The 14th Industrial Electronics Seminar 2012 (IES 2012)

Electronic Engineering Polytechnic Institute of Surabaya (EEPIS), Indonesia, October 24, 2012

Sistem Penjadwalan Proyek Jaringan Pipa Air Bersih

Menggunakan Algoritma Genetika
Dini Nur Setyorini, Ira Prasetyaningrum, Entin Martiana Kusumaningtyas
Politeknik Elektronika Negeri Surabaya
Institut Teknologi Sepuluh Nopember (ITS) Surabaya
email: dhinie@student.eepis-its.edu,ira@eepis-its.edu, entin@eepis-its.edu

Abstrak
Dalam pembangunan sebuah proyek sering
kali terjadi penyelesaian proyek yang melebihi batas
waktu yang ditentukan, sehingga tidak jarang banyak
perusahaan yang mengalami kerugian akibat hal ini.
Pada penelitian sebelumnya telah dilakukan optimasi
GA untuk menentukan perencanaan jaringan baru
atau pengembangan jaringan pada proyek jaringan
pipa air bersih sehingga dapat diperoleh harga pipa
yang paling murah dan ekonomis. Pada penelitian ini
diajukan pendekatan baru dengan metode algoritma
genetika untuk melakukan optimasi penjadwalan
proyek jaringan pipa air bersih dari segi waktu
penyelesaian proyek. Algoritma genetika bekerja
dengan cara membentuk populasi awal dari
beberapa kromosom, mengevaluasi fungsi fitness,
melakukan seleksi pindah silang (crossover), dan
melakukan proses mutasi. Kromosom yang dibentuk
didasarkan pada kode-kode pekerjaan proyek
jaringan pipa air bersih, dengan nilai fitness berupa
durasi waktu penyelesaian proyek. Hasil dari
penelitian ini adalah diperoleh penjadwalan yang
optimum, terutama dari segi waktu dan jumlah
pekerja untuk pembangunan proyek jaringan pipa air
bersih.
Keywords: penjadwalan proyek, jaringan air bersih,
crossover, mutasi, fungsi fitness
1. Pendahuluan
Penjadwalan
proyek
bertujuan
untuk
menggambarkan rencana perjalanan proyek dalam
waktu tertentu agar sasaran yang ditetapkan dapat
dicapai secara efektif dan efisien berdasarkan sumber
daya yang ada, terutama waktu, biaya, dan sumber
daya manusia. Dalam rentang waktu tertentu,
semakin singkat waktu pelaksanaan proyek, semakin
besar biaya yang dibutuhkan untuk menyelesaikan
proyek yang sama. Namun sampai pada titik tertentu,
biaya pelaksanaan proyek akan meningkat dengan
semakin panjangnya waktu pelaksanaan. Selain itu,
proyek yang sama juga dapat diselesaikan dalam
waktu yang sama dengan biaya yang berbeda pula.
Dengan kata lain untuk durasi tertentu, proyek dapat
diselesaikan dengan biaya yang beraneka ragam
besarnya. Komponen utama dalam sebuah
penjadwalan proyek adalah kegiatan-kegiatan yang

saling berkaitan antara satu dengan yang lainnya.

Setiap
kegiatan
yang
dilakukan
memiliki
karakteristik berupa durasi waktu, sumberdaya yang
dibutuhkan, kapan dilaksanakan, dan bagaimana
pelaksanaannya.
Pada penelitian pertama, aplikasi GA digunakan
dalam kalibrasi model hidrolis jaringan pipa dan
optimasi
perencanaan
jaringan
baru
atau
pengembangan jaringan untuk mendapatkan harga
pipa yang paling murah dengan memilih diameter
pipa dengan harga yang paling ekonomis, namun
tetap mememenuhi kriteria hidrolis yang ditentukan.
Pada penelitian sebelumnya, dalam optimasi jaringan
dengan GA diasumsikan diameter pipa yang akan
dipilih sebagai kromosom akan dikodekan ke dalam
kode string biner.
Pada penelitian kedua, diambil permasalahan
mengenai optimasi penjadwalan proyek dengan
keterbatasansumber daya manusia menggunakan
algoritma genetika dengan studi kasus proyek
M000229 PT PAL Indonesia. Latar belakang
penelitian ini disebabkan karena selama ini
pembuatan jadwal tidak memperhatikan ketersediaan
SDM, padahal pada kenyataannya SDM yang
tersedia terbatas untuk pengalokasian aktivitas
ditentukan berdasarkan earliest start time dan dengan
memperhatikan ketersediaan SDM dalam tiap titik
waktu
penjadwalan.
Dan
kriteria
optimal
penjadwalan proyek yang digunakan yaitu
memperoleh durasi proyek seminimal mungkin tanpa
adanya overalokasi SDM. Dari hasil yang diperoleh
tampak bahwa durasi proyek bertambah lama namun
tidak lagi terjadi overalokasi SDM. Bertambahnya
durasi proyek disebabkan karena ketersediaan SDM
tidak mencukupi untuk menjaga agar durasi proyek
tidak bertambah seperti yang dikemukakan oleh
Handayani [6].
Pada penelitian ketiga, diambil permasalahan
tentang optimasi pelaksanaan proyek dengan metode
yang dilakukan oleh Ari Sandyavitri (2008) dalam
Pengendalian Dampak Perubahan Desain Terhadap
Waktu dan Biaya Pekerjaan Konstruksi [7].
Pemendekan durasi dilakukan dengan empat
alternatif cara, yaitu dengan cara lembur, kerja
bergantian, penambahan tenaga kerja baru, dan
dengan pemindahan sebagian tenaga kerja dari
kegiatan lain. Metode pemendekan durasi dilakukan
pada
kegiatan-kegiatan
di
lintasan
kritis.
Berdasarkan
hasil
perhitungan,
didapatkan

ISBN: 978-602-9494-28-0

212

Computer Science and Engineering, Information Systems Technologies and Applications

peningkatan biaya sebesar Rp 65.509.817,- akibat

pemendekan durasi pelaksanaan pekerjaan dari 68
hari menjadi 53 hari dengan alternatif kerja
bergantian (shift).
Pada penelitian ini diajukan pendekatan baru
dengan algoritma genetika dengan tujuan untuk
membantu melakukan perhitungan waktu yang
optimum yang dibutuhkan dalam pengerjaan proyek
jaringan pipa air bersih. Perhitungan ini dimaksudkan
agar dapat diperoleh hasil yang optimum dalam
pengerjaan proyek tersebut baik di kawasan Citraland
ataupun perumahan lainnya. Pada penelitian ini juga
dihasilkan aplikasi yang dapat mengoptimalkan
waktu pengerjaan beberapa proyek yang tidak hanya
dikerjakan di kawasan Citraland saja, sehingga
aplikasi ini bersifat dinamis. Dan untuk
menyelesaikan masalah penjadwalan ini digunakan
metode Algoritma Genetika sebagai metode
penyelesaian.
2. Metode
Algoritma genetika merupakan suatu metode
yang menyajikan algoritma iterasi untuk mencari
solusi optimum dari suatu populasi berdasarkan
kriteria atau fungsi-fungsi yang ditetapkan oleh
pemakai, atau yang disebut fungsi fitness. Algoritma
ini bekerja dengan sebuah populasi yang terdiri dari
individu-individu
yang
masing-masing
mempresentasikan sebuah solusi yang mungkin bagi
persoalan yang ada. Setiap individu dapat terdiri dari
satu atau lebih kromosom, sedangkan kromosom
terdiri dari kumpulan gen yang membentuk nilai
tertentu. Pada penjadwalan proyek, individu terdiri
dari satu kromosom yang tersusun atas sederetan gen,
dimana setiap gen mewakili satu kegiatan dan posisi
gen dalam kromosom menunjukkan urutan
pelaksanaan kegiatan yang mungkin. Sementara
untuk perataan sumberdaya, gen-gen pada kromosom
diwakili oleh tanggal mulai setiap kegiatan yang
dikemukakan oleh Chan [1] dan Chua [2] dan
Faniran [3].
Setiap gen akan menduduki tempat dengan
urutan tertentu di dalam sebuah kromosom. Untuk
menemukan solusi terbaik, algoritma genetika akan
mencari kombinasi gen dalam sebuah kromosom agar
didapat memberikan individu yang paling unggul
berdasarkan fungsi fitness yang ada. Pada setiap
iterasi, atau disebut generasi, akan dibuat populasi
kromosom baru yang umumnya merupakan
kromosom yang lebih baik berdasarkan fungsi fitness.
Melalui fungsi fitness sedikit demi sedikit populasi
yang terbentuk pada setiap generasi akan mengarah
pada nilai optimum. Dalam kaitannya dengan
penjadwalan proyek jaringan air bersih, pada
Gambar 1 diilustrasikan diagram alir sistem proyek
tersebut.

Penawar
an
Harga

Supply
Barang

Biaya
Suppl
y

Galia
n

Biaya
Galia
n

Pembentukan
Schedule
Proyek

Pasa
ng

Biaya
Pasang

Waktu Total

Waktu
Supply

Waktu
Galian

Juml
ah
Peker
ja

Waktu
Pasang

Waktu
Total

Optimasi GA

Gambar 2. Diagram Alir Optimasi GA Sistem

Penjadwalan Proyek
Dari diagram alir di atas selanjutnya dilakukan
optimasi waktu penyelesaian proyek dengan metode
algoritma genetika seperti yang diilustrasikan pada
Gambar 2.

Gambar 2. Diagram Alir Optimasi GA Sistem

Penjadwalan Proyek
Dari diagram alir di atas terdapat beberapa tahap
penyelesaian penjadwalan proyek dengan proses
algoritma genetika, yaitu antara lain :
1. Menginputkan daftar pekerjaan dari proyek
jaringan pipa air bersih

213

Computer Science and Engineering, Information Systems Technologies and Applications

2.
3.

4.
5.

Memodelkan kromosom GA dengan kromosom

permutasi berdasarkan kode pekerjaan
Membentuk populasi awal yang terdiri dari
kromosom-kromosom yang dibangkitkan secara
random
Mengevaluasi nilai fitness berdasarkan jumlah
hari dalam pengerjaan proyek
Dilakukan pengecekan apabila evaluasi waktu
kurang dari waktu pengerjaan proyek yang
ditentukan, maka hasil evaluasi waktu inilah
yang akan menjadi hasil akhir perhitungan waktu
pengerjaan proyek. Apabila evaluasi waktu lebih
besar dari waktu pengerjaan proyek yang
ditentukan, maka akan dilakukan proses GA
yang meliputi seleksi kromosom, crossover
(pindah silang), dan mutasi. Selanjutnya akan
terbentuk populasi baru, dan akan dilakukan
pengecekan lagi seperti pada proses sebelumnya,
begitu seterusnya sampai siklus algoritma
genetika dinyatakan berhenti.

Siklus algoritma genetika akan berhenti jika

siklus sudah stabil dan menemukan solusi yang
mendekati. Dikatakan stabil apabila dalam jumlah
generasi tertentu nilai fitness tidak berubah lagi.
Namun pada penelitian ini, pemberhentian siklus
algoritma genetika dilakukan dengan memberikan
input jumlah generasi dan membandingkan nilai
fitness di antara masing masing generasi,
selanjutnya akan diambil nilai fitness yang terbaik
beserta kromosomnya untuk dijadikan sebagai solusi
permasalahan penjadwalan proyek.
a.

Pembentukan Kromosom
Dalam penjadwalan proyek setiap gen mewakili
satu kegiatan, dan posisi gen dalam kromosom
menunjukkan urutan pelaksanaan kegiatan. Karena
dalam pembentukan kromosom atau individu dari
gen-gen dalam algoritma genetika dilakukan secara
acak, sedangkan pada penjadwalan proyek ada saling
keterkaitan, maka dalam penjadwalan proyek
susunan gen yang membentuk kromosom harus
memenuhi persyaratan tertentu. Hal pertama yang
dilakukan dalam proses pembentukan kromosom
adalah melakukan random terhadap kode pekerjaan.
Sebagai contoh pada Gambar 3 merupakan hasil
random yang dibangkitkan dengan mengambil nilai
kode pekerjaan.
1

b. Proses Rekombinasi (CrossOver)

CrossOver merupakan salah satu proses dari
algoritma genetika yang melibatkan dua induk untuk
menghasilkan keturunan baru. CrossOver dilakukan
secara acak dengan melakukan pertukaran gen dari
dua induk. Proses CrossOver ini dilakukan pada
setiap individu dengan probabilitas CrossOver yang
telah ditentukan. Untuk proses rekombinasi
digunakan metode PMX dalam melakukan tukar
silang (CrossOver). PMX merupakan rumusan
modifikasi dari pindah silang dua poin. Berikut
merupakan langkah-langkah dari metode PMX :
1. Tentukan dua posisi pada individu secara acak.
Sementara substring yang berada dalam dua
posisi ini dinamakan daerah pemetaan.
2. Tukar dua substring antar induk untuk
menghasilkan satu proto child.
3. Tentukan hubungan pemetaan di antara dua
daerah pemetaan pada masing-masing induk.
4. Tentukan individu keturunan yang mengacu pada
hubungan pemetaan.
c.

Proses Mutasi
Mutasi gen merupakan proses yang menukar dua
nilai gen yang satu dengan nilai gen yang lain. Setiap
individu mengalami mutasi gen dengan probabilitas
mutasi yang ditentukan. Mutasi dalam proses ini
menggunakan teknik swapping, yaitu teknik saling
menukarkan antara satu gen dengan gen yang lain
dalam satu individu. Berikut merupakan flowchart
dari proses mutasi. Untuk lebih jelasnya akan
ditampilkan diagram alir dari proses rekombinasi
crossover pada Gambar 4(a) dan proses mutasi pada
Gambar 4(b)

Gambar 3. Pembentukan Kromosom

Kemudian dalam pencarian nilai fitness, parameter
yang digunakan berupa jumlah hari dari seluruh
pekerjaan dengan asumsi apabila urutan pekerjaan
berbeda, maka jumlah hari yang terbentuk juga
berbeda, dengan tetap memperhitungkan pekerjaan
mana saja yang boleh didahulukan dan tidak boleh
didahulukan.

(a)

214

Computer Science and Engineering, Information Systems Technologies and Applications

Dan pada Gambar 6 disajikan tampilan dari inputan

parameter algoritma genetika yang diberikan sebagai
perbandingan probabilitas mana yang paling bagus.

Gambar 6. Parameter GA

(b)
Gambar 4. Parameter Algoritma Genetika untuk (a)
Crossover dan (b) Mutasi
Hasil
Dari penelitian ini dihasilkan sebuah apliikasi
yang dapat membantu melakukan penjadwalan
proyek untuk meminimalisasi adanya kerugian, serta
diperoleh hasil yang optimal terutama dari segi
waktu. Langkah pertama yang dilakukan dalam
penggunaan aplikaasi ini adalah user dapat melihat
macam-macam daftar pekerjaan yang ada pada table
master sebagai acuan untuk pemilihan pekerjaan
dalam proyek jaringan air bersih. Untuk tampilan
beberapa list pekerjaan dari proyek jaringan pipa air
bersih di kawasan The Wood Citraland dapat dilihat
pada Gambar 5.

Dalam penelitian ini dilakukan uji coba sebanyak 3

kali percobaan dengan jumlah generasi yaitu 5,
dimana pada penelitian ini hanya dilakukan untuk
proyek jaringan pipa air bersih yang dikerjakan di
kawasan The Wood Citraland. Di dalam pengujian
telah ditentukan jumlah populasi sebanyak 8 dan
jumlah kromosom sebanyak 8, dengan nilai
probabilitas CrossOver dan probabilitas Mutasi
sesuai dengan inputan user. Pada Tabel 1disajikan
nilai-nilai fitness dari hasil percobaan dengan iterasi
sebanyak 5 kali dan probabilitas Mutasi 0.1.
Tabel 1. Tabel Pengujian 1

3.

Gen
erasi
ke 5
5
5
5
5
5
5
5
5

Prob.
Cross
Over
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9

Prob
Mutasi

Jumlah
Kromosom

0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1
0.1

8
8
8
8
8
8
8
8
8

Jumlah
Popula
si
8
8
8
8
8
8
8
8
8

Fitness
Waktu
(hari)
53
54
54
50
54
56
54
54
56

Untuk percobaan selanjutnya dilakukan pencarian

nilai fitness dengan parameter probabilitas mutasi 0.3
dan iterasi sebanyak 5 kali, dimana hasil fitnessnya
dapat dilihat pada Tabel 2 dengan jumlah kromosom
dan populasi sama seperti pada percobaan
sebelumnya.
Tabel 2. Tabel Pengujian 2

Gambar 5. List Pekerjaan

Gen
erasi
ke 5
5
5
5
5
5

Prob.
Cross
Over
0.1
0.2
0.3
0.4
0.5
0.6

Prob.
Mutasi

Jumlah
Kromosom

0.3
0.3
0.3
0.3
0.3
0.3

8
8
8
8
8
8

Jumlah
Popula
si
8
8
8
8
8
8

Fitness
Waktu
(hari)
54
54
56
54
56
56

215

Computer Science and Engineering, Information Systems Technologies and Applications

5
5
5

0.7
0.8
0.9

0.3
0.3
0.3

8
8
8

8
8
8

56
56
54

Pada percobaan selanjutnya dilakukan pencarian nilai

fitness dengan parameter probabilitas mutasi 0.2 dan
iterasi sebanyak 10 kali, dimana hasil fitnessnya
dapat dilihat pada Tabel 3 dengan jumlah kromosom
dan populasi sama seperti pada percobaan
sebelumnya.
Tabel 3. Tabel Pengujian 3
Gen
erasi
ke 10
10
10
10
10
10
10
10
10

Prob.
Cross
Over
0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9

Prob.
Mutasi

Jumlah
Kromosom

0.2
0.2
0.2
0.2
0.2
0.2
0.2
0.2
0.2

8
8
8
8
8
8
8
8
8

Jumlah
Popula
si
8
8
8
8
8
8
8
8
8

Fitness
Waktu
(hari)
54
54
54
56
56
56
56
54
56

Untuk percobaan selanjutnya dilakukan pencarian

nilai fitness dengan parameter probabilitas mutasi 0.3
dan iterasi sebanyak 5 kali, dimana hasil fitnessnya
dapat dilihat pada Tabel 4 dengan jumlah kromosom
dan populasi sama seperti pada percobaan
sebelumnya.
Tabel 4. Tabel Pengujian 4
Generas
i ke -

Prob.
CrossOve
r

Prob.
Mutas
i

Jumlah
Kromoso
m

Jumlah
Populas
i

10
10
10
10
10
10
10
10
10

0.1
0.2
0.3
0.4
0.5
0.6
0.7
0.8
0.9

0.3
0.3
0.3
0.3
0.3
0.3
0.3
0.3
0.3

8
8
8
8
8
8
8
8
8

8
8
8
8
8
8
8
8
8

4.

1.

2.
3.
4.

Fitnes
s
Wakt
u
(hari)
56
54
54
54
54
56
54
56
54

Diskusi
Dari percobaan di atas dapat dianalisa bahwa :
Untuk percobaan 1 nilai fitness terbaik adalah 50
hari dengan inputan probabilitas CrossOver dan
Mutasi masing-masing adalah 0.1 dan 04.
Untuk percobaan 2 fitness terbaik adalah 54 hari
dengan inputan probabilitas Mutasi adalah 0.3.
Untuk percobaan 3 fitness terbaik adalah 54 hari
dengan inputan probabilitas Mutasi adalah 0.2.
Untuk percobaan 4 fitness terbaik adalah 54 hari
dengan inputan probabilitas Mutasi adalah 0.3.

diperoleh dari nilai probabilitas CrossOver dan

Mutasi masing-masing adalah 0.1 dan 0.4 dengan
jumlah populasi 8, jumlah kromosom 8, dan jumlah
iterasi sebanyak 5 kali. Sistem ini bekerja dengan
cara membandingkan hasil perhitungan waktu
optimum hasil algoritma genetika dengan prosedur
pekerjaan di lapangan untuk proyek jaringan pipa air
bersih. Dalam perhitungan di lapangan yang
dilakukan secara manual, dihasilkan waktu
pengerjaan proyek selama 60 hari. Sementara itu
perhitungan dengan algoritma genetika diperoleh
waktu pengerjaan selama 50 hari. dari percobaanpercobaan di atas sistem ini terbukti
dapat
menyelesaikan masalah penjadwalan proyek jaringan
air bersih, sehingga didapatkan waktu pengerjaan
proyek yang optimal. Berdasarkan percobaanpercobaan di atas terbukti bahwa penelitian ini dapat
menyelesaikan masalah penjadwalan proyek jaringan
air bersih, sehingga didapatkan waktu pengerjaan
proyek yang optimal.
5.

Kesimpulan
Pada keempat percobaan ini dapat disimpulkan
bahwa nilai fitness waktu terbaik atau penyelesaian
terbaik dari pekerjaan jaringan pipa air bersih adalah
selama 50 hari, dengan nilai probabilitas CrossOver
dan Mutasi masing-masing adalah 0.1 dan 0.4 dengan
jumlah populasi 8, jumlah kromosom 8, dan jumlah
iterasi sebanyak 5 kali. Namun dapat dikatakan hasil
ini juga kurang akurat sebab hasil perhitungan
melalui proses Algoritma Genetika sangatlah
berpengaruh pada hasil random dan iterasi. Apabila
dilakukan percobaan ulang, hasil yang diperoleh
sudah pasti dapat berubah-ubah, bahkan dapat
diperoleh hasil yang lebih baik atau lebih buruk.
Berdasarkan percobaan dan perbandingan hasil
optimasi GA dengan perhitungan manual yang nyata
di lapangan, sistem ini terbukti dapat menyelesaikan
masalah penjadwalan proyek jaringan air bersih,
sehingga didapatkan waktu pengerjaan proyek yang
optimal.
Untuk pengembangan aplikasi yang telah dibuat,
dibutuhkan beberapa penambahan sistem lebih lanjut
untuk ke depannya yang terdiri dari :
1. Kemungkinan untuk menambahkan waktu
komputasi dalam melakukan eksekusi pencarian
solusi terbaik, sehingga dapat melihat kecepatan
proses pencarian solusi terbaik.
2. Menambah sistem ini dengan sistem pemetaan
GIS untuk menentukan pemasangan jaringan
pipa yang optimal agar tidak terjadi penumpukan
atau tabrakan dalam pemasangan pipa.
3. Untuk pengembangan lebih lanjut dari sisi sistem
informasinya, aplikasi ini dapat diarahkan ke
aplikasi berbasis web.

Berdasarkan percobaan-percobaan di atas

diperoleh hasil fitness terbaik yaitu 50 hari yang

216

Computer Science and Engineering, Information Systems Technologies and Applications

Daftar Pustaka
[1] Chan, W., Chua, D.K.H. and Kannan, G., 1996,
Construction Resource Scheduling with Genetic
Algorithms, Journal of Construction Engineering
and Management 122(2) : 420-427.
[2] Chua, D. K. H., Chan, W. T. and Govindan, K.,
1997, A Time-Cost Trade-Off Model With
Resource
Consideration
Using
Genetic
Algorithm, Civil Engineering System 14: 291311.
[3] Faniran, O. O., Love, P. E. D. and Li, H., 1999,
Optimal Allocation of Construction Planning
Resources, Journal of Construction Engineering
and Management 125(5) : 311-319.
[4] Liu, C., Hammad, A., 1997, Multiobjective
Optimization of Bridge deck Rehabilitation
Using a Genetic Algorithm, Microcomputers in
Civil Engineering 12 : 431 443.
[5] Damayanti Ariesta, Penerapan Algoritma
Genetika untuk Menyelesaikan Resource
Constrained Project Scheduling Problem.
[6] Handayani, Anita. 2006. Optimasi Penjadwalan
Proyek dengan Keterbatasan Sumber Daya
Manusia menggunakan Algoritma Genetika
(Studi Kasus Proyek M000229 PT. PAL
Indonesia).
[7] Sandyavitri, Ari. 2008. Pengendalian dampak
Perubahan Desain Terhadap Waktu dan Biaya
Pekerjaan Konstruksi.

217