ABSTRAK
Penjadwalan karyawan merupakan masalah umum yang dihadapi manager dalam sebuah perusahaan salah satunya adalah manager kedai 24 jam, proses penjadwalan karyawan paruh waktu di kedai 24 jam masih dilakukan secara manual dan belum menggunakan sistem yang mendukung proses penjadwalan tersebut. Oleh karena itu Sistem Penjadwalan Karyawan Paruh Waktu dibuat untuk membantu manager dalam proses pembuatan jadwal karyawan paruh waktu. Penjadwalan karyawam paruh waktu ini terkait dengan jumlah hari, jumlah shift per hari, jumlah shift karyawan dalam satu bulan, kualitas kerja karyawan, jadwal sebelumnya dan permintaan jadwal karyawan paruh waktu yaitu permohonan jadwal shift karyawan paruh waktu sebelum jadwal disusun. Hasil yang diharapkan adalah jadwal karyawan yang sesuai dengan aturan-aturan yang ditetapkan dengan proses yang lebih cepat dibandingkan proses penjadwalan secara manual.
Persoalan penjadwalan karyawan paruh waktu ini diselesaikan dengan algoritma Genetika yaitu algoritma yang mempunyai fungsi untuk mendapatkan suatu nilai solusi optimal terhadap suatu permasalahan yang mempunyai banyak kemungkinan solusi. Dari beberapa aspek yang ada yaitu jumlah hari, jumlah karyawan dan jumlah shift digunakan untuk membentuk model kromosom, panjang kromosom diperoleh dari hasil kali jumlah hari yang akan dijadwalkan dan jumlah shift dalam satu hari, kemudian jumlah karyawan akan menempati setiap gen dalam kromosom sebagai nilai dari gen (allele). Aspek yang lain yaitu jumlah shift karyawan dalam satu bulan, kualitas kerja karyawan, jadwal sebelumnya dan permintaan jadwal karyawan paruh waktu digunakan untuk membuat aturan-aturan penjadwalan yang nantinya digunakan untuk mencari nilai fitness tiap kromosom.
Proses algoritma Genetika dimulai dengan membangkitkan 10 kromosom secara random,
kemudian dicari nilai fitness untuk setiap kromosom sesuai aturan-aturan yang ditetapkan sebelumnya. Selanjutnya kromosom-kromosom diseleksi dengan metode seleksi roda roulette untuk menentukan 1 atau 2 kromosom yang akan melakukan proses reproduksi, yaitu mutasi dan perkawinan silang/crossover. Proses mutasi melibatkan 1 kromosom dengan probabilitas mutasi 0% - 5% untuk satu kali proses penjadwalan. Proses crossover melibatkan 2 kromosom dengan jenis crossover 2 titik atau crossover 4 titik. Kedua proses reproduksi ini akan menghasilkan
offspring atau kromosom baru hasil reproduksi, jika offspring yang dihasilkan ini lebih baik atau nilai fitness-nya lebih sedikit dari kromosom yang ada dalam populasi, maka posisi kromosom dalam populasi akan digantikan dengan offspring, proses seperti ini yang dinamakan update
kromosom.
ABSTRACT
Employee scheduling is a common problem faced by a company management, including
“Kedai 24 jam” management, most of part-time employee scheduling in “Kedai 24 jam” are done manually and not using computerized system yet. Therefore Part Time Employee Scheduling System is designed to help manager handling part-time employee scheduling process. Part-time employee scheduling is related to number of working days, number of daily
shift, number of employees’ shift monthly, employees’ performance, previous schedule, and also
request made by employees prior to scheduling process. The expected result is employee schedule meets company rules with faster process compared to the manual process.
Part-time employee scheduling’s problem can be solved using Genetic algorithm which has the function to get optimal solution value of a problem that has certain number of possible solutions. Some available aspects which are number of working days, number of employee, and number of shift are being used to form chromosome model, length of chromosome is number of working days multiply by number of shift in one day, number of employees will be fitted to each gen in a chromosome as the value of the gen (allele). Another aspect which is number of
employees’ shift monthly, employees’ performance, previous schedule, and employees’ request
are being used to form scheduling rules that in the future will be used to search fitness value of each chromosome.
Genetic algorithm process is started by randomly form 10 chromosomes and then search for the fitness value of each chromosome based on rules that had been pre-developed. In the next step, the chromosomes are being selected using roulette wheel selection to determine 1 or 2 chromosomes that will be used for reproduction process, which are mutation and crossover. Mutation process involves 1 chromosome with mutation probability 0%-5% for one time scheduling process. On the other hand, crossover involves 2 chromosomes with either 2 points or 4 points crossover. Both reproduction processes will deliver offspring or new chromosome as the result of reproduction, if the offspring result is better or has less fitness value compared to all the chromosomes in the population, then the position of chromosomes in the population will be replaced with this offspring, this process is called chromosome update.
This genetic algorithm process will be repeated as many as iteration number that has been pre-defined. This process will be stopped if the iteration has been done as many as iteration number that has been pre-defined or until chromosome fitness value = 0 is found (no infraction of the rules). At last the chosen chromosome is being the final result that represent part-time
SISTEM PENJADWALAN KARYAWAN PARUH WAKTU
DENGAN ALGORITMA GENETIKA
(Studi Kasus : Kedai 24 Jam)
SKRIPSI
Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Komputer (S.Kom)
Program Studi Teknik Informatika
Disusun oleh :
MARIA KARMELIA FAJAR LESTARI 115314067
PROGRAM STUDI TEKNIK INFORMATIKA JURUSAN TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA YOGYAKARTA
PART-TIME EMPLOYEE SCHEDULING SYSTEM WITH GENETIC ALGORITHM
Case Study at Kedai 24 Jam
Presented as Partial Fulfillment of the Requirements To Obtain the Sarjana Komputer (S.Kom) Degree
In Informatics Engineering
Present by :
MARIA KARMELIA FAJAR LESTARI 115314067
INFORMATION ENGINEERING STUDY PROGRAM DEPARTMENT OF INFORMATION ENGINEERING
FACULTY OF SCIENCE AND TECNOLOGY SANATA DHARMA UNIVERSITY
SKRIPSI
SISTEM PENJADWALAN KARYAWAN PARUH WAKTU
DENGAN ALGORITMA GENETIKA
(Studi Kasus : Kedai 24 Jam)
Disusun Oleh :
Maria Karmelia Fajar Lestari NIM : 115314067
Telah dipertahankan di depan Panitia Penguji dan Pada tanggal 24 November 2015
Dan dinyatakan memenuhi syarat
Susunan Panitia Penguji :
Ketua : P.H. Prima Rosa, S.Si., M.Kom. ………...
Sekretaris : Agnes Maria Polina, S.Kom., M.Sc. ………
Anggota : Drs. Haris Sriwindono, M.Kom. ………
HALAMAN PERSEMBAHAN
Nikmati dan berhati-hatilah dalam proses, karena proses jauh lebih berharga
daripada hasil
Karya ini saya persembahkan teristimewa kepada :
Tuhan Yesus
,
yang selalu melimpahkan berkat dan rahmat karunia-Nya
Dosen & Karyawan USD,
yang selalu memberi bantuan dan bimbingan dalam proses
Keluarga & Sahabat,
ABSTRAK
Penjadwalan karyawan merupakan masalah umum yang dihadapi manager dalam sebuah perusahaan salah satunya adalah manager kedai 24 jam, proses penjadwalan karyawan paruh waktu di kedai 24 jam masih dilakukan secara manual dan belum menggunakan sistem yang mendukung proses penjadwalan tersebut. Oleh karena itu Sistem Penjadwalan Karyawan Paruh Waktu dibuat untuk membantu manager dalam proses pembuatan jadwal karyawan paruh waktu. Penjadwalan karyawam paruh waktu ini terkait dengan jumlah hari, jumlah shift per hari, jumlah shift karyawan dalam satu bulan, kualitas kerja karyawan, jadwal sebelumnya dan permintaan jadwal karyawan paruh waktu yaitu permohonan jadwal shift karyawan paruh waktu sebelum jadwal disusun. Hasil yang diharapkan adalah jadwal karyawan yang sesuai dengan aturan-aturan yang ditetapkan dengan proses yang lebih cepat dibandingkan proses penjadwalan secara manual.
Persoalan penjadwalan karyawan paruh waktu ini diselesaikan dengan algoritma Genetika yaitu algoritma yang mempunyai fungsi untuk mendapatkan suatu nilai solusi optimal terhadap suatu permasalahan yang mempunyai banyak kemungkinan solusi. Dari beberapa aspek yang ada yaitu jumlah hari, jumlah karyawan dan jumlah shift digunakan untuk membentuk model kromosom, panjang kromosom diperoleh dari hasil kali jumlah hari yang akan dijadwalkan dan jumlah shift dalam satu hari, kemudian jumlah karyawan akan menempati setiap gen dalam kromosom sebagai nilai dari gen (allele). Aspek yang lain yaitu jumlah shift karyawan dalam satu bulan, kualitas kerja karyawan, jadwal sebelumnya dan permintaan jadwal karyawan paruh waktu digunakan untuk membuat aturan-aturan penjadwalan yang nantinya digunakan untuk mencari nilai fitness tiap kromosom.
Proses algoritma Genetika dimulai dengan membangkitkan 10 kromosom secara random,
kemudian dicari nilai fitness untuk setiap kromosom sesuai aturan-aturan yang ditetapkan sebelumnya. Selanjutnya kromosom-kromosom diseleksi dengan metode seleksi roda roulette untuk menentukan 1 atau 2 kromosom yang akan melakukan proses reproduksi, yaitu mutasi dan perkawinan silang/crossover. Proses mutasi melibatkan 1 kromosom dengan probabilitas mutasi 0% - 5% untuk satu kali proses penjadwalan. Proses crossover melibatkan 2 kromosom dengan jenis crossover 2 titik atau crossover 4 titik. Kedua proses reproduksi ini akan menghasilkan
offspring atau kromosom baru hasil reproduksi, jika offspring yang dihasilkan ini lebih baik atau nilai fitness-nya lebih sedikit dari kromosom yang ada dalam populasi, maka posisi kromosom dalam populasi akan digantikan dengan offspring, proses seperti ini yang dinamakan update
kromosom.
ABSTRACT
Employee scheduling is a common problem faced by a company management, including
“Kedai 24 jam” management, most of part-time employee scheduling in “Kedai 24 jam” are done manually and not using computerized system yet. Therefore Part Time Employee Scheduling System is designed to help manager handling part-time employee scheduling process. Part-time employee scheduling is related to number of working days, number of daily
shift, number of employees’ shift monthly, employees’ performance, previous schedule, and also
request made by employees prior to scheduling process. The expected result is employee schedule meets company rules with faster process compared to the manual process.
Part-time employee scheduling’s problem can be solved using Genetic algorithm which has the function to get optimal solution value of a problem that has certain number of possible solutions. Some available aspects which are number of working days, number of employee, and number of shift are being used to form chromosome model, length of chromosome is number of working days multiply by number of shift in one day, number of employees will be fitted to each gen in a chromosome as the value of the gen (allele). Another aspect which is number of
employees’ shift monthly, employees’ performance, previous schedule, and employees’ request
are being used to form scheduling rules that in the future will be used to search fitness value of each chromosome.
Genetic algorithm process is started by randomly form 10 chromosomes and then search for the fitness value of each chromosome based on rules that had been pre-developed. In the next step, the chromosomes are being selected using roulette wheel selection to determine 1 or 2 chromosomes that will be used for reproduction process, which are mutation and crossover. Mutation process involves 1 chromosome with mutation probability 0%-5% for one time scheduling process. On the other hand, crossover involves 2 chromosomes with either 2 points or 4 points crossover. Both reproduction processes will deliver offspring or new chromosome as the result of reproduction, if the offspring result is better or has less fitness value compared to all the chromosomes in the population, then the position of chromosomes in the population will be replaced with this offspring, this process is called chromosome update.
This genetic algorithm process will be repeated as many as iteration number that has been pre-defined. This process will be stopped if the iteration has been done as many as iteration number that has been pre-defined or until chromosome fitness value = 0 is found (no infraction of the rules). At last the chosen chromosome is being the final result that represent part-time
KATA PENGANTAR
Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa atas berkat rahmat dan karunia-Nya penulis dapat menyusun dan menyelesaikan skripsi yang berjudul “Sistem
Penjadwalan Karyawan Paruh Waktu dengan Algoritma Genetika” dengan baik.
Skripsi ini disusun untuk memenuhi salah satu syarat kelulusan jenjang Strata I Jurusan Teknik Informatika Fakultas Sains dan Teknologi Universitas Sanata Dharma Yogyakarta. Dalam proses penyusunan skripsi ini banyak mengalami hambatan, namun berkat bantuan, bimbingan, dan kerjasama dari berbagai pihak akhirnya segala hambatan tersebut dapat teratasi dengan baik.
Ucapan terima kasih penulis sampaikan khususnya kepada Bapak Drs. Haris Sriwindono, M.Kom. selaku pembimbing yang telah sabar dan ikhlas meluangkan waktu, tenaga dan pikiran dalam memberikan bimbingan, motivasi dan saran-saran selama proses penyusunan skripsi ini. Penulis menyampaikan terima kasih pula kepada:
1. Ibu PH. Prima Rosa, S.Si., M.Sc yang telah membimbing penulis dalam pemilihan topik dan metodologi penelitian
2. Pak Puspa selaku dosen pembimbing akademik
3. Seluruh Dosen Fakultas Sains dan Teknologi yang telah membekali ilmu sehingga penulis dapat menyelesaikan studi di Universitas Sanata Dharma
4. Bapak Ibuk, mas Arif dan mas Thomas yang memberi motivasi dan selalu mendukung penulis selama masa kuliah
5. Kezia, Meity, Dion, terima kasih atas kebersamaan kalian selama ini, terima kasih juga untuk doa, dukungan, semangat dan perhatian kalian, kalian teman terluar biasa
6. Mas Adit yang telah mendukung, memberi perhatian dan selalu menemani penulis dalam mengerjakan skripsi
7. Monic, Ria, Anggit, untuk doa dan dukungan kalian 8. Teman-teman Teknik Informatika 2011
10.Semua pihak yang tidak dapat penulis sebutkan satu persatu yang telah membantu terselesaikanya skripsi ini, terima kasih.
Penulis menyadari bahwa skripsi ini jauh dari sempurna, maka dengan segala kerendahan hati penulis mengharapkan kritik dan saran yang bersifat membangun demi kesempurnaan skripsi ini. Dengan segala keterbatasan yang dimiliki penulis juga berharap skripsi ini dapat berguna dan mempunyai manfaat bagi berbagai pihak.
DAFTAR ISI
HALAMAN JUDUL ... Error! Bookmark not defined. HALAMAN PERSETUJUAN PEMBIMBING ... Error! Bookmark not defined. HALAMAN PENGESAHAN ... Error! Bookmark not defined.v
PERNYATAAN KEASLIAN KARYA ... v
PERNYATAAN PERSETUJUAN PUPLIKASI………...………vi
HALAMAN PERSEMBAHAN ... Error! Bookmark not defined.i ABSTRAK ... Error! Bookmark not defined. ABSTRACT ... ix
KATA PENGANTAR ... x
DAFTAR ISI ... Error! Bookmark not defined. DAFTAR GAMBAR ... Error! Bookmark not defined.v DAFTAR TABEL ... Error! Bookmark not defined.iii BAB I PENDAHULUAN ... 1
1.1. Latar Belakang ... 1
1.2. Rumusan Masalah ... 3
1.3. Manfaat dan Tujuan ... 3
1.4. Batasan Masalah ... 3
1.5. Metodologi Penelitian ... 4
1.6. Sistematika Penulisan ... Error! Bookmark not defined. BAB II LANDASAN TEORI ... 6
2.1. Algoritma Genetika ... 6
2.1.3. Istilah-istilah dalam Algoritma Genetika ... 6
2.1.4. Struktur Umum Algoritma Genetika ... 7
2.1.5. Basis Algoritma Genetika ... 8
2.1.6. Operator Algoritma Genetika ... 9
2.1.7. Hal-hal yang Harus Dilakukan dalam Algoritma Genetika .. Error! Bookmark not defined.15 BAB III ANALISA DAN PERANCANGAN ... 17
3.1 Definisi Masalah ... 17
3.1.1 Analisis Sistem... 17
3.1.2 Gambaran Umum Sistem ... 19
3.2 Perancangan Antarmuka ... 22
3.2.1 Perancangan Menu ... 22
3.2.2 Perancangan Input dan Output ... 22
3.3 Perancangan Basisdata ... 28
3.3.1 Entitas dan Atribut ... 28
3.3.2 Relasi dan Entitas ... 29
3.3.3 ER Diagram ... 30
3.3.4 Diagram Fisikal ... 30
3.3.5 Perancangan Tabel ... 31
3.4 Perancangan Algoritma Genetika ... 33
3.4.1 Representasi Masalah... 33
3.4.2 Pembentukan dan Pemodelan Kromosom ... 34
3.4.3 Pembangkitan Kromosom ... 35
3.4.5 Seleksi Kromosom ... 37
3.4.6 Proses Reproduksi ... 38
3.4.7 Update Generasi... 40
3.4.8 Kondisi Berhenti ... 40
3.5 Penerapan Algoritma Genetika ... 40
3.5.1 Pembangkitan Kromosom ... 42
3.5.2 Pencarian Nilai Fitness ... 45
3.5.3 Seleksi Kromosom ... 46
3.5.4 Reproduksi Kromosom ... 47
BAB IV IMPLEMENTASI DAN ANALISA HASIL ... 54
4.1 Flowchart ... 54
4.2 Implementasi Program ... 55
4.2.1 Form Utama ... 55
4.2.2 Form Data Lokasi ... 55
4.2.3 Form Data Shift ... 56
4.2.4 Form Data Karyawan ... 57
4.2.5 Form Data Permintaan Jadwal ... 58
4.2.6 Proses Penjadwalan ... 59
4.2.7 Jadwal Karyawan ... 60
4.3 Analisis Hasil Program ... 61
4.3.1 Pengujian Program ... 61
4.3.2 Kelebihan dan Kekurangan Program ... 66
BAB V PENUTUP ... 68
5.1 Kesimpulan ... 68
DAFTAR PUSTAKA ... 69
DAFTAR GAMBAR
Gambar 2.1 Diagram alir proses algoritma genetika ... 9Gambar 2.2 Contoh Seleksi Roda Roulette ... 10
Gambar 2.3 Contoh Seleksi Rangking ... 12
Gambar 2.4 Contoh Single Point Crossover ... 13
Gambar 2.5 Contoh Multiple Point Crossover ... 14
Gambar 2.6 Contoh Uniform Crossover ... 14
Gambar 2.7 Contoh Mutasi ... 15
Gambar 3.1 Flowchart sistem ... 20
Gambar 3.2 Flowchart pengaturan algoritma Genetika ... 20
Gambar 3.3 Flowchart algoritma Genetika ... 21
Gambar 3.4 Perancangan menu ... 22
Gambar 3.5 Perancangan form utama... 22
Gambar 3.6 Perancangan form data lokasi ... 23
Gambar 3.7 Perancangan form data shift... 24
Gambar 3.8 Perancangan form data karyawan ... 25
Gambar 3.9 Perancangan form permintaan jadwal ... 26
Gambar 3.10 Perancangan proses penjadwalan ... 27
Gambar 3.11 Perancangan jadwal karyawan ... 28
Gambar 3.12 Diagram ER ... 30
Gambar 3.13 Diagram Fisikal ... 30
Gambar 3.15 Ilustrasi proses crossover 2 titik ... 39
Gambar 3.16 Ilustrasi proses crossover 4 titik ... 39
Gambar 3.17 Ilustrasi proses mutasi ... 39
Gambar 3.18 Diagram probabilitas total nilai fitness ... 47
Gambar 3.19 Representasi kromosom 7 sebagai induk 1 crossover 2 titik ... 48
Gambar 3.20 Representasi kromosom 3 sebagai induk 2 crossover 2 titik ... 49
Gambar 3.21 Representasi offspring 1 dari crossover 2 titik ... 49
Gambar 3.22 Representasi offspring 2 dari crossover 2 titik ... 50
Gambar 3.23 Representasi kromosom 7 sebagai induk 1 crossover 4 titik ... 50
Gambar 3.24 Representasi kromosom 3 sebagai induk 2 crossover 4 titik ... 51
Gambar 3.25 Representasi offspring 1 dari crossover 4 titik ... 51
Gambar 3.26 Representasi offspring 2 dari crossover 4 titik ... 52
Gambar 3.27 Representasi kromosom 7 sebagai induk mutasi ... 53
Gambar 3.28 Representasi offspring mutasi ... 53
Gambar 4.1 Flowchart Sistem Penjadwalan Karyawan Paruh Waktu... 54
Gambar 4.2 Form Utama ... 55
Gambar 4.3 Form Data Lokasi ... 55
Gambar 4.4 Form Data Shift... 56
Gambar 4.5 Form Data Karyawan ... 58
Gambar 4.6 Form Data Permintaan Jadwal Karyawan... 58
Gambar 4.7 Form Lokasi File ... 58
Gambar 4.8 Form Proses Penjadwalan ... 59
Gambar 4.9 Form Pengaturan Algoritma Genetika ... 59
Gambar 4.11 Grafik hubungan jumlah iterasi dengan rata-rata fitness terbaik ... 61 Gambar 4.12 Grafik hubungan jenis crossover dengan rata-rata fitness terbaik ... 62 Gambar 4.13 Grafik hubungan probabilitas mutasi dengan rata-rata fitness terbaik ... 63 Gambar 4.14 Grafik hubungan jenis crossover dan probabilitas mutasi dengan rata-rata
DAFTAR TABEL
Tabel 3.1 Perancangan tabel lokasi ... 31
Tabel 3.2 Perancangan tabel shift ... 31
Tabel 3.3 Perancangan tabel karyawan ... 31
Tabel 3.4 Perancangan tabel permintaan jadwal ... 32
Tabel 3.5 Aturan-aturan penjadwalan karyawan ... 36
Tabel 3.6 Contoh Data Lokasi ... 41
Tabel 3.7 Contoh Data Karyawan ... 41
Tabel 3.8 Contoh Data Shift ... 41
Tabel 3.9 Contoh Data Permintaan Jadwal ... 41
Tabel 3.10 Kromosom 1-10, Gen 1-18 ... 42
Tabel 3.11 Kromosom 1-10, Gen 19-36 ... 43
Tabel 3.12 Kromosom 1-10, Gen 37-54 ... 43
Tabel 3.13 Kromosom 1-10, Gen 55-72 ... 43
Tabel 3.14 Kromosom 1-10, Gen 73-90 ... 44
Tabel 3.15 Kromosom 1-10, Gen 91-108 ... 44
Tabel 3.16 Kromosom 1-10, Gen 109-124 ... 44
Tabel 3.17 Nilai fitness dan hasil konversi nilai fitness tiap kromosom ... 45
Tabel 3.18 Probabilitas total nilai fitness tiap kromosom ... 46
Tabel 4.1 Hubungan jumlah iterasi dengan rata-rata fitness terbaik dengan permintaan jadwal tidak aktif... 61
Tabel 4.3 Hubungan probabilitas mutasi dengan rata-rata fitness terbaik ... 63 Tabel 4.4 Hubungan jenis crossover dan probabilitas mutasi dengan rata-rata fitness
BAB I
PENDAHULUAN
1.1.
Latar Belakang
Berkembangnya teknologi pada era globalisasi ini telah memberi pengaruh besar dalam dunia kerja, terutama pada penggunaan dan efisiensi sistem yang telah ada sebelumnya. Selain itu fasilitas-fasilitas yang memadai dan mendukung pekerjaan sangat dibutuhkan untuk terpenuhinya kebutuhan dan pengembangan usaha. Salah satunya adalah penggunaan aplikasi yang membantu proses penyusunan jadwal karyawan paruh waktu, aplikasi ini dapat menjadi salah satu contoh aplikasi yang mempermudah kegiatan usaha dalam hal pengolahan data, juga efektif dan efisien dalam proses kinerjanya.
Kedai 24 Jam merupakan satu dari sekian banyak usaha kuliner di Jogja. Konsumen dari kegiatan usaha ini sebagian besar adalah anak muda terutama para mahasiswa yang sedang menetap di Jogja. Kegiatan usaha ini mempunyai 3 cabang yang terletak di 3 daerah yang berbeda di Jogja dan mempunyai kurang lebih 25 orang karyawan di setiap cabangnya. Dari keseluruhan karyawan yang bekerja, lebih dari 60% diantaranya adalah karyawan paruh waktu.
Proses penjadwalan karyawan paruh waktu di Kedai 24 Jam selama ini masih menggunakan sistem manual, para karyawan mengumpulkan permohonan jadwal tertulis kemudian jadwal akan direkap dan disusun oleh manager perusahaan. Dalam proses penyusunan, manager hanya menggunakan software Microsoft Excel dalam pengolahan data dan tidak menggunakan kaidah komputasi, selain itu jumlah karyawan paruh waktu juga relatif banyak. Proses penjadwalan dengan sistem manual tersebut dapat saja dilakukan, namun ini akan menimbulkan masalah terutama dalam hal ketelitian yaitu hasil yang kurang maksimal, dari segi waktu juga kurang efisien karena memerlukan waktu yang lama.
Untuk mengatasi masalah yang ada akan dibuat sebuah perangkat lunak yaitu sistem penjadwalan karyawan paruh waktu. Sistem akan menerima inputan dari semua aspek yang berhubungan dengan penyusunan jadwal, kemudian mengidentifikasi dan memecahkan masalah dengan menggunakan algoritma genetika.
Algoritma genetika adalah algoritma komputasi yang diinspirasi teori evolusi yang kemudian diadopsi menjadi algoritma komputasi untuk mencari solusi suatu permasalahan dengan cara yang lebih alamiah. Algoritma ini juga merupakan algoritma pencarian secara heuristik. Salah satu fungsinya ialah untuk mencari solusi atas permasalahan optimasi kombinasi, yaitu mendapatkan suatu nilai solusi optimal terhadap suatu permasalahan yang mempunyai banyak kemungkinan solusi. Menurut teori Darwin yang ditemukan oleh John Holland (1975), prinsip algoritma genetika yaitu setiap makhluk hidup akan menurunkan satu atau beberapa karakter ke anak atau keturunannya. Penyelesaian menggunakan algoritma genetika sangat berpengaruh dari kromosom yang dibangun, dimana kromosom ialah sebuah molekul yang berisi DNA dimana terdapat informasi genetik dalam setiap sel gen yang disimpan.
1.2.
Rumusan Masalah
Berdasarkan latar belakang yang dijelaskan sebelumnya, maka yang menjadi permasalahan adalah :
1. apakah algoritma Genetika dapat digunakan untuk menyelesaikan permasalahan penjadwalan karyawan paruh waktu ?
2. bagaimana sifat-sifat operator algoritma Genetika dan operator mana yang dapat menghasilkan hasil selalu baik ?
1.3.
Manfaat dan Tujuan
Berdasarkan rumusan masalah yang ada, maka tujuan dari penelitian ini adalah membangun Sistem Penjadwalan Karyawan paruh waktu dengan menggunakan algoritma Genetika dalam proses penjadwalan tersebut.
Manfaat dari penelitian ini adalah dapat menggunakan operator algoritma Genetika untuk mendapatkan hasil akhir secara cepat dengan hasil terbaik.
1.4.
Batasan Masalah
Keterbatasan waktu dan pengetahuan peneliti menimbulkan beberapa batasan masalah dalam merancang perangkat lunak ini, antara lain :
a. sistem dirancang hanya untuk membantu manager dalam penyusunan jadwal karyawan paruh waktu
b. studi kasus dilakukan pada usaha kuliner Kedai 24 jam
c. kriteria yang digunakan dalam proses penjadwalan karyawan paruh waktu adalah jumlah hari, jumlah shift per hari, jumlah shift karyawan dalam satu bulan, kualitas kerja karyawan, jadwal sebelumnya dan kriteria yang bersifat opsional yaitu permintaan jadwal karyawan paruh waktu
d. sistem hanya akan berjalan dengan jumlah hari 31, jumlah shift 4 dan jumlah karyawan untuk satu lokasi 8
f. jadwal dikatakan baik jika memenuhi atau hampir memenuhi semua kriteria g. jadwal dibuat satu kali dalam sebulan
h. aplikasi dibangun menggunakan bahasa pemrograman Java dan MySQL
1.5.
Metodologi Penelitian
Penelitian ini dilakukan dengan metodologi pengembangan waterfall (Winston, 1970) dengan tahap-tahap sebagai berikut :
1. Studi Literatur
Tahap ini dilaksanakan dengan melakukan studi kepustakaan dari buku-buku, e-book, jurnal, makalah dan internet yang dapat mendukung penulisan tugas akhir.
2. Analisis
Tahap ini dilaksanakan dengan melakukan pengumpulan data dan fakta tentang sistem penjadwalan karyawan paruh waktu serta melakukan analisis terhadap masalah yang ada.
3. Perancangan
Tahap ini dilaksanakan dengan melakukan perancangan terhadap sistem yang akan dibangun berdasarkan analisis yang telah dilakukan.
4. Implementasi
Tahap ini dilaksanakan dengan melakukan implementasi rancangan sistem ke dalam bahasa pemrograman menggunakan NetBeans IDE.
5. Pengujian
Tahap ini dilaksanakan dengan mengeksekusi program untuk mengetahui apakah sistem sudah berjalan dengan benar.
6. Analisis hasil
7. Penyusunan laporan
Tahap ini dilaksanakan dengan membuat laporan hasil analisis dan perancangan.
1.6.
Sistematika Penulisan
Dalam penelitian ini, sistematika penulisan dibagi menjadi 5 bab yaitu : 1. Bab 1 : Pendahuluan
Bab ini menjelaskan latar belakang masalah, rumusan masalah, batasan masalah, tujuan, metodologi penelitian, dan sistematika penulisan
2. Bab 2 : Landasan Teori
Bab ini berisi teori-teori yang menjadi dasar penelitian 3. Bab 3 : Analisa dan Perancangan
Bab ini berisi analisis masalah dan perancangan sistem yang nantinya akan dibangun sebagai dasar dalam implementasi sistem
4. Bab 4 : Implementasi dan Analisa Hasil
Bab ini berisi implementasi sistem berdasarkan analisis dan perancangan dan analisa hasil dari sistem yang telah diimplementasikan
5. Bab 5 : Penutup
BAB II
LANDASAN TEORI
2.1.
Algoritma Genetika
2.1.1. Pengertian Algoritma Genetika
Turban (2005: 882) menyatakan bahwa “algoritma Genetika adalah kumpulan prosedur komputasional yang secara konseptual mengikuti langkah-langkah yang diinspirasi oleh proses evolusi biologis. Solusi yang lebih baik dan lebih baik lagi dikembangkan dari pembangkitan sebelumnya sampai solusi optimal atau hampir optimal didapatkan”.
Salah satu aplikasi algoritma genetika adalah pada permasalahan optimasi, yaitu mendapatkan suatu nilai solusi optimal terhadap suatu permasalahan yang mempunyai banyak kemungkinan solusi. Daya tarik algoritma genetika terletak pada kesederhanaan dan pada kemampuan untuk mencari solusi yang baik dan cepat untuk masalah yang komplek.
2.1.2. Istilah-istilah dalam Algoritma Genetika
Algoritma genetika memiliki istilah-istilah yang digunakan untuk menggambarkan keadaan/permasalahan sebenarnya ke dalam teori Genetika, antara lain :
a. Gen
Gen merupakan nilai yang menyatakan satuan dasar yang membentuk suatu arti tertentu dalam satu kesatuan gen yang dinamakan kromosom.
b. Allele
c. Kromosom / Individu
Kromosom merupakan gabungan dari gen-gen yang membentuk nilai tertentu dan menyatakan solusi yang mungkin dari suatu permasalahan.
d. Populasi
Populasi merupakan sekumpulan individu yang akan diproses bersama dalam satu satuan siklus evolusi.
e. Fitness
Fitness menyatakan seberapa baik nilai dari suatu individu yang didapatkan. f. Seleksi
Seleksi merupakan proses untuk mendapatkan calon induk yang baik.
g. Crossover
Crossover merupakan proses pertukaran atau kawin silang gen-gen dari dua induk tertentu.
h. Mutasi
Mutasi merupakan proses pergantian salah satu gen yang terpilih dengan nilai tertentu.
i. Generasi
Generasi merupakan urutan iterasi dimana beberapa kromosom bergabung, yaitu satu siklus proses evolusi atau satu iterasi di dalam algoritma genetika.
j. Offspring
Offspring merupakan kromosom baru yang dihasilkan.
2.1.3. Struktur Umum Algoritma Genetika
Procedure Algoritma Genetika
begin
t = 0
initialize P(t);
evaluate P(t);
while (not terminate condition)
do
recombine P(t) to yield C(t);
evaluate C(t);
select P(t+1) from P(t) and C(t);
t = t + 1;
end
end
2.1.4. Basis Algoritma Genetika
Ide dasar algoritma genetika adalah mengelola suatu populasi individu yang merepresentasikan kandidat solusi sebuah permasalahan. Secara umum algoritma genetika memiliki lima komponen dasar (Michalewicz, 1996) yaitu:
1. Representasi genetik dari solusi-solusi masalah. 2. Cara membentuk populasi awal dari solusi-solusi.
3. Fungsi evaluasi yang me-rate (rating) solusi-solusi berdasarkan fitness
mereka.
4. Operator-operator genetik yang merubah komposisi genetik dari offspring
selama reproduksi.
5. Nilai-nilai untuk parameter algoritma genetika.
Melalui proses seleksi alam atas operator genetik, gen-gen dari dua kromosom (disebut parent) diharapkan akan menghasilkan kromosom baru dengan tingkat fitness yang lebih tinggi sebagai generasi baru atau keturunan (offspring) berikutnya. Kromosom-kromosom tersebut akan mengalami iterasi yang disebut generasi (generation). Menurut Gen dan Cheng (2000) pada setiap generasi, kromosom dievaluasi berdasarkan nilai fungsi fitness. Setelah beberapa generasi maka algoritma genetika akan konvergen dapat kromosom terbaik, yang merupakan solusi optimal (Goldberg, 1989). Diagram alir algoritma Genetika dapat dilihat pada gambar 2.1.
mulai
Deskripsikan persoalan
Ya
Hasilkan solusi awal
Tidak Uji : Apakah solusi terbaik
cukup baik ?
Pilih induk (pemain) untuk bereproduksi
Berhenti
Terapkan proses penyilangan dan hasilkan sekumpulan
keturunan Terapkan mutasi acak Langkah 1
Langkah 2
Langkah 3
[image:30.612.102.511.228.556.2]Langkah 5 Langkah 4
Gambar 2.1 Diagram alir proses algoritma genetika
2.1.5. Operator Algoritma Genetika
Operator-operator yang digunakan dalam algoritma Genetika adalah : a. Seleksi
teori Darwin, kromosom yang terbaik harusnya dapat bertahan hidup dan membentuk keturunan baru. Ada beberapa jenis metode seleksi, yaitu :
i. Seleksi Roda Roulete (Roulete Wheel selection)
Pada meotode seleksi ini orang tua yang dipilih berdasar kan nilai fitness-nya, semakin baik nilai fitness-nya maka semakin besar kemungkinan untuk dipilih. Diandakian semua kromosom diletakkan pada sebuah roda roulette, besarnya kemungkinan bagi setiap kromosom adalah tergantung dari fitness-nya seperti seperti contoh pada Gambar 2.2.
Kromosom Fitness
A 15
B 5
C 10
D 5
E 5
Gambar 2.2 Contoh Seleksi Roda Roulette
Probabilitas untuk masing-masing individu merupakan hasil pembagian antara fitness masing-masing individu dengan total fitness
dalam populasi. Dari contoh pada gambar 2.2 kromosom A memiliki probabilitas 37,5% untuk terpilih sebagai orang tua pembentuk keturunan baru pada setiap pemilihan kromosom. Secara algoritma, seleksi roda roulette dapat dituliskan sebagai berikut :
begin
s = sumfitness(P) // jumlah fitness
Skema seleksi roda roulette ini adalah berdasarkan skala
fitness karena terpilihnya suatu kromosom dalam populasi untuk dapat berkembang biak adalah sebanding dengan fitness-nya, maka akan terjadi semacam tradeoff antara eksplorasi dan eksploitasi jika terdapat satu atau kelompok kecil kromosom yang mempunyai fitness
yang baik yaitu antara mengeksplorasi bagian-bagian baru dalam ruang pencarian, atau terus mengeksploitasi informasi yang telah diperoleh. Kecenderungan kromosom terbaik untuk terus terpelihara terus dapat membawa ke hasil optimum lokal bukan global. Sebaiknya jika semua kromosom dalam populasi mempunyai fitness
yang hampir sama, maka seleksi ini akan menjadi seleksi yang bersifat acak.
ii. Seleksi Rangking (Linear-rank selection)
Seleksi rangking pertama yang dilakukan adalah merangking atau mengurutkan kromosom didalam populasi berdasarkan nilai
fitness-nya kemudian memberi nilai fitness berdasarkan urutannya. Kromosom dengan nilai fitness terburuk akan memiliki nilai fitness
baru bernlai 1, terburuk kedua bernilai 2 dan seterusnya. Sebagai kromosom yang memiliki nilai fitness terbaik akan memiliki nilai
Gambar 2.3 Contoh Seleksi Rangking
iii. Seleksi Turnamen (Tournament selection)
Seleksi turnamen merupakan jenis seleksi yang divariasi berdasarkan seleksi roda roulette dan seleksi rangking. Sejumlah k kromosom tertentu dari populasi beranggota n kromosom (k<=n) dipilih secara acak dengan prioritas yang sama. Dari k kromosom yang terpilih kemudian akan dipilih satu kromosom dengan fitness
terbaik, yang diperoleh dari hasil pengurutan rangking nilai fitness
semua kromosom terpilih.
Perbedaanya dengan seleksi roda roulette adalah pemilihan kromosom yang akan dipergunakan untuk berkembang biak tidak berdasarkan skala fitness dari populasi. Untuk k=1, seleksi turnamen akan sama dengan seleksi secara acak karena hanya melibatkan satu kromosom. Untuk k=2, maka dua kromosom dari populasi secara acak, kemudian akan dipilih satu kromosom dengan nilai fitness
terbaik. Biasanya yang sering digunakan adalah k=2, tergantung dari jumlah kromosom yang terdapat didalam populasi.
b. Perkawinan Silang (crossover)
Perkawinan silang dilakukan dengan harapan kromosom-kromosom baru akan mempunyai bagian baik dari kromosom-kromosom lama dan tidak menutup kemungkinan menjadi kromosom-kromosom yang lebih baik. Ada beberapa jenis perkawinan silang, antara lain :
i. Single Point Crossover
[image:34.612.102.538.179.574.2]Dalam Single Point Crossover ada satu titik potongan pada dua kromosom yang dipilih secara acak, maka terdapat dua bagian kepala dan dua bagian ekor. Kemudian akan dilakukan pertukaran bagian tersebut secara acak, misal kedua bagian ekor pada dua kromosom tersebut ditukar untuk memproduksi dua individu baru (offspring). Contoh dari Single Point Crossover dapat dilihat pada gambar 2.4.
Gambar 2.4 Contoh Single Point Crossover
ii. Multiple Point Crossover
Gambar 2.5 Contoh Multiple Point Crossover
iii. Uniform Crossover
Dalam Uniform Crossover, gen dari offspring didapat dengan menyalin gen dari orang tua. Gen dari orang tua yang akan dijadikan gen pada offspring dipilih secara acak yaitu indeks gen ke berapa dan gen dari orang tua yang mana. Contoh dari Uniform Crossover dapat dilihat pada gambar 2.6.
Gambar 2.6 Contoh Uniform Crossover
c. Mutasi
Mutasi merupakan proses mengubah nilai dari satu atau beberapa gen dalam satu kromosom tertentu. Tujuanya adalah untuk membantu mempercepat terjadinya perbedaan diantara semua kromosom dalam populasi sehingga pencarian dapat menjelajah keseluruh ruang pencarian, tetapi mutasi tidak boleh terlalu sering dilakukan karena akan membuat algoritma Genetika berubah menjadi pencarian acak.
kromosom dengan nilai fitness yang lebih baik dibandingkan dengan sebelum proses mutasi dilakukan, oleh karena itu terjadi kontroversi dalam penerapanya pada algoritma Genetika. Mutasi sering kali tetap dipergunakan hanya saja probabilitas mutasinya kecil. Contoh untuk mutasi dapat dilihat pada gambar 2.7.
Gambar 2.7 Contoh Mutasi
d. Update populasi
Update populasi adalah proses membaharui kromosom yang terdapat dalam populasi. Pada algoritma Genetika, N kromosom pada suatu generasi digantikan sekaligus oleh N kromosom baru hasil perkawinan silang silang atau mutasi. Adapun prosedur update populasi pada algoritma Genetika ialah:
1. Mengganti kromosom/individu yang memiliki nilai fitness terburuk. 2. Mengganti kromosom/individu yang paling tua.
3. Membandingkan anak dengan kedua orang tua, apabila anak memiliki nilai fitness lebih baik akan menggantikan orang tua yang memiliki nilai
fitness buruk.
2.1.6. Hal-hal yang harus dilakukan dalam Algoritma Genetika
Beberapa hal yang harus dilakukan dalam algoritma genetika adalah :
2. Mendefinisikan nilai fitness, yang merupakan ukuran baik-tidaknya sebuah individu atau baik-tidaknya solusi yang didapatkan.
3. Menentukan proses pembangkitan populasi awal. Hal ini biasanya dilakukan dengan menggunakan pembangkitan acak seperti random-walk.
4. Menentukan proses seleksi yang akan digunakan.
BAB III
ANALISA DAN PERANCANGAN
3.1.
Definisi Masalah
3.1.1. Analisa SistemProses penjadwalan karyawan paruh waktu di Kedai 24 jam merupakan salah satu masalah optimasi yang masih dilakukan dengan cara manual. Adapun dalam proses penjadwalan ini menyangkut beberapa komponen yang saling berkaitan yaitu :
1. Hari
Hari merupakan jumlah hari yang digunakan untuk satu kali proses penjadwalan
2. Shift
Shift merupakan jumlah shift per hari untuk satu lokasi 3. Karyawan
Karyawan merupakan jumlah karyawan dalam satu lokasi dan data karyawan yaitu nama dan kualitas karyawan
4. Jadwal sebelumnya
Jadwal sebelumnya merupakan suatu shift yang dimiliki seorang karyawan, sebagai contoh hari pertama suatu karyawan mempunyai shift ke-3, maka untuk menentukan shift karyawan pada hari kedua karyawan tersebut mempunyai komponen jadwal sebelumnya yaitu 3 (shift ke-3)
Jadwal karyawan paruh waktu merupakan hasil kesepakatan pembuat jadwal dan karyawan yang diperoleh dari tiap-tiap komponen yang ada, hasil kesepakatan ini diharapkan saling menguntungkan antar pembuat jadwal dan semua karyawan sehingga kesepakatan terbaik akan menjadi hasil akhir dengan proses yang lebih cepat dari sistem penjadwalan yang telah ada.
Adanya komponen-komponen yang mempengaruhi penyusunan jadwal ini diharapkan akan menghasilkan hasil terbaik, namun ada beberapa permasalahan yang harus dihindari dalam proses penyusunan jadwal antara lain, satu karyawan mempunyai shift lebih dari satu dalam satu hari yang sama, permasalahan lain yang harus dihindari ada karyawan yang mempunyai shift terakhir dalam satu hari kemudian mempunyai shift pertama di hari berikutnya. Oleh karena itu dibuat aturan-aturan penjadwalan karyawan paruh waktu untuk menghindari permasalahan-permasalahan yang ada, aturan-aturan tersebut adalah sebagai berikut :
1. Satu karyawan tidak dapat mempunyai lebih dari satu shift dalam satu hari yang sama
2. Dua karyawan yang sama-sama mempunyai kualitas „kurang‟ tidak boleh mempunyai shift yg berurutan dalam satu hari
3. Karyawan yang mempunyai shift terakhir dalam satu hari tidak dapat mempunyai shift pertama di hari berikutnya
4. Jumlah shift tiap karyawan dalam satu bulan = 14 – 16 shift
5. Shift karyawan dalam satu waktu sama dengan permintaan jadwal karyawan tersebut, aturan ini bersifat opsional.
3.1.2. Gambaran Umum Sistem yang Dibuat
mulai
Proses algoritma genetika Input data lokasi
Input permintaan jadwal Input data shift Input data karyawan
Jadwal karyawan
selesai Input pengaturan algoritma genetika
Gambar 3.1 Flowchart sistem
mulai
Probabilitas mutasi =
(besar probabilitas mutasi/100) * jumlah iterasi Input jumlah iterasi
Input keaktifan permintaan jadwal Input besar probabilitas
mutasi Input jenis crossover
selesai
mulai
Pembentukan kromosom
Evaluasi nilai fitnes tiap kromosom dengan aturan
permintaan jadwal
Iterasi < jumlah iterasi ?
Y
Pembangkitan populasi awal
Iterasi = 0
Aturan permintaan jadwal aktif ?
Evaluasi nilai fitnes tiap kromosom tanpa aturan
permintaan jadwal
Seleksi kromosom
Iterasi =
iterasi mutasi ? Proses mutasi
Proses crossover 2 titik
Jenis crossover = 2 titik ?
Proses crossover 4 titik
Iterasi++ Evaluasi nilai fitnes
offspring
Update kromosom
Fitness == 0 ?
kromosom terbaik Y Y Y T T T T selesai
Iterasi mutasi = iterasi mutasi + iterasi Iterasi mutasi =
Jumlah iterasi / probabilitas mutasi
3.2.
Perancangan Antarmuka
3.2.1. Perancangan Menu
DATA
JADWAL
KELUAR
Data Shift
Data Karyawan
Data Permintaan Jadwal
Data Lokasi
Jadwal Karyawan
Proses Penjadwalan
Gambar 3.4 Perancangan menu
3.2.2. Perancangan Input dan Output
3.2.2.1. Form Utama
SISTEM PENJADWALAN KARYAWAN PARUH WAKTU
Data Penjadwalan Keluar
LOGO
Form utama pada gambar 3.5 terdiri dari 3 menu yaitu : Data, Penjadwalan, dan Keluar. Menu Data terdiri dari 4 sub menu, yaitu : data lokasi, data shift, data lokasi dan data permintaan jadwal. Menu Penjadwalan mempunyai 2 sub menu, yaitu : Proses penjadwalan dan Lihat jadwal
3.2.2.2. Form Data Lokasi
SISTEM PENJADWALAN KARYAWAN PARUH WAKTU DATA LOKASI
Edit Hapus
Batal Simpan
Kode Lokasi
namalokasi
kodelokasi alamat
Nama Lokasi
Alamat
Keluar
Gambar 3.6 Perancangan form data lokasi
Form data lokasi pada gambar 3.6 digunakan untuk mengolah data lokasi yang meliputi kode lokasi, nama lokasi dan alamat. Dalam form lokasi ini terdapat tabel lokasi yang digunakan untuk menampilkan data lokasi. Terdapat 3 text field : kode lokasi, nama lokasi dan alamat untuk memasukkan/mengedit data masing-masing. Terdapat 5 button
beserta fungsinya, yaitu : button Simpan untuk menyimpan data lokasi,
button Edit untuk mengedit data lokasi(terlebih dahulu memilih data yang akan diedit), button Hapus untuk menghapus data lokasi(terlebih dahulu memilih data yang akan dihapus), button Batal untuk membatalkan proses pengolahan data lokasi yang sedang berlangsung, dan button
3.2.2.3. Form Data Shift
SISTEM PENJADWALAN KARYAWAN PARUH WAKTU DATA SHIFT
Edit
Hapus
Batal Simpan Kode Shift
Kode Shift Mulai Selesai Lokasi
Nama Shift
Waktu Mulai Waktu Selesai
Lokasi V
Keluar
Gambar 3.7 Perancangan form data shift
Form data shift pada gambar 3.7 digunakan untuk mengolah data shift yang meliputi kode shift, nama shift, waktu mulai, waktu selesai dan lokasi. Dalam form shift ini terdapat tabel shift yang digunakan untuk menampilkan data shift. Terdapat 4 text field : kode shift, nama shift, waktu mulai dan waktu selesai untuk memasukkan/mengedit data masing-masing. Terdapat 1 combo box lokasi yang berisi data lokasi yang telah tersimpan sebelumnya untuk memasukkan/mengedit data lokasi pada data shift. Terdapat 5 button beserta fungsinya, yaitu : button
Simpan untuk menyimpan data shift, button Edit untuk mengedit data shift(terlebih dahulu memilih data yang akan diedit), button Hapus untuk menghapus data shift(terlebih dahulu memilih data yang akan dihapus),
3.2.2.4. Form Data Karyawan
SISTEM PENJADWALAN KARYAWAN PARUH WAKTU
DATA KARYAWAN
Hapus
Edit
Simpan Batal
Kode Karyawan
Kode Nama Telp Kualitas Lokasi
Nama Karyawan
No. Telp
Kualitas
Lokasi V
Keluar
[image:46.612.102.530.107.720.2]Kurang Cukup Baik
Gambar 3.8 Perancangan form data karyawan
Form data karyawan pada gambar 3.8 digunakan untuk mengolah data karyawan yang meliputi kode karyawan, nama karyawan, nomor telepon, kualitas dan lokasi. Dalam form karyawan ini terdapat tabel karyawan yang digunakan untuk menampilkan data karyawan. Terdapat 3
text field : kode karyawan, nama karyawan dan notelp untuk memasukkan/mengedit data masing-masing. Terdapat 3 radio button
kualitas : kurang, cukup, baik untuk memasukkan/mengedit data kualitas karyawan, dimana kualitas ini ditentukan oleh user dari penilaian kinerja karyawan tersebut sebelumnya. Terdapat 1 combo box lokasi yang berisi data lokasi yang telah tersimpan sebelumnya untuk memasukkan/mengedit data lokasi pada data karyawan. Terdapat 5
karyawan(terlebih dahulu memilih data yang akan dihapus), button Batal untuk membatalkan proses pengolahan data karyawan yang sedang berlangsung, dan button Keluar untuk keluar dari form data karyawan.
3.2.2.5. Form Data Permintaan Jadwal
SISTEM PENJADWALAN KARYAWAN PARUH WAKTU DATA PERMINTAAN JADWAL
Hapus Batal Simpan Kode Permintaan
Kode Karyawan
Karyawan Permintaan Jadwal
V
hari1
Browse
Keluar
hari2 hari3 hari4 hari5 hari6 hari7 hari8 ha
Gambar 3.9 Perancangan form permintaan jadwal
Form permintaan jadwal pada gambar 3.9 digunakan untuk mengolah data permintaan jadwa yang meliputi kode permintaan jadwal, karyawan, permintaan jadwal dari hari1 sampai dengan hari31. Dalam form permintaan jadwal ini terdapat tabel permintaan jadwal yang digunakan untuk menampilkan data permintaan jadwal. Terdapat 2 text field : kode permintaan jadwal dan permintaan jadwal untuk memasukkan/mengedit data masing-masing. Terdapat 1 combo box
button Batal untuk membatalkan proses pengolahan data permintaan jadwal yang sedang berlangsung, dan button Keluar untuk keluar dari form data permintaan jadwal.
3.2.2.6. Proses Penjadwalan
SISTEM PENJADWALAN KARYAWAN PARUH WAKTU PROSES PENJADWALAN
Buat Jadwal
Lokasi V
Bulan V
Hari 5 Hari 6 Hari 7 Hari 8 Hari 9
Keluar
Hari 4 Hari 3 Hari 2 Hari 1 x
Gambar 3.10 Perancangan proses penjadwalan
Form proses penjadwalan pada gambar 3.10 digunakan untuk membuat jadwal karyawan dari data-data karyawan yang telah tersimpan sebelumnya. Dalam form proses penjadwalan ini terdapat tabel proses penjadwalan yang digunakan untuk menampilkan jadwal yang telah terbuat. Terdapat 2 combo box : lokasi dan bulan yang berisi data lokasi yang telah tersimpan sebelumnya dan data nama bulan untuk batasan sebelum jadwal dibuat. Terdapat 2 button beserta fungsinya, yaitu :
3.2.2.7. Jadwal Karyawan
SISTEM PENJADWALAN KARYAWAN PARUH WAKTU JADWAL KARYAWAN
Keluar Simpan
Bulan : Lokasi:
Hari 5 Hari 6 Hari 7 Hari 8 Hari 9 Hari 4
Hari 3 Hari 2 Hari 1 x
Gambar 3.11 Perancangan jadwal karyawan
Form jadwal karyawan pada gambar 3.11 digunakan untuk melihat dan mencetak data jadwal karyawan yang telah terbuat. Dalam form proses penjadwalan ini terdapat tabel jadwal karyawan yang digunakan untuk menampilkan jadwal karyawan yang telah terbuat sebelumnya. Terdapat 2 button beserta fungsinya, yaitu : button Simpan untuk menyimpan data jadwal karyawan dalam format excel (.xls) dan button
Keluar untuk keluar dari form jadwal karyawan.
3.3.
Perancangan Basisdata
3.3.1. Entitas dan Atribut1. Entitas Shift
Entitas Shift berisi data shift, memiliki atribut sebagai berikut : kodeshift (sebagai Primary-Key), namashift, mulai, selesai, lokasi
2. Entitas Lokasi
3. Entitas Karyawan
Entitas Karyawan berisi data karyawan, memiliki atribut sebagai berikut : kodekaryawan(sebagai Primary-Key), namakaryawan, notelp, kualitas, lokasi
4. Entitas Permintaanjadwal
Entitas Permintaanjadwal berisi data permintaan jadwal karyawan, memiliki atribut sebagai berikut : kodepermintaanjadwal, karyawan, hari1, hari2, hari3, hari4, hari5, hari6, hari7, hari8, hari9, hari10, hari11, hari12, hari13, hari14, hari15, hari16, hari17, hari18, hari19, hari20, hari21, hari22, hari23, hari24, hari25, hari26, hari27, hari28, hari29, hari30, hari31
3.3.2. Relasi dan Entitas
1. Relasi Shift dengan Lokasi
Shift dengan Lokasi memiliki relasi “punya” dengan derajad relasi one-to-many. Satu lokasi punya banyak shift, sedangkan satu shift hanya punya satu lokasi.
2. Relasi Lokasi dengan Karyawan
Lokasi dengan karyawan memiliki relasi “punya” dengan derajad relasi one-to-many. Satu lokasi punya banyak karyawan, sedangkan satu karyawan hanya punya satu lokasi.
3. Karyawan dengan Permintaanjadwal
Karyawan dengan Permintaanjadwal memiliki relasi “buat” dengan derajad
3.3.3. ER Diagram
Gambar 3.12 Diagram ER
3.3.4. Diagram Fisikal
Shift Lokasi Karyawan Permintaanjadwal
kodeshift namashift mulai selesai kodelokasi kodelokasi namalokasi alamat kodekaryawan namakaryawan notelp kualitas kodelokasi kodepermintaan kodekaryawan hari1 hari2 hari3 hari4 hari5 hari6 hari7 hari8 hari9 hari10 hari11 hari12 hari13 hari14 hari15 hari16 hari17 hari18 hari19 hari20 hari21 hari22 hari23 hari24 hari25 hari26 hari27 hari28 hari29 hari30 hari31 * ** * * ** ** *
3.3.5. Perancangan Tabel
TABEL LOKASI
FIELD NAMA TYPE SIZE KEY
kodelokasi varchar 5 * namalokasi varchar 10
alamat varchar 50 Tabel 3.1 Perancangan tabel lokasi
TABEL SHIFT
FIELD NAMA TYPE SIZE KEY
kodeshift varchar 5 *
namashift varchar 10
mulai varchar 5
selesai varchar 5
kodelokasi varchar 5 ** Tabel 3.2 Perancangan tabel shift
TABEL KARYAWAN
FIELD NAMA TYPE SIZE KEY
kodekaryawan varchar 5 * namakaryawan varchar 10
noelp varchar 15
Kualitas varchar 10
TABEL PERMINTAAN JADWAL
FIELD NAMA TYPE SIZE KEY
kodepermintaanjadwal varchar 5 *
kodekaryawan varchar 5 **
hari1 varchar 5
hari2 varchar 5
hari3 varchar 5
hari4 varchar 5
hari5 varchar 5
hari6 varchar 5
hari7 varchar 5
Hari varchar 5
hari8 varchar 5
hari9 varchar 5
hari10 varchar 5
hari11 varchar 5
hari12 varchar 5
hari13 varchar 5
hari14 varchar 5
hari15 varchar 5
hari16 varchar 5
hari17 varchar 5
hari18 varchar 5
hari19 varchar 5
hari20 varchar 5
hari21 varchar 5
hari22 varchar 5
hari23 varchar 5
hari23 varchar 5
hari26 varchar 5
hari27 varchar 5
hari28 varchar 5
hari29 varchar 5
hari30 varchar 5
hari31 varchar 5
Tabel 3.4 Perancangan tabel permintaan jadwal
3.4.
Perancangan Algoritma Genentika dalam Penjadwalan Karyawan
Paruh Waktu
3.4.1. Representasi Masalah
Penjadwalan karyawan paruh waktu ini memiliki beberapa komponen yaitu jumlah shift per hari, jumlah karyawan dalam suatu shift, kualitas kerja karyawan, jadwal sebelumnya dan satu komponen yang bersifat opsional yaitu permohonan jadwal karyawan paruh waktu. Beberapa komponen akan digunakan sebagai pembentuk model kromosom. Komponen-komponen yang digunakan akan dibangun dengan menempatkan setiap komponen menjadi sebuah kode untuk mempresentasikan masalah ke dalam bentuk kromosom.
Jumlah gen diperoleh dari jumlah shift dalam satu hari dan jumlah hari akan membentuk sebuah kromosom. Panjang kromosom yaitu jumlah gen dalam satu kromosom merupakan jumlah hasil kali dari jumlah shift dalam satu hari dan jumlah hari. Panjang kromosom/jumlah gen yang terbentuk dapat dirumuskan sebagai berikut :
K = S * H………...…..(3.1)
Keterangan :
3.4.2. Pembentukan dan Pemodelan Kromosom
Kromosom dibangkitkan secara acak untuk menempatkan karyawan pada setiap shift dan hari tertentu.
Pengkodean yang digunakan dalam pembentukan kromosom ini adalah pengkodean nilai, dimana nilai yang di enkodekan langsung merupakan representasi dari masalah. Dalam masalah penjadwalan karyawan paruh waktu ini karyawan menjadi populasi dalam kromosom, maka data karyawan akan di enkodekan menggunakan data real.
HARI 1 HARI 2
. . .
HARI 31KRM JAP PAE STY NLC JAP STY HNK STY JAP PAE AFR
S1 S2 S3 S4 S1 S2 S3 S4 S1 S2 S3 S4
Gambar 3.14 Ilustrasi model kromosom
Permodelan kromosom diilustrasikan seperti gambar 3.14. Setiap gen kromosom ditempati satu shift dimana 1-4 merupakan kode shift, yang dapat diartikan :
Kotak ke-n = [hari; shift; karyawan]
Kotak ke-1 = [1; 1; KRM]
= [hari ke-1; shift 1; karyawan KRM] Kotak ke-2 = [1; 2; JAP]
= [hari ke-1; shift 2; karyawan JAP] Kotak ke-3 = [1; 3; PAE]
= [hari ke-1; shift 3; karyawan PAE] Kotak ke-4 = [1; 4; STY]
= [hari ke-1; shift 4; karyawan STY] Kotak ke-5 = [2; 1; NLC]
Kotak ke-6 = [2; 2; JAP]
= [hari ke-2; shift 2; karyawan JAP] Kotak ke-7 = [2; 3; STY]
= [hari ke-2; shift 3; karyawan STY] Kotak ke-8 = [2; 4; HNK]
= [hari ke-2; shift 4; karyawan HNK]
…
Kotak ke-121 = [31; 1; STY]
= [hari ke-31; shift 1; karyawan STY] Kotak ke-122 = [31; 2; JAP]
= [hari ke-31; shift 2; karyawan JAP] Kotak ke-123 = [31; 3; PAE]
= [hari ke-31; shift 3; karyawan PAE] Kotak ke-124 = [31; 4; AFR]
= [hari ke-31; shift 4; karyawan AFR]
3.4.3. Pembangkitan Kromosom
Kromosom akan dibangkitkan secara acak, untuk populasi awal dibangkitkan 10 kromosom dan masing-masing kromosom mempunyai 124 gen. Kromosom yang dibangkitkan akan ditempati oleh hari, shift dan karyawan.
3.4.4. Pencarian Nilai Fitness
Nilai fitness menentukan kualitas/baik dan buruknya kromosom yang diperoleh dari pelanggaran terhadap aturan-aturan yang ditentukan. Semakin kecil nilai fitness suatu kromosom maka kromosom tersebut semakin baik. Nilai
fitness dikatakan optimal jika tidak terjadi pelanggaran terhadap aturan-aturan pada tabel 3.5.
baik, oleh karena itu nilai fitness terkecil di konversi menjadi nilai fitness terbesar dalam kromosom, nilai fitness tiap kromosom diperoleh dari total fitness semua kromosom dibagi dengan nilai tiap kromosom, maka nilai fitness telah terkonversi. Nilai fitness dapat dirumuskan sebagai berikut :
Nilai Fitness’ = Total Nilai Fitness /Nilai Fitness .…………(3.4)
Keterangan :
Nilai Fitness’ = nilai fitness setelah dikonversi Nilai Fitness = nilai fitness tiap kromosom
Total Nilai fitness = total nilai fitness semua kromosom
3.4.4.1.Aturan-aturan penjadwalan karyawan
NO ATURAN PELANGGARAN
1
Satu karyawan tidak dapat
mempunyai lebih dari satu shift
dalam satu hari yang sama
Fitness = + 1, jika ada satu
karyawan mempunyai dua shift
atau lebih dalam satu hari yang
sama
2
Dua karyawan yang sama-sama
mempunyai kualitas=1 tidak boleh
mempunyai shift yg berurutan
dalam satu hari
Fitness = + 1, jika ada dua
karyawan yang sama-sama
mempunyai kualitas=1 berada
dalam shift yg berurutan dalam
satu hari
3
Karyawan yang mempunyai shift
terakhir dalam satu hari tidak dapat
mempunyai shift pertama di hari
berikutnya
Fitness = + 1, jika ada karyawan
berada pada shift 4 di satu hari dan
menempati shift 1 pada hari
berikutnya
4 Jumlah shift tiap karyawan dalam satu bulan = 14 – 16 shift
Fitness = + 1, jika shift karyawan
5
Shift karyawan dalam satu waktu
sama dengan permintaan jadwal
karyawan tersebut (opsional)
Fitness = + 1, jika aturan
permintaan jadwal digunakan dan
shift karyawan tidak sesuai dengan
permintaan jadwal karyawan
Tabel 3.5 Aturan-aturan penjadwalan karyawan
3.4.5. Seleksi Kromosom
Seleksi kromosom adalah mencari kromosom dalam populasi untuk dipilih menjadi orang tua. Dalam masalah penjadwalan karyawan paruh waktu ini seleksi dilakukan dengan metode Roda Roulette (Roulette Wheel), proses ini dilakukan berdasarkan nilai fitness, semakin baik nilai fitness suatu kromosom maka semakin besar kemungkinan kromosom akan menjadi orang tua.
Kromosom yang terpilih sebagai orang tua adalah kromosom yang akan melakukan proses reproduksi yaitu operasi persilangan dan operasi mutasi dengan harapan akan mendapatkan kromosom yang lebih baik dari kromosom sebelumnya.
Dari total nilai fitness dalam populasi yang diperoleh sebelumnya, dicari probabilitas masing-masing individu. Probabilitas dari setiap kromosom dapat dirumuskan sebagai berikut :
P = (t / s) * 100 ………..(3.2)
Keterangan :
Dari probabilitas tiap individu yang diperoleh akan digambarkan ke dalam Roda Roulette (Roulette Wheel), semakin besar probabilitas individu semakin besar pula bagian individu tersebut di dalam Roda Roulette (Roulette Wheel).
Proses seleksi dilakukan dengan menentukan satu titik untuk menentukan kromosom yang dipilih setelah Roda Roulette (Roulette Wheel) diputar dan berhenti dengan sendirinya.
3.4.6. Proses Reproduksi
Proses reproduksi bertujuan untuk mendapatkan kromosom baru yang lebih baik dari kromosom induknya, proses ini menggunakan operasi persilangan/crossover dan operasi mutasi. Crossover dilakukan setiap kali iterasi kecuali pada suatu iterasi akan dilakukan proses mutasi, maka proses crossover
tidak dilakukan pada iterasi tersebut. Mutasi dilakukan sesuai dengan masukan besar probabilitas mutasi, dengan probabilitas mutasi akan dicari kapan dan berapa kali proses mutasi dilakukan. Untuk mencari berapa kali proses mutasi dilakukan dapat dirumuskan sebagai berikut :
Jumlah mutasi = (probabilitas mutasi / 100) * jumlah iterasi…....(3.3)
Untuk mencari kapan mutasi dilakukan/pada kelipatan iterasi berapa proses mutasi dilakukan dapat dirumuskan sebagai berikut :
Iterasi mutasi = jumlah iterasi / jumlah mutasi………..…….(3.4)
Operasi persilangan merupakan proses menggabungkan dua kromosom yang telah terpilih sebagai orang tua untuk menghasilkan dua individu baru. Dalam masalah penjadwalan karyawan paruh waktu ini ada dua jenis crossover
Gambar 3.15 Ilustrasi proses crossover 2 titik
Gambar 3.16 Ilustrasi proses crossover 4 titik
Operasi mutasi merupakan proses mengubah satu bagian kromosom (gen) dari sebuah kromosom yang terpilih untuk menghasilkan satu individu baru. Dalam masalah penjadwalan karyawan paruh waktu ini mutasi yang yang digunakan adalah mutasi satu titik dengan proses yang diilustrasikan pada gambar 3.17.
3.4.7. Update Generasi
Update kromosom adalah memperbaharui kromosom yang dilakukan setelah proses reproduksi, proses ini dilakukan dengan membuang kromosom terburuk kemudian mengganti kromosom tersebut dengan offspring/kromosom hasil perkawinan silang maupun mutasi, dengan catatan kromosom baru hasil reproduksi tersebut lebih baik dari kromosom terburuk dari populasi sebelumnya,
offspring dikatakan lebih baik jika nilai fitness-nya lebih kecil dari nilai fitness
kromosom terburuk. Hasil update generasi adalah populasi baru yang akan digunakan untuk proses selanjutnya.
3.4.8. Kondisi Berhenti
Proses reproduksi ini akan dilakukan berulang-ulang, namun proses bisa berhenti jika ditemukan beberapa kondisi sebagai berikut :
a. Offspring/kromosom baru hasil reproduksi mempunyai nilai optimal yaitu nilai fitness = 0
b. Proses reproduksi sudah dilakukan sebanyak jumlah iterasi yang ditentukan Selebihnya proses reproduksi akan terus dilakukan, offspring-offspring
akan diseleksi kembali, begitu seterusnya sampai terpenuhi kriteria berhenti. Proses reproduksi ini nantinya akan menghasilkan kromosom terbaik sebagai hasil akhir.
3.5.
Penerapan Algoritma Genetika dalam Penjadwalan Karyawan Paruh
Waktu
1. Data Lokasi
Tabel 3.6 Contoh Data Lokasi
2. Data Karyawan
Tabel 3.7 Contoh Data Karyawan
3. Data Shift
Tabel 3.8 Contoh Data Shift
Tabel 3.9 Contoh Data Permintaan Jadwal
3.5.1. Pembangkitan Kromosom
Kromosom / kumpulan dari beberapa gen mempunyai panjang 124 yang diperoleh dari :
Kromosom = Shift * Hari = 4 * 31 = 124
Jadi, jumlah gen untuk sebuah kromosom = 124
Kromosom dibangkitkan secara acak, untuk populasi awal dibangkitkan 10 kromosom yang masing-masing kromosom terdiri dari 124 gen. Tiap gen menyatakan hari, shift dan karyawan tertentu. Sebagai contoh kromosom-kromosom tersebut adalah sebagai berikut :
Tabel 3.11 Kromosom 1-10, Gen 19-36
Tabel 3.12 Kromosom 1-10, Gen 37-54
Tabel 3.14 Kromosom 1-10, Gen 73-90
Tabel 3.15 Kromosom 1-10, Gen 91-108
3.5.2. Pencarian Nilai Fitness
Total nilai fitness dilakukan pada setiap kromosom dengan cara mengecek tiap gen pada kromosom berdasarkan aturan-aturan yang ditetapkan. Untuk nilai awal, setiap kromosom diberi nilai fitness 0, yaitu nilai fitness minimal. Kemudian total nilai fitness dikonversi dari terkecil ke terbesar dan sebaliknya dari terbesar ke terkecil, konversi ini dilakukan dengan tujuan agar kromosom yang mempunyai total nilai fitness terkecil memperoleh bagian terbesar dan sebaliknya total nilai fitness terbesar memperoleh bagian terkecil pada Roda Roulette, yaitu metode yang digunakan untuk proses selanjutnya yaitu proses seleksi.
Sebagai contoh dari hasil pencarian nilai fitness 10 kromosom, didapat total nilai fitness dan hasil konversi nilai fitness tiap kromosom yang dapat dilihat pada tabel 3.17.
Kromosom Nilai fitness Nilai fitness‟
Kromosom 1 120 8,33
Kromosom 2 124 8,06
Kromosom 3 110 9,09
Kromosom 4 69 14,49
Kromosom 5 98 10,20
Kromosom 6 75 13,33
Kromosom 7 100 10
Kromosom 8 104 9,62
Kromosom 9 85 11,76
Kromosom 10 115 8,70
[image:66.612.103.531.142.651.2]103,59
3.5.3. Seleksi Kromosom
Dari total nilai fitness tiap kromosom, dicari probabilitas masing-masing individu :
Probabilitas kromosom i = nilai fitness‟ i –total nilai fitness‟ i Probabilitas kromosom 1 = (8,33 / 103,59) * 100 = 8,04 Probabilitas kromosom 2 = (8,06 / 103,59) * 100 = 7,79 Probabilitas kromosom 3 = (9,09 / 103,59) * 100 = 8,78 Probabilitas kromosom 4 = (14,49 / 103,59) * 100 = 13,99 Probabilitas kromosom 5 = (10,20/ 103,59) * 100 = 9,85 Probabilitas kromosom 6 = (13,33 / 103,59) * 100 = 12,87 Probabilitas kromosom 7 = (10 / 103,59) * 100 = 9,65 Probabilitas kromosom 8 = (9,62 / 103,59) * 100 = 9,28 Probabilitas kromosom 9 = (11,76 / 103,59) * 100 = 11,36 Probabilitas kromosom 10 = (8,70 / 103,59) * 100 = 8,39 Didapat probabilitas tiap kromosom yang dapat dilihat pada tabel 3.18
Kromosom Probabilitas (%)
Kromosom 1 8,04
Kromosom 2 7,79
Kromosom 3 8,78
Kromosom 4 13,99
