiple Point Crossover ... 14

Gambar 2.6 Contoh Uniform Crossover ... 14

Gambar 2.7 Contoh Mutasi ... 15

Gambar 3.1 Flowchart sistem ... 20

Gambar 3.2 Flowchart pengaturan algoritma Genetika ... 20

Gambar 3.3 Flowchart algoritma Genetika ... 21

Gambar 3.4 Perancangan menu ... 22

Gambar 3.5 Perancangan form utama... 22

Gambar 3.6 Perancangan form data lokasi ... 23

Gambar 3.7 Perancangan form data shift... 24

Gambar 3.8 Perancangan form data karyawan ... 25

Gambar 3.9 Perancangan form permintaan jadwal ... 26

Gambar 3.10 Perancangan proses penjadwalan ... 27

Gambar 3.11 Perancangan jadwal karyawan ... 28

Gambar 3.12 Diagram ER ... 30

Gambar 3.13 Diagram Fisikal ... 30

(18)

Gambar 3.15 Ilustrasi proses crossover 2 titik ... 39

Gambar 3.16 Ilustrasi proses crossover 4 titik ... 39

Gambar 3.17 Ilustrasi proses mutasi ... 39

Gambar 3.18 Diagram probabilitas total nilai fitness ... 47

Gambar 3.19 Representasi kromosom 7 sebagai induk 1 crossover 2 titik ... 48

Gambar 3.20 Representasi kromosom 3 sebagai induk 2 crossover 2 titik ... 49

Gambar 3.21 Representasi offspring 1 dari crossover 2 titik ... 49

Gambar 3.22 Representasi offspring 2 dari crossover 2 titik ... 50

Gambar 3.23 Representasi kromosom 7 sebagai induk 1 crossover 4 titik ... 50

Gambar 3.24 Representasi kromosom 3 sebagai induk 2 crossover 4 titik ... 51

Gambar 3.25 Representasi offspring 1 dari crossover 4 titik ... 51

Gambar 3.26 Representasi offspring 2 dari crossover 4 titik ... 52

Gambar 3.27 Representasi kromosom 7 sebagai induk mutasi ... 53

Gambar 3.28 Representasi offspring mutasi ... 53

Gambar 4.1 Flowchart Sistem Penjadwalan Karyawan Paruh Waktu... 54

Gambar 4.2 Form Utama ... 55

Gambar 4.3 Form Data Lokasi ... 55

Gambar 4.4 Form Data Shift... 56

Gambar 4.5 Form Data Karyawan ... 58

Gambar 4.6 Form Data Permintaan Jadwal Karyawan... 58

Gambar 4.7 Form Lokasi File ... 58

Gambar 4.8 Form Proses Penjadwalan ... 59

Gambar 4.9 Form Pengaturan Algoritma Genetika ... 59

(19)

Gambar 4.11 Grafik hubungan jumlah iterasi dengan rata-rata fitness terbaik ... 61 Gambar 4.12 Grafik hubungan jenis crossover dengan rata-rata fitness terbaik ... 62 Gambar 4.13 Grafik hubungan probabilitas mutasi dengan rata-rata fitness terbaik ... 63 Gambar 4.14 Grafik hubungan jenis crossover dan probabilitas mutasi dengan rata-rata

fitness terbaik ... 65 Gambar 4.15 Grafik hubungan aturan permintaan jadwal dengan rata-rata fitness terbaik 66

(20)

DAFTAR TABEL

Tabel 3.1 Perancangan tabel lokasi ... 31

Tabel 3.2 Perancangan tabel shift ... 31

Tabel 3.3 Perancangan tabel karyawan ... 31

Tabel 3.4 Perancangan tabel permintaan jadwal ... 32

Tabel 3.5 Aturan-aturan penjadwalan karyawan ... 36

Tabel 3.6 Contoh Data Lokasi ... 41

Tabel 3.7 Contoh Data Karyawan ... 41

Tabel 3.8 Contoh Data Shift ... 41

Tabel 3.9 Contoh Data Permintaan Jadwal ... 41

Tabel 3.10 Kromosom 1-10, Gen 1-18 ... 42

Tabel 3.11 Kromosom 1-10, Gen 19-36 ... 43

Tabel 3.12 Kromosom 1-10, Gen 37-54 ... 43

Tabel 3.13 Kromosom 1-10, Gen 55-72 ... 43

Tabel 3.14 Kromosom 1-10, Gen 73-90 ... 44

Tabel 3.15 Kromosom 1-10, Gen 91-108 ... 44

Tabel 3.16 Kromosom 1-10, Gen 109-124 ... 44

Tabel 3.17 Nilai fitness dan hasil konversi nilai fitness tiap kromosom ... 45

Tabel 3.18 Probabilitas total nilai fitness tiap kromosom ... 46

Tabel 4.1 Hubungan jumlah iterasi dengan rata-rata fitness terbaik dengan permintaan jadwal tidak aktif... 61

(21)

Tabel 4.3 Hubungan probabilitas mutasi dengan rata-rata fitness terbaik ... 63 Tabel 4.4 Hubungan jenis crossover dan probabilitas mutasi dengan rata-rata fitness

terbaik ... 64 Tabel 4.5 Hubungan aturan permintaan jadwal dengan rata-rata fitness terbaik ... 66

(22)

BAB I

PENDAHULUAN

1.1. Latar Belakang

Berkembangnya teknologi pada era globalisasi ini telah memberi pengaruh besar dalam dunia kerja, terutama pada penggunaan dan efisiensi sistem yang telah ada sebelumnya. Selain itu fasilitas-fasilitas yang memadai dan mendukung pekerjaan sangat dibutuhkan untuk terpenuhinya kebutuhan dan pengembangan usaha. Salah satunya adalah penggunaan aplikasi yang membantu proses penyusunan jadwal karyawan paruh waktu, aplikasi ini dapat menjadi salah satu contoh aplikasi yang mempermudah kegiatan usaha dalam hal pengolahan data, juga efektif dan efisien dalam proses kinerjanya.

Kedai 24 Jam merupakan satu dari sekian banyak usaha kuliner di Jogja. Konsumen dari kegiatan usaha ini sebagian besar adalah anak muda terutama para mahasiswa yang sedang menetap di Jogja. Kegiatan usaha ini mempunyai 3 cabang yang terletak di 3 daerah yang berbeda di Jogja dan mempunyai kurang lebih 25 orang karyawan di setiap cabangnya. Dari keseluruhan karyawan yang bekerja, lebih dari 60% diantaranya adalah karyawan paruh waktu.

Penyusunan jadwal karyawan paruh waktu tidak semudah menyusun jadwal untuk karyawan full time, karena aspek yang mempengaruhi penyusunan jadwal karyawan paruh waktu lebih banyak dan kompleks. Aspek – aspek tersebut antara lain jumlah hari, jumlah shift per hari, jumlah shift karyawan dalam satu bulan, kualitas kerja karyawan, jadwal sebelumnya dan permintaan jadwal karyawan paruh waktu yaitu permohonan jadwal shift karyawan paruh waktu sebelum jadwal disusun. Setiap aspek yang disebutkan tidak jarang menjadi masalah dalam penyusunan jadwal karyawan. Sebagai contoh masalah yang dihadapi dari aspek jumlah shift karyawan adalah suatu karyawan mempunyai jumlah shift yang kurang atau lebih dari jumlah shift tiap karyawan yang sudah ditentukan sebelumnya.

(23)

Proses penjadwalan karyawan paruh waktu di Kedai 24 Jam selama ini masih menggunakan sistem manual, para karyawan mengumpulkan permohonan jadwal tertulis kemudian jadwal akan direkap dan disusun oleh manager perusahaan. Dalam proses penyusunan, manager hanya menggunakan software Microsoft Excel dalam pengolahan data dan tidak menggunakan kaidah komputasi, selain itu jumlah karyawan paruh waktu juga relatif banyak. Proses penjadwalan dengan sistem manual tersebut dapat saja dilakukan, namun ini akan menimbulkan masalah terutama dalam hal ketelitian yaitu hasil yang kurang maksimal, dari segi waktu juga kurang efisien karena memerlukan waktu yang lama.

Untuk mengatasi masalah yang ada akan dibuat sebuah perangkat lunak yaitu sistem penjadwalan karyawan paruh waktu. Sistem akan menerima inputan dari semua aspek yang berhubungan dengan penyusunan jadwal, kemudian mengidentifikasi dan memecahkan masalah dengan menggunakan algoritma genetika.

Algoritma genetika adalah algoritma komputasi yang diinspirasi teori evolusi yang kemudian diadopsi menjadi algoritma komputasi untuk mencari solusi suatu permasalahan dengan cara yang lebih alamiah. Algoritma ini juga merupakan algoritma pencarian secara heuristik. Salah satu fungsinya ialah untuk mencari solusi atas permasalahan optimasi kombinasi, yaitu mendapatkan suatu nilai solusi optimal terhadap suatu permasalahan yang mempunyai banyak kemungkinan solusi. Menurut teori Darwin yang ditemukan oleh John Holland (1975), prinsip algoritma genetika yaitu setiap makhluk hidup akan menurunkan satu atau beberapa karakter ke anak atau keturunannya. Penyelesaian menggunakan algoritma genetika sangat berpengaruh dari kromosom yang dibangun, dimana kromosom ialah sebuah molekul yang berisi DNA dimana terdapat informasi genetik dalam setiap sel gen yang disimpan.

Berdasarkan hal diatas, peneliti tertarik untuk membuat sistem penjadwalan karyawan paruh waktudengan menerapkan algoritma genetika dan diharapkan kehadiran sistem berbasis komputer ini akan menghasilkan solusi penjadwalan karyawan paruh waktu dengan cepat dan hasil terbaik.

(24)

1.2. Rumusan Masalah

Berdasarkan latar belakang yang dijelaskan sebelumnya, maka yang menjadi permasalahan adalah :

1. apakah algoritma Genetika dapat digunakan untuk menyelesaikan permasalahan penjadwalan karyawan paruh waktu ?

2. bagaimana sifat-sifat operator algoritma Genetika dan operator mana yang dapat menghasilkan hasil selalu baik ?

1.3. Manfaat dan Tujuan

Berdasarkan rumusan masalah yang ada, maka tujuan dari penelitian ini adalah membangun Sistem Penjadwalan Karyawan paruh waktu dengan menggunakan algoritma Genetika dalam proses penjadwalan tersebut.

Manfaat dari penelitian ini adalah dapat menggunakan operator algoritma Genetika untuk mendapatkan hasil akhir secara cepat dengan hasil terbaik.

1.4. Batasan Masalah

Keterbatasan waktu dan pengetahuan peneliti menimbulkan beberapa batasan masalah dalam merancang perangkat lunak ini, antara lain :

a. sistem dirancang hanya untuk membantu manager dalam penyusunan jadwal karyawan paruh waktu

b. studi kasus dilakukan pada usaha kuliner Kedai 24 jam

c. kriteria yang digunakan dalam proses penjadwalan karyawan paruh waktu adalah jumlah hari, jumlah shift per hari, jumlah shift karyawan dalam satu bulan, kualitas kerja karyawan, jadwal sebelumnya dan kriteria yang bersifat opsional yaitu permintaan jadwal karyawan paruh waktu

d. sistem hanya akan berjalan dengan jumlah hari 31, jumlah shift 4 dan jumlah karyawan untuk satu lokasi 8

(25)

f. jadwal dikatakan baik jika memenuhi atau hampir memenuhi semua kriteria g. jadwal dibuat satu kali dalam sebulan

h. aplikasi dibangun menggunakan bahasa pemrograman Java dan MySQL

1.5. Metodologi Penelitian

Penelitian ini dilakukan dengan metodologi pengembangan waterfall (Winston, 1970) dengan tahap-tahap sebagai berikut :

1. Studi Literatur

Tahap ini dilaksanakan dengan melakukan studi kepustakaan dari buku-buku, e-book, jurnal, makalah dan internet yang dapat mendukung penulisan tugas akhir.

2. Analisis

Tahap ini dilaksanakan dengan melakukan pengumpulan data dan fakta tentang sistem penjadwalan karyawan paruh waktu serta melakukan analisis terhadap masalah yang ada.

3. Perancangan

Tahap ini dilaksanakan dengan melakukan perancangan terhadap sistem yang akan dibangun berdasarkan analisis yang telah dilakukan.

4. Implementasi

Tahap ini dilaksanakan dengan melakukan implementasi rancangan sistem ke dalam bahasa pemrograman menggunakan NetBeans IDE.

5. Pengujian

Tahap ini dilaksanakan dengan mengeksekusi program untuk mengetahui apakah sistem sudah berjalan dengan benar.

6. Analisis hasil

Tahap ini dilaksanakan dengan melakukan pengujian terhadap sistem untuk mengetahui apakah sistem mampu membuat jadwal karyawan paruh waktu dengan menerapkan algoritma genetika.

(26)

7. Penyusunan laporan

Tahap ini dilaksanakan dengan membuat laporan hasil analisis dan perancangan.

1.6. Sistematika Penulisan

Dalam penelitian ini, sistematika penulisan dibagi menjadi 5 bab yaitu : 1. Bab 1 : Pendahuluan

Bab ini menjelaskan latar belakang masalah, rumusan masalah, batasan masalah, tujuan, metodologi penelitian, dan sistematika penulisan

2. Bab 2 : Landasan Teori

Bab ini berisi teori-teori yang menjadi dasar penelitian 3. Bab 3 : Analisa dan Perancangan

Bab ini berisi analisis masalah dan perancangan sistem yang nantinya akan dibangun sebagai dasar dalam implementasi sistem

4. Bab 4 : Implementasi dan Analisa Hasil

Bab ini berisi implementasi sistem berdasarkan analisis dan perancangan dan analisa hasil dari sistem yang telah diimplementasikan

5. Bab 5 : Penutup

Bab ini berisi kesimpulan dan saran untuk sistem yang dibuat demi berkembangnya sistem tersebut

(27)

BAB II

LANDASAN TEORI

2.1. Algoritma Genetika

2.1.1. Pengertian Algoritma Genetika

Turban (2005: 882) menyatakan bahwa “algoritma Genetika adalah kumpulan prosedur komputasional yang secara konseptual mengikuti langkah-langkah yang diinspirasi oleh proses evolusi biologis. Solusi yang lebih baik dan lebih baik lagi dikembangkan dari pembangkitan sebelumnya sampai solusi optimal atau hampir optimal didapatkan”.

Salah satu aplikasi algoritma genetika adalah pada permasalahan optimasi, yaitu mendapatkan suatu nilai solusi optimal terhadap suatu permasalahan yang mempunyai banyak kemungkinan solusi. Daya tarik algoritma genetika terletak pada kesederhanaan dan pada kemampuan untuk mencari solusi yang baik dan cepat untuk masalah yang komplek.

2.1.2. Istilah-istilah dalam Algoritma Genetika

Algoritma genetika memiliki istilah-istilah yang digunakan untuk menggambarkan keadaan/permasalahan sebenarnya ke dalam teori Genetika, antara lain :

a. Gen

Gen merupakan nilai yang menyatakan satuan dasar yang membentuk suatu arti tertentu dalam satu kesatuan gen yang dinamakan kromosom.

b. Allele

(28)

c. Kromosom / Individu

Kromosom merupakan gabungan dari gen-gen yang membentuk nilai tertentu dan menyatakan solusi yang mungkin dari suatu permasalahan.

d. Populasi

Populasi merupakan sekumpulan individu yang akan diproses bersama dalam satu satuan siklus evolusi.

e. Fitness

Fitness menyatakan seberapa baik nilai dari suatu individu yang didapatkan. f. Seleksi

Seleksi merupakan proses untuk mendapatkan calon induk yang baik.

g. Crossover

Crossover merupakan proses pertukaran atau kawin silang gen-gen dari dua induk tertentu.

h. Mutasi

Mutasi merupakan proses pergantian salah satu gen yang terpilih dengan nilai tertentu.

i. Generasi

Generasi merupakan urutan iterasi dimana beberapa kromosom bergabung, yaitu satu siklus proses evolusi atau satu iterasi di dalam algoritma genetika.

j. Offspring

Offspring merupakan kromosom baru yang dihasilkan.

2.1.3. Struktur Umum Algoritma Genetika

Bila P(t) adalah induk dan C(t) adalah keturunan pada generasi t, struktur umum algoritma Genetika adalah sebagai berikut :

(29)

Procedure Algoritma Genetika begin

t = 0

initialize P(t); evaluate P(t);

while (not terminate condition) do

recombine P(t) to yield C(t); evaluate C(t);

select P(t+1) from P(t) and C(t); t = t + 1;

end end

2.1.4. Basis Algoritma Genetika

Ide dasar algoritma genetika adalah mengelola suatu populasi individu yang merepresentasikan kandidat solusi sebuah permasalahan. Secara umum algoritma genetika memiliki lima komponen dasar (Michalewicz, 1996) yaitu:

1. Representasi genetik dari solusi-solusi masalah. 2. Cara membentuk populasi awal dari solusi-solusi.

3. Fungsi evaluasi yang me-rate (rating) solusi-solusi berdasarkan fitness

mereka.

4. Operator-operator genetik yang merubah komposisi genetik dari offspring

selama reproduksi.

5. Nilai-nilai untuk parameter algoritma genetika.

Algoritma genetika berangkat dari himpunan solusi yang dihasilkan secara acak yang disebut populasi. Sedangkan setiap individu dalam populasi disebut kromosom yang merupakan representasi dari solusi dan masing-masing dievaluasi tingkat ketanggguhannya (fitness) oleh fungsi yang telah ditentukan.

(30)

Melalui proses seleksi alam atas operator genetik, gen-gen dari dua kromosom (disebut parent) diharapkan akan menghasilkan kromosom baru dengan tingkat fitness yang lebih tinggi sebagai generasi baru atau keturunan (offspring) berikutnya. Kromosom-kromosom tersebut akan mengalami iterasi yang disebut generasi (generation). Menurut Gen dan Cheng (2000) pada setiap generasi, kromosom dievaluasi berdasarkan nilai fungsi fitness. Setelah beberapa generasi maka algoritma genetika akan konvergen dapat kromosom terbaik, yang merupakan solusi optimal (Goldberg, 1989). Diagram alir algoritma Genetika dapat dilihat pada gambar 2.1.

mulai

Deskripsikan persoalan

Hasilkan solusi awal

Tidak Uji : Apakah solusi terbaik

cukup baik ?

Pilih induk (pemain) untuk bereproduksi

Berhenti

Terapkan proses penyilangan dan hasilkan sekumpulan

keturunan Terapkan mutasi acak Langkah 1

Langkah 2

Langkah 3

Langkah 5 Langkah 4

Gambar 2.1 Diagram alir proses algoritma genetika

2.1.5. Operator Algoritma Genetika

Operator-operator yang digunakan dalam algoritma Genetika adalah : a. Seleksi

Seleksi merukanan proses pemilihan kromosom untuk dijadikan orang tua yang nantinya akan melakukan proses reproduksi. Berdasarkan

(31)

teori Darwin, kromosom yang terbaik harusnya dapat bertahan hidup dan membentuk keturunan baru. Ada beberapa jenis metode seleksi, yaitu :

i. Seleksi Roda Roulete (Roulete Wheel selection)

Pada meotode seleksi ini orang tua yang dipilih berdasar kan nilai fitness-nya, semakin baik nilai fitness-nya maka semakin besar kemungkinan untuk dipilih. Diandakian semua kromosom diletakkan pada sebuah roda roulette, besarnya kemungkinan bagi setiap kromosom adalah tergantung dari fitness-nya seperti seperti contoh pada Gambar 2.2.

Kromosom Fitness

A 15

B 5

C 10

D 5

E 5

Gambar 2.2 Contoh Seleksi Roda Roulette

Probabilitas untuk masing-masing individu merupakan hasil pembagian antara fitness masing-masing individu dengan total fitness

dalam populasi. Dari contoh pada gambar 2.2 kromosom A memiliki probabilitas 37,5% untuk terpilih sebagai orang tua pembentuk keturunan baru pada setiap pemilihan kromosom. Secara algoritma, seleksi roda roulette dapat dituliskan sebagai berikut :

begin

s = sumfitness(P) // jumlah fitness semua kromosom dari populasi P

(32)

Skema seleksi roda roulette ini adalah berdasarkan skala

fitness karena terpilihnya suatu kromosom dalam populasi untuk dapat berkembang biak adalah sebanding dengan fitness-nya, maka akan terjadi semacam tradeoff antara eksplorasi dan eksploitasi jika terdapat satu atau kelompok kecil kromosom yang mempunyai fitness

yang baik yaitu antara mengeksplorasi bagian-bagian baru dalam ruang pencarian, atau terus mengeksploitasi informasi yang telah diperoleh. Kecenderungan kromosom terbaik untuk terus terpelihara terus dapat membawa ke hasil optimum lokal bukan global. Sebaiknya jika semua kromosom dalam populasi mempunyai fitness

yang hampir sama, maka seleksi ini akan menjadi seleksi yang bersifat acak.

ii. Seleksi Rangking (Linear-rank selection)

Seleksi rangking pertama yang dilakukan adalah merangking atau mengurutkan kromosom didalam populasi berdasarkan nilai

fitness-nya kemudian memberi nilai fitness berdasarkan urutannya. Kromosom dengan nilai fitness terburuk akan memiliki nilai fitness

baru bernlai 1, terburuk kedua bernilai 2 dan seterusnya. Sebagai kromosom yang memiliki nilai fitness terbaik akan memiliki nilai

fitness n, dimana n adalah jumlah kromosom dalam populasi. Setelah proses pengurutan dan pemberian nilai fitness baru, setiap kromosom akan memiliki kesempatan yang lebih adil untuk terpilih. Tetapi metode ini dapat menyebabkan konvergensi menjadi lambat, karena kromosom terbaik tidak selalu berada dengan yang lainnya. Contoh untuk seleksi rangking dapat dilihat pada gambar 2.3.

(33)

Gambar 2.3 Contoh Seleksi Rangking

iii. Seleksi Turnamen (Tournament selection)

Seleksi turnamen merupakan jenis seleksi yang divariasi berdasarkan seleksi roda roulette dan seleksi rangking. Sejumlah k kromosom tertentu dari populasi beranggota n kromosom (k<=n) dipilih secara acak dengan prioritas yang sama. Dari k kromosom yang terpilih kemudian akan dipilih satu kromosom dengan fitness

terbaik, yang diperoleh dari hasil pengurutan rangking nilai fitness

semua kromosom terpilih.

Perbedaanya dengan seleksi roda roulette adalah pemilihan kromosom yang akan dipergunakan untuk berkembang biak tidak berdasarkan skala fitness dari populasi. Untuk k=1, seleksi turnamen akan sama dengan seleksi secara acak karena hanya melibatkan satu kromosom. Untuk k=2, maka dua kromosom dari populasi secara acak, kemudian akan dipilih satu kromosom dengan nilai fitness

terbaik. Biasanya yang sering digunakan adalah k=2, tergantung dari jumlah kromosom yang terdapat didalam populasi.

b. Perkawinan Silang (crossover)

Perkawinan silang digunakan untuk membentuk keturunan baru berdasarkan orang tua yang terpilih. Operator ini lebih dominan dalam algoritma Genetika dibandingkan dengan operator mutasi. Jumlah kromosom yang terlibat dalam perkawinan silang ini adalah 2 kromosom.

(34)

Perkawinan silang dilakukan dengan harapan kromosom-kromosom baru akan mempunyai bagian baik dari kromosom-kromosom lama dan tidak menutup kemungkinan menjadi kromosom-kromosom yang lebih baik. Ada beberapa jenis perkawinan silang, antara lain :

i. Single Point Crossover

Dalam Single Point Crossover ada satu titik potongan pada dua kromosom yang dipilih secara acak, maka terdapat dua bagian kepala dan dua bagian ekor. Kemudian akan dilakukan pertukaran bagian tersebut secara acak, misal kedua bagian ekor pada dua kromosom tersebut ditukar untuk memproduksi dua individu baru (offspring). Contoh dari Single Point Crossover dapat dilihat pada gambar 2.4.

Gambar 2.4 Contoh Single Point Crossover

ii. Multiple Point Crossover

Dalam Multiple Point Crossover ada lebih dari satu titik potongan dan ada banyak persilangan dan bagian dalam kedua kromosom, yang akan dilakukan pertukaran antar bagian tersebut secara acak. Contoh dari Multiple Point Crossover dapat dilihat pada gambar 2.5.

(35)

Gambar 2.5 Contoh Multiple Point Crossover

iii. Uniform Crossover

Dalam Uniform Crossover, gen dari offspring didapat dengan menyalin gen dari orang tua. Gen dari orang tua yang akan dijadikan gen pada offspring dipilih secara acak yaitu indeks gen ke berapa dan gen dari orang tua yang mana. Contoh dari Uniform Crossover dapat dilihat pada gambar 2.6.

Gambar 2.6 Contoh Uniform Crossover

c. Mutasi

Mutasi merupakan proses mengubah nilai dari satu atau beberapa gen dalam satu kromosom tertentu. Tujuanya adalah untuk membantu mempercepat terjadinya perbedaan diantara semua kromosom dalam populasi sehingga pencarian dapat menjelajah keseluruh ruang pencarian, tetapi mutasi tidak boleh terlalu sering dilakukan karena akan membuat algoritma Genetika berubah menjadi pencarian acak.

Proses mutasi dalam biologi adalah mengubah allele pada suatu kromosom dengan allele yang lain. Proses mutasi dilakukan secara acak, sehingga tidak selalu menjamin bahwa setelah proses mutasi akan diperoleh

(36)

kromosom dengan nilai fitness yang lebih baik dibandingkan dengan sebelum proses mutasi dilakukan, oleh karena itu terjadi kontroversi dalam penerapanya pada algoritma Genetika. Mutasi sering kali tetap dipergunakan hanya saja probabilitas mutasinya kecil. Contoh untuk mutasi dapat dilihat pada gambar 2.7.

Gambar 2.7 Contoh Mutasi

d. Update populasi

Update populasi adalah proses membaharui kromosom yang terdapat dalam populasi. Pada algoritma Genetika, N kromosom pada suatu generasi digantikan sekaligus oleh N kromosom baru hasil perkawinan silang silang atau mutasi. Adapun prosedur update populasi pada algoritma Genetika ialah:

1. Mengganti kromosom/individu yang memiliki nilai fitness terburuk. 2. Mengganti kromosom/individu yang paling tua.

3. Membandingkan anak dengan kedua orang tua, apabila anak memiliki nilai fitness lebih baik akan menggantikan orang tua yang memiliki nilai

fitness buruk.

2.1.6. Hal-hal yang harus dilakukan dalam Algoritma Genetika

Beberapa hal yang harus dilakukan dalam algoritma genetika adalah :

1. Mendefinisikan individu, dimana individu menyatakan salah satu solusi (penyelesaian) yang mungkin dari permasalahan yang diangkat.

(37)

2. Mendefinisikan nilai fitness, yang merupakan ukuran baik-tidaknya sebuah individu atau baik-tidaknya solusi yang didapatkan.

3. Menentukan proses pembangkitan populasi awal. Hal ini biasanya dilakukan dengan menggunakan pembangkitan acak seperti random-walk.

4. Menentukan proses seleksi yang akan digunakan.

5. Menentukan proses perkawinan silang (cross-over) dan mutasi gen yang akan digunakan.

(38)

BAB III

ANALISA DAN PERANCANGAN

3.1. Definisi Masalah

3.1.1. Analisa Sistem

Proses penjadwalan karyawan paruh waktu di Kedai 24 jam merupakan salah satu masalah optimasi yang masih dilakukan dengan cara manual. Adapun dalam proses penjadwalan ini menyangkut beberapa komponen yang saling berkaitan yaitu :

1. Hari

Hari merupakan jumlah hari yang digunakan untuk satu kali proses penjadwalan

2. Shift

Shift merupakan jumlah shift per hari untuk satu lokasi 3. Karyawan

Karyawan merupakan jumlah karyawan dalam satu lokasi dan data karyawan yaitu nama dan kualitas karyawan

4. Jadwal sebelumnya

Jadwal sebelumnya merupakan suatu shift yang dimiliki seorang karyawan, sebagai contoh hari pertama suatu karyawan mempunyai shift ke-3, maka untuk menentukan shift karyawan pada hari kedua karyawan tersebut mempunyai komponen jadwal sebelumnya yaitu 3 (shift ke-3)

Selain komponen-komponen tersebut juga ada satu komponen permintaan jadwal karyawan yaitu permohonan jadwal shift karyawan paruh waktu sebelum jadwal disusun. Komponen ini bersifat opsional, jadi dalam proses penjadwalan komponen ini bisa saja digunakan dan bisa tidak digunakan tergantung pengaturan, karena dalam kenyataanya permintaan jadwal karyawan ini digunakan namun tidak menjamin semua permintaan jadwal karyawan terkabulkan/sama dengan jadwal karyawan.

(39)

Jadwal karyawan paruh waktu merupakan hasil kesepakatan pembuat jadwal dan karyawan yang diperoleh dari tiap-tiap komponen yang ada, hasil kesepakatan ini diharapkan saling menguntungkan antar pembuat jadwal dan semua karyawan sehingga kesepakatan terbaik akan menjadi hasil akhir dengan proses yang lebih cepat dari sistem penjadwalan yang telah ada.

Adanya komponen-komponen yang mempengaruhi penyusunan jadwal ini diharapkan akan menghasilkan hasil terbaik, namun ada beberapa permasalahan yang harus dihindari dalam proses penyusunan jadwal antara lain, satu karyawan mempunyai shift lebih dari satu dalam satu hari yang sama, permasalahan lain yang harus dihindari ada karyawan yang mempunyai shift terakhir dalam satu hari kemudian mempunyai shift pertama di hari berikutnya. Oleh karena itu dibuat aturan-aturan penjadwalan karyawan paruh waktu untuk menghindari permasalahan-permasalahan yang ada, aturan-aturan tersebut adalah sebagai berikut :

1. Satu karyawan tidak dapat mempunyai lebih dari satu shift dalam satu hari yang sama

2. Dua karyawan yang sama-sama mempunyai kualitas „kurang‟ tidak boleh mempunyai shift yg berurutan dalam satu hari

3. Karyawan yang mempunyai shift terakhir dalam satu hari tidak dapat mempunyai shift pertama di hari berikutnya

4. Jumlah shift tiap karyawan dalam satu bulan = 14 – 16 shift

5. Shift karyawan dalam satu waktu sama dengan permintaan jadwal karyawan tersebut, aturan ini bersifat opsional.

Semua proses penyusunan jadwal bisa saja dilakukan secara manual, namun masih mengalami hambatan dalam penanganan masalah yang muncul dan akan bepengaruh pada hasil akhir, terutama dalam hal ketelitian, dengan proses ini juga membutuhkan waktu yang lama.

(40)

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.

(41)

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 mutasi/100) * jumlah iterasi Input jumlah iterasi

Input keaktifan permintaan jadwal Input besar probabilitas

mutasi Input jenis crossover

selesai

(42)

mulai

Pembentukan kromosom

Evaluasi nilai fitnes tiap kromosom dengan aturan

permintaan jadwal

Iterasi < jumlah iterasi ?

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

(43)

3.2. Perancangan Antarmuka

3.2.1. Perancangan Menu

DATA

JADWAL

KELUAR

Data Shift Data Karyawan

Data Permintaan Jadwal Data Lokasi

Jadwal Karyawan Proses Penjadwalan

Gambar 3.4 Perancangan menu

3.2.2. Perancangan Input dan Output

3.2.2.1. Form Utama

SISTEM PENJADWALAN KARYAWAN PARUH WAKTU

Data Penjadwalan Keluar

LOGO

(44)

Form utama pada gambar 3.5 terdiri dari 3 menu yaitu : Data, Penjadwalan, dan Keluar. Menu Data terdiri dari 4 sub menu, yaitu : data lokasi, data shift, data lokasi dan data permintaan jadwal. Menu Penjadwalan mempunyai 2 sub menu, yaitu : Proses penjadwalan dan Lihat jadwal

3.2.2.2. Form Data Lokasi

SISTEM PENJADWALAN KARYAWAN PARUH WAKTU DATA LOKASI

Edit Hapus

Batal Simpan

Kode Lokasi

namalokasi

kodelokasi alamat

Nama Lokasi Alamat

Keluar

Gambar 3.6 Perancangan form data lokasi

Form data lokasi pada gambar 3.6 digunakan untuk mengolah data lokasi yang meliputi kode lokasi, nama lokasi dan alamat. Dalam form lokasi ini terdapat tabel lokasi yang digunakan untuk menampilkan data lokasi. Terdapat 3 text field : kode lokasi, nama lokasi dan alamat untuk memasukkan/mengedit data masing-masing. Terdapat 5 button

beserta fungsinya, yaitu : button Simpan untuk menyimpan data lokasi,

button Edit untuk mengedit data lokasi(terlebih dahulu memilih data yang akan diedit), button Hapus untuk menghapus data lokasi(terlebih dahulu memilih data yang akan dihapus), button Batal untuk membatalkan proses pengolahan data lokasi yang sedang berlangsung, dan button

(45)

3.2.2.3. Form Data Shift

SISTEM PENJADWALAN KARYAWAN PARUH WAKTU DATA SHIFT

Edit Hapus

Batal Simpan Kode Shift

Kode Shift Mulai Selesai Lokasi

Nama Shift Waktu Mulai Waktu Selesai

Lokasi V

Keluar

Gambar 3.7 Perancangan form data shift

Form data shift pada gambar 3.7 digunakan untuk mengolah data shift yang meliputi kode shift, nama shift, waktu mulai, waktu selesai dan lokasi. Dalam form shift ini terdapat tabel shift yang digunakan untuk menampilkan data shift. Terdapat 4 text field : kode shift, nama shift, waktu mulai dan waktu selesai untuk memasukkan/mengedit data masing-masing. Terdapat 1 combo box lokasi yang berisi data lokasi yang telah tersimpan sebelumnya untuk memasukkan/mengedit data lokasi pada data shift. Terdapat 5 button beserta fungsinya, yaitu : button

Simpan untuk menyimpan data shift, button Edit untuk mengedit data shift(terlebih dahulu memilih data yang akan diedit), button Hapus untuk menghapus data shift(terlebih dahulu memilih data yang akan dihapus),

button Batal untuk membatalkan proses pengolahan data shift yang sedang berlangsung, dan button Keluar untuk keluar dari form data shift.

(46)

3.2.2.4. Form Data Karyawan

SISTEM PENJADWALAN KARYAWAN PARUH WAKTU DATA KARYAWAN

Hapus Edit

Simpan Batal

Kode Karyawan

Kode Nama Telp Kualitas Lokasi

Nama Karyawan No. Telp Kualitas

Lokasi V

Keluar

Kurang Cukup Baik

Gambar 3.8 Perancangan form data karyawan

Form data karyawan pada gambar 3.8 digunakan untuk mengolah data karyawan yang meliputi kode karyawan, nama karyawan, nomor telepon, kualitas dan lokasi. Dalam form karyawan ini terdapat tabel karyawan yang digunakan untuk menampilkan data karyawan. Terdapat 3

text field : kode karyawan, nama karyawan dan notelp untuk memasukkan/mengedit data masing-masing. Terdapat 3 radio button

kualitas : kurang, cukup, baik untuk memasukkan/mengedit data kualitas karyawan, dimana kualitas ini ditentukan oleh user dari penilaian kinerja karyawan tersebut sebelumnya. Terdapat 1 combo box lokasi yang berisi data lokasi yang telah tersimpan sebelumnya untuk memasukkan/mengedit data lokasi pada data karyawan. Terdapat 5

button beserta fungsinya, yaitu : button Simpan untuk menyimpan data karyawan, button Edit untuk mengedit data karyawan(terlebih dahulu memilih data yang akan diedit), button Hapus untuk menghapus data

(47)

karyawan(terlebih dahulu memilih data yang akan dihapus), button Batal untuk membatalkan proses pengolahan data karyawan yang sedang berlangsung, dan button Keluar untuk keluar dari form data karyawan.

3.2.2.5. Form Data Permintaan Jadwal

SISTEM PENJADWALAN KARYAWAN PARUH WAKTU DATA PERMINTAAN JADWAL

Hapus Batal Simpan Kode Permintaan

Kode Karyawan

Karyawan Permintaan Jadwal

hari1

Browse

Keluar

hari2 hari3 hari4 hari5 hari6 hari7 hari8 ha

Gambar 3.9 Perancangan form permintaan jadwal

Form permintaan jadwal pada gambar 3.9 digunakan untuk mengolah data permintaan jadwa yang meliputi kode permintaan jadwal, karyawan, permintaan jadwal dari hari1 sampai dengan hari31. Dalam form permintaan jadwal ini terdapat tabel permintaan jadwal yang digunakan untuk menampilkan data permintaan jadwal. Terdapat 2 text field : kode permintaan jadwal dan permintaan jadwal untuk memasukkan/mengedit data masing-masing. Terdapat 1 combo box

karyawan yang berisi data karyawan yang telah tersimpan sebelumnya untuk memasukkan/mengedit data karyawan pada data permintaan jadwal. Terdapat 5 button beserta fungsinya, yaitu : button Browse untuk mengambil path, yaitu alamat yang merujuk ke file permintaan jadwal tiap karyawan (file harus mempunyai format .csv), button Simpan untuk menyimpan data permintaan jadwal, button Hapus untuk menghapus data permintaan jadwal(terlebih dahulu memilih data yang akan dihapus),

(48)

button Batal untuk membatalkan proses pengolahan data permintaan jadwal yang sedang berlangsung, dan button Keluar untuk keluar dari form data permintaan jadwal.

3.2.2.6. Proses Penjadwalan

SISTEM PENJADWALAN KARYAWAN PARUH WAKTU PROSES PENJADWALAN

Buat Jadwal

Lokasi V

Bulan V

Hari 5 Hari 6 Hari 7 Hari 8 Hari 9

Keluar

Hari 4 Hari 3 Hari 2 Hari 1 x

Gambar 3.10 Perancangan proses penjadwalan

Form proses penjadwalan pada gambar 3.10 digunakan untuk membuat jadwal karyawan dari data-data karyawan yang telah tersimpan sebelumnya. Dalam form proses penjadwalan ini terdapat tabel proses penjadwalan yang digunakan untuk menampilkan jadwal yang telah terbuat. Terdapat 2 combo box : lokasi dan bulan yang berisi data lokasi yang telah tersimpan sebelumnya dan data nama bulan untuk batasan sebelum jadwal dibuat. Terdapat 2 button beserta fungsinya, yaitu :

button Buat Jadwal untuk memulai proses penjadwalan dan button Keluar untuk keluar dari form proses penjadwalan.

(49)

3.2.2.7. Jadwal Karyawan

SISTEM PENJADWALAN KARYAWAN PARUH WAKTU JADWAL KARYAWAN

Keluar Simpan

Bulan : Lokasi:

Hari 5 Hari 6 Hari 7 Hari 8 Hari 9 Hari 4

Hari 3 Hari 2 Hari 1 x

Gambar 3.11 Perancangan jadwal karyawan

Form jadwal karyawan pada gambar 3.11 digunakan untuk melihat dan mencetak data jadwal karyawan yang telah terbuat. Dalam form proses penjadwalan ini terdapat tabel jadwal karyawan yang digunakan untuk menampilkan jadwal karyawan yang telah terbuat sebelumnya. Terdapat 2 button beserta fungsinya, yaitu : button Simpan untuk menyimpan data jadwal karyawan dalam format excel (.xls) dan button

Keluar untuk keluar dari form jadwal karyawan.

3.3. Perancangan Basisdata

3.3.1. Entitas dan Atribut

1. Entitas Shift

Entitas Shift berisi data shift, memiliki atribut sebagai berikut : kodeshift (sebagai Primary-Key), namashift, mulai, selesai, lokasi

2. Entitas Lokasi

Entitas lokasi berisi data lokasi, memiliki atribut sebagai berikut : kodelokasi (sebagai Primary-Key), namalokasi, alamat

(50)

3. Entitas Karyawan

Entitas Karyawan berisi data karyawan, memiliki atribut sebagai berikut : kodekaryawan(sebagai Primary-Key), namakaryawan, notelp, kualitas, lokasi

4. Entitas Permintaanjadwal

Entitas Permintaanjadwal berisi data permintaan jadwal karyawan, memiliki atribut sebagai berikut : kodepermintaanjadwal, karyawan, hari1, hari2, hari3, hari4, hari5, hari6, hari7, hari8, hari9, hari10, hari11, hari12, hari13, hari14, hari15, hari16, hari17, hari18, hari19, hari20, hari21, hari22, hari23, hari24, hari25, hari26, hari27, hari28, hari29, hari30, hari31

3.3.2. Relasi dan Entitas

1. Relasi Shift dengan Lokasi

Shift dengan Lokasi memiliki relasi “punya” dengan derajad relasi one-to-many. Satu lokasi punya banyak shift, sedangkan satu shift hanya punya satu lokasi.

2. Relasi Lokasi dengan Karyawan

Lokasi dengan karyawan memiliki relasi “punya” dengan derajad relasi one-to-many. Satu lokasi punya banyak karyawan, sedangkan satu karyawan hanya punya satu lokasi.

3. Karyawan dengan Permintaanjadwal

Karyawan dengan Permintaanjadwal memiliki relasi “buat” dengan derajad

relasi one-to-one. Satu permintaanjadwal dibuat oleh satu karyawan, dan satu karyawan membuat satu permintaanjadwal.

(51)

3.3.3. ER Diagram

Gambar 3.12 Diagram ER

3.3.4. Diagram Fisikal

Shift Lokasi Karyawan _{Permintaanjadwal}

kodeshift namashift mulai selesai kodelokasi kodelokasi namalokasi alamat kodekaryawan namakaryawan notelp kualitas kodelokasi kodepermintaan kodekaryawan hari1 hari2 hari3 hari4 hari5 hari6 hari7 hari8 hari9 hari10 hari11 hari12 hari13 hari14 hari15 hari16 hari17 hari18 hari19 hari20 hari21 hari22 hari23 hari24 hari25 hari26 hari27 hari28 hari29 hari30 hari31 * ** * * ** ** *

(52)

3.3.5. Perancangan Tabel TABEL LOKASI

FIELD NAMA TYPE SIZE KEY

kodelokasi varchar 5 * namalokasi varchar 10

alamat varchar 50 Tabel 3.1 Perancangan tabel lokasi

TABEL SHIFT

FIELD NAMA TYPE SIZE KEY

kodeshift varchar 5 *

namashift varchar 10

mulai varchar 5

selesai varchar 5

kodelokasi varchar 5 ** Tabel 3.2 Perancangan tabel shift

TABEL KARYAWAN

FIELD NAMA TYPE SIZE KEY

kodekaryawan varchar 5 * namakaryawan varchar 10

noelp varchar 15

Kualitas varchar 10

kodelokasi varchar 5 ** Tabel 3.3 Perancangan tabel karyawan

(53)

TABEL PERMINTAAN JADWAL

FIELD NAMA TYPE SIZE KEY

kodepermintaanjadwal varchar 5 *

kodekaryawan varchar 5 **

hari1 varchar 5

hari2 varchar 5

hari3 varchar 5

hari4 varchar 5

hari5 varchar 5

hari6 varchar 5

hari7 varchar 5

Hari varchar 5

hari8 varchar 5

hari9 varchar 5

hari10 varchar 5

hari11 varchar 5

hari12 varchar 5

hari13 varchar 5

hari14 varchar 5

hari15 varchar 5

hari16 varchar 5

hari17 varchar 5

hari18 varchar 5

hari19 varchar 5

hari20 varchar 5

hari21 varchar 5

hari22 varchar 5

hari23 varchar 5

(54)

hari26 varchar 5

hari27 varchar 5

hari28 varchar 5

hari29 varchar 5

hari30 varchar 5

hari31 varchar 5

Tabel 3.4 Perancangan tabel permintaan jadwal

3.4. Perancangan Algoritma Genentika dalam Penjadwalan Karyawan

Paruh Waktu

3.4.1. Representasi Masalah

Penjadwalan karyawan paruh waktu ini memiliki beberapa komponen yaitu jumlah shift per hari, jumlah karyawan dalam suatu shift, kualitas kerja karyawan, jadwal sebelumnya dan satu komponen yang bersifat opsional yaitu permohonan jadwal karyawan paruh waktu. Beberapa komponen akan digunakan sebagai pembentuk model kromosom. Komponen-komponen yang digunakan akan dibangun dengan menempatkan setiap komponen menjadi sebuah kode untuk mempresentasikan masalah ke dalam bentuk kromosom.

Jumlah gen diperoleh dari jumlah shift dalam satu hari dan jumlah hari akan membentuk sebuah kromosom. Panjang kromosom yaitu jumlah gen dalam satu kromosom merupakan jumlah hasil kali dari jumlah shift dalam satu hari dan jumlah hari. Panjang kromosom/jumlah gen yang terbentuk dapat dirumuskan sebagai berikut :

K = S * H………...…..(3.1)

Keterangan :

K = panjang kromosom/jumlah gen S = jumlah shift dalam satu hari H = jumlah hari

(55)

3.4.2. Pembentukan dan Pemodelan Kromosom

Kromosom dibangkitkan secara acak untuk menempatkan karyawan pada setiap shift dan hari tertentu.

Pengkodean yang digunakan dalam pembentukan kromosom ini adalah pengkodean nilai, dimana nilai yang di enkodekan langsung merupakan representasi dari masalah. Dalam masalah penjadwalan karyawan paruh waktu ini karyawan menjadi populasi dalam kromosom, maka data karyawan akan di enkodekan menggunakan data real.

HARI 1 HARI 2

. . .

HARI 31

KRM JAP PAE STY NLC JAP STY HNK STY JAP PAE AFR

S1 S2 S3 S4 S1 S2 S3 S4 S1 S2 S3 S4

Gambar 3.14 Ilustrasi model kromosom

Permodelan kromosom diilustrasikan seperti gambar 3.14. Setiap gen kromosom ditempati satu shift dimana 1-4 merupakan kode shift, yang dapat diartikan :

Kotak ke-n = [hari; shift; karyawan]

Kotak ke-1 = [1; 1; KRM]

= [hari ke-1; shift 1; karyawan KRM] Kotak ke-2 = [1; 2; JAP]

= [hari ke-1; shift 2; karyawan JAP] Kotak ke-3 = [1; 3; PAE]

= [hari ke-1; shift 3; karyawan PAE] Kotak ke-4 = [1; 4; STY]

= [hari ke-1; shift 4; karyawan STY] Kotak ke-5 = [2; 1; NLC]

(56)

Kotak ke-6 = [2; 2; JAP]

= [hari ke-2; shift 2; karyawan JAP] Kotak ke-7 = [2; 3; STY]

= [hari ke-2; shift 3; karyawan STY] Kotak ke-8 = [2; 4; HNK]

= [hari ke-2; shift 4; karyawan HNK]

…

Kotak ke-121 = [31; 1; STY]

= [hari ke-31; shift 1; karyawan STY] Kotak ke-122 = [31; 2; JAP]

= [hari ke-31; shift 2; karyawan JAP] Kotak ke-123 = [31; 3; PAE]

= [hari ke-31; shift 3; karyawan PAE] Kotak ke-124 = [31; 4; AFR]

= [hari ke-31; shift 4; karyawan AFR]

3.4.3. Pembangkitan Kromosom

Kromosom akan dibangkitkan secara acak, untuk populasi awal dibangkitkan 10 kromosom dan masing-masing kromosom mempunyai 124 gen. Kromosom yang dibangkitkan akan ditempati oleh hari, shift dan karyawan.

3.4.4. Pencarian Nilai Fitness

Nilai fitness menentukan kualitas/baik dan buruknya kromosom yang diperoleh dari pelanggaran terhadap aturan-aturan yang ditentukan. Semakin kecil nilai fitness suatu kromosom maka kromosom tersebut semakin baik. Nilai

fitness dikatakan optimal jika tidak terjadi pelanggaran terhadap aturan-aturan pada tabel 3.5.

Dalam masalah penjadwalan karyawan paruh waktu ini diasumsikan semakin besar nilai fitness suatu kromosom maka kromosom tersebut semakin

(57)

baik, oleh karena itu nilai fitness terkecil di konversi menjadi nilai fitness terbesar dalam kromosom, nilai fitness tiap kromosom diperoleh dari total fitness semua kromosom dibagi dengan nilai tiap kromosom, maka nilai fitness telah terkonversi. Nilai fitness dapat dirumuskan sebagai berikut :

Nilai Fitness’ = Total Nilai Fitness /Nilai Fitness .…………(3.4)

Keterangan :

Nilai Fitness’ = nilai fitness setelah dikonversi Nilai Fitness = nilai fitness tiap kromosom

Total Nilai fitness = total nilai fitness semua kromosom

3.4.4.1.Aturan-aturan penjadwalan karyawan

NO ATURAN PELANGGARAN

Satu karyawan tidak dapat mempunyai lebih dari satu shift dalam satu hari yang sama

Fitness = + 1, jika ada satu karyawan mempunyai dua shift atau lebih dalam satu hari yang sama

Dua karyawan yang sama-sama mempunyai kualitas=1 tidak boleh mempunyai shift yg berurutan dalam satu hari

Fitness = + 1, jika ada dua karyawan yang sama-sama mempunyai kualitas=1 berada dalam shift yg berurutan dalam satu hari

Karyawan yang mempunyai shift terakhir dalam satu hari tidak dapat mempunyai shift pertama di hari berikutnya

Fitness = + 1, jika ada karyawan berada pada shift 4 di satu hari dan menempati shift 1 pada hari berikutnya

4 Jumlah shift tiap karyawan dalam satu bulan = 14 – 16 shift

Fitness = + 1, jika shift karyawan dalam satu bulan <14 dan >16

(58)

Shift karyawan dalam satu waktu sama dengan permintaan jadwal karyawan tersebut (opsional)

Fitness = + 1, jika aturan

permintaan jadwal digunakan dan shift karyawan tidak sesuai dengan permintaan jadwal karyawan Tabel 3.5 Aturan-aturan penjadwalan karyawan

3.4.5. Seleksi Kromosom

Seleksi kromosom adalah mencari kromosom dalam populasi untuk dipilih menjadi orang tua. Dalam masalah penjadwalan karyawan paruh waktu ini seleksi dilakukan dengan metode Roda Roulette (Roulette Wheel), proses ini dilakukan berdasarkan nilai fitness, semakin baik nilai fitness suatu kromosom maka semakin besar kemungkinan kromosom akan menjadi orang tua.

Kromosom yang terpilih sebagai orang tua adalah kromosom yang akan melakukan proses reproduksi yaitu operasi persilangan dan operasi mutasi dengan harapan akan mendapatkan kromosom yang lebih baik dari kromosom sebelumnya.

Dari total nilai fitness dalam populasi yang diperoleh sebelumnya, dicari probabilitas masing-masing individu. Probabilitas dari setiap kromosom dapat dirumuskan sebagai berikut :

P = (t / s) * 100 ………..(3.2)

Keterangan :

P = Probabilitas tiap kromosom t = total nilai fitness tiap kromosom s = total nilai fitness semua kromosom

(59)

Dari probabilitas tiap individu yang diperoleh akan digambarkan ke dalam Roda Roulette (Roulette Wheel), semakin besar probabilitas individu semakin besar pula bagian individu tersebut di dalam Roda Roulette (Roulette Wheel).

Proses seleksi dilakukan dengan menentukan satu titik untuk menentukan kromosom yang dipilih setelah Roda Roulette (Roulette Wheel) diputar dan berhenti dengan sendirinya.

3.4.6. Proses Reproduksi

Proses reproduksi bertujuan untuk mendapatkan kromosom baru yang lebih baik dari kromosom induknya, proses ini menggunakan operasi persilangan/crossover dan operasi mutasi. Crossover dilakukan setiap kali iterasi kecuali pada suatu iterasi akan dilakukan proses mutasi, maka proses crossover

tidak dilakukan pada iterasi tersebut. Mutasi dilakukan sesuai dengan masukan besar probabilitas mutasi, dengan probabilitas mutasi akan dicari kapan dan berapa kali proses mutasi dilakukan. Untuk mencari berapa kali proses mutasi dilakukan dapat dirumuskan sebagai berikut :

Jumlah mutasi = (probabilitas mutasi / 100) * jumlah iterasi…....(3.3) Untuk mencari kapan mutasi dilakukan/pada kelipatan iterasi berapa proses mutasi dilakukan dapat dirumuskan sebagai berikut :

Iterasi mutasi = jumlah iterasi / jumlah mutasi………..…….(3.4)

Operasi persilangan merupakan proses menggabungkan dua kromosom yang telah terpilih sebagai orang tua untuk menghasilkan dua individu baru. Dalam masalah penjadwalan karyawan paruh waktu ini ada dua jenis crossover

yang akan digunakan yaitu crossover 2 titik dan crossover 4 titik, ilustrasi kedua jenis proses reproduksi tersebut dapat dilihat pada gambar 3.15 dan gambar 3.16.

(60)

Gambar 3.15 Ilustrasi proses crossover 2 titik

Gambar 3.16 Ilustrasi proses crossover 4 titik

Operasi mutasi merupakan proses mengubah satu bagian kromosom (gen) dari sebuah kromosom yang terpilih untuk menghasilkan satu individu baru. Dalam masalah penjadwalan karyawan paruh waktu ini mutasi yang yang digunakan adalah mutasi satu titik dengan proses yang diilustrasikan pada gambar 3.17.

(61)

3.4.7. Update Generasi

Update kromosom adalah memperbaharui kromosom yang dilakukan setelah proses reproduksi, proses ini dilakukan dengan membuang kromosom terburuk kemudian mengganti kromosom tersebut dengan offspring/kromosom hasil perkawinan silang maupun mutasi, dengan catatan kromosom baru hasil reproduksi tersebut lebih baik dari kromosom terburuk dari populasi sebelumnya,

offspring dikatakan lebih baik jika nilai fitness-nya lebih kecil dari nilai fitness

kromosom terburuk. Hasil update generasi adalah populasi baru yang akan digunakan untuk proses selanjutnya.

3.4.8. Kondisi Berhenti

Proses reproduksi ini akan dilakukan berulang-ulang, namun proses bisa berhenti jika ditemukan beberapa kondisi sebagai berikut :

a. Offspring/kromosom baru hasil reproduksi mempunyai nilai optimal yaitu nilai fitness = 0

b. Proses reproduksi sudah dilakukan sebanyak jumlah iterasi yang ditentukan Selebihnya proses reproduksi akan terus dilakukan, offspring-offspring

akan diseleksi kembali, begitu seterusnya sampai terpenuhi kriteria berhenti. Proses reproduksi ini nantinya akan menghasilkan kromosom terbaik sebagai hasil akhir.

3.5. Penerapan Algoritma Genetika dalam Penjadwalan Karyawan Paruh

Waktu

Dalam permasalahan penjadwalan karyawan paruh waktu, akan dirancang jadwal karyawan di salah satu lokasi untuk menjadwalkan 4 shift dengan 8 karyawan dalam 31 hari dengan contoh data seperti tabel dibawah ini :

(62)

1. Data Lokasi

Tabel 3.6 Contoh Data Lokasi

2. Data Karyawan

Tabel 3.7 Contoh Data Karyawan 3. Data Shift

Tabel 3.8 Contoh Data Shift

(63)

Tabel 3.9 Contoh Data Permintaan Jadwal

3.5.1. Pembangkitan Kromosom

Kromosom / kumpulan dari beberapa gen mempunyai panjang 124 yang diperoleh dari :

Kromosom = Shift * Hari = 4 * 31 = 124

Jadi, jumlah gen untuk sebuah kromosom = 124

Kromosom dibangkitkan secara acak, untuk populasi awal dibangkitkan 10 kromosom yang masing-masing kromosom terdiri dari 124 gen. Tiap gen menyatakan hari, shift dan karyawan tertentu. Sebagai contoh kromosom-kromosom tersebut adalah sebagai berikut :

(64)

Tabel 3.11 Kromosom 1-10, Gen 19-36

Tabel 3.12 Kromosom 1-10, Gen 37-54

(65)

Tabel 3.14 Kromosom 1-10, Gen 73-90

Tabel 3.15 Kromosom 1-10, Gen 91-108

(66)

3.5.2. Pencarian Nilai Fitness

Total nilai fitness dilakukan pada setiap kromosom dengan cara mengecek tiap gen pada kromosom berdasarkan aturan-aturan yang ditetapkan. Untuk nilai awal, setiap kromosom diberi nilai fitness 0, yaitu nilai fitness minimal. Kemudian total nilai fitness dikonversi dari terkecil ke terbesar dan sebaliknya dari terbesar ke terkecil, konversi ini dilakukan dengan tujuan agar kromosom yang mempunyai total nilai fitness terkecil memperoleh bagian terbesar dan sebaliknya total nilai fitness terbesar memperoleh bagian terkecil pada Roda Roulette, yaitu metode yang digunakan untuk proses selanjutnya yaitu proses seleksi.

Sebagai contoh dari hasil pencarian nilai fitness 10 kromosom, didapat total nilai fitness dan hasil konversi nilai fitness tiap kromosom yang dapat dilihat pada tabel 3.17.

Kromosom Nilai fitness Nilai fitness‟

Kromosom 1 120 8,33

Kromosom 2 124 8,06

Kromosom 3 110 9,09

Kromosom 4 69 14,49

Kromosom 5 98 10,20

Kromosom 6 75 13,33

Kromosom 7 100 10

Kromosom 8 104 9,62

Kromosom 9 85 11,76

Kromosom 10 115 8,70

103,59

(67)

3.5.3. Seleksi Kromosom

Dari total nilai fitness tiap kromosom, dicari probabilitas masing-masing individu :

Probabilitas kromosom i = nilai fitness‟ i –total nilai fitness‟ i Probabilitas kromosom 1 = (8,33 / 103,59) * 100 = 8,04 Probabilitas kromosom 2 = (8,06 / 103,59) * 100 = 7,79 Probabilitas kromosom 3 = (9,09 / 103,59) * 100 = 8,78 Probabilitas kromosom 4 = (14,49 / 103,59) * 100 = 13,99 Probabilitas kromosom 5 = (10,20/ 103,59) * 100 = 9,85 Probabilitas kromosom 6 = (13,33 / 103,59) * 100 = 12,87 Probabilitas kromosom 7 = (10 / 103,59) * 100 = 9,65 Probabilitas kromosom 8 = (9,62 / 103,59) * 100 = 9,28 Probabilitas kromosom 9 = (11,76 / 103,59) * 100 = 11,36 Probabilitas kromosom 10 = (8,70 / 103,59) * 100 = 8,39 Didapat probabilitas tiap kromosom yang dapat dilihat pada tabel 3.18

Kromosom Probabilitas (%)

Kromosom 1 8,04

Kromosom 2 7,79

Kromosom 3 8,78

Kromosom 4 13,99

Kromosom 5 9,85

Kromosom 6 12,87

Kromosom 7 9,65

Kromosom 8 9,28

Kromosom 9 11,36

Kromosom 10 8,39

(68)

Dalam masalah penjadwalan karyawan paruh waktu ini representasi Roda Roulette (Roulette Wheel) digambarkan dalam bentuk diagram garis.Gambar 3.18 adalah diagram garis yang dibentuk berdasarkan probabilitas fitness dalam kromosom, panjang garis dibentuk dalam range 1-100 yang kemudian dibagi menjadi 10 bagian yang menggambarkan jumlah kromosom, dimana panjang setiap bagian ditentukan berdasarkan probabilitas total fitness tersebut. Kromosom 1 memiliki probabilitas 12% untuk terpilih menjadi orang tua dalam pemilihan kromosom, maka range 1-12 dalam garis mewakili kromosom 1, dan seterusnya.

Gambar 3.18 Diagram probabilitas total nilai fitness

Berdasarkan gambar 3.17 proses seleksi dilakukan dengan membangkitkan bilangan acak dari 0-100, kemudian dari bilangan tersebut dapat ditentukan kromosom mana yang terpilih, sebagai contoh bilangan yang didapat adalah 65, maka kromosom 7 adalah kromosom yang terpilih menjadi orang tua karena 65 masuk dalam range 61,32 – 70,97 yang merupakan range yang mewakili kromosom 7.

3.5.4. Reproduksi Kromosom

Reproduksi kromosom dilakukan setiap kali iterasi hingga kondisi berhenti terpenuhi. Setiap iterasi akan dilakukan proses crossover atau proses mutasi. Proses crossover dilakukan setiap iterasi kecuali akan dilakukan proses mutasi. Sesuai rumus 3.3 dan 3.4 proses mutasi dilakukan sesuai masukan besar probabilitas mutasi, misal masukan probabilitas mutasi dengan jumlah iterasi 100 adalah 5%, maka jumlah mutasi akan dilakukan sebanyak 5 kali, diperoleh dari (5/100)*100. Proses mutasi akan dilakukan setiap kelipatan iterasi 20, diperoleh dari 100/5.

(69)

Pada suatu iterasi proses seleksi kromosom yang terpilih adalah kromosom 7, sebagai contoh pada seleksi kromosom berikutnya kromosom yang terpilih adalah kromosom 3, maka akan dilakukan proses persilangan antar kedua kromosom tersebut dengan 2 jenis persilangan yaitu crossover 2 titik dan

crossover 4 titik. Kedua proses persilangan tersebut dilakukan secara opsional yaitu memilih salah satu jenis persilangan yang nantinya akan menghasilkan 2 kromosom yang diharapkan akan lebih baik dari kromosom induknya. Ilustrasi proses crossover 2 titik dan proses crossover 4 titik adalah sebagai berikut :

Induk 1 untuk crossover 2 titik: kromosom 7

(70)

Induk 2 untuk crossover 2 titik: kromosom 3

Gambar 3.20 Representasi kromosom 3 sebagai induk 2 crossover 2 titik

Offspring 1 : kromosom baru yang dihasilkan dari proses crossover 2 titik

(1)

Berdasarkan tabel 4.3 dan grafik hubungan probabilitas mutasi dengan rata-rata fitness terbaik pada gambar 4.27 dapat disimpulkan bahwa nilai fitness yang dihasilkan untuk probabilitas mutasi 0% - 5% bersifat random, besar probabilitas mutasi yang digunakan untuk setiap percobaan tidak ada yang menjamin nilai fitness pada percobaan tersebut baik.

4. Jenis crossover dan probabilitas mutasi dengan rata-rata fitness terbaik yang dihasilkan

Program dijalankan sebanyak 10 kali percobaan (p) dengan jumlah iterasi 100 dan aturan permintaan jadwal aktif. Menghasilkan hubungan jenis crossover dan probabilitas mutasi dengan nilai fitness

yang dihasilkan yang dapat dilihat pada tabel 4.4.

Tabel 4.4 Hubungan jenis crossover dan probabilitas mutasi dengan rata-rata fitness terbaik

(2)

Gambar 4.14 Grafik hubungan jenis crossover dan probabilitas mutasi dengan rata-rata fitness terbaik

Berdasarkan tabel 4.4 dan grafik hubungan jenis crossover dan probabilitas mutasi dengan rata-rata fitness terbaik pada gambar 4.28 dapat disimpulkan bahwa nilai fitness yang dihasilkan untuk setiap hubungan jenis crossover dan besar probabilitas mutasi bersifat random, tidak ada hubungan khusus untuk jenis crossover dan besar probabilitas mutasi yang menjamin nilai fitness hubungan tersebut selalu baik.

5. Aturan permintaan jadwal dan rata-rata fitness terbaik yang dihasilkan

Program dijalankan sebanyak 10 kali percobaan (p) dengan jumlah iterasi 100, jenis crossover 4 titik dan probabilitas mutasi 2. Menghasilkan hubungan aktif tidaknya aturan permintaan jadwal dengan nilai fitness yang dihasilkan yang dapat dilihat pada tabel 4.5.

0 1 2 3 4 5 6 7 8 9

0 1 2 3 4 5

crossover 2 titik

crossover 4 titik

(3)

Tabel 4.5 Hubungan aturan permintaan jadwal dengan rata-rata fitness

terbaik

Gambar 4.15 Grafik hubungan aturan permintaan jadwal dengan rata-rata

fitness terbaik

Berdasarkan tabel 4.5 dan grafik hubungan aturan permintaan jadwal dengan rata-rata fitness terbaik pada gambar 4.29 dapat disimpulkan bahwa` nilai fitness yang dihasilkan untuk aktif tidaknya aturan permintaan jadwal, percobaan dengan aturan permintaan jadwal tidak aktif menghasilkan nilai fitness lebih baik daripada percobaan dengan aturan permintaan jadwal aktif.

4.3.2. Kelebihan dan Kekurangan Program

Kelebihan dari program Sistem Penjadwalan Karyawan Paruh Waktu adalah sebagai berikut :

1. Program mudah digunakan dengan fasilitas tombol pengolah data serta urutan jalan program yang jelas dan mudah dimengerti pengguna

0 20 40 60 80 100 120 i-1 i-2 i-3 i-4 i-5 i-6 i-7 i-8 i-9 i-10

Nilai Fitness

aktif tidak aktif

(4)

2. Penggunaan algoritma Genetika dalam proses penjadwalan dapat diatur sesuai keinginan pengguna

3. Nilai fitness tiap iterasi secara otomatis tersimpan dalam file dengan alamat path„E:\ data fitness iterasi.xls‟

4. Hasil program berupa jadwal karyawan paruh waktu dapat disimpan dalam file dengan format .xls

Kekurangan dari program Sistem Penjadwalan Karyawan Paruh Waktu adalah sebagai berikut :

1. Desain interface program minimalis dan kurang menarik

2. Setiap komponen yang digunakan dalam proses penjadwalan sudah ditentukan jumlahnya sehingga tidak fleksibel

(5)

BAB V

PENUTUP

5.1. KESIMPULAN

Berdasarkan pembahasan pada bab-bab sebelumnya, maka dapat disimpulkan bahwa :

1. Algoritma Genetika dapat digunakan untuk menyelesaikan permasalahan penjadwalan karyawan paruh waktu dengan sifat-sifat operator sebagai berikut : a. Semakin banyak aturan yang digunakan untuk mencari nilai fitness maka

semakin sedikit juga kemungkinan mendapatkan nilai fitness baik

b. Untuk mendapatkan nilai fitness yang lebih baik biasanya dibutuhkan iterasi yang lebih banyak

c. Jenis crossover dan besar probabilitas mutasi yang digunakan tidak memberi jaminan untuk mendapat hasil yang lebih baik.

2. Semua operator algoritma Genetika bersifat random sehingga tidak ada operator tertentu yang menjamin hasil selalu baik.

5.2. SARAN

Sebagai perimbangan untuk pengembangan program ini, ada beberapa saran yang dapat penulis sampaikan :

1. Program dapat dikembangkan dengan desain interface yang lebih menarik 2. Program dapat dikembangkan dengan membuat jumlah setiap komponen

penjadwalan fleksibel

3. Program dapat dikembangkan dengan menyelesaikan permasalahan penjadwalan karyawan paruh waktu dengan algoritma lainnya selain algoritma Genetika.

(6)

DAFTAR PUSTAKA

Affenzeller, Michael, dkk. 2000. Genetic Algorithms and Genetic Programming. London : CRC Press.

Ferianingrum, Wahyu. 2009. Sistem Pendukung Pengambilan Keputusan Penjadwalan Kuliah dengan Algoritma Genetika. Skripsi. Fakultas Sains dan Teknologi Universitas Sanata Dharma. Yogyakarta.

Mitsuo, Gen, dan Runwei Cheng. 2000. Genetic Algorithms and Engineering Design. New York : Wiley-Interscience.

Nikodemus. 2006. Penjadwalan Mata Kuliah dengan Algoritma Genetika. Skripsi. Fakultas Sains dan Teknologi Universitas Sanata Dharma. Yogyakarta.

Turban, Efraim, Jay E. Aronson dan Ting-Peng Liang. 2005. Sistem Pendukung Keputusan dan Sistem Cerdas. Yogyakarta : Andi.

Sistem penjadwalan karyawan paruh waktu dengan algoritma genetika : studi kasus Kedai 24 jam.

ABSTRAK

ABSTRACT

SKRIPSI

SISTEM PENJADWALAN KARYAWAN PARUH WAKTU

DENGAN ALGORITMA GENETIKA

(Studi Kasus : Kedai 24 Jam)

HALAMAN PERSEMBAHAN

Nikmati dan berhati-hatilah dalam proses, karena proses jauh lebih berharga

daripada hasil

Karya ini saya persembahkan teristimewa kepada :

Tuhan Yesus

,

yang selalu melimpahkan berkat dan rahmat karunia-Nya

Dosen & Karyawan USD,

yang selalu memberi bantuan dan bimbingan dalam proses

Keluarga & Sahabat,

ABSTRAK

ABSTRACT

KATA PENGANTAR

DAFTAR ISI

DAFTAR GAMBAR

DAFTAR TABEL

BAB I

PENDAHULUAN

1.1.

Latar Belakang

1.2.

Rumusan Masalah

1.3.

Manfaat dan Tujuan

1.4.

Batasan Masalah

1.5.

Metodologi Penelitian

1.6.

Sistematika Penulisan

BAB II

LANDASAN TEORI

2.1.

Algoritma Genetika

BAB III

ANALISA DAN PERANCANGAN

3.1.

Definisi Masalah

3.2.

Perancangan Antarmuka

3.3.

Perancangan Basisdata

3.4.

Perancangan Algoritma Genentika dalam Penjadwalan Karyawan

Paruh Waktu

. . .

3.5.

Penerapan Algoritma Genetika dalam Penjadwalan Karyawan Paruh

Waktu

Nilai Fitness

BAB V

PENUTUP

5.1.

KESIMPULAN

5.2.

SARAN

DAFTAR PUSTAKA

Parts

Dokumen yang terkait

Sistem Penjadwalan Kuliah dengan Menggunakan Algoritma Genetika Studi Kasus Fakultas Teknik Universitas Sumatera Utara

Sistem Simulasi Penjadwalan Kuliah Dengan Menggunakan Algoritma Genetik

Penjadwalan Perkuliahan Dengan Pengujian Tabel Waktu (Time-Table) Menggunakan Algoritma Genetika

Prediksi dan Pemetaan Erosi dengan Pendekatan Usle (Universal Soil Loss Equation) Menggunakan Sistem Informasi Geografi

Sistem Informasi Penjadwalan Mata Pelajaran dengan Algoritma Genetika di SMP Negeri 38 Bandung.

Waktu paruh dan Arrhenius

rekrutmen tenaga paruh waktu LPPT

Optimasi Penjadwalan Sumberdaya dengan Metode Algoritma Genetik dan Algoritma Momen Minimum

KONSEP BARU SISTEM WAKTU-NYATA DAN ALGORITMA PENJADWALAN EDELF (EARLIEST DEADLINE EARLIEST LIVELINE FIRST)

Sistem Penjadwalan Outsourcing Menggunakan Algoritma Genetika (Studi Kasus : PT. Syarikatama)

Dokumen yang Anda mencari sudah siap untuk unduhkan