net/publication/322758407
CITATION READS
1 2,554
3 authors, including:
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by Mochammad Ali Fauzi on 29 January 2018.
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.
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
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
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
juga berpengaruh pada waktu pemrosesan algoritma komputasinya dan belum tentu menghasilkan solusi
genetika yang semakin lama (Suprayogi, dkk, 2015). yang lebih optimal (Mahmudy, 2013).
Namun pada kasus ini, semakin besar nilai ukuran
populasi belum tentu akan menghasilkan nilai fitness 4.3. Pengujian Berdasarkan Perbandingan
yang lebih optimal. Hal tersebut dikarenakan Crossover rate dan Mutation Rate
inisialisasi awal kromosom pada algoritma genetika
Pengujian berdasarkan perbandingan
dilakukan secara acak.
Crossover Rate dan Mutation Rate dilakukan untuk
mengetahui nilai perbandingan antara crossover rate
4.2. Pengujian Berdasarkan Ukuran Generasi
dengan mutation rate yang akan menghasilkan nilai
Pengujian berdasarkan ukuran generasi fitness paling optimal. Parameter yang digunakan
dilakukan untuk mengetahui nilai ukuran generasi yaitu ukuran populasi dan ukuran generasi dengan
yang akan menghasilkan nilai fitness paling optimal. hasil yang paling optimal dari pengujian yang telah
Parameter yang digunakan yaitu ukuran populasi dilakukan sebelumnya yaitu ukuran populasi sebesar
hasil dari pengujian berdasarkan ukuran populasi 110 dan ukuran generasi sebesar 110. Perbandingan
yang telah dilakukan sebelumnya yaitu sebesar 110 crossover rate dan mutation rate pada pengujian ini
dengan crossover rate 0.5 dan mutation rate 0.5. yaitu 0.1:0.9, 0.2:0.8, 0.7:0.3, 0.6:0.4, 0.5:0.5,
Ukuran generasi pada pengujian berdasarkan ukuran 0.4:0.6, 0.3:0.7, 0.2:0.8, dan 0.1:0.9. Masing-masing
generasi 10 hingga 130 dengan kelipatan 10. Masing- dari perbandingan crossover rate dan mutation rate
masing dari ukuran generasi tersebut dilakukan tersebut dilakukan pengujian sebanyak 5 kali.
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
Ukuran generasi 110 menghasilkan nilai Rata-rata nilai fitness terbesar yang dapat
fitness paling baik yaitu 0.6704. Nilai fitness yang dihasilkan implementasi penjadwalan customer
dihasilkan dari pengujian ini mengalami kenaikan service dengan menggunakan algoritma genetika
seiring dengan bertambahnya ukuran generasi. Dari sebesar 0.695049 dengan perbandingan crossover
hasil pengujian berdasarkan ukuran generasi ini dapat rate dan mutation rate sebesar 0.7:0.3. Hasil dari
disimpulkan jika jumlah generasi terlalu sedikit maka pengujian ini menunjukkan bahwa semakin besar
area pencarian algoritma semakin sempit sehingga nilai crossover rate dibandingkan dengan mutation
solusinya kurang optimal. Sebaliknya jika semakin rate maka nilai fitness akan semakin besar.
banyak generasi maka semakin besar waktu Sebaliknya jika perbandingan mutation rate lebih
besar dibandingkan crossover rate maka nilai fitness
Satu, dkk, Judul singkat … 7
Waktu (detik)
dari induk sehingga memungkinkan hasil yang lebih 40000
baik. Selain itu, penggunaan metode reciprocal 30000
exchange mutation menghasilkan anak yang hampir 20000
mirip dengan induk sehingga nilai fitness yang 10000
dihasilkan cenderung tidak berubah secara signifikan
begitupun anak yang dihasilkan akan hampir sama 0
dengan induknya. Tetapi pada pengujian ini, 1 2 3 4 5
crossover rate yang terlalu besar juga belum tentu Percobaan ke-
menghasilkan nilai fitness yang bertambah secara
signifikan. Gambar 17 Grafik Waktu Pengujian Perbaikan Bobot
Hasil pengujian terbaik didapatkan pada
ukuran populasi 110, ukuran generasi 110 dan Hasil pengujian terbaik didapatkan pada
perbandingan crossover rate dan mutation rate ukuran populasi 110, ukuran generasi 110 dan
0.7:0.3. Nilai fitness terbaik sebesar 0.70922 dengan perbandingan crossover rate dan mutation rate
masih terdapat pinalti yang dilanggar. Pelanggaran 0.7:0.3. Nilai fitness terbaik sebesar 0.822368421
pinalti 1 sebesar 29, pelanggaran pinalti 2 sebesar 6, dengan masih terdapat pinalti yang dilanggar.
pelanggaran pinalti 3 sebesar 4, pelanggaran pinalti 4 Pelanggaran pinalti 1 sebesar 28, pelanggaran pinalti
sebesar 28 dan pelanggaran pinalti 5 sebesar 15. 2 sebesar 0, pelanggaran pinalti 13 sebesar 4,
pelanggaran pinalti 4 sebesar 38 dan pelanggaran
4.4. Pengujian Perbaikan Bobot pinalti 5 sebesar 5.
Dikarenakan hasil yang belum optimal pada
pengujian sebelumnya, maka peneliti memutuskan 4.4. Pengujian Waktu
untuk melakukan optimasi. Optimasi yang dilakukan Kita anggap bahwa 3 hari pembuatan jadwal
oleh peneliti secara manual dengan cara mengubah hanya dilakukan pada jam kerja karyawan yaitu dari
nilai bobot fitness pada pelanggaran yang terjadi. pukul 08.00 hingga pukul 17.00 yaitu 9 jam dikalikan
Bobot pelanggaran ke 3 dan ke 4 diubah menjadi 3 hari menjadi 97200 detik, akan dihitung presentase
0.001 yang sebelumnya bernilai 0.005. Sedangkan waktu program untuk membuat jadwal dibandingkan
untuk bobot pinalti 1, 2, dan 5 tetap dibiarkan 0.005. denganmanual. Rumus pengujian waktu sebagai
Pada pengujian perbaikan bobot ini parameter berikut:
𝑤𝑎𝑘𝑡𝑢𝑠𝑖𝑠𝑡𝑒𝑚
yang digunakan adalah hasil dari pengujian yang 𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑎𝑠𝑒𝑤𝑎𝑘𝑡𝑢 = 100 ×
𝑤𝑎𝑘𝑡𝑢𝑚𝑎𝑛𝑢𝑎𝑙
telah dilakukan sebelumnya yaitu ukuran populasi (4.5)
110, ukuran generasi 110 dan perbandingan crossover
rate dan mutation rate sebesar 0.7:0.3. pengujian
Untuk hasil pengujian tanpa perbaikan bobot
dilakukan sebanyak 5 kali dengan parameter yang
diambil nilai rata-rata waktu dengan nilai fitness yang
sama.
menghasilkan rata-rata nilai fitness terbaik yaitu
30532.4 detik. Sehingga perhitungan presentase
0.83 waktu menghasilkan sebagai berikut:
0.82 30532.4
Nilai Fitness
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.