Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN: 2548-964X

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)
Chusnah Puteri Damayanti1, Rekyan Regasari Madi Putri2, Mochammad Ali Fauzi3

Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya

Email: 1chusnapd@gmail.com, 2rekyan.rmp@ub.ac.id, 3moch.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. PENDAHULUAN
Penjadwalan didefinisikan sebagai rencana
pengaturan urutan kerja serta pengalokasian
sumber, baik waktu maupun fasilitas untuk
setiap operasi yang harus diselesaikan (Vollman,
1998). Penjadwalan secara manual masih umum
dilakukan saat ini. Hal tersebut dirasa sulit
dilakukan dan dapat memakan waktu yang
cukup lama serta tingkat kesalahan yang dapat
terjadi pun cukup besar.
penjadwalan dalam mengatur jam kerja
karyawan karena kebutuhan akan transportasi
yang tinggi. Untuk mengantisipasi hal tersebut,
tentunya harus ada karyawan yang selalu ada
untuk berhubungan langsung dengan pelanggan,
yaitu Customer service. Customer service harus
mampu memberikan informasi yang dibutuhkan
pelanggan secepatnya, dan informasi yang
diberikan harus benar, tepat, dan cepat sehingga
customer akan merasa puas (Yunarto, 2006).

Fakultas Ilmu Komputer

Universitas Brawijaya 456
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Pada penelitian ini, penjadwalan customer
service dibuat per 30 hari kerja dimana hari
sabtu, minggu dan hari libur termasuk hari kerja.
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
service.
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.
Tujuan dari penelitian ini yaitu:
mengimplementasikan algoritma genetika dalam
penjadwalan customer service pada bidang
travel, mengidentifikasi tingkat efektifitas yang
dalam hal ini nilai fitness terbaik yang dihasilkan
dalam implementasi algoritma genetika untuk
penjadwalan customer service, dan mengetahui
efisiensi waktu dalam penjadwalan customer
service dengan algoritma genetika dibandingkan
dengan cara manual.
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.
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
Fakultas Ilmu Komputer, Universitas Brawijaya
457
penarikan kesimpulan. Data dalam skripsi ini
didapatkan dari PT Cybersama Technology
melalui wawancara dan studi dokumen yang
diberikan.
2. ALGORITMA GENETIKA
Algoritma genetika adalah algoritma
optimasi numerik yang terinspirasi dari seleksi
natural dan genetika natural (Coley, 1999).
Terdapat beberapa tahapan dari algoritma
genetika yaitu:
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.
2. Crossover
Crossover merupakan operasi yang bekerja
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).
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
exchange mutation. Metode ini bekerja
dengan memilih dua posisi (exchange point
/ XP) secara random kemudian menukarkan
nilai pada posisi tersebut (Mahmudy, 2015).
Selain itu juga terdapat metode insertion
exchange mutation.
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.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 458

Semakin besar nilai fitness maka semakin setiap customer

baik individu tersebut. service adalah 4
5. Seleksi hari kerja dan 1
Proses terakhir dalam algoritma genetika hari libur secara
adalah seleksi yaitu memilih individu- berturut-turut.
individe terbaik berdasarkan nilai fitness
yang telah dihasilkan. Metode seleksi ada Tabel 2 Lokasi dan Shift Penjadwalan
metode seleksi elitism, binary tournament
dan roulette wheel selection. Jumlah
Jam
No Custome
Lokasi Shift Penjagaa
. r service
n
3. ATURAN PENJADWALAN Berjaga
05:00 -
Terdapat 5 constraint atau pelanggaran yang Pagi 2
13:00
harus dipenuhi dalam proses evaluasi 12:00 -
implementasi algoritma genetika untuk 1 Pusat Siang 2
20:00
penjadwalan customer service seperti yang Mala 20:00 -
ditunjukkan oleh Tabel 1. Pada sample uji yang 2
m 04:00
digunakan pada penelitian ini digunakan 10 05:00 -
customer service dengan ID A, B, C, E, F, G, H, Pagi 1
Caban 13:00
I, J. Lokasi dan shift dari penjadwalan customer 2
g 12:00 -
service biro perjalanan Kangoroo ditunjukkan Siang 1
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
service tidak boleh Ukuran populasi atau popsize yang telah
berjaga lebih dari ditentukan dalam proses manualisasi ini adalah 3
satu shift dalam individu. Pada proses manualisasi ini satu
satu hari. kromosom terdiri dari 240 gen yang didapat dari
2 P2 Customer service 0.005 representasi jumlah hari dikalikan dengan
jumlah shift pada kantor pusat yaitu 3 shift
perempuan tidak
boleh memiliki dengan terdapat 2 customer service yang berjaga
shift malam. pada tiap shiftnya, dan jumlah shift pada kantor
cabang yaitu 2 shift dengan masing-masing 1
3 P3 Customer service 0.005
customer service yang berjaga pada setiap
harus memiliki
shiftnya. 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 Hari 1 2 3 … 30
Lokasi Pus Cab Pus Cab Pus Cab … Pus Cab
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.
4 P4 Jumlah jam kerja 0.005 CS A C F J D E B H G A D I D C B F HD A B I J C E … BI A D J H E F

setiap customer Gambar 1 Inisialisai Kromosom

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

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 459

Tabel 3 Inisialisasi Kromosom Individu 1 random kemudia nilainya saling ditukarkan pada
posisi tersebut. Dalam proses manualisasi ini di
PARENT1 HARI 1 2 3 4 5 6 7
C B C I G B J tentukan parent 3 sebagai induk untuk
PAGI
I A D G E J F melakukan mutasi. Dikarenakan offspring atau
E J C C D D D jumlah anak adalah 2 maka dipilih parent 1
PUSAT SIANG
G C C I F J B
E G A G A I H
sebagai induk kedua, dengan titik tukar titik 20
MALAM dan 42.
I F A B I C D
PAGI J D A F A B C
CABANG
SIANG D A D G A 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

Tabel 4 Inisialisasi Kromosom Individu 2 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

PARENT2 HARI 1 2 3 4 5 6 7 Gambar 3 Proses Mutasi

J D G I F H C
PAGI
I D E A I A D
D J J I D D F 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
PUSAT SIANG 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
H F J G C H G
H B G I H G G 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
MALAM 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
D J I G J I C
CABANG
PAGI J B I C C G I Gambar 4 Proses Mutasi
SIANG B D H J B B J
4.4. Cek Constraint P1
Tabel 5 Inisialisasi Kromosom Individu 3
Pengecekan dilakukan dengan menghitung
PARENT3 HARI 1 2 3 4 5 6 7 kemunculan setiap kode karyawan persatu hari.
I F I I E E J
PAGI
E I C G J C I
Jika kode customer service muncul lebih dari
F J B H E H A satu kali dalam satu hari maka dinilai sebagai
PUSAT SIANG
D I G C D C B penalti yang bernilai 1.
I D E A B D B
MALAM
F E E C J D H HARI 1 2 3 4
PAGI E D H F B J G LOKASI P C P C P C P C
CABANG 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
SIANG D I A J H A H 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 5 6 7
LOKASI P C P C P C
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
4.2. Crossover 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

Gambar 5 Cek Constraint P1

Metode crossover yang digunakan dalam
penelitian ini adalah one cut point crossover. Kotak yang berwarna merah menunjukkan
Pada proses manualisasi ini dipilih parent1 dan penalty yang dilakukan oleh suatu kode
parent2 untuk melakukan crossover. Titik customer service. Jadi pelanggaran P1 berjumlah
potong dari one cut point crossover adalah titik 14.
ke 28.
4.5. Cek Constraint P2
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 Constraint P2 adalah setiap customer
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 service perempuan tidak boleh memiliki shift
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 malam. Batasan kedua ini dihitung dari jumlah
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 shift malam customer service perempuan dalam
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
satu jadwal.
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 HARI 1 2 3 4
LOKASI P C P C P C P C
Gambar 2 Proses Crossover 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

4.3. Mutasi HARI

LOKASI P
5
C P
6
C P
7
C
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
Mutasi merupakan proses pengubahan gen 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

keturunan secara random. Dalam penjadwalan Gambar 6 Cek Constraint P2

customer service ini digunakan metode mutasi
Kode berwarna biru menunjukkan customer
reciprocal exvhange mutation yaitu dengan
service perempuan yang ada di shift malam.
memilih dua posisi (exchange point /XP)
Jumlah penalti P2 adalah 7.
customer service dalam gen tertentu secara

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 460

4.6. Cek Constraint P3 hari, shift malam lokasi pusat adalah 2 hari, shift
pagi lokasi cabang adalah 0 hari, dan shift siang
Constraint P3 adalah setiap customer
lokasi cabang adalah 0 hari. Sedangkan untuk
service harus memiliki istirahat minimal 8 jam.
customer service perempuan adalah shift pagi
Pengecekan constraint ini dilakukan dengan
lokasi pusat adalah 2 hari, shift siang lokasi pusat
mengecek kode yang berjaga shift pagi pada hari
adalah 2 hari, shift malam lokasi pusat adalah 0
ini baik di lokasi pusat maupun cabang apakah
hari, shift pagi lokasi cabang adalah 1 hari, dan
sama dengan kode yang berjaga di shift malam
shift siang lokasi cabang adalah 1 hari.
hari sebelumnya.
HARI 1 2 3 4 4.8. Cek Constraint P5
LOKASI P C P C P C P C
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 Constraint P5 adalah aturan hari kerja setiap
HARI 5 6 7 customer service adalah 4 hari kerja dan 1 hari
LOKASI P C P C P C
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
libur secara berturut-turut. Sehingga telah
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
ditentukan hari libur dari setiap karyawan. Jika
Gambar 7 Cek Constraint P3
seharusnya karywan tersebut libur di hari itu dan
Kode berwarna kuning menunjukkan dia ada jadwal berjaga, maka akan dihitung
pelanggaran yang terjadi. Jadi jumlah sebagai penalti.
pelanggaran P3 adalah 2. PEGAWAI
HARI
A B C D E F G H I J
1 0 0 1 1 2 0 1 0 2 1
4.7. Cek Constraint P4 2
3
2
3
1
0
1
3
1
2
0
0
1
0
1
0
0
0
0
0
1
0
4 0 1 1 0 0 1 3 0 2 0
Batasan P4 adalah jumlah jam kerja setiap 5 3 0 0 1 1 1 1 0 1 0
6 0 2 2 1 0 0 0 0 1 2
customer service sama sesuai dengan jumlah 7 0 1 1 2 0 1 0 1 0 2

pembagian tiap shift yang telah ditentukan. Gambar 9 Cek Constraint P5

Jumlah hari kerja dan pembagian shift setiap
karyawan harus sesuai dengan yang telah Terdapat pelanggran yang dilakukan oleh
ditentukan. pegawai B sebanyak 2, pegawai C sebanyak 1,
pegawai E sebanyak 1, pegawai G sebanyak satu
LOKASI
PEGAWAI dan pegawai I sebanyak 1 sehingga jumlah
SHIFT A B C D E
P 0 0 0 0 0
pelanggaran constraint P7 adalah 6.
JUMLAH PUSAT S 0 0 0 0 0
TIAP M 0 0 0 0 0 4.9. Perhitungan Fitness
SHIFT P 0 0 0 0 0
CABANG
S 0 0 0 0 0
P 1 1 1 1 1
Nilai kebugaran atau fitness dalam algoritma
PENGEC
EKAN
PUSAT S 1 1 1 1 1 genetika menunjukkan seberapa optimal hasil
M 1 1 1 1 1 individu yang dihasilkan. Semakin besar fitness
KESESUA
P 0 0 0 0 0
IAN CABANG semakin baik hasil yang terbentuk. Perhitungan
S 0 0 0 0 0
P4 5 3 4 5 3 nilai fitness pada penelitian ini menggunakan
PEGAWAI persamaan
LOKASI 1
SHIFT F G H I J
P 0 0 0 0 0
𝑓𝑖𝑡𝑛𝑒𝑠𝑠 = 1+𝑝𝑒𝑛𝑎𝑙𝑡𝑖 (1)
JUMLAH PUSAT S 0 0 0 0 0
TIAP M 0 0 0 0 0
𝑓𝑖𝑡𝑛𝑒𝑠𝑠 =
SHIFT P 0 0 0 0 0 1
CABANG
S 0 0 0 0 0 1+(0.005∑𝑃1+0.005∑𝑃2+0.005∑𝑃3+0.005∑𝑃4+0.005∑𝑃5)
P 1 1 1 1 1
PENGEC 1
PUSAT S 1 1 1 1 1 =
EKAN
M 0 0 0 0 0 1 + ((0.005 ∗ 14) + (0.005 ∗ 7) + (0.005 ∗ 2) + (0.005 ∗ 36) + (0.005 ∗ 6))
KESESUA
P 1 1 1 1 1 1
IAN CABANG
S 1 1 1 1 1 = 1.325
P4 4 3 5 4 0
Gambar 8 Cek Constraint P4 = 0.7547

Pelanggaran P4 berjumlah 36 dikarenakan 4.10. Seleksi

terdapat 36 pelanggaran yang terjadi pada setiap
shift di setiap customer service. Adapun jumlah
pembagian kerja pada proses manualisasi ini
untuk karyawan laki-laki shift pagi lokasi pusat
adalah 2 hari, shift siang lokasi pusat adalah 2
Metode seleksi yang digunakan dalam
penelitian ini adalah elitism selection. Elitism
selection yaitu mengumpulkan seluruh parent
dan offspring hasil crossover dan mutasi
menjadi satu, lalu dari seluruhnya dipilih yang

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 461

bernilai fitness paling besar sesuai jumlah 1200

populasi yang ditentukan. 1000

Waktu (detik)
800
Tabel 6 Nilai Fitness yang Dihasilkan
600
Individu Fitness 400
P1 0.7634 200
P2 0.7605 0

110
10
20
30
40
50
60
70
80
90
100

120
130
P3 0.7547
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
Setelah melewati proses sebanyak 2 generasi ukuran populasi dengan hasil nilai fitness paling
hasil seleksi diperlihatkan pada tabel 7. optimal dengan rata-rata sebesar 0.580235367
dengan ukuran populasi 110. Setelah ukuran
Tabel 7 Hasil Seleksi populasi 110 saat pengujian dilanjutkan, terjadi
penurunan nilai fitness dan nilai fitness yang
Individu Awal Fitness dihasilkan selanjutnya bertambah tetapi tidak
P1 P1 0.7634 secara signifikan. Pada umumnya, semakin
P2 P2 0.7605 tinggi ukuran populasi maka berpengauh
P3 M2 0.7605 terhadap rata-rata nilai fitness yang didapatkan
namun semakin tinggi ukuran populasi juga
berpengaruh pada waktu pemrosesan algoritma
5. PENGUJIAN DAN HASIL genetika yang semakin lama (Suprayogi, dkk,
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
ukuran populasi kelipatan 10 dari ukutran Pengujian berdasarkan ukuran generasi
populasi 10 hingga 130. Pengujian berdasarkan dilakukan untuk mengetahui nilai ukuran
ukuran populasi dilakukan pada ukuran generasi generasi yang akan menghasilkan nilai fitness
10, crossover rate 0.5 dan mutation rate 0.5. paling optimal. Parameter yang digunakan yaitu
Masing-masing ukuran populasi diuji sebanyak ukuran populasi hasil dari pengujian berdasarkan
5 kali. ukuran populasi yang telah dilakukan
sebelumnya yaitu sebesar 110 dengan crossover
0,59 rate 0.5 dan mutation rate 0.5. Ukuran generasi
pada pengujian berdasarkan ukuran generasi 10
0,58
Nilai Fitness

hingga 130 dengan kelipatan 10. Masing-masing

0,57 dari ukuran generasi tersebut dilakukan
0,56 pengujian sebanyak 5 kali.
0,55
0,54
10 30 50 70 90 110 130
Ukuran Populasi

Gambar 10 Rata-rata Nilai Fitness Pengujian

Berdasarkan Ukuran Populasi

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
0,7
Nilai Fitness
0,65
0,6
0,55
0,5
10 30 50 70
Ukuran Generasi
Gambar 12 Rata-rata Nilai Fitness Pengujian
Berdasarkan Ukuran Generasi
20000
Waktu (detik)
15000
10000
5000
0
10 30 50 70
Ukuran Generasi
Gambar 13 Rata-rata Waktu Pengujian Berdasarkan
Ukuran Generasi
Ukuran generasi 110 menghasilkan nilai
fitness 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).
5.3. Pengujian Berdasarkan Perbandingan
Crossover rate dan Mutation Rate
Pengujian berdasarkan perbandingan
Crossover Rate dan Mutation Rate dilakukan
untuk mengetahui nilai perbandingan antara
crossover rate dengan mutation rate yang akan
menghasilkan nilai fitness paling optimal.
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
crossover rate dan mutation rate pada pengujian
ini yaitu 0.1:0.9, 0.2:0.8, 0.7:0.3, 0.6:0.4, 0.5:0.5,
Fakultas Ilmu Komputer, Universitas Brawijaya
462
0.4:0.6, 0.3:0.7, 0.2:0.8, dan 0.1:0.9. Masing-
masing dari perbandingan crossover rate dan
mutation rate tersebut dilakukan pengujian
sebanyak 5 kali.
0,8
nilai fitness
0,6
90 110 130 0,4
0,2
0
Crossover Rate : Mutation Rate
Gambar 14 Rata-rata Nilai Fitness Pengujian
Berdasarkan Perbandingan Crossover Rate dan
Mutation Rate
60000
Waktu (detik) 50000
90 110 130 40000
30000
20000
10000
0
Crossover Rate : Mutation Rate
Gambar 15 Rata-rata Waktu Pengujian Berdasarkan
Perbandingan Crossover Rate dan Mutation Rate
Rata-rata nilai fitness terbesar yang dapat
dihasilkan implementasi penjadwalan customer
service dengan menggunakan algoritma genetika
sebesar 0.695049 dengan perbandingan
crossover rate dan mutation rate sebesar
0.7:0.3. Hasil dari pengujian ini menunjukkan
bahwa semakin besar nilai crossover rate
dibandingkan dengan mutation rate maka nilai
fitness akan semakin besar. Sebaliknya jika
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
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
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.
5.4. Pengujian Perbaikan Bobot
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
fitness pada pelanggaran yang terjadi. Bobot
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.
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
rate sebesar 0.7:0.3. pengujian dilakukan
sebanyak 5 kali dengan parameter yang sama.
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.
0,83
0,82
Nilai Fitness
0,81
0,8
0,79
0,78
1 2 3 4 5
Percobaan ke-
Gambar 16 Grafik Nilai Fitness Pengujian Perbaikan
Bobot
Fakultas Ilmu Komputer, Universitas Brawijaya
463
50000
Waktu (detik)
40000
30000
20000
10000
0
1 2 3 4 5
Percobaan ke-
Gambar 17 Grafik Waktu Pengujian Perbaikan
Bobot
5.5. Pengujian Pengaruh Konvergensi
Pengujian pengaruh konvergensi dilakukan
pada perubahan bobot dengan parameter tebaik
yaitu ukuran populasi 110, ukuran generasi 110
dan perbandingan crossover rate dan mutation
rate 0.7:0.3. Titik ukuran generasi yang
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..
5.6 Pengujian Waktu
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:
𝑤𝑎𝑘𝑡𝑢𝑠𝑖𝑠𝑡𝑒𝑚
𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑎𝑠𝑒𝑤𝑎𝑘𝑡𝑢 = 100× (2)
𝑤𝑎𝑘𝑡𝑢𝑚𝑎𝑛𝑢𝑎𝑙
Untuk hasil pengujian tanpa perbaikan
bobot diambil nilai rata-rata waktu dengan nilai
fitness yang menghasilkan rata-rata nilai fitness
terbaik yaitu 30532.4 detik. Sehingga
perhitungan presentase waktu menghasilkan
sebagai berikut:
30532.4
𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑎𝑠𝑒 𝑤𝑎𝑘𝑡𝑢 = 100 𝑥
97200
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑎𝑠𝑒 𝑤𝑎𝑘𝑡𝑢 = 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:
28826.6
𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑎𝑠𝑒 𝑤𝑎𝑘𝑡𝑢 = 100 𝑥
97200
𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑎𝑠𝑒 𝑤𝑎𝑘𝑡𝑢 = 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.
6. PENUTUP
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
sebesar 0.70922 dikarenakan nilai fitness yang
masih belum terlalu optimal maka peneliti
melakukan modifikasi pada nilai bobot
constraint ketiga dan keempat yang sebelumnya
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
constraint yang lebih utama sebenarnya sudah
sedikit tetapi dikarenakan nilai bobot setiap
constraint sama, nilai fitness akan menjadi lebih
kecil. Lalu memungkinkan constraint yang
seharusnya tidak dilanggar, menjadi dilanggar
kembali pada proses berikutnya.
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
Fakultas Ilmu Komputer, Universitas Brawijaya
464
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.
Pada penelitian berikutnya dapat digunakan
metode mutasi lain seperti insertion exchange
mutation dan penggunaan metode seleksi
lainnya seperti binary tournament selection dan
roulette wheel selection untuk menghasilkan
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.
DAFTAR PUSTAKA
Baker, K.R., 1974. Introduction to Scheduling
and Sequencing. New York: Wiley. Tersedia
di: Google Books
<http://booksgoogle.com> [Diakses 24
Agustus 2016]
Coley, David A., 1999. An Introduction to
Genetic Algorithms for Scientists and
Engineers. Singapura: World Publishing.
Tersedia di: Google Books
<http://booksgoogle.com> [Diakses 4
September 2016]
Mahmudy, WF, Marian, RM & Luong, LHS
2012b, 'Solving part type selection and
loading problem in flexible manufacturing
system using real coded genetic algorithms
– Part II: optimization', International
Conference on Control, Automation and
Robotics, Singapore, 12-14 September,
World Academy of Science, Engineering
and Technology, pp. 706-710.
Mahmudy, W. F., 2013. Algoritma Evolusi.
Malang: Program teknologi dan Ilmu
Komputer (PTIIK) Universitas Brawijaya.
Mahmudy, W. F., 2015. Dasar-Dasar
ALgoritma Evolusi (Modul Kuliah Semester
Ganjil 2015-1016). Malang: Program
Teknologi dan Ilmu Komputer (PTIIK)
Universitas Brawijaya.
Mahmudy, WF, Marian, RM & Luong, LHS
2013b, 'Real coded genetic algorithms for
solving flexible job-shop scheduling
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 465

problem – 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]

Fakultas Ilmu Komputer, Universitas Brawijaya