See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/322758407

IMPLEMENTASI ALGORITMA GENETIKA UNTUK PENJADWALAN CUSTOMER

SERVICE

Article · May 2017

CITATION READS

1 2,554

3 authors, including:

Rekyan Regasari Mp Mochammad Ali Fauzi

Brawijaya University Brawijaya University
13 PUBLICATIONS   14 CITATIONS    102 PUBLICATIONS   230 CITATIONS   

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Text Mining and Text Information Retrieval View project

Smart Wheelchair View project

All content following this page was uploaded by Mochammad Ali Fauzi on 29 January 2018.

The user has requested enhancement of the downloaded file.

Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK)
Vol. x, No. x, April 2014, hlm. x-x

IMPLEMENTASI ALGORITMA GENETIKA UNTUK PENJADWALAN

CUSTOMER SERVICE
Chusnah Puteri Damayanti1, Rekyan Regasari Madi Putri2, M. Ali Fauzi3

Email: 1chusnapd@gmail.com, 2rekyan.mrp@ub.ac.id, 3moch.ali.fauzi@gmail.com

(Naskah masuk: dd mmm yyyy, diterima untuk diterbitkan: dd mmm yyy)

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: travel, 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, penjadwalan, customer service, algoritma genetika, crossover, mutation

cepat sehingga customer akan merasa puas (Yunarto,

1. PENDAHULUAN 2006).
Pada penelitian ini, penjadwalan customer
Penjadwalan didefinisikan sebagai rencana service dibuat per 30 hari kerja dimana hari sabtu,
pengaturan urutan kerja serta pengalokasian sumber,
minggu dan hari libur termasuk hari kerja. Setiap
baik waktu maupun fasilitas untuk setiap operasi yang
karyawan memiliki susunan satu hari libur dan empat
harus diselesaikan (Vollman, 1998). Penjadwalan
hari kerja dan minimal memiliki istirahat selama 8
secara manual masih umum dilakukan saat ini. Hal
jam setiap harinya. Terdapat dua lokasi kantor yaitu
tersebut dirasa sulit dilakukan dan dapat memakan cabang dan pusat. Pembagian jam kerja karyawan
waktu yang cukup lama serta tingkat kesalahan yang pada kantor pusat dibagi menjadi tiga shift yaitu pagi,
dapat terjadi pun cukup besar.
siang dan malam. Dimana, karyawan perempuan
Biro perjalanan atau travel membutuhkan
tidak boleh ada di shift malam. Seluruh karyawan
penjadwalan dalam mengatur jam kerja karyawan
harus memiliki jumlah jam kerja yang sama selama
karena kebutuhan akan transportasi yang tinggi.
satu bulan dan jadwal tidak boleh saling bertabrakan
Untuk mengantisipasi hal tersebut, tentunya harus ada satu sama lain. Dikarenakan kesulitan memenuhi
karyawan yang selalu ada untuk berhubungan aturan-aturan tersebut, peneliti bersama dengan PT
langsung dengan pelanggan, yaitu Customer service.
Cybersama Technology, akan membuat
Customer service harus mampu memberikan
implementasi algoritma genetika untuk penjadwalan
informasi yang dibutuhkan pelanggan secepatnya,
customer service.
dan informasi yang diberikan harus benar, tepat, dan
1
2 Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), Vol. x, No. x, April 2014, hlm. x-y

Algoritma genetika telah sukses diterapkan Tabel 2 Lokasi dan Shift Kerja
pada berbagai masalah kombinatorial, seperti
perencanaan dan penjadwalan produksi pada industri Jumlah
manufaktur (Mahmudy, Marian & Luong 2012b, Jam Customer
No. Lokasi Shift
2013b, 2013e). Algoritma genetika dapat Penjagaan service
menghasilkan solusi mendekati optimum yang Berjaga
dilakukan dalam waktu singkat dan dapat diterima 05:00 -
Pagi 2
secara mudah dalam menyelesaikan masalah, 13:00
meskipun tidak dihasilkan solusi yang paling 12:00 -
1 Pusat Siang 2
optimum. 20:00
Tujuan dari penelitian ini yaitu: 20:00 -
Malam 2
mengimplementasikan algoritma genetika dalam 04:00
penjadwalan customer service pada bidang travel, 05:00 -
Pagi 1
mengidentifikasi tingkat efektifitas yang dalam hal 13:00
ini nilai fitness terbaik yang dihasilkan dalam 2 Cabang
12:00 -
implementasi algoritma genetika untuk penjadwalan Siang 1
20:00
customer service, dan mengetahui efisiensi waktu
dalam penjadwalan customer service dengan
algoritma genetika dibandingkan dengan cara Penjadwalan adalah kegiatan alokasi sumber-
manual. sumber yang ada untuk menjalankan sekumpulan
Penelitian ini melakukan pembuatan jadwal tugas dalam jangka waktu tertentu (Baker, 1974).
untuk customer service dengan harapan akan Penjadwalan juga didefinisikan sebagai rencana
memberikan efektifitas dalam melakukan pengaturan urutan kerja serta pengalokasian sumber,
pekerjaannya. Dengan algortima genetika, dapat baik waktu maupun fasilitas untuk setiap operasi yang
mengurangi kesalahan-kesalahan yang dapat terjadi harus diselesaikan (Vollman, 1998). Software
dalam penjadwalan serta memangkas waktu yang penjadwalan karyawan dapat membuat karyawan
dibutuhkan untuk membuat jadwal kerja dari bekerja dengan lebih efisien dan teratur.
pembuatan jadwal secara manual. Sehingga, dapat Dibandingkan dengan jadwal secara konvensional,
meningkatkan efisiensi pekerjaan customer service. software penjadwalan karyawan akan membuat
Langkah-langkah yang dilakukan dalam pekerjaan lebih mudah dipantau dan dikelola.
pembuatan penelitian atau metodologi yang Adapun data customer service pada penelitian ini
digunakan penulis penelitian terdiri dari studi dapat dilihat pada tabel 1 beserta data pembagian jam
literatur, analisis kebutuhan, pengumpulan data, kerja pada tabel 2.
perancangan sistem, implementasi sistem, pengujian
sistem, analisis hasil dan terakhir penarikan 3. ALGORITMA GENETIKA
kesimpulan. Data dalam skripsi ini didapatkan dari
PT Cybersama Technology melalui wawancara dan Algoritma genetika adalah algoritma
studi dokumen yang diberikan. optimasi numerik yang terinspirasi dari seleksi
natural dan genetika natural (Coley, 1999).
Terdapat beberapa tahapan dari
2. PENJADWALAN implementasi algoritma genetika untuk penjadwalan
customer service yaitu inisialisasi kromosom,
Tabel 1 Daftar Data Customer Service crossover, mutasi, evaluasi dan seleksi. Adapun
Nama ID metode crossover, mutasi dan seleksi yang digunakan
No Jenis
Karyawan dalam penelitian ini yaitu one cut point crossover,
Kelamin
reciprocal exchange mutation dan elitism selection.
Abdul A Terdapat 5 constraint atau pelanggaran yang harus
1 Rahim Laki-laki dipenuhi dalam proses evaluasi implementasi
Ahmad B algoritma genetika untuk penjadwalan customer
2 Rizani Laki-laki service seperti yang ditunjukkan oleh tabel 3.
Ahmad C
3 Heldiansyah Laki-laki Tabel 3 Aturan Penjadwalan Customer Service
4 Hairul Laki-laki D
E No. Kode Constraint Bobot
5 Mahendra Laki-laki
1 P1 Setiap Customer 0.005
6 Ferlinda Perempuan F
service tidak boleh
7 Ririn Perempuan G berjaga lebih dari
H satu shift dalam satu
8 Widya Perempuan
hari.
9 Sukmawati Perempuan I
2 P2 Customer service 0.005
10 Riama Perempuan J perempuan tidak
 Satu, dkk, Judul singkat … 3

boleh memiliki shift I F A B I C D

malam. PAGI J D A F A B C
CABANG
SIANG D A D G A C J
3 P3 Customer service 0.005
harus memiliki Tabel 5 Inisialisasi Kromosom Individu 2
istirahat minimal 8
jam, yang artinya PARENT2 HARI 1 2 3 4 5 6 7
tidak boleh memiliki PAGI
J D G I F H C
shift malam lalu I D E A I A D
langsung shift pagi di D J J I D D F
PUSAT SIANG
H F J G C H G
hari berikutnya di H B G I H G G
kantor pusat maupun MALAM
D J I G J I C
cabang. PAGI J B I C C G I
CABANG
4 P4 Jumlah jam kerja 0.005 SIANG B D H J B B J
setiap customer
service sama sesuai
dengan jumlah
pembagian tiap shift Tabel 6 Inisialisasi Kromosom Individu 3
yang telah
PARENT3 HARI 1 2 3 4 5 6 7
ditentukan. I F I I E E J
5 P5 Aturan hari kerja 0.005 PAGI
E I C G J C I
setiap customer F J B H E H A
PUSAT SIANG
service adalah 4 hari D I G C D C B
kerja dan 1 hari libur I D E A B D B
MALAM
F E E C J D H
secara berturut-turut.
PAGI E D H F B J G
CABANG
SIANG D I A J H A H

3.1. Inisialisasi Kromosom

Ukuran populasi atau popsize yang telah
ditentukan dalam proses manualisasi ini adalah 3
individu. Pada proses manualisasi ini satu kromosom
terdiri dari 240 gen yang didapat dari representasi
jumlah hari dikalikan dengan jumlah shift pada kantor
pusat yaitu 3 shift dengan terdapat 2 customer service
yang berjaga pada tiap shiftnya, dan jumlah shift pada
kantor cabang yaitu 2 shift dengan masing-masing 1
customer service yang berjaga pada setiap shiftnya.
Kromosom yang terbentuk dibuat memanjang ke
samping. Nilai gen yang diisikan pada setiap slot gen
pada suatu kromosom adalah ID dari customer
service. ID customer service diperoleh dengan
mengacak nilai indeks dari urutan ID customer
service
3.2. 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 digunakan
dalam penelitian ini adalah one cut point crossover.
Pada proses manualisasi ini dipilih parent1 dan
parent2 untuk melakukan crossover. Titik potong dari
one cut point crossover adalah titik ke 28.
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
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
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

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
Hari 1 2 3 … 30 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
Lokasi Pus Cab Pus Cab Pus Cab … Pus Cab
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
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
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 Gambar 2 Proses Crossover
Gambar 1 Inisialisai Kromosom
3.3. Mutasi
Inisialisasi kromosom yang telah terbentuk Mutasi merupakan proses pengubahan gen
yaitu sebanyak 3 individu ditunjukkan oleh tabel 4. keturunan secara random. Dalam penjadwalan
customer service ini digunakan metode mutasi
Tabel 4 Inisialisasi Kromosom Individu 1 reciprocal exvhange mutation yaitu dengan memilih
dua posisi (exchange point /XP) customer service
PARENT1 HARI 1 2 3 4 5 6 7 dalam gen tertentu secara random kemudia nilainya
C B C I G B J saling ditukarkan pada posisi tersebut. Dalam proses
PAGI
I A D G E J F
PUSAT E J C C D D D
manualisasi ini di tentukan parent 3 sebagai induk
SIANG untuk melakukan mutasi. Dikarenakan offspring atau
G C C I F J B
MALAM E G A G A I H
4 Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), Vol. x, No. x, April 2014, hlm. x-y

jumlah anak adalah 2 maka dipilih parent 1 sebagai dengan kode yang berjaga di shift malam hari
induk kedua, dengan titik tukar titik 20 dan 42. sebelumnya.
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 HARI 1 2 3 4
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 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
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 HARI 5 6 7
Gambar 3 Proses Mutasi 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
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 7 Cek Constraint P3

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
Kode berwarna kuning menunjukkan
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 pelanggaran yang terjadi. Jadi jumlah pelanggaran P3
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
adalah 2.
Gambar 4 Proses Mutasi
3.7. Cek Constraint P4
3.4. Cek Constraint P1
Batasan P4 adalah jumlah jam kerja setiap
Pengecekan dilakukan dengan menghitung customer service sama sesuai dengan jumlah
kemunculan setiap kode karyawan persatu hari. Jika pembagian tiap shift yang telah ditentukan. Jumlah
kode customer service muncul lebih dari satu kali hari kerja dan pembagian shift setiap karyawan harus
dalam satu hari maka dinilai sebagai penalti yang sesuai dengan yang telah ditentukan.
bernilai 1.
PEGAWAI
HARI 1 2 3 4 LOKASI
LOKASI P C P C P C P C
SHIFT A B C D E
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 P 0 0 0 0 0
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 JUMLAH PUSAT S 0 0 0 0 0
HARI 5 6 7 TIAP M 0 0 0 0 0
LOKASI P C P C P C SHIFT P 0 0 0 0 0
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 CABANG
S 0 0 0 0 0
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
P 1 1 1 1 1
Gambar 5 Cek Constraint P1 PENGEC
PUSAT S 1 1 1 1 1
EKAN
M 1 1 1 1 1
KESESUA
Kotak yang berwarna merah menunjukkan IAN CABANG
P 0 0 0 0 0
S 0 0 0 0 0
penalty yang dilakukan oleh suatu kode customer P4 5 3 4 5 3
service. Jadi pelanggaran P1 berjumlah 14.
PEGAWAI
LOKASI
SHIFT F G H I J
P 0 0 0 0 0
3.5. Cek Constraint P2 JUMLAH PUSAT S 0 0 0 0 0
TIAP M 0 0 0 0 0
Constraint P2 adalah setiap customer SHIFT
CABANG
P 0 0 0 0 0
service perempuan tidak boleh memiliki shift malam. S 0 0 0 0 0
P 1 1 1 1 1
Batasan kedua ini dihitung dari jumlah shift malam PENGEC
PUSAT S 1 1 1 1 1
EKAN
customer service perempuan dalam satu jadwal. M 0 0 0 0 0
KESESUA
P 1 1 1 1 1
IAN CABANG
HARI 1 2 3 4 S 1 1 1 1 1
LOKASI P C P C P C P C P4 4 3 5 4 0
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 Gambar 8 Cek Constraint P4
HARI 5 6 7
LOKASI P C P C P C Pelanggaran P4 berjumlah 36 dikarenakan
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
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 terdapat 36 pelanggaran yang terjadi pada setiap shift
Gambar 6 Cek Constraint P2 di setiap customer service. Adapun jumlah
pembagian kerja pada proses manualisasi ini untuk
Kode berwarna biru menunjukkan customer karyawan laki-laki shift pagi lokasi pusat adalah 2
service perempuan yang ada di shift malam. Jumlah hari, shift siang lokasi pusat adalah 2 hari, shift
penalti P2 adalah 7. malam lokasi pusat adalah 2 hari, shift pagi lokasi
cabang adalah 0 hari, dan shift siang lokasi cabang
adalah 0 hari. Sedangkan untuk customer service
3.6. Cek Constraint P3 perempuan adalah shift pagi lokasi pusat adalah 2
Constraint P3 adalah setiap customer hari, shift siang lokasi pusat adalah 2 hari, shift
service harus memiliki istirahat minimal 8 jam. malam lokasi pusat adalah 0 hari, shift pagi lokasi
Pengecekan constraint ini dilakukan dengan cabang adalah 1 hari, dan shift siang lokasi cabang
mengecek kode yang berjaga shift pagi pada hari ini adalah 1 hari.
baik di lokasi pusat maupun cabang apakah sama
 Satu, dkk, Judul singkat … 5

3.8. Cek Constraint P5 Tabel 8 Hasil Seleksi

Constraint P5 adalah aturan hari kerja setiap Individu Awal Fitness
customer service adalah 4 hari kerja dan 1 hari libur P1 P1 0.7634
secara berturut-turut. Sehingga telah ditentukan hari P2 P2 0.7605
libur dari setiap karyawan. Jika seharusnya karywan P3 M2 0.7605
tersebut libur di hari itu dan dia ada jadwal berjaga,
maka akan dihitung sebagai penalti.
4. PENGUJIAN DAN PEMBAHASAN
PEGAWAI
HARI
A B C D E F G H I J
1 0 0 1 1 2 0 1 0 2 1
2 2 1 1 1 0 1 1 0 0 1
4.1. Pengujian Berdasarkan Ukuran Populasi
3 3 0 3 2 0 0 0 0 0 0
4 0 1 1 0 0 1 3 0 2 0 Pengujian implementasi algoritma genetika
5 3 0 0 1 1 1 1 0 1 0
6 0 2 2 1 0 0 0 0 1 2 untuk penjadwalan customer service berdasarkan
7 0 1 1 2 0 1 0 1 0 2
ukuran populasi bertujuan untuk mengetahui nilai
Gambar 9 Cek Constraint P5 fitness yang paling optimal yang dapat dilakukan oleh
sistem. Pengujian ukuran populasi dilakukan dengan
Terdapat pelanggran yang dilakukan oleh
membuat ukuran populasi kelipatan 10 dari ukutran
pegawai B sebanyak 2, pegawai C sebanyak 1,
populasi 10 hingga 130. Pengujian berdasarkan
pegawai E sebanyak 1, pegawai G sebanyak satu dan
ukuran populasi dilakukan pada ukuran generasi 10,
pegawai I sebanyak 1 sehingga jumlah pelanggaran
crossover rate 0.5 dan mutation rate 0.5. Masing-
constraint P7 adalah 6.
masing ukuran populasi diuji sebanyak 5 kali.
3.9. Perhitungan Fitness 0.59
0.58
Nilai Fitness
Nilai kebugaran atau fitness dalam algoritma
genetika menunjukkan seberapa optimal hasil 0.57
individu yang dihasilkan. Semakin besar fitness 0.56
semakin baik hasil yang terbentuk. Perhitungan nilai
fitness pada penelitian ini menggunakan persamaan 0.55
1 0.54
𝑓𝑖𝑡𝑛𝑒𝑠𝑠 =
1 + 𝑝𝑒𝑛𝑎𝑙𝑡𝑖 10 30 50 70 90 110 130
1
Ukuran Populasi
1+(0.005∑𝑃1+0.005∑𝑃2+0.005∑𝑃3+0.005∑𝑃4+0.005∑𝑃5)
(1)
𝑓𝑖𝑡𝑛𝑒𝑠𝑠 Gambar 10 Rata-rata Nilai Fitness Pengujian Berdasarkan
1
=
1 + ((0.005 ∗ 14) + (0.005 ∗ 7) + (0.005 ∗ 2) + (0.005 ∗ 36) + (0.005 ∗ 6))
Ukuran Populasi
1
= 1.325

= 0.7547 (2) 1200

Waktu (detik)

1000
3.10. Seleksi 800
Metode seleksi yang digunakan dalam penelitian 600
ini adalah elitism selection. Elitism selection yaitu 400
mengumpulkan seluruh parent dan offspring hasil 200
crossover dan mutasi menjadi satu, lalu dari 0
10
20
30
40
50
60
70
80
90
100
110
120
130

seluruhnya dipilih yang bernilai fitness paling besar

sesuai jumlah populasi yang ditentukan. Ukuran Populasi
Tabel 7 Nilai Fitness yang Dihasilkan

Individu Fitness Gambar 11 Rata-rata Waktu Pengujian Berdasarkan

P1 0.7634 Ukuran Populasi
P2 0.7605
P3 0.7547 Dari gambar 10 dan 11 dapat dilihat bahwa ukuran
C1 0.7519 populasi dengan hasil nilai fitness paling optimal
C2 0.7435 dengan rata-rata sebesar 0.580235367 dengan ukuran
M1 0.7576 populasi 110. Setelah ukuran populasi 110 saat
M2 0.7605 pengujian dilanjutkan, terjadi penurunan nilai fitness
dan nilai fitness yang dihasilkan selanjutnya
Setelah melewati proses sebanyak 2 generasi bertambah tetapi tidak secara signifikan. Pada
hasil seleksi diperlihatkan pada tabel 8. umumnya, semakin tinggi ukuran populasi maka
berpengauh terhadap rata-rata nilai fitness yang
didapatkan namun semakin tinggi ukuran populasi
6 Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), Vol. x, No. x, April 2014, hlm. x-y

juga berpengaruh pada waktu pemrosesan algoritma
genetika yang semakin lama (Suprayogi, dkk, 2015).
Namun pada kasus ini, semakin besar nilai ukuran
populasi belum tentu akan menghasilkan nilai fitness
yang lebih optimal. Hal tersebut dikarenakan
inisialisasi awal kromosom pada algoritma genetika
dilakukan secara acak.
4.2. Pengujian Berdasarkan Ukuran Generasi
Pengujian berdasarkan ukuran generasi
dilakukan untuk mengetahui nilai ukuran generasi
yang akan menghasilkan nilai fitness paling optimal.
Parameter yang digunakan yaitu ukuran populasi
hasil dari pengujian berdasarkan ukuran populasi
yang telah dilakukan sebelumnya yaitu sebesar 110
dengan crossover rate 0.5 dan mutation rate 0.5.
Ukuran generasi pada pengujian berdasarkan ukuran
generasi 10 hingga 130 dengan kelipatan 10. Masing-
masing dari ukuran generasi tersebut dilakukan
pengujian sebanyak 5 kali.
komputasinya dan belum tentu menghasilkan solusi
yang lebih optimal (Mahmudy, 2013).
4.3. 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,
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

0.7 0.6
0.4
Nilai Fitness

0.65
0.2
0.6
0
0.55

0.5
Crossover Rate : Mutation Rate
10 30 50 70 90 110 130
Ukuran Generasi Gambar 14 Rata-rata Nilai Fitness Pengujian
Berdasarkan Perbandingan Crossover Rate dan Mutation
Gambar 12 Rata-rata Nilai Fitness Pengujian Rate
Berdasarkan Ukuran Generasi

60000
20000
Waktu (detik)

50000
Waktu (detik)

15000 40000
30000
10000 20000
10000
5000 0

0
10 30 50 70 90 110 130
Ukuran Generasi Crossover Rate : Mutation Rate

Gambar 15 Rata-rata Waktu Pengujian Berdasarkan

Gambar 13 Rata-rata Waktu Pengujian Berdasarkan
Perbandingan Crossover Rate dan Mutation Rate
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
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 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.
4.4. 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.
0.83
0.82
Nilai Fitness
0.81
0.8
0.79
0.78
1 2 3 4 5 Sehingga perhitungan presentase waktu penjadwalan
Percobaan ke-
Gambar 16 Grafik Nilai Fitness Pengujian Perbaikan
Bobot
Satu, dkk, Judul singkat … 7
50000
Waktu (detik)
40000
30000
20000
10000
0
1 2 3 4 5
Percobaan ke-
Gambar 17 Grafik Waktu Pengujian Perbaikan Bobot
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.
4.4. 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 ×
𝑤𝑎𝑘𝑡𝑢𝑚𝑎𝑛𝑢𝑎𝑙
(4.5)
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
𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑎𝑠𝑒 𝑤𝑎𝑘𝑡𝑢 = 31.41 %
Sedangkan untuk presentase waktu yang
dibutuhkan program dengan dilakukannya perbaikan
bobot memiliki rata-rata waktu sebesar 28826.6 detik.
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.
 8 Jurnal Teknologi Informasi dan Ilmu Komputer (JTIIK), Vol. x, No. x, April 2014, hlm. x-y

5. KESIMPULAN Mahmudy, W. F., 2013. Algoritma Evolusi. Malang:

Implementasi dari program penjadwalan
customer service telah sesuai dengan manualisasi
yang telah dilakukan sebelumnyaseluruhnya 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 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.
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 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.
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]

6. 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.

View publication stats