Implementasi Algoritma Genetika Untuk Penjadwalan Customer Service (Studi Kasus: Biro Perjalanan Kangoroo)
Vol. 1, No. 6, Juni 2017, hlm. 456-465 http://j-ptiik.ub.ac.id
Implementasi Algoritma Genetika Untuk Penjadwalan Customer Service
(Studi Kasus: Biro Perjalanan Kangoroo)
1 2 3 Chusnah Puteri Damayanti , Rekyan Regasari Madi Putri , Mochammad Ali FauziProgram Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya 1 3 Email: chusnapd@gmail.com moch.ali.fauzi@gmail.com
Abstrak
Karena kebutuhan akan transportasi yang tinggi dari masyarakat, biro perjalanan atau travel harus siap siaga melayani masyarakat. Pada travel dibutuhkan karyawan yang harus sedia untuk melayani pelanggan disebut customer service. Customer service harus memberikan informasi yang tepat, akurat dan cepat kepada pelanggan. Pada Travel Kangoroo yang memiliki lebih dari 300 armada, memiliki dua lokasi kantor yaitu pusat dan cabang serta jam operasional yang panjang membutuhkan customer service yang sedia melayani pelanggan. Serta terdapat berbagai aturan yang harus dipenuhi untuk membuat penjadwalan customer service. Sehingga, pada penelitian ini permasalahan penjadwalan diselesaikan dengan menggunakan algoritma genetika. Algoritma genetika mampu menyelesaikan permasalahan yang kompleks dan memiliki cakupan luas. Melalui pengujian yang telah dilakukan, diperoleh parameter terbaik yang menghasilkan nilai fitness paling optimal dengan ukuran populasi sebesar 110, ukuran generasi 110 dan perbandingan crossover rate dan mutation rate 0.7:0.3. Dengan menggunakan parameter tersebut, penjadwalan customer service memiliki hasil yang optimal walaupun masih ada pelanggaran yang terjadi dengan waktu komputasi yang lebih singkat dibandingkan dengan manual.
Kata Kunci: biro perjalanan, penjadwalan, customer service, algoritma genetika, crossover, mutation
Abstract
Due to the high demand of public transport, travel agency must be ready to serve the citizen.Travel need to be ready to serve the customer; called customer service. Customer service should provide
information that is precise, accurate and fast to customers. At Travel Kangaroo which owns more than
300 fleet, has two locations namely central office and branches as well as long operating hours, a
responsive customer service needed to serve the customers There are various rules that must be fulfilled
in making the schedule of customer service too. Thus, in this study scheduling problems solved using
genetic algorithms. Genetic algorithms can solve a complex problem as well as it has wide scope.
Through the examination, it was obtained the best parameters that produce the most optimal fitness
value with a population size of 110, 110 and comparison generation size crossover rate and mutation
rate of 0.7: 0.3. By using these parameters, scheduling customer service have optimal results, although
there are violations that occur with shorter computation time compared with the manual.Keywords: travel, scheduling, customer service, genetic algorithm, crossover, mutation
Biro perjalanan atau travel membutuhkan 1. penjadwalan dalam mengatur jam kerja
PENDAHULUAN
karyawan karena kebutuhan akan transportasi Penjadwalan didefinisikan sebagai rencana yang tinggi. Untuk mengantisipasi hal tersebut, pengaturan urutan kerja serta pengalokasian tentunya harus ada karyawan yang selalu ada sumber, baik waktu maupun fasilitas untuk untuk berhubungan langsung dengan pelanggan, setiap operasi yang harus diselesaikan (Vollman, yaitu Customer service. Customer service harus 1998). Penjadwalan secara manual masih umum mampu memberikan informasi yang dibutuhkan dilakukan saat ini. Hal tersebut dirasa sulit pelanggan secepatnya, dan informasi yang dilakukan dan dapat memakan waktu yang diberikan harus benar, tepat, dan cepat sehingga cukup lama serta tingkat kesalahan yang dapat customer akan merasa puas (Yunarto, 2006). terjadi pun cukup besar.
Fakultas Ilmu Komputer Universitas Brawijaya
456
Pada penelitian ini, penjadwalan customer
Algoritma genetika adalah algoritma optimasi numerik yang terinspirasi dari seleksi natural dan genetika natural (Coley, 1999).
Selain itu juga terdapat metode insertion exchange mutation.
dengan memilih dua posisi (exchange point / XP) secara random kemudian menukarkan nilai pada posisi tersebut (Mahmudy, 2015).
exchange mutation . Metode ini bekerja
3. Mutasi Mutasi dilakukan dengan memilih satu induk secara acak dari populasi. Metode mutasi yang digunakan adalah dengan memilih satu titik acak kemudian mengubah nilai gen pada titik tersebut. Metode mutasi yang paling sederhana adalah reciprocal
untuk menggabungkan 2 kromosom induk menjadi kromosom baru. Jumlah solusi jadwal yang mengalami crossover ditentukan oleh parameter crossover rate. Metode crossover yang paling umum digunakan adalah metode one-cut-point, yang secara acak memilih satu titik potong dan menukarkan bagian kanan dari tiap induk untuk menghasilkan offspring (Mahmudy, 2015).
Crossover merupakan operasi yang bekerja
2. Crossover
1. Inisialisasi Kromosom Inisialisasi dilakukan untuk membangkitkan himpunan solusi baru secara acak/random yang terdiri atas sejumlah string chromosome dan ditempatkan pada pen ampungan yang disebut populasi (Mahmudy, 2015). Representasi kromosom dapat menggunakan bilangan biner, bilangan integer, real coded, maupun permutasi.
Terdapat beberapa tahapan dari algoritma genetika yaitu:
2. ALGORITMA GENETIKA
service dibuat per 30 hari kerja dimana hari sabtu, minggu dan hari libur termasuk hari kerja.
Langkah-langkah yang dilakukan dalam pembuatan penelitian atau metodologi yang digunakan penulis penelitian terdiri dari studi literatur, analisis kebutuhan, pengumpulan data, perancangan sistem, implementasi sistem, pengujian sistem, analisis hasil dan terakhir penarikan kesimpulan. Data dalam skripsi ini didapatkan dari PT Cybersama Technology melalui wawancara dan studi dokumen yang diberikan.
Penelitian ini melakukan pembuatan jadwal untuk customer service dengan harapan akan memberikan efektifitas dalam melakukan pekerjaannya. Dengan algortima genetika, dapat mengurangi kesalahan-kesalahan yang dapat terjadi dalam penjadwalan serta memangkas waktu yang dibutuhkan untuk membuat jadwal kerja dari pembuatan jadwal secara manual. Sehingga, dapat meningkatkan efisiensi pekerjaan customer service.
service dengan algoritma genetika dibandingkan dengan cara manual.
dalam hal ini nilai fitness terbaik yang dihasilkan dalam implementasi algoritma genetika untuk penjadwalan customer service, dan mengetahui efisiensi waktu dalam penjadwalan customer
travel , mengidentifikasi tingkat efektifitas yang
Tujuan dari penelitian ini yaitu: mengimplementasikan algoritma genetika dalam penjadwalan customer service pada bidang
Algoritma genetika telah sukses diterapkan pada berbagai masalah kombinatorial, seperti perencanaan dan penjadwalan produksi pada industri manufaktur (Mahmudy, Marian & Luong 2012b, 2013b, 2013e). Algoritma genetika dapat menghasilkan solusi mendekati optimum yang dilakukan dalam waktu singkat dan dapat diterima secara mudah dalam menyelesaikan masalah, meskipun tidak dihasilkan solusi yang paling optimum.
service .
Setiap karyawan memiliki susunan satu hari libur dan empat hari kerja dan minimal memiliki istirahat selama 8 jam setiap harinya. Terdapat dua lokasi kantor yaitu cabang dan pusat. Pembagian jam kerja karyawan pada kantor pusat dibagi menjadi tiga shift yaitu pagi, siang dan malam. Dimana, karyawan perempuan tidak boleh ada di shift malam. Seluruh karyawan harus memiliki jumlah jam kerja yang sama selama satu bulan dan jadwal tidak boleh saling bertabrakan satu sama lain. Dikarenakan kesulitan memenuhi aturan-aturan tersebut, peneliti bersama dengan PT Cybersama Technology, akan membuat implementasi algoritma genetika untuk penjadwalan customer
4. Evaluasi Evaluasi adalah fungsi yang digunakan untuk mengetahui ketahanan kromosom masih pantas diteruskan eksistensinya (Tyas, Rahman, & Dewi, 2013). Setelah itu dihitung nilai fitness yang merepresentasikan nilai suatu inidividu. Semakin besar nilai fitness maka semakin setiap customer baik individu tersebut.
service adalah 4 5.
Seleksi hari kerja dan 1 hari libur secara
Proses terakhir dalam algoritma genetika berturut-turut. adalah seleksi yaitu memilih individu- individe terbaik berdasarkan nilai fitness
Tabel 2 Lokasi dan Shift Penjadwalan
yang telah dihasilkan. Metode seleksi ada metode seleksi elitism, binary tournament Jumlah dan roulette wheel selection. Jam
No Custome Lokasi Shift Penjagaa
. r service n Berjaga 3.
ATURAN PENJADWALAN
05:00 - Pagi
2 Terdapat 5 constraint atau pelanggaran yang 13:00 harus dipenuhi dalam proses evaluasi 12:00 -
1 Pusat Siang
2 implementasi algoritma genetika untuk 20:00 penjadwalan customer service seperti yang
Mala 20:00 -
2 ditunjukkan oleh Tabel 1. Pada sample uji yang m 04:00 digunakan pada penelitian ini digunakan 10
05:00 - Pagi
1 customer service dengan ID A, B, C, E, F, G, H, Caban 13:00
2 I, J. Lokasi dan shift dari penjadwalan customer g 12:00 - Siang
1 service biro perjalanan Kangoroo ditunjukkan 20:00 oleh Tabel 2.
Tabel 1 Aturan Penjadwalan 4.
PROSES MANUALISASI
No. Kode Constraint Bobot
4.1 Inisialisasi Kromosom
1 P1 Setiap Customer 0.005 Ukuran populasi atau popsize yang telah
service tidak boleh
ditentukan dalam proses manualisasi ini adalah 3 berjaga lebih dari individu. Pada proses manualisasi ini satu satu shift dalam kromosom terdiri dari 240 gen yang didapat dari satu hari. representasi jumlah hari dikalikan dengan
2 P2 Customer service 0.005 jumlah shift pada kantor pusat yaitu 3 shift perempuan tidak dengan terdapat 2 customer service yang berjaga boleh memiliki pada tiap shiftnya, dan jumlah shift pada kantor
shift malam.
cabang yaitu 2 shift dengan masing-masing 1
3 P3 Customer service 0.005 yang berjaga pada setiap
customer service
harus memiliki
shift nya. Kromosom yang terbentuk dibuat
istirahat minimal 8 memanjang ke samping. Nilai gen yang diisikan jam, yang artinya pada setiap slot gen pada suatu kromosom adalah tidak boleh
ID dari customer service. ID customer service memiliki shift diperoleh dengan mengacak nilai indeks dari malam lalu urutan ID customer service langsung shift pagi di hari berikutnya Lokasi Pus Cab Pus Cab Pus Cab … Pus Cab Hari 1 2 3 … 30 di kantor pusat Shift P P S S M M P S P P S S M M P S P P S S M M P S … P P S S M M P S maupun cabang. CS A C F J D E B H G A D I D C B F H D A B I J C E
… B I A D J H E F
4 P4 Jumlah jam kerja 0.005
Gambar 1 Inisialisai Kromosom
setiap customer
service sama sesuai
Inisialisasi kromosom yang telah terbentuk dengan jumlah yaitu sebanyak 3 individu ditunjukkan oleh tabel pembagian tiap 3, 4 dan 5.
shift yang telah ditentukan.
5 P5 Aturan hari kerja 0.005
Tabel 3 Inisialisasi Kromosom Individu 1
PARENT1 HARI
PARENT2 HARI
I G J
I F H C
I D E A
I A D SIANG D J J
I D D F H F J G C H G MALAM H B G
I H G G D J
I C C G
I C CABANG PAGI J B
6
I SIANG B D H J B B J Tabel 5 Inisialisasi Kromosom Individu 3
Pengecekan dilakukan dengan menghitung kemunculan setiap kode karyawan persatu hari. Jika kode customer service muncul lebih dari satu kali dalam satu hari maka dinilai sebagai penalti yang bernilai 1.
1
4.4. Cek Constraint P1
7 PUSAT PAGI J D G
5
random kemudia nilainya saling ditukarkan pada posisi tersebut. Dalam proses manualisasi ini di tentukan parent 3 sebagai induk untuk melakukan mutasi. Dikarenakan offspring atau jumlah anak adalah 2 maka dipilih parent 1 sebagai induk kedua, dengan titik tukar titik 20 dan 42.
I G B J
2
3
4
5
6
7 PUSAT PAGI C B C
I A D G E J F SIANG E J C C D D D G C C
4
I F J B MALAM E G A G A
I H
I F A B
I C D CABANG PAGI J D A F A B C SIANG D A D G A C J Tabel 4 Inisialisasi Kromosom Individu 2
1
2
3
Gambar 3 Proses Mutasi Gambar 4 Proses Mutasi
PARENT3 HARI
I F
6
1
2
Kode berwarna biru menunjukkan customer service perempuan yang ada di shift malam. Jumlah penalti P2 adalah 7. P1 C I E G E I J D B A J C G F D A C D C C A A A D I G C I G B F G G E D F A I A A B J D J I C B C J F D B H D C J P2 J I D H H D J B D D J F B J B D G E J J G I I H I A I G I G C J F I D C H J C B H A D H G I G B C D F G G C I J C1 C I E G E I J D B A J C G F D A C D C C A A A D I G C I I G C J F I D C H J C B H A D H G I G B C D F G G C I J C2 J I D H H D J B D D J F B J B D G E J J G I I H I A I G G B F G G E D F A I A A B J D J I C B C J F D B H D C J P3 I E F D I F E D F I J I D E D I I C B G E E H A I G H C A C F J E J E D B J B H E C H C D D J A J I A B B H G H M1 I E F D I F E D F I J I D E D I I C B C E E H A I G H C A C F J E J E D B J B H E G H C D D J A J I A B B H G H P1 C I E G E I J D B A J C G F D A C D C C A A A D I G C I G B F G G E D F A I A A B J D J I C B C J F D B H D C J M2 C I E G E I J D B A J C G F D A C D C J A A A D I G C I G B F G G E D F A I A A B C D J I C B C J F D B H D C J HARI LOKASI SHIFT P P S S M M PC SC P P S S M M PC SC P P S S M M PC SC P P S S M M PC SC PEG C I E G E I J D B A J C G F D A C D C C A A A D I G C I G B F G HARI LOKASI SHIFT P P S S M M PC SC P P S S M M PC SC P P S S M M PC SC PEG G E D F A I A A B J D J I C B C J F D B H D C J 5 6 7 P C P C P P C 4 P C P C P C 1 2 HARI 3 C LOKASI SHIFT P P S S M M PC SC P P S S M M PC SC P P S S M M PC SC P P S S M M PC SC PEG C I E G E I J D B A J C G F D A C D C C A A A D I G C I G B F G HARI LOKASI SHIFT P P S S M M PC SC P P S S M M PC SC P P S S M M PC SC PEG G E D F A I A A B J D J I C B C J F D B H D C J 5 6 P C P C P C P C 7 P C P C P 1 2 3 C 4
Gambar 6 Cek Constraint P2
shift malam customer service perempuan dalam satu jadwal.
malam. Batasan kedua ini dihitung dari jumlah
4.5. Cek Constraint P2 Constraint P2 adalah setiap customer service perempuan tidak boleh memiliki shift
customer service . Jadi pelanggaran P1 berjumlah 14.
Kotak yang berwarna merah menunjukkan penalty yang dilakukan oleh suatu kode
Gambar 5 Cek Constraint P1
3
5
7 PUSAT PAGI
I I E E J E
customer service dalam gen tertentu secara
memilih dua posisi (exchange point /XP)
customer service ini digunakan metode mutasi reciprocal exvhange mutation yaitu dengan
Mutasi merupakan proses pengubahan gen keturunan secara random. Dalam penjadwalan
4.3. Mutasi
Gambar 2 Proses Crossover
Metode crossover yang digunakan dalam penelitian ini adalah one cut point crossover. Pada proses manualisasi ini dipilih parent1 dan parent2 untuk melakukan crossover. Titik potong dari one cut point crossover adalah titik ke 28.
4.2. Crossover
I A J H A H
I D E A B D B F E E C J D H CABANG PAGI E D H F B J G SIANG D
I G C D C B MALAM
I SIANG F J B H E H A D
I C G J C
4
4.6. Cek Constraint P3 Constraint P3 adalah setiap customer service harus memiliki istirahat minimal 8 jam.
libur secara berturut-turut. Sehingga telah ditentukan hari libur dari setiap karyawan. Jika seharusnya karywan tersebut libur di hari itu dan dia ada jadwal berjaga, maka akan dihitung sebagai penalti.
4.10. Seleksi
1 1.325 = 0.7547
=
1 1 + ((0.005 ∗ 14) + (0.005 ∗ 7) + (0.005 ∗ 2) + (0.005 ∗ 36) + (0.005 ∗ 6))
1 1+(0.005∑ 1+0.005∑ 2+0.005∑ 3+0.005∑ 4+0.005∑ 5) =
(1) =
1 1+
=
Nilai kebugaran atau fitness dalam algoritma genetika menunjukkan seberapa optimal hasil individu yang dihasilkan. Semakin besar fitness semakin baik hasil yang terbentuk. Perhitungan nilai fitness pada penelitian ini menggunakan persamaan
4.9. Perhitungan Fitness
Terdapat pelanggran yang dilakukan oleh pegawai B sebanyak 2, pegawai C sebanyak 1, pegawai E sebanyak 1, pegawai G sebanyak satu dan pegawai I sebanyak 1 sehingga jumlah pelanggaran constraint P7 adalah 6.
Gambar 9 Cek Constraint P5
4.8. Cek Constraint P5 Constraint P5 adalah aturan hari kerja setiap customer service adalah 4 hari kerja dan 1 hari
Pengecekan constraint ini dilakukan dengan mengecek kode yang berjaga shift pagi pada hari ini baik di lokasi pusat maupun cabang apakah sama dengan kode yang berjaga di shift malam hari sebelumnya.
lokasi pusat adalah 2 hari, shift siang lokasi pusat adalah 2 hari, shift malam lokasi pusat adalah 0 hari, shift pagi lokasi cabang adalah 1 hari, dan shift siang lokasi cabang adalah 1 hari.
customer service perempuan adalah shift pagi
pembagian kerja pada proses manualisasi ini untuk karyawan laki-laki shift pagi lokasi pusat adalah 2 hari, shift siang lokasi pusat adalah 2 hari, shift malam lokasi pusat adalah 2 hari, shift pagi lokasi cabang adalah 0 hari, dan shift siang lokasi cabang adalah 0 hari. Sedangkan untuk
shift di setiap customer service. Adapun jumlah
Pelanggaran P4 berjumlah 36 dikarenakan terdapat 36 pelanggaran yang terjadi pada setiap
Gambar 8 Cek Constraint P4
Jumlah hari kerja dan pembagian shift setiap karyawan harus sesuai dengan yang telah ditentukan.
customer service sama sesuai dengan jumlah pembagian tiap shift yang telah ditentukan.
Batasan P4 adalah jumlah jam kerja setiap
4.7. Cek Constraint P4
Kode berwarna kuning menunjukkan pelanggaran yang terjadi. Jadi jumlah pelanggaran P3 adalah 2.
Gambar 7 Cek Constraint P3
Metode seleksi yang digunakan dalam penelitian ini adalah elitism selection. Elitism selection yaitu mengumpulkan seluruh parent dan offspring hasil crossover dan mutasi HARI menjadi satu, lalu dari seluruhnya dipilih yang LOKASI SHIFT P P S S M M PC SC P P S S M M PC SC P P S S M M PC SC P P S S M M PC SC PEG C I E G E I J D B A J C G F D A C D C C A A A D I G C I G B F G HARI LOKASI SHIFT P P S S M M PC SC P P S S M M PC SC P P S S M M PC SC PEG G E D F A I A A B J D J I C B C J F D B H D C J P C P C P C 5 6 7 P C P C P C P C 1 2 3 P 4 SHIFT A B C D E S M P S P 1 1 1 1 1 S 1 1 1 1 1 M 1 1 1 1 S 1 P P4 5 3 4 5 3 SHIFT F G H I J P S M P S P 1 1 1 1 1 S 1 1 1 1 P 1 M 1 1 1 1 1 S 1 1 1 1 1 P4 4 3 5 EKAN 4 PENGEC KESESUA IAN PUSAT CABANG PEGAWAI PEGAWAI PENGEC EKAN KESESUA IAN PUSAT CABANG LOKASI JUMLAH TIAP SHIFT PUSAT CABANG LOKASI JUMLAH TIAP SHIFT PUSAT CABANG A B C D E F G H I J 1 1 1 2 1 2 1 2 2 1 1 1 1 1 1 3 3 3 2 4 1 1 1 3 2 5 3 1 1 1 1 1 6 2 2 1 1 2 7 1 1 2 1 1 HARI 2 PEGAWAI bernilai fitness paling besar sesuai jumlah
1200 populasi yang ditentukan. 1000
) k ti
800 e
Tabel 6 Nilai Fitness yang Dihasilkan (d
600 u kt
400
Individu Fitness
Wa
P1 0.7634 200 P2 0.7605 P3 0.7547
10
20
30
40
50
60
70
80
90 100 110 120 130
C1 0.7519
Ukuran Populasi
C2 0.7435
Gambar 11 Rata-rata Waktu Pengujian Berdasarkan
M1 0.7576 Ukuran Populasi M2 0.7605
Dari Gambar 10 dan 11 dapat dilihat bahwa ukuran populasi dengan hasil nilai fitness paling Setelah melewati proses sebanyak 2 generasi optimal dengan rata-rata sebesar 0.580235367 hasil seleksi diperlihatkan pada tabel 7. dengan ukuran populasi 110. Setelah ukuran populasi 110 saat pengujian dilanjutkan, terjadi
Tabel 7 Hasil Seleksi
penurunan nilai fitness dan nilai fitness yang Individu Awal Fitness dihasilkan selanjutnya bertambah tetapi tidak secara signifikan. Pada umumnya, semakin P1 P1 0.7634 tinggi ukuran populasi maka berpengauh P2 P2 0.7605 terhadap rata-rata nilai fitness yang didapatkan P3 M2 0.7605 namun semakin tinggi ukuran populasi juga berpengaruh pada waktu pemrosesan algoritma genetika yang semakin lama (Suprayogi, dkk,
5. PENGUJIAN DAN HASIL
2015). Namun pada kasus ini, semakin besar
5.1. Pengujian Berdasarkan Ukuran nilai ukuran populasi belum tentu akan Populasi menghasilkan nilai fitness yang lebih optimal.
Hal tersebut dikarenakan inisialisasi awal Pengujian implementasi algoritma genetika kromosom pada algoritma genetika dilakukan untuk penjadwalan customer service secara acak. berdasarkan ukuran populasi bertujuan untuk mengetahui nilai fitness yang paling optimal
5.2. Pengujian Berdasarkan Ukuran
yang dapat dilakukan oleh sistem. Pengujian
Generasi
ukuran populasi dilakukan dengan membuat Pengujian berdasarkan ukuran generasi ukuran populasi kelipatan 10 dari ukutran dilakukan untuk mengetahui nilai ukuran populasi 10 hingga 130. Pengujian berdasarkan generasi yang akan menghasilkan nilai fitness ukuran populasi dilakukan pada ukuran generasi paling optimal. Parameter yang digunakan yaitu 10, crossover rate 0.5 dan mutation rate 0.5. ukuran populasi hasil dari pengujian berdasarkan
Masing-masing ukuran populasi diuji sebanyak ukuran populasi yang telah dilakukan 5 kali. sebelumnya yaitu sebesar 110 dengan crossover
rate 0.5 dan mutation rate 0.5. Ukuran generasi 0,59
pada pengujian berdasarkan ukuran generasi 10
0,58 ss
hingga 130 dengan kelipatan 10. Masing-masing
e 0,57 tn
dari ukuran generasi tersebut dilakukan
Fi 0,56 pengujian sebanyak 5 kali. ai il N
0,55 0,54
10
30
50
70 90 110 130 Ukuran Populasi
Gambar 10 Rata-rata Nilai Fitness Pengujian Berdasarkan Ukuran Populasi
Gambar 12 Rata-rata Nilai Fitness Pengujian Berdasarkan Ukuran Generasi Gambar 13 Rata-rata Waktu Pengujian Berdasarkan Ukuran Generasi
10
0,5 0,55 0,6 0,65 0,7
10
30
50
70 90 110 130 N il ai Fi tn e ss Ukuran Generasi
5000 10000 15000 20000
30
fitness akan semakin besar. Sebaliknya jika
50
70 90 110 130 Waktu ( d e tik) Ukuran Generasi
0,2 0,4 0,6 0,8 n il ai fi tn e ss
Crossover Rate : Mutation Rate 10000 20000 30000 40000 50000 60000
Wa kt u (d e ti k )
Crossover Rate : Mutation Rate
perbandingan mutation rate lebih besar dibandingkan crossover rate maka nilai fitness akan semakin kecil. Hal tersebut dikarenakan proses crossover menghasilkan anak yang lebih bervariasi dari induk sehingga memungkinkan hasil yang lebih baik. Selain itu, penggunaan metode reciprocal exchange mutation menghasilkan anak yang hampir mirip dengan induk sehingga nilai fitness yang dihasilkan cenderung tidak berubah secara signifikan begitupun anak yang dihasilkan akan hampir sama dengan induknya. Tetapi pada pengujian ini, crossover rate yang terlalu besar juga belum tentu menghasilkan nilai fitness yang bertambah
0.7:0.3. Hasil dari pengujian ini menunjukkan bahwa semakin besar nilai crossover rate dibandingkan dengan mutation rate maka nilai
Ukuran generasi 110 menghasilkan nilai
paling baik yaitu 0.6704. Nilai fitness yang dihasilkan dari pengujian ini mengalami kenaikan seiring dengan bertambahnya ukuran generasi. Dari hasil pengujian berdasarkan ukuran generasi ini dapat disimpulkan jika jumlah generasi terlalu sedikit maka area pencarian algoritma semakin sempit sehingga solusinya kurang optimal. Sebaliknya jika semakin banyak generasi maka semakin besar waktu komputasinya dan belum tentu menghasilkan solusi yang lebih optimal (Mahmudy, 2013).
sebesar 0.695049 dengan perbandingan
service dengan menggunakan algoritma genetika
Rata-rata nilai fitness terbesar yang dapat dihasilkan implementasi penjadwalan customer
Gambar 15 Rata-rata Waktu Pengujian Berdasarkan Perbandingan Crossover Rate dan Mutation Rate
Gambar 14 Rata-rata Nilai Fitness Pengujian Berdasarkan Perbandingan Crossover Rate dan Mutation Rate
mutation rate tersebut dilakukan pengujian sebanyak 5 kali.
fitness
crossover rate dan mutation rate sebesar
5.3. Pengujian Berdasarkan Perbandingan Crossover rate dan Mutation Rate
crossover rate dengan mutation rate yang akan menghasilkan nilai fitness paling optimal.
untuk mengetahui nilai perbandingan antara
Crossover Rate dan Mutation Rate dilakukan
Pengujian berdasarkan perbandingan
Parameter yang digunakan yaitu ukuran populasi dan ukuran generasi dengan hasil yang paling optimal dari pengujian yang telah dilakukan sebelumnya yaitu ukuran populasi sebesar 110 dan ukuran generasi sebesar 110. Perbandingan
ini yaitu 0.1:0.9, 0.2:0.8, 0.7:0.3, 0.6:0.4, 0.5:0.5, 0.4:0.6, 0.3:0.7, 0.2:0.8, dan 0.1:0.9. Masing- masing dari perbandingan crossover rate dan
crossover rate dan mutation rate pada pengujian secara signifikan.
Hasil pengujian terbaik didapatkan pada ukuran populasi 110, ukuran generasi 110 dan perbandingan crossover rate dan mutation rate 0.7:0.3. Nilai fitness terbaik sebesar 0.70922 dengan masih terdapat pinalti yang dilanggar. Pelanggaran pinalti 1 sebesar 29, pelanggaran pinalti 2 sebesar 6, pelanggaran pinalti 3 sebesar 4, pelanggaran pinalti 4 sebesar 28 dan pelanggaran pinalti 5 sebesar 15.
Percobaan ke-
1
4
5.4. Pengujian Perbaikan Bobot
il ai Fi tn e s s
4
3
2
1
0,82 0,83
0,78 0,79 0,8 0,81
5 Wa kt u (d e ti k )
Dikarenakan hasil yang belum optimal pada pengujian sebelumnya, maka peneliti memutuskan untuk melakukan optimasi. Optimasi yang dilakukan oleh peneliti secara manual dengan cara mengubah nilai bobot
= 100×
(2) Untuk hasil pengujian tanpa perbaikan bobot diambil nilai rata-rata waktu dengan nilai
3
Kita anggap bahwa 3 hari pembuatan jadwal hanya dilakukan pada jam kerja karyawan yaitu dari pukul 08.00 hingga pukul 17.00 yaitu 9 jam dikalikan 3 hari menjadi 97200 detik, akan dihitung presentase waktu program untuk membuat jadwal dibandingkan denganmanual. Rumus pengujian waktu sebagai berikut:
5.6 Pengujian Waktu
dianggap sebagai dimulainya titik konvergen adala 70% dari 110 yaitu titik 77. Sehingga pada generasi ke 77 dan setelahnya akan diberlakukan konvergensi saat selisih nilai fitness kurang dari 0.0055 atau sama dengan nilai fitness sebelumnya. Dari pengujian yang telah dilakukan didapatkan pada saat generasi ke 77 algorima genetika untuk penjadwalan customer service telah mengalami konvergensi dengan nilai fitness yang sama seperti generasi sebelumnya yaitu sebesar 0.7874015748 dengan pelanggaran pinalti 1 sebesar 29, pinalti 2 sebesar 5, pinalti 3 sebesar 14, pinalti 4 sebesar 40 dan pinalti 5 sebesar 12. .
rate 0.7:0.3. Titik ukuran generasi yang
Pengujian pengaruh konvergensi dilakukan pada perubahan bobot dengan parameter tebaik yaitu ukuran populasi 110, ukuran generasi 110 dan perbandingan crossover rate dan mutation
5.5. Pengujian Pengaruh Konvergensi
Hasil pengujian terbaik didapatkan pada ukuran populasi 110, ukuran generasi 110 dan perbandingan crossover rate dan mutation rate 0.7:0.3. Nilai fitness terbaik sebesar 0.822368421 dengan masih terdapat pinalti yang dilanggar. Pelanggaran pinalti 1 sebesar 28, pelanggaran pinalti 2 sebesar 0, pelanggaran pinalti 13 sebesar 4, pelanggaran pinalti 4 sebesar 38 dan pelanggaran pinalti 5 sebesar 5.
rate sebesar 0.7:0.3. pengujian dilakukan sebanyak 5 kali dengan parameter yang sama.
Pada pengujian perbaikan bobot ini parameter yang digunakan adalah hasil dari pengujian yang telah dilakukan sebelumnya yaitu ukuran populasi 110, ukuran generasi 110 dan perbandingan crossover rate dan mutation
pelanggaran ke 3 dan ke 4 diubah menjadi 0.001 yang sebelumnya bernilai 0.005. Sedangkan untuk bobot pinalti 1, 2, dan 5 tetap dibiarkan 0.005.
fitness pada pelanggaran yang terjadi. Bobot
2
5 N
Percobaan ke- 10000 20000 30000 40000 50000
= 100 30532.4 97200
fitness yang menghasilkan rata-rata nilai fitness
Gambar 16 Grafik Nilai Fitness Pengujian Perbaikan Bobot Gambar 17 Grafik Waktu Pengujian Perbaikan Bobot
terbaik yaitu 30532.4 detik. Sehingga perhitungan presentase waktu menghasilkan sebagai berikut:
Pada penelitian berikutnya dapat digunakan metode mutasi lain seperti insertion exchange
= 31.41 %
Sedangkan untuk presentase waktu yang dibutuhkan program dengan dilakukannya perbaikan bobot memiliki rata-rata waktu sebesar 28826.6 detik. Sehingga perhitungan presentase waktu penjadwalan menghasilkan hasil sebagai berikut:
= 100 28826.6 97200 = 29.66 %
Dapat disimpulkan bahwa implementasi algoritma genetika untuk penjadwalan customr service menghabiskan waktu yang lebih sedikit daripada yang dibutuhkan untuk pembuatan jadwal secara manual. Program hanya membutuhkan 30% waktu yang dibutuhkan untuk pembuatan jadwal dibandingkan dengan cara manual sehingga lebih efisien dalam waktu.
hasil yang lebih optimal. Optimasi pada pengecekan pinalti baiknya dilakukan untuk mengurangi lama waktu yang dibutuhkan program. Lalu, pemfokusan untuk konvergensi dalam algoritma genetika juga perlu dilakukan agar penjadwalan menjadi lebih baik.
roulette wheel selection untuk menghasilkan
lainnya seperti binary tournament selection dan
mutation dan penggunaan metode seleksi
DAFTAR PUSTAKA
6. PENUTUP
sebesar 0.70922 dikarenakan nilai fitness yang masih belum terlalu optimal maka peneliti melakukan modifikasi pada nilai bobot
and Sequencing . New York: Wiley. Tersedia
Mahmudy, WF, Marian, RM & Luong, LHS 2013b, 'Real coded genetic algorithms for solving flexible job-shop scheduling
Mahmudy, W. F., 2015. Dasar-Dasar ALgoritma Evolusi (Modul Kuliah Semester Ganjil 2015-1016). Malang: Program Teknologi dan Ilmu Komputer (PTIIK) Universitas Brawijaya.
Malang: Program teknologi dan Ilmu Komputer (PTIIK) Universitas Brawijaya.
Mahmudy, W. F., 2013. Algoritma Evolusi.
2012b, 'Solving part type selection and loading problem in flexible manufacturing system using real coded genetic algorithms
4 September 2016] Mahmudy, WF, Marian, RM & Luong, LHS
Genetic Algorithms for Scientists and Engineers. Singapura: World Publishing. Tersedia di: Google Books <http://booksgoogle.com> [Diakses
24 Agustus 2016] Coley, David A., 1999. An Introduction to
di: Google Books <http://booksgoogle.com> [Diakses
Baker, K.R., 1974. Introduction to Scheduling
constraint ketiga dan keempat yang sebelumnya
Implementasi dari program penjadwalan
customer service telah sesuai dengan
manualisasi yang telah dilakukan sebelumnya seluruhnya bernilai sama persis.
Dari pengujian yang telah dilakukan, didapatkan ukuran populasi 110, ukuran generasi 110 dan perbandingan crossover rate dan mutation rate 0.7:0.3 menghasilkan nilai
fitness yang terbaik yaitu mempunyai rata-rata
Pada implementasi algoritma genetika untuk penjadwalan customer service , untuk menghasilkan jadwal yang baik maka diperlukan waktu yang cukup lama. Waktu yang dibutuhkan program untuk memproses satu penjadwalan dapat mencapai 12 jam tergantung dengan kondisi laptop atau komputer. Sedangkan proses pembuatan jadwal secara manual dengan menggunakan Microsoft Excel dapat memakan waktu hingga 3 hari selama jam kerja. Program untuk penjadwalan customer service dengan penerapan algoritma genetika hanya memakan waktu 30% saja dibandingkan dengan cara manual dengan Microsoft Excel.
kecil. Lalu memungkinkan constraint yang seharusnya tidak dilanggar, menjadi dilanggar kembali pada proses berikutnya.
constraint sama, nilai fitness akan menjadi lebih
sedikit tetapi dikarenakan nilai bobot setiap
constraint yang lebih utama sebenarnya sudah
bernilai 0.005 diubah menjadi 0.001 sedangkan yang lain tetap bernilai sama. Dari pengujian perbaikan bobot tersebut dihasilkan nilai fitness terbaik sebesar 0.822368421. terjadi kenaikan nilai fitness mencapai 0.1 hal tersebut dapat terjadi karena pelanggaran yang terjadi pada
- – Part II: optimization', International Conference on Control, Automation and Robotics, Singapore, 12-14 September, World Academy of Science, Engineering and Technology, pp. 706-710.
- – Part II: optimization', Advanced Materials Research, vol. 701, pp. 364-369.
Mahmudy, WF, Marian, RM & Luong, LHS 2013e, 'Optimization of part type selection and loading problem with alternative production plans in flexible manufacturing
- – system using hybrid genetic algorithms
Part 2: genetic operators & results', 5th International Conference on Knowledge and Smart Technology (KST), Chonburi, Thailand, 31 Jan - 1 Feb, pp. 81-85. Suprayogi, DA & Mahmudy, WF, 2015.
“Penerapan Algoritma Genetika Travelling Salesman Problem with Time Window. Studi Kasus Rute Antar Jemput Laundry”, Jurnal Buana Informatika, vol. 6, no. 2, pp.
121-130. Tyas, R. A., Rahman, M. A., & Dewi, C. 2013.
Impelementasi Algoritma Genetika Untuk Optimasi 0/1 Multi-Dimensional Knapsack Problem Dalam penentuan Menu Makanan Sehat. DORO Repository Jurnal
Mahasiswa PTIIK Universitas Brawijaya , vol. 1, no. 4.
Vollman, T.E., William, L.B.,., dan D. Clay, W., 1998. Manufacturing Planning and Control
Systems . New York: The McGraw-Hill
Company. Tersedia di: Google Books <http://booksgoogle.com> [Diakses
23 Agustus 2016] Yunarto, H.I., 2006. BCI: In Sales and
Distribution . Jakarta: Elex Media
Komputindo. Tersedia di: Google Books <http://booksgoogle.com> [Diakses
25 Agustus 2016]