Penjadwalan Dinas Pegawai Menggunakan Algoritma Genetika Pada PT Kereta Api Indonesia (KAI) Daerah Operasi 7 Stasiun Besar Kediri
Vol. 2, No. 11, November 2018, hlm. 4371-4376 http://j-ptiik.ub.ac.id
Penjadwalan Dinas Pegawai Menggunakan Algoritma Genetika Pada PT
Kereta Api Indonesia (KAI) Daerah Operasi 7 Stasiun Besar Kediri
1 2 3 Yolanda Nailil Ula , Dian Eka Ratnawati , Satrio Agung WicaksonoProgram Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya 1 2 3 Email: yolannailil@gmail.com, dian_ilkom@ub.ac.id, satrio@ub.ac.id
Abstrak
Penjadwalan merupakan salah satu hal yang sangat penting untuk menciptakan keteraturan dalam kegiatan berorganisasi di perusahaan, salah satunya adalah penjadwalan pegawai. Pada penelitian ini digunakan data jadwal dinas pegawai PT Kereta Api Indonesia Stasiun Besar Kediri tahun 2017, untuk mendapatkan hasil penjadwalan yang optimal digunakan metode algoritma genetika sebagai solusi permasalahan berdasarkan aturan yang ditetapkan. Pada algoritma genetika ini proses inisialisasi populasi awal, setiap kromosom dibangkitkan menggunakan bilangan permutasi dengan panjang gen 98 yang mewakili 14 pegawai dalam 7 hari. Proses reproduksi terbagi menjadi crossover dan mutasi, metode crossover yang digunakan adalah one cut point, sedangkan metode mutasi yang digunakan adalah reciprocal exchange mutation. Proses evaluasi diperoleh dari perhitungan nilai fitness pada masing-masing kromosom. Seleksi dilakukan dengan elitism selection yaitu menyeleksi nilai fitness sehingga hasil terbaik akan lolos ke generasi selanjutnya. Berdasarkan hasil pengujian diperoleh parameter yang optimal yaitu nilai cr 0,1 nilai mr 0,9, generasi ke 50 dan populasi 50 dengan rata-rata nilai fitness 0,093.
Kata kunci: Penjadwalan Dinas Pegawai, Algoritma Genetika
Abstract
Scheduling is one thing that very important to create regularity organizational activities in the company,
especially about the scheduling employee service. In this study data schedule employee PT Kereta Api
Indonesia Kediri Besar Station in 2017, for optimal scheduling result use genetic algorithm method
base on company regulation. In the genetic algorithm process initial population process is done by
chromosome representation using permutation number with length of gene 98 representing 14
employees in 7 days. The reproduction process is divided into crossover and mutation, the crossover
method use one cut point, and the mutation method use reciprocal exchange mutation. The selection
process is done by elitism selection with selecting the fitness value based on the best result to be the
parents in the next generation. Based on the test results are obtained the optimal parameters of cr value
0,1 mr value 0,9 in the 50 th generation and population 50 with average fitness value 0,093.Keywords: Employee Service Scheduling, Genetic Algorithm
dapat dihindari bahwa teknologi informasi 1. sangat berpengaruh untuk melakukan kegiatan
PENDAHULUAN
organisasi secara otomatis dan tersistem dengan Di zaman teknologi seperti sekarang, rapi. Salah satunya yang terpengaruh perusahan ditutuntut untuk cepat beradaptasi perkembangan adalah penjadwalan. dengan zaman terutama soal inovasi dan
Penjadwalan merupakan hal yang sangat kreatifitas dalam pelayanan baik internal penting dalam organisasi yang dapat maupun eksternal. Perkembangan itu menciptakan keteraturan, salah satunya adalah mendorong perusahan untuk selalu bertindak penjadwalan pegawai yang mengatur kegiatan efisien dan efektif menjalankan tugas organisasi produksi dan juga pelayan terhadap konsumen. guna menghemat seumber daya seperti biaya dan
Keefektifan dan keeefisiensian penjadwalan waktu. Perkembangan saat ini sangat akan sangat berguna untuk mengurangi biaya mempengaruhi perusahan keseluruhan, dan tidak
Fakultas Ilmu Komputer Universitas Brawijaya
4371
(dalam penggajian) dan waktu serta akan membantu pegawawai agar tidak mengalami kebingungan dalam melaksakan tugas organisasinya.
Gambar 1. Metodologi Penelitian
Tahapan analisis kebutuhan bertujuan untuk mengetahui kebutuhan yang diperlukan dalam membangun sistem penjadwalan dinas pegawai.
2.3 Analisis Kebutuhan
Data yang digunakan dalam penelitian diperoleh dari PT Kereta Api Indonesia khususnya Stasiun Besar Kediri, data diambil dari bidang kepegawaian tahun 2017 yang berisi nama dan nomor induk pegawai.
2.2 Pengambilan Data
Pada tahapan ini bertujuan untuk mencari referensi mengenai penjadwalan menggunakan algoritma genetika. Sumber yang digunakan diperoleh dari internet, jurnal penelitian, dan sumber yang relevan.
2.1 Studi Literatur
Pada penelitian ini terdapat beberapa tahapan dapat dilihat pada Gambar 1:
Perusahaan atau instansi biasanya masih menggunakan penjadwalan secara manual dan belum terkomputerisasi. Permasalahan yang muncul saat menggunakan penjadwalan manual adalah beban kerja yang tidak merata, pembagian jam kerja yang kurang adil hingga terjadi bentrok dalam organisasi, dan jumlah pegawai yang lebih sedikit dibandingakan beban kerja, serta sangat rentan dengan kesalahan manusia (human eror). Hal-hal ini menjadi faktor yang menyulitkan dalam membuat jadwal secara manual, untuk itu dibuatlah jadwal secara komputerisasi.
2. METODOLOGI PENELITIAN
Penelitian ini diharap dapat menyelesaikan masalah penjadwalan dalam instansi.
Latar belakang permasalah diatas maka penelitian yang dilakukan menggambil judul “Penjadwalan Dinas Pegawai Menggunakan Algoritma Genetika Pada PT Kereta Api Indonesia (KAI) Daop 7 Stasiun Besar Kediri”.
Algoritma genetika pernah dipakai pada penelitian mengenai penjadwalan oleh Devi, Mahmudy, & Setiawan (2015). Penelitian tersebut membahas penerapan algoritma genetika untuk penjadwalan asisten praktikum pada jurusan Teknik Informatika Universitas Barawijaya, penelitian tersebut menghasilkan kromosom terbaik dalam penjadwalan dengan waktu paling optimal dan jumlah penalti terendah. Penelitian lain yang dilakukan oleh Puspa ningrum, Djunaidy, &Vinarti (2013) menggunakan algoritma genetika untuk penelitian jurusan Sistem Informasi Institut Sepuluh November, menghasilkan keberhasilan yang diharapkan degan berjalannya sistem dan memberikan output yang sesuai aplikasi, walau terdapat batasan lunak yang belum terpenuhi namun dianggap sama. Berdasarkan penelitian diatas menunjukan algoritma genetika dapat menyelesaikan masalah penjadwalan secara optimal.
Penjadwalan pegawai secara otomatis dapat dilakukan menggunakan macam-macam metode seperti simulated annealing atau algoritma koloni semut, graph coloring, dan algoritma genetika (Mahmudy & rahman,2011). Algoritma genetika merupakan metode yang paling optimal untuk menyelesaikan masalah penjadwalan (Hayati,2013).
Masalah penjadwalan ini juga menimpa salah satu perusahaan transportasi pemerintah yaitu PT Kereta Api Indonesia (Persero) atau PT KAI. PT KAI hampir memiliki stasiun pemberhentian disetiap kota di pulau jawa, salah satunya adalah Stasiun Besar Kediri dibawah Daerah Operasi 7 Madiun. Setiap stasiun diberikan wewenang dalam menjalankan organisasinya termasuk pengaturan jadwal. Stasiun Besar Kediri untuk menentukan jadwal pegawainya masih menggunakan cara manual yang itu kurang efektif dan efisien berdasarkan masalah yang telah dibahas diatas, untuk mengatasi dan menghindari hal tersebut dapat dilakukan penjadwalan secara otomatis atau komputerisasi.
2.4 Perancangan Pada tahap ini dilakukan perancangan sistem yang akan dibuat, perancangan tersebut meliputi tampilan sistem dan komponen yang dibutuhkan dalam membangun sistem
2.5 Implementasi
Tahapan ini merupakan tahap realiasasi dari perancangan sistem, pada tahap ini digunakan algoritma genetika dan bahasa pemrograman java.
2.6 Pengujian dan Evaluasi
Pada tahap ini dilakukan pengujian terhadap sistem untuk mendapatkan seberapa besar pengaruh algoritma genetika terhadap penjadwalan pegawai dan mengetahui parameter terbaik yang dihasilkan oleh sistem.
3. PERANCANGAN
3.1. Data
Data yang digunakan dalam penjadwalan dinas pegawai yaitu data yang diperoleh dari PT Kereta Api Indonesia khususnya Stasiun Besar Kediri. Data yang digunakan merupakan data nama pegawai dan nomor induk pegawai.
3.2. Algoritma Genetika dalam Penjadwalan Gambar 2. Alur Algoritma Genetika pada
Penjadwalan Dinas Pegawai
Dibawah ini menampilkan diagram alur yang digunakan oleh sistem untuk mengimplementasikan penjadwalan ditunjukan pada gambar 2
Gambar 3. Representasi Kromosom Bilangan
Permutasi
3.2.1 Inisialisasi Populasi
Inisialisasi populasi awal merupakan proses
3.2.2 Reproduksi
pengkodean kromosom, pada penelitian ini digunakan pengkodean bilangan permutasi.
3.2.2.1 Crossover
Bilangan permutasi mewakili index pegawai
Crossover merupakan proses awal dalam
sejumlah 14 kromosom yang dimulai dari 0 reproduksi. Pada kasus penjadwalan dinas sampai 13. Penjadwalan dilakukan selama 7 pegawai crossover dilakukan dengan hari, dengan 14 kromosom pada masing-masing menggunakan metode one cut point. Pemilihan hari sehingga total kromosom yang dihasilkan induk dilakukan secara random berdasarkan sepanjang 98. Berikut contoh representasi probabilitas nilai crossover rate dan popsize. kromosom dalam 7 hari dapat dilihat pada
Setelah pemilihan induk, crossover point Gambar 3. ditentukan dengan cara random kemudian dilakukan pemotongan gen dan penukaran gen pada individu dan gen terpilih.
Sebagai contoh induk 1 dan induk 5 terpilih, kemudian dipilih titik potong pada individu tersebut dimisalkan gen ke-4. Gen ke 1 sampai ke 3 pada induk 1 ditukar silang dengan gen ke 4 sampai ke 98 pada induk 5 dan menghasilkan anak 1 dan 2.
3.2.2.2 Mutasi
Tabel 2. Hasil seleksi 4.
yang tepat dapat mempengaruhi hasil permasalahan Mahmudy (2013). Grafik hasil pengujian kombinasi cr dan mr terdapat pada Gambar 4.
mr yang memberikan hasil optimal. Kombinasi
terbaik dibandingkan dengan fitness yang dihasilkan kombinasi lain. Nilai yang dihasilkan sangat dipengaruhi oleh kombinasi yang ditentukan dan setiap kasus berbeda berdasarkan permasalahan yang diselesaikan, penyebabnya adalah tidak adanya ketentuan baku nilai cr dan
mr 0,9 menghasilkan rata-rata fitness yang
Pada parameter nilai kombinasi cr 0,1 dan
Popsize : 10 Generasi : 20
yang digunakan untuk dijadikan solusi permasalahan. Apabila nilai fitness yang dihasilkan tidak terjadi perubahan pada parameter yang telah ditentukan, nilainya akan dijadikan parameter terbaik dari cr dan mr. Nilai parameter yang digunakan pada pengujian ini :
mr yang diuji cobakan sebagai parameter terbaik
Pengujian cr dan mr dilakukan untuk mencari parameter nilai fitness terbaik yang dihasilkan dari beberapa kombinasi nilai cr dan
4.1 Pengujian Kombinasi Cr dan Mr
PENGUJIAN
Mutasi merupakan proses kedua setelah
crossover dalam reproduksi. Pada kasus
3.2.4 Seleksi
Tabel 1. Hasil perhitungan fitness
Hasil perhitungan fitness terdapat pada Tabel 1.
Proses eveluasi bertujuan untuk menghitung nilai fitness, nilai fitness pada kasus penjadwalan dinas pegawai diperoleh dengan cara mengitung penalti pada masing-masing individu yang dihasilkan pada proses reproduksi. Bobot nilai penalti pada masing-masing pelanggaran disesuaikan dengan aturan penjadwalan. Rumus fitness yang digunakan dapat dilihat pada persamaan (1).
3.2.3 Evaluasi
Sebagai contoh induk 3 terpilih, kemudian dipilih mutasi point pada gen ke-2 dan ke-96. Nilai pada gen ke-2 dan ke-96 ditukar dan menghasilkan anak 3.
induk, mutasu point ditentukan dengan cara random kemudian dilakukan pemotongan gen dan penukaran gen pada individu dan gen terpilih.
mutation rate dan popsize. Setelah pemilihan
secara random berdasarkan probabilitas nilai
exchange mutation . Pemilihan induk dilakukan
penjadwalan dinas pegawai mutasi dilakukan dengan menggunakan metode reciprocal
Seleksi merupakan proses pemilihan individu terbaik yang dihasilkan dari proses evaluasi. Pemilihan individu yang berdasarkan probabilitas ukuran populasi. Dapat dipastikan individu yang lolos seleksi sama jumlahnya dengan ukuran populasi. Pada proses ini digunakan metode elitism selection, metode tersebut melakukan seleksi dengan mengurutkan individu berdasarkan nilai fitness tertinggi. Hasil seleksi tersebut terdapat pada Tabel 2.
Gambar 4. Grafik Pengujian KombinasiCr dan Mr
fitness yang dihasilkan tidak terjadi perubahan
Berdasarkan hasil dari pengujian didapatkan nilai populasi dan generasi parameter optimal pada dinilai 50. Dalam pengujian kombinasi cr dan mr didapat parameter terbaik pada kombinasi cr 0,1 dan mr 0,9. Parameter yang telah didapatkan akan diuji terhadap sistem sebanyak 10 kali untuk mengetahui konsistensi hasil uji. Hasil rata-rata fitness yang didapat sebesar 0,093.
4.4 Pembahasan Hasil
Gambar 6. Grafik Pengujian Ukuran Populasi
Pada saat pengujian dilakukan hasil generasi 10 meningkat hingga generasi 40, selanjutnya di generasi 50 telah mengalami kesetabilan atau konvergensi nilai fitness. Hasil dari pengujian tersebut didapatkan nilai konvergensi tidak didapat secara cepat dikarenakan pengaruh banyaknya generasi. Proses algoritma mengalami peningkatan yang stabil dan mengalami konvergensi pada generasi 50 yang dapat digunakan sebagai parameter. Grafik hasil pengujian banyak generasi dapat dilihat pada Gambar 6.
Populasi : 10-100 Generasi : 50 Cr : 0,2 Mr : 0,4
pada parameter yang telah ditentukan, nilainya akan dijadikan parameter terbaik dari suatu generasi. Sama halnya dengan pengujian kombinasi cr dan mr dan pengujian banyak generasi. Nilai parameter yang digunakan pada pengujian ini :
Pengujian ukuran populasi dilakukan untuk mencari parameter nilai fitness terbaik yang dihasilkan dari populasi yang diuji cobakan sebagai parameter terbaik yang digunakan untuk dijadikan solusi permasalahan. Apabila nilai
4.2 Pengujian Banyak Generasi
Pengujian banyak generasi dilakukan untuk mencari parameter nilai fitness terbaik yang dihasilkan dari generasi yang diuji cobakan sebagai parameter terbaik yang digunakan untuk dijadikan solusi permasalahan. Apabila nilai
4.3 Pengujian Ukuran Populasi
Gambar 5. Grafik Pengujian Banyak Generasi
Saat pengujian dilakukan hasil generasi 10 meningkat hingga generasi 40, selanjutnya di generasi 50 telah mengalami kesetabilan atau konvergensi nilai fitness. Hasil dari pengujian tersebut didapatkan nilai konvergensi tidak didapat secara cepat dikarenakan pengaruh banyaknya generasi. Proses algoritma mengalami peningkatan yang stabil dan mengalami konvergensi pada generasi 50 yang dapat digunakan sebagai parameter. Grafik hasil pengujian banyak generasi terdapat pada Gambar 5.
Generasi : 10-100 Popsize : 30 Cr : 0,2 Mr : 0,4
yang dihasilkan tidak terjadi perubahan pada parameter yang telah ditentukan, nilainya akan dijadikan parameter terbaik dari suatu generasi. Nilai parameter yang digunakan pada pengujian ini :
fitness
Sistem penjadwalan dikatakan benar apabila jadwal yang dihasilkan telah sesuai dengan aturan yang telah ditetapkan. Jadwal yang tidak sama dengan aturan bisa dimasukan sebagai nilai penalti. Algoritma genetika berjalan secara acak atau random, maka jadwal yang dihasilkan dari perhitungan algoritma juga secara random.
Dalam penjadwalan ini ketetapan nilai benar tidak didapat dari pakar namun berdasarkan pada aturan yang disusun sesuai dengan kondisi perusahaan. Metode algoritma genetika digunakan oleh sistem penjadwalan dinas pegawai yang disesuaikan dengan aturan yang digunakan oleh perusahaan yang bersangkutan.
(2013). Penjadwalan Mata Kuliah Menggunakan Algoritma Genetika di Jurusan Sistem Informasi ITS. Jurnal Teknik POMITS, vol. 2 no.1, 1-5.
Brawijaya Mahmudy, W. F., & Rahman, M. (2011). Optimasi Fungsi Multi-obyektif Berkendala Menggunakan Algoritma Genetika Adaptif Dengan Pengkodean Real Kursor . Vol. 6 no.1, 19-26. Mahmudy, W. F. (2013). Algoritma Evolusi Puspaningrum, W.A., Djunaidy & Vinarti, R.A.
Algoritma Evolusi . Malang. Universitas
Mahmudy, Wayan. 2015. Dasar-Dasar
Algoritma Genetika Dan Darwinian Particle Swam Optimization Untuk Fungsi Multimodal. ELTEK, 11 no 02, 93-101.
Graha Ilmu. Yogyakarta Hayati, A. R. (2013). Pengembangan Metode
Ginting, Rosnani. (2009). Penjadwalan Mesin.
Algorithms and Engineering Design . New York: John Wiley & Sons, Inc.
Gen, M. & Cheng, R. (1997). Genetic
PTIIK Universitas Brawijaya , Vol 5, No 11.
(2015). Penerapan Algoritma Genetika Untuk Penjadwalan Asisten Praktikum. DORO: Repository Jurnal Mahasiswa.
DAFTAR PUSTAKA Devi, O. C., Mahmudy W. F. & Setiawan, B. D.
5. PENUTUP
pelanggaran terkecil, untuk itu sistem dapat digunakan untuk penjadwalan dinas pegawai PT. Kereta Api Indonesia (Persero).
fitness terbesar 0,093 dan memiliki
selection dalam penentuan individu terbaik dan nilai fitness tertinggi.
penalti dan fitness setiap individu melalui proses evaluasi, pada tahap akhir dilakukan proses seleksi menggunakan metode elitism
cut p oint, mutasi menggunakan reciprocal exchange mutation , untuk menentukan nilai
2. Dari uji coba yang dilakukan diperoleh rata- rata nilai fitness tertinggi menggunakan parameter sistem sebagai berikut: Generasi : 50 Popsize : 50 Cr : 0,1 Mr : 0,9 3. Penjadwalan dinas pegawai dilakukan menggunakan algoritma genetika dengan melalui beberapa tahap seperti inisialisasi populasi awal dilakukan dengan merandom indek pegawai, crossover menggunkan one
14 gen. Representasi diatas dapat digunakan untuk membentuk jadwal dinas pegawai.
98. Representasi permutasi pada range 0-13 sebagai indek pegawai, berdasarkan total pembangkitan gen, dibagi 7 hari dan masing-masing memiliki
1. Pembangkitan representasi kromosom secara random dengan panjang kromosom
Kesimpulan yang didapat dari penelitian ini adalah: