Pada penelitian ini, penjadwalan customer penarikan kesimpulan. Data dalam skripsi ini
service dibuat per 30 hari kerja dimana hari didapatkan dari PT Cybersama Technology
sabtu, minggu dan hari libur termasuk hari kerja. melalui wawancara dan studi dokumen yang
Setiap karyawan memiliki susunan satu hari diberikan.
libur dan empat hari kerja dan minimal memiliki
istirahat selama 8 jam setiap harinya. Terdapat
dua lokasi kantor yaitu cabang dan pusat. 2. ALGORITMA GENETIKA
Pembagian jam kerja karyawan pada kantor Algoritma genetika adalah algoritma
pusat dibagi menjadi tiga shift yaitu pagi, siang optimasi numerik yang terinspirasi dari seleksi
dan malam. Dimana, karyawan perempuan tidak natural dan genetika natural (Coley, 1999).
boleh ada di shift malam. Seluruh karyawan Terdapat beberapa tahapan dari algoritma
harus memiliki jumlah jam kerja yang sama genetika yaitu:
selama satu bulan dan jadwal tidak boleh saling 1. Inisialisasi Kromosom
bertabrakan satu sama lain. Dikarenakan Inisialisasi dilakukan untuk membangkitkan
kesulitan memenuhi aturan-aturan tersebut, himpunan solusi baru secara acak/random
peneliti bersama dengan PT Cybersama yang terdiri atas sejumlah string
Technology, akan membuat implementasi chromosome dan ditempatkan pada pen
algoritma genetika untuk penjadwalan customer ampungan yang disebut populasi
service. (Mahmudy, 2015). Representasi kromosom
Algoritma genetika telah sukses diterapkan dapat menggunakan bilangan biner,
pada berbagai masalah kombinatorial, seperti bilangan integer, real coded, maupun
perencanaan dan penjadwalan produksi pada permutasi.
industri manufaktur (Mahmudy, Marian & 2. Crossover
Luong 2012b, 2013b, 2013e). Algoritma
Crossover merupakan operasi yang bekerja
genetika dapat menghasilkan solusi mendekati
untuk menggabungkan 2 kromosom induk
optimum yang dilakukan dalam waktu singkat
menjadi kromosom baru. Jumlah solusi
dan dapat diterima secara mudah dalam
jadwal yang mengalami crossover
menyelesaikan masalah, meskipun tidak
ditentukan oleh parameter crossover rate.
dihasilkan solusi yang paling optimum.
Metode crossover yang paling umum
Tujuan dari penelitian ini yaitu:
digunakan adalah metode one-cut-point,
mengimplementasikan algoritma genetika dalam
yang secara acak memilih satu titik potong
penjadwalan customer service pada bidang
dan menukarkan bagian kanan dari tiap
travel, mengidentifikasi tingkat efektifitas yang
induk untuk menghasilkan offspring
dalam hal ini nilai fitness terbaik yang dihasilkan
(Mahmudy, 2015).
dalam implementasi algoritma genetika untuk
3. Mutasi
penjadwalan customer service, dan mengetahui
Mutasi dilakukan dengan memilih satu
efisiensi waktu dalam penjadwalan customer
induk secara acak dari populasi. Metode
service dengan algoritma genetika dibandingkan
mutasi yang digunakan adalah dengan
dengan cara manual.
memilih satu titik acak kemudian mengubah
Penelitian ini melakukan pembuatan jadwal
nilai gen pada titik tersebut. Metode mutasi
untuk customer service dengan harapan akan
yang paling sederhana adalah reciprocal
memberikan efektifitas dalam melakukan
exchange mutation. Metode ini bekerja
pekerjaannya. Dengan algortima genetika, dapat
dengan memilih dua posisi (exchange point
mengurangi kesalahan-kesalahan yang dapat
/ XP) secara random kemudian menukarkan
terjadi dalam penjadwalan serta memangkas
nilai pada posisi tersebut (Mahmudy, 2015).
waktu yang dibutuhkan untuk membuat jadwal
Selain itu juga terdapat metode insertion
kerja dari pembuatan jadwal secara manual.
exchange mutation.
Sehingga, dapat meningkatkan efisiensi
4. Evaluasi
pekerjaan customer service.
Langkah-langkah yang dilakukan dalam Evaluasi adalah fungsi yang digunakan
pembuatan penelitian atau metodologi yang untuk mengetahui ketahanan kromosom
digunakan penulis penelitian terdiri dari studi masih pantas diteruskan eksistensinya
literatur, analisis kebutuhan, pengumpulan data, (Tyas, Rahman, & Dewi, 2013). Setelah itu
perancangan sistem, implementasi sistem, dihitung nilai fitness yang
pengujian sistem, analisis hasil dan terakhir merepresentasikan nilai suatu inidividu.
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
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
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
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
0,55 0,8
nilai fitness
0,5 0,6
10 30 50 70 90 110 130 0,4
Ukuran Generasi 0,2
0
Gambar 12 Rata-rata Nilai Fitness Pengujian
Berdasarkan Ukuran Generasi
Crossover Rate : Mutation Rate
20000
Waktu (detik)
Waktu (detik)
40000
ukuran populasi 110, ukuran generasi 110 dan
30000
perbandingan crossover rate dan mutation rate
0.7:0.3. Nilai fitness terbaik sebesar 0.70922 20000
dengan masih terdapat pinalti yang dilanggar. 10000
Pelanggaran pinalti 1 sebesar 29, pelanggaran 0
pinalti 2 sebesar 6, pelanggaran pinalti 3 sebesar 1 2 3 4 5
4, pelanggaran pinalti 4 sebesar 28 dan Percobaan ke-
pelanggaran pinalti 5 sebesar 15.
Gambar 17 Grafik Waktu Pengujian Perbaikan
5.4. Pengujian Perbaikan Bobot Bobot
Dikarenakan hasil yang belum optimal
5.5. Pengujian Pengaruh Konvergensi
pada pengujian sebelumnya, maka peneliti
memutuskan untuk melakukan optimasi. Pengujian pengaruh konvergensi dilakukan
Optimasi yang dilakukan oleh peneliti secara pada perubahan bobot dengan parameter tebaik
manual dengan cara mengubah nilai bobot yaitu ukuran populasi 110, ukuran generasi 110
fitness pada pelanggaran yang terjadi. Bobot dan perbandingan crossover rate dan mutation
pelanggaran ke 3 dan ke 4 diubah menjadi 0.001 rate 0.7:0.3. Titik ukuran generasi yang
yang sebelumnya bernilai 0.005. Sedangkan dianggap sebagai dimulainya titik konvergen
untuk bobot pinalti 1, 2, dan 5 tetap dibiarkan adala 70% dari 110 yaitu titik 77. Sehingga pada
0.005. generasi ke 77 dan setelahnya akan diberlakukan
Pada pengujian perbaikan bobot ini konvergensi saat selisih nilai fitness kurang dari
parameter yang digunakan adalah hasil dari 0.0055 atau sama dengan nilai fitness
pengujian yang telah dilakukan sebelumnya sebelumnya. Dari pengujian yang telah
yaitu ukuran populasi 110, ukuran generasi 110 dilakukan didapatkan pada saat generasi ke 77
dan perbandingan crossover rate dan mutation algorima genetika untuk penjadwalan customer
rate sebesar 0.7:0.3. pengujian dilakukan service telah mengalami konvergensi dengan
sebanyak 5 kali dengan parameter yang sama. nilai fitness yang sama seperti generasi
Hasil pengujian terbaik didapatkan pada sebelumnya yaitu sebesar 0.7874015748 dengan
ukuran populasi 110, ukuran generasi 110 dan pelanggaran pinalti 1 sebesar 29, pinalti 2
perbandingan crossover rate dan mutation rate sebesar 5, pinalti 3 sebesar 14, pinalti 4 sebesar
0.7:0.3. Nilai fitness terbaik sebesar 40 dan pinalti 5 sebesar 12..
0.822368421 dengan masih terdapat pinalti yang
dilanggar. Pelanggaran pinalti 1 sebesar 28, 5.6 Pengujian Waktu
pelanggaran pinalti 2 sebesar 0, pelanggaran Kita anggap bahwa 3 hari pembuatan
pinalti 13 sebesar 4, pelanggaran pinalti 4 jadwal hanya dilakukan pada jam kerja
sebesar 38 dan pelanggaran pinalti 5 sebesar 5.
karyawan yaitu dari pukul 08.00 hingga pukul
17.00 yaitu 9 jam dikalikan 3 hari menjadi 97200
0,83 detik, akan dihitung presentase waktu program
0,82 untuk membuat jadwal dibandingkan
Nilai Fitness
DAFTAR PUSTAKA
6. PENUTUP Baker, K.R., 1974. Introduction to Scheduling
Implementasi dari program penjadwalan and Sequencing. New York: Wiley. Tersedia
customer service telah sesuai dengan di: Google Books
manualisasi yang telah dilakukan sebelumnya <http://booksgoogle.com> [Diakses 24
seluruhnya bernilai sama persis. Agustus 2016]
Dari pengujian yang telah dilakukan, Coley, David A., 1999. An Introduction to
didapatkan ukuran populasi 110, ukuran Genetic Algorithms for Scientists and
generasi 110 dan perbandingan crossover rate Engineers. Singapura: World Publishing.
dan mutation rate 0.7:0.3 menghasilkan nilai Tersedia di: Google Books
fitness yang terbaik yaitu mempunyai rata-rata <http://booksgoogle.com> [Diakses 4
sebesar 0.70922 dikarenakan nilai fitness yang September 2016]
masih belum terlalu optimal maka peneliti
melakukan modifikasi pada nilai bobot Mahmudy, WF, Marian, RM & Luong, LHS
constraint ketiga dan keempat yang sebelumnya 2012b, 'Solving part type selection and
bernilai 0.005 diubah menjadi 0.001 sedangkan loading problem in flexible manufacturing
yang lain tetap bernilai sama. Dari pengujian system using real coded genetic algorithms
perbaikan bobot tersebut dihasilkan nilai fitness – Part II: optimization', International
terbaik sebesar 0.822368421. terjadi kenaikan Conference on Control, Automation and
nilai fitness mencapai 0.1 hal tersebut dapat Robotics, Singapore, 12-14 September,
terjadi karena pelanggaran yang terjadi pada World Academy of Science, Engineering
constraint yang lebih utama sebenarnya sudah and Technology, pp. 706-710.
sedikit tetapi dikarenakan nilai bobot setiap Mahmudy, W. F., 2013. Algoritma Evolusi.
constraint sama, nilai fitness akan menjadi lebih Malang: Program teknologi dan Ilmu
kecil. Lalu memungkinkan constraint yang Komputer (PTIIK) Universitas Brawijaya.
seharusnya tidak dilanggar, menjadi dilanggar
kembali pada proses berikutnya. Mahmudy, W. F., 2015. Dasar-Dasar
Pada implementasi algoritma genetika untuk ALgoritma Evolusi (Modul Kuliah Semester
penjadwalan customer service, untuk Ganjil 2015-1016). Malang: Program
menghasilkan jadwal yang baik maka diperlukan Teknologi dan Ilmu Komputer (PTIIK)
waktu yang cukup lama. Waktu yang dibutuhkan Universitas Brawijaya.
program untuk memproses satu penjadwalan Mahmudy, WF, Marian, RM & Luong, LHS
dapat mencapai 12 jam tergantung dengan 2013b, 'Real coded genetic algorithms for
kondisi laptop atau komputer. Sedangkan proses solving flexible job-shop scheduling