Penerapan Algoritme Genetika untuk Optimasi Penjadwalan Jam Kerja Part-Time Studi Kasus Cafe Bingsoo Malang
Vol. 3, No. 1, Januari 2019, hlm. 8425-8430 http://j-ptiik.ub.ac.id
Penerapan Algoritme Genetika untuk Optimasi Penjadwalan Jam Kerja
Part-Time Studi Kasus Cafe Bingsoo Malang
1 2 3 Yogi Suwandy , Lailil Muflikhah , TibyaniProgram Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya 1 2 3 Email: yogisuwandy68@gmail.com, lailil@ub.ac.id, tibyani @ub.ac.id
Abstrak
Jam kerja Part-Time atau yang sering disebut jam kerja paruh waktu adalah sekelompok pekerja yang secara bergantian menggantikan kelompok yang lain setelah waktu yang dikerjakan telah berakhir. Jam kerja part-time yang diterapkan di suatu instansi biasanya membaginya dalam 3 shift kerja, shift pagi,
shift siang dan shift malam. Tidak sedikit mahasiswa yang memilih kerja Part-Time untuk kuliah sambil
bekerja untuk mengisi waktu kosong dijam kuliah karena dengan bekerja mereka dapat menambah uang saku dan pengalaman mereka (Saftarina F & Hasanah L, 2013). Seorang manager atau ketua divisi yang berperan untuk mengatur jadwal kerja harus teliti dalam pembagian shift karyawan agar semua karyawan mendapatkan jumlah jam kerja yang sama. Penjadwalan merupakan suatu kegiatan untuk mencari solusi dari suatu masalah yang mana akan menghasilkan susunan jadwal yang optimal (Mawaddah & Mahmudy, 2006). Algoritme genetika merupakan metode yang telah banyak diterapkan oleh para peneliti untuk mendapatkan suatu solusi dari permasalah penjadwalan (Hayati, 2013). Algoritme Genetika yang digunakan mampu memberikan nilai akurasi sebesar 100% terhadap 9 karyawan divisi waiters pada Cafe Bingsoo Malang, Pengujian dilakukan menggunakan beberapa nilai parameter terbaik diantaranya jumlah populasi sebesar 70, banyaknya generasi sebanyak 70, crossover rate sebesar 0.6 dan mutation rate 0.5 dengan nilai fitness yang didapatkan sebesar 1.
Kata kunci: Algoritme Genetika, Penjadwalan, Paruh Waktu
Abstract
Part-Time working hours or often called part-time working hours are a group of workers who
alternately replace the other group after the work has ended. Part-time working hours are applied in
an agency usually divide it in 3 shifts work, morning shift, day shift and night shift. Not a few students
who choose Part-Time work for college while working to fill in the empty time in college because by
working they can add pocket money and their experience. A manager or division chairman who plays a
role in organizing work schedules should be meticulous in the distribution of employee shifts so that all
employees get the same number of working hours. Scheduling is an activity to find the solution of a
problem which will result in the optimal schedule of the schedule. Genetic algorithm is a method that
has been applied by many researchers to get a solution of the problem scheduling. Genetic Algorithm
used can provide accuracy value of 100% with a fitness value of 1 to 9 employees division waiters at
Cafe Bingsoo Malang, the tests were performed using some of the best parameter values such as
population number 70, number of generation 70, crossover rate 0.6 and mutation rate 0.5 with fitness
value obtained at 1.Keywords: Genetic Algorithm, Scheduling, Part-Time
kuliah sambil bekerja untuk mengisi waktu 1. kosong dijam kuliah karena dengan bekerja
PENDAHULUAN
mereka dapat menambah uang saku dan Cafe Bingsoo merupakan cafe yang pengalaman mereka (Saftarina & Hasanah, menyajikan jajanan korea dan memperkerjakan
2013). Seorang manager atau ketua divisi dari para mahasiswa yang sekiranya memiliki waktu cafe Bingsoo yang menjadikan mahasiswa kosong diantara jam kuliahnya. Tidak sedikit sebagai pekerjanya untuk jam kerja Part-Time mahasiswa yang memilih kerja Part-Time untuk
Fakultas Ilmu Komputer Universitas Brawijaya
8425 harus menyesuaikan jadwal kuliah karyawan mereka dengan shift kerja di cafe untuk menghindari terjadinya tabrakan antara jam kuliah dan jam kerja. Seorang manager atau ketua divisi yang berperan untuk mengatur jadwal kerja harus teliti dalam pembagian shift karyawan agar semua karyawan mendapatkan jumlah jam kerja yang sama rata. shift kerja
Part-Time di cafe Bingsoo hanya 4 sampai 5 jam
2. LANDASAN KEPUSTAKAAN
Algoritme Genetika adalah algoritme yang terinspirasi dari algoritme evolusi darwin yang menyatakan kelangsungkan hidup suatu makhluk yang akan dapat terus berlanjut melalui proses reproduksi, crossover, dan mutasi yang kemudian dikembangkan oleh Golberg untuk dijadikan algoritme komputasi untuk mencari suatu solusi dari sebuah permasalahan dengan cara yang “alamiah”. (D Hermawanto, 2003).
2.2 Algoritme Genetika
dan memiliki 3 shift tergantung dari tempat dia bekerja.
time meliki waktu rata-rata 3-5 jam dalam sehari
Bekerja sambil kuliah bukan lagi menjadi hal yang jarang didengar dikalangan mahasiswa. Menurut Cohen(dalam SF Daulay, 2009) tidak sedikit dari mahasiswa yang memilih berkuliah sambil bekerja dengan mengambil jenis pekerjaan paruh waktu (part-time work). Mahasiswa lebih memilih bekerja part-time karena untuk maslah waktu bisa fleksibel sesuai dengan jadwal kuliah serta bekerja part-time memiliki waktu kerja 3-5 jam saja dalam sehari (Elma Mardelina, 2017). Menurut (Daulay, 2009) mahasiswa yang mengambil kerja paruh waktu atau part-time dilatarbelakangi karena adanya masalah ekonomi dalam keluarga karena tidak semua mahasiswa memiliki perekonomian yang baik, ingin mengisi waktu luang atau senggang di sela-sela jam kuliah, ingin hidup secara mandiri dan ingin mencari pengalaman untuk masa depan. Kerja paruh waktu atau part-
2.1 Kerja Part-Time
Malang ”.
waktu kerja dalam satu shiftnya yang mana pada
Cafe Bingsoo
Dari latar belakang yang telah dijelaskan diatas maka peneliti memilih optimasi penjadwalan jam kerja part-time sebagai topik untuk dijadikan skripsi dengan judul “Penerapan Algoritme Genetika untuk Optimasi Penjadwalan Jam Kerja Part-Time Studi Kasus
Algoritme genetika merupakan metode yang telah banyak diterapkan oleh para peneliti untuk mendapatkan suatu solusi dari permasalah penjadwalan (Hayati, 2013). Beberapa peneliti yang telah menerapkan algoritme genetika untuk mengoptimasi suatu jadwal adalah Ilmi, (Mahmudy & Ratnawati, 2015) yang mengoptimasi penjadwalan perawat pada suatu rumah sakit. Kemudian pada penelitian selanjutnya adalah Mahmudy & Mawaddah (2006) yang telah menerapkan algoritme genetika untuk optimasi penjadwalan ujian akhir semester genap 2005/2006 Jurusan Matematika, FMIPA Universitas Brawijaya. Pada penelitian tersebut peneliti pertama kali melakukan inisialisasi kromosom setelah terbentuk individu dan menghitung nilai fitness dari setiap individu. Kemudian individu dengan nilai fitness tertinggi akan dipilih untuk menjadi induk kemudian dimutasi dengan cara random dan swap. Dari beberapa penelitian yang telah dibahas maka dapat diketahui bahwa algoritme genetika ternyata lebih baik digunakan untuk optimasi penjadwalan.
Penjadwalan merupakan suatu kegiatan untuk mencari solusi dari suatu masalah yang mana akan menghasilkan susunan jadwal yang optimal (Mawaddah & Mahmudy, 2006). Dari pembagian jadwal ini didapatkan sebuah masalah yaitu jika salah satu mahasiswa hanya dapat bekerja selama 3 hari dalam seminggu yang mana mahasiswa tersbut tidak mendapatkan 20 jam dalam seminggunya. Jika diberikan lembur, maka hal ini juga akan berpengaruh terhadap jam kerja karyawan lainnya yang kemudian akan merusak jadwal jam kerja. Selain itu masalah yang akan dihadapi adalah bagaimana cara membuat kombinsai penjadwalan yang tepat dengan memperhatikan beberapa faktor yang ada. Beberapa faktor yang mempengaruhi kombinasi penjadwalan kerja karyawan part-time yaitu pergantian shift, pembagian jadwal kerja serta pembagian libur karyawan. Penyusunan bobot jam kerja juga merupakan hal yang harus dipertimbangkan agar setiap karyawan mendapatkan jumlah jam kerja dan jumlah libur yang adil.
siang dari jam 14:00-18:00 dan shift malamnya dari jam 18:00-22:00. Untuk membuat jadwal yang baik maka dibutuhkan waktu yang cukup lama dan ini akan cukup menyita waktu yang seharusnya bisa dipergunakan untuk mengerjakan pekerjaan yang lainnya.
shift pagi dimulai dari jam 10:00- 14:00, shift
Algoritme Genetika lebih sering digunakan sebagai optimasi karena dapat menyelesaikan kasus yang memiliki data besar dan kompleks yang susah dibangun. Penerapan Algoritme Genetika diantaranya adalah untuk penjadwalan, distribusi produk, kompresi citra dan masih banyak yang lainnya. (Mahmudy, 2015).
3. METODOLOGI PENELITIAN
Langkah pertama yang dilakukan untuk proses metode mutation reciprocal exchange adalah menentukan jumlah keturunan (offspring) yang diinginkan. Cara kerja pada metode mutation
Setelah terbentuk maka selanjutnya
individu yang memiliki nilai fitness yang tinggi dengan cara membandingkan semua nilai fitness baik itu parent maupun child yang telah dihasilkan. Pada penelitian ini, Popsize yang telah ditentukan adalah sebanyak 3 maka hanya 3 individu saja yang terpilih untuk generasi berikutnya yang memiliki fitness tertinggi.
Elitism memiliki fungsi untuk mempertahankan
Pada proses seleksi metode yang digunakan untuk menyeleksi nilai fitness adalah elitism.
yang layak untuk dijadikan individu baru untuk ke generasi selanjutnya.
fitness -nya juga berguna untuk mencari individu
Setelah selesai malakukan proses reproduksi, selanjutnya adalah melakukan proses evaluasi untuk menghitung niai fitness baik dari populasi awal sampai individu baru yang telah dihasilkan (offspring). Perhitungan nilai fitness dengan cara mengurutkan nilai
3.5. Seleksi
individu secara acak kemudian dari individu tersebut ditentukan 2 titik yang nilainya ingin ditukarkan. Untuk menentukan jumlah keturunan mutation reciprocal exchange adalah menentukan jumlah mutation rate (Mr) lalu dikalikan dengan populasi (Popsize), jadi 0,7 x 3 = 2,1= 2 keturunan (offspring).
reciprocal exchange adalah dengen memilih 1
Metodologi yang digunakan dalam penelitian ini dilakukan dengan beberapa tahapan-tahapan yang diilustrasikan pada gambar blok diagram yang dijelaskan pada Gambar 1.
G ambar 1 Metodologi Penelitian
= 1,8 = 2 offspring yang dihasilkan. Kemudian memilih 2 individu yang akan di silangkan yaitu individu 1 dan individu 2. Setelah memilih individu yang akan disilangkan kemudian memilih titik crossover secara acak.
crossover rate (Cr) x populasi (Popsize). Jumlah offspring yang didapat adalah sebanyak 0,6 x 3
Pada penelitian ini jenis metode crossover yang digunakan yaitu two-cut point. Cara kerja metode ini adalah dengan memberi dua titik potong pada chromosome yang nantinya akan menjadi 3 blok pada 1 individu. Lalu tukarkan nilai dari blok 2 pada individu 1 dengan blok 2 pada individu 2. Hal pertama yang dilakukan adalah menentukan jumlah keturunan (offspring) yaitu caranya
3.3. Crossover
Gambar 2 Representasi Kromosom
Representasi yang digunakan pada penelitian ini adalah dengan menggunakan bilangan integer. Pada divisi waiter café Bingsoo memiliki 9 karyawan dimana pada setiap harinya memiliki 3 shift dan disetiap shiftnya diisi dengan 3 karyawan. Untuk menghitung jumlah gen dalam satu individu yaitu jumlah hari dalam satu minggu dikalikan dengan jumlah karyawan 7 x 9 = 63 gen. angka integer pada kromosom merupakan representasi dari nomor karyawan.
3.2. Representasi Kromosom
rate (Cr) 0,2 dan mutation rate (Mr) 0,1
Perhitungan manual untuk pembuatan jadwal karyawan part-time adalah sebanyak 9 karyawan pada divisi waiter dengan jumlah hari yaitu 7 hari dimana setiap harinya terdapat 3 shift pagi sore dan malam. Ukuran Popsize yang digunakan yaitu sebanyak 10 dengan crossover
3.1. Siklus Penyelesaian Masalah
3.4. Mutasi menghitung nilai fitness dari semua kromosom yang telah terbentuk dan cara menghitungnya sesuai dengan nilai pelanggaran. Pelanggaran dibagi menjadi dua, yang pertama yaitu pelanggaran ringan (soft constraint) dan pelanggaran berat (hard constraint). Nilai konstanta dari setiap pelanggaran tentu berbeda- beda. Nilai pelanggaran dari soft constraint harus memiliki nilai konstanta yang lebih kecil daripada nilai konstanta dari hard constraint.
4. IMPLEMENTASI
Pada perancangan tampilan sistem berisi tampilan user interface agar user dapat berinteraksi dengan sistem dengan menginputkan nilai pada bagian-bagian yang tersedia.
1. Peningkatan nilai fitness terjadi dari populasi 10 sampai dengan 30 kemudian kembali turun pada populasi ke-40 lalu kembali naik sampai dengan populasi ke-70. Setelah populasi ke-70 nilai dinyatakan konvergen karena tidak terjadi perubahan untuk nilai fitness nya. Ini membuktikan dengan semakin bertambahnya jumlah populasi maka akan menghasilkan nilai
populasi 70 yang didapat dari pengujian sebelumnya.
crossover rate 0.6, mutation rate 0.4 dan ukuran
Untuk mendapatkan jumlah generasi yang terbaik maka proses pengujian akan dilakukan sebanyak 10 kali percobaan untuk setiap generasinya yang mana jumlah akhir dari generasi yaitu sebanyak 100 dengan kelipatan 10 setiap generasinya. Parameter yang digunakan pada pengujian jumlah generasi yaitu nilai
5.2. Pengujian Nilai Generasi
tingginya nilai populasi belum tentu akan menghasilkan nilai fitnees yang baik juga (Mahmudy,2013).
fitness yang tinggi juga tetapi dengan semakin
Gambar 6 Pengujian Jumlah Populasi Pada Gambar 6 dapat disimpulkan hasil pengujian ukuran populasi pada sistem optimasi jam kerja part-time dengan nilai rata-rata fitness terendah terdapat pada populasi ke-10 dengan rata-rata nilai fitness 0.0436 dan populasi yang optimal pada populasi ke-70 dengan nilai fitness
4.1. Tampilan Halaman Utama
50. Perancangan pengujian jumlah populasi ditunjukkan pada Gambar 6.
rate 0.6, mutation rate 0.4 dan ukuran generasi
Untuk mendapatkan jumlah populasi yang terbaik maka proses pengujian jumlah populasi akan dilakukan dengan 10 kali percobaan untuk setiap ukuran populasi yang mana jumlah akhir populasi akan terus bertambah dengan kelipatan 10 sampai populasi berjumlah 150. Pengujian ini akan menggunakan parameter nilai crossover
5.1. Pengujian Jumlah Populasi
Pada halaman hasil ini akan ditampilkan hasil dari sebuah proses algoritme genetika yang mana isinya berupa jadwal jam kerja part-time dalam 1 minggu. Tampilan halaman hasil dapat dilihat pada Gambar 5.
4.2. Tampilan Halaman Hasil
Gambar 4 Jadwal Kuliah Pegawai
Pada halaman utama ini akan ditampilkan kolom-kolom diantaranya kolom Pop Size, Generasi, Crossover rate, Mutation rate yang nantinya akan bisa diinputkan nilainya sesuai user serta ada juga kolom Populasi Awal yang berisi individu beserta kromosomnya dan hasil iterasi yang berisi hasil iterasi terakhir.
5. PENGUJIAN DAN PEMBAHASAN
Gambar 7 Pengujian Nilai Generasi Pada gambar 7 dapat disimpulkan hasil pengujian ukuran jumlah generasi pada optimasi jam kerja part-time dengan rata-rata nilai fitness terendah terjadi pada generasi ke-10 dengan
fitness 0.0146 dan generasi yang paling optimal terjadi pada generasi ke-70 dengan fitness 1.
Pada generasi ke-10 sampai generasi ke 50 terjadi peningkatan kemudian pada generasi ke- 60 kembali terjadi penurunan nilai fitness kemudian pada generasi 70 kembali naik. pada generasi ke-70 sampai generasi seterusnya tidak terjadi perubahan nilai fitness yang artinya pada generasi ini telah konvergen.
Berdasarkan hasil pengujian dan implementasi menerapkan algoritme genetika untuk optimasi penjadwalan jam kerja part-time pada cafe Bingsoo Malang dapat diambil kesimpulan sebagai berikut: 1.
6.1. Kesimpulan
6. KESIMPULAN DAN SARAN
Pengujian dilakukan dengan menggunakan nilai parameter terbaik yang sebelumnya didapatkan dari pengujian setiap parameter dari hasil pengujian dengan menggunakan parameter terbaik dengan 10 kali percobaan mendapatkan nilai fitness tertinggi sebesar 1.
5.4. Pengujian Nilai Parameter Terbaik
5.3. Pengujian Crossover Rate (Cr) dan
Pada Gambar 6.3 dapat disimpulkan hasil pengujian kombinasi nilai crossover rate dan
Mutation Rate (Mr)
didapatkan rata-rata nilai fitness terbaik untuk setiap parameternya yaitu ukuran populasi sebesar 70, banyaknya generasi yaitu 70 serta kombinasi crossover rate 0.6 dan mutation rate 0.5.
rate (mr) . Dari pengujian tersebut
2. Penentuan parameter yang tepat berguna untuk mendapatkan solusi akhir yang baik, penentuan parameter dilakukan dengan pengujian terhadapat ukuran populasi, banyaknya generasi dan pengujian kombinasi croosover rate (cr) dan mutation
proses reproduksinya, kemudian menggunakan metode elitism selection sebagai metode seleksi.
mutation reciprocal exchange sebagai
Algoritme genetika merupakan metode yang cukup efektif untuk mengoptimasi jadwal jam kerja part-time dengan menggunakan representasi kromosom permutasi. Panjang kromosom yang digunakan sebanyak 63 terbagi dari shift kerja dalam 1 minggu untuk 9 pegawai. Metode yang diterapkan dalam algoritme genetika yaitu crossover two-cut point dan
Untuk mendapatkan nilai crossover rate dan
mutation rate pada optimasi penjadwalan jam
mutation rate terbaik maka dilakukan pengujian
nilai Cr dan Mr dengan menggunakan parameter populasi sebesar 70 dan jumlah generasi sebesar 70 yang didapat dari pengujian sebelumnya. Pengujian nilai crossover rate dan mutation rate akan dilakukan dengan berbagai kombinasi dengan rentang nilai 0.1 sampai 1.0.
Gambar 8 Pengujian Nilai Crossover Rate dan
crossover rate 0.6 dan mutation rate 0.5 dengan rata-rata nilai fitness sebesar 1.
Mutation Rate
rate
kerja part-time nilai fitness terendah terjadi pada kombinasi crossover rate 0.9 dan mutation rate 0.2 dengan rata-rata nilai fitness sebesar 0.8064 dan kombinasi nilai crossover rate dan mutation
yang optimal terjadi pada kombinasi
3. Dari hasil pengujian menggunakan parameter terbaik, didapatkan individu dengan kromosom yang memiliki nilai
fitness 1 yang mana pada individu tersebut
tidak terjadi pelanggaran soft constraint dan
hard constraint yang sebelumnya telah
ditentukan. Dapat disimpulkan algoritme genetika dapat memberikan solusi yang baik untuk mengoptimasi jam kerja part- pada cafe Bingsoo Malang.
time
6.2. Saran
Sistem optimasi penjadwalan jam kerja
part-time pada cafe Bingsoo Malang dapat
dikembangkan metode reproduksi yang lain untuk mendapatkan offspring yang lebih bervariasi serta metode seleksi yang lain untuk mendapatkan solusi yang lebih optimal dengan waktu komputasi yang lebih singkat.
7. DAFTAR PUSTAKA
Daulay, S.F. 2009. “Perbedaan Self Regulated
Learning antara Mahasiswa yang Bekerja dan yang Tidak Bekerja
”, Skripsi. Dipublikasikan: Universitas Sumatera Utara.
D Hermawanto 2003 'Algoritme Genetika dan
contoh aplikasinya' , Scholar articles volume 10 issue 25.
Elma Mardelina & Ali Muhson, 'Mahasiswa
Bekerja dan Dampaknya pada Aktivitas Belajar dan Prestasi Akademik', Jurnal
Economia, Volume 13, Nomor 2, Oktober 2017
Hayati, A.R. (2013). ‘Pengembangan Metode
Algorima Genetika dan Darwinian Particle Swarm Optimazion untuk Fungsi Multimodal’. ELTEK, 11 no 02, 93-101.
Ilmi, R. R., Mahmudy, F. W., & Ratnawati, D.
E. (2015).
“Optimasi Penjadwalan Perawat Menggunakan algoritme Genetika”. DORO: Repository Jurnal Mahasiswa PTIIK Universitas Brawijaya.
Mawaddah, NK & Mahmudy, WF 2006,
'Optimasi penjadwalan ujian menggunakan algoritme genetika' , Kursor, vol. 2, no. 2,
pp. 1-8.