Implementasi Algoritma Genetika Untuk Penjadwalan Customer Service (Studi Kasus: Biro Perjalanan Kangoroo)

(1)

Fakultas Ilmu Komputer

456

Implementasi Algoritma Genetika Untuk Penjadwalan

Customer Service

(Studi Kasus: Biro Perjalanan Kangoroo)

Chusnah Puteri Damayanti1_{, Rekyan Regasari Madi Putri}2_{, Mochammad Ali Fauzi}3

Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya

Email: 1_{[email protected],}2_{[email protected],}3_{[email protected]}

Abstrak

Karena kebutuhan akan transportasi yang tinggi dari masyarakat, biro perjalanan atau travel

harus siap siaga melayani masyarakat. Pada travel dibutuhkan karyawan yang harus sedia untuk

melayani pelanggan disebut customer service. Customer service harus memberikan informasi yang

tepat, akurat dan cepat kepada pelanggan. Pada Travel Kangoroo yang memiliki lebih dari 300 armada,

memiliki dua lokasi kantor yaitu pusat dan cabang serta jam operasional yang panjang membutuhkan customer service yang sedia melayani pelanggan. Serta terdapat berbagai aturan yang harus dipenuhi

untuk membuat penjadwalan customer service. Sehingga, pada penelitian ini permasalahan penjadwalan

diselesaikan dengan menggunakan algoritma genetika. Algoritma genetika mampu menyelesaikan permasalahan yang kompleks dan memiliki cakupan luas. Melalui pengujian yang telah dilakukan, diperoleh parameter terbaik yang menghasilkan nilai fitness paling optimal dengan ukuran populasi

sebesar 110, ukuran generasi 110 dan perbandingan crossover rate dan mutation rate 0.7:0.3. Dengan

menggunakan parameter tersebut, penjadwalan customer service memiliki hasil yang optimal walaupun

masih ada pelanggaran yang terjadi dengan waktu komputasi yang lebih singkat dibandingkan dengan manual.

Kata Kunci: biro perjalanan, penjadwalan, customer service, algoritma genetika, crossover, mutation

Abstract

Due to the high demand of public transport, travel agency must be ready to serve the citizen. Travel need to be ready to serve the customer; called customer service. Customer service should provide information that is precise, accurate and fast to customers. At Travel Kangaroo which owns more than 300 fleet, has two locations namely central office and branches as well as long operating hours, a responsive customer service needed to serve the customers There are various rules that must be fulfilled in making the schedule of customer service too. Thus, in this study scheduling problems solved using genetic algorithms. Genetic algorithms can solve a complex problem as well as it has wide scope. Through the examination, it was obtained the best parameters that produce the most optimal fitness value with a population size of 110, 110 and comparison generation size crossover rate and mutation rate of 0.7: 0.3. By using these parameters, scheduling customer service have optimal results, although there are violations that occur with shorter computation time compared with the manual.

Keywords: travel, scheduling, customer service, genetic algorithm, crossover, mutation

1. PENDAHULUAN

Penjadwalan didefinisikan sebagai rencana pengaturan urutan kerja serta pengalokasian sumber, baik waktu maupun fasilitas untuk setiap operasi yang harus diselesaikan (Vollman, 1998). Penjadwalan secara manual masih umum dilakukan saat ini. Hal tersebut dirasa sulit dilakukan dan dapat memakan waktu yang cukup lama serta tingkat kesalahan yang dapat terjadi pun cukup besar.

Biro perjalanan atau travel membutuhkan

penjadwalan dalam mengatur jam kerja karyawan karena kebutuhan akan transportasi yang tinggi. Untuk mengantisipasi hal tersebut, tentunya harus ada karyawan yang selalu ada untuk berhubungan langsung dengan pelanggan,

yaitu Customer service. Customer service harus

mampu memberikan informasi yang dibutuhkan pelanggan secepatnya, dan informasi yang diberikan harus benar, tepat, dan cepat sehingga

(2)

Pada penelitian ini, penjadwalan customer service dibuat per 30 hari kerja dimana hari sabtu, minggu dan hari libur termasuk hari kerja. Setiap karyawan memiliki susunan satu hari libur dan empat hari kerja dan minimal memiliki istirahat selama 8 jam setiap harinya. Terdapat dua lokasi kantor yaitu cabang dan pusat. Pembagian jam kerja karyawan pada kantor pusat dibagi menjadi tiga shift yaitu pagi, siang dan malam. Dimana, karyawan perempuan tidak

boleh ada di shift malam. Seluruh karyawan

harus memiliki jumlah jam kerja yang sama selama satu bulan dan jadwal tidak boleh saling bertabrakan satu sama lain. Dikarenakan kesulitan memenuhi aturan-aturan tersebut, peneliti bersama dengan PT Cybersama Technology, akan membuat implementasi

algoritma genetika untuk penjadwalan customer

service.

Algoritma genetika telah sukses diterapkan pada berbagai masalah kombinatorial, seperti perencanaan dan penjadwalan produksi pada industri manufaktur (Mahmudy, Marian & Luong 2012b, 2013b, 2013e). Algoritma genetika dapat menghasilkan solusi mendekati optimum yang dilakukan dalam waktu singkat dan dapat diterima secara mudah dalam

menyelesaikan masalah, meskipun tidak

dihasilkan solusi yang paling optimum.

Tujuan dari penelitian ini yaitu:

mengimplementasikan algoritma genetika dalam

penjadwalan customer service pada bidang

travel,mengidentifikasi tingkat efektifitas yang dalam hal ini nilai fitness terbaik yang dihasilkan dalam implementasi algoritma genetika untuk

penjadwalan customer service, dan mengetahui

efisiensi waktu dalam penjadwalan customer

service dengan algoritma genetika dibandingkan dengan cara manual.

Penelitian ini melakukan pembuatan jadwal

untuk customer service dengan harapan akan

memberikan efektifitas dalam melakukan

pekerjaannya. Dengan algortima genetika, dapat mengurangi kesalahan-kesalahan yang dapat terjadi dalam penjadwalan serta memangkas waktu yang dibutuhkan untuk membuat jadwal kerja dari pembuatan jadwal secara manual.

Sehingga, dapat meningkatkan efisiensi

pekerjaan customer service.

Langkah-langkah yang dilakukan dalam pembuatan penelitian atau metodologi yang digunakan penulis penelitian terdiri dari studi literatur, analisis kebutuhan, pengumpulan data, perancangan sistem, implementasi sistem, pengujian sistem, analisis hasil dan terakhir

penarikan kesimpulan. Data dalam skripsi ini didapatkan dari PT Cybersama Technology melalui wawancara dan studi dokumen yang diberikan.

2. ALGORITMA GENETIKA

Algoritma genetika adalah algoritma

optimasi numerik yang terinspirasi dari seleksi natural dan genetika natural (Coley, 1999).

Terdapat beberapa tahapan dari algoritma genetika yaitu:

1. Inisialisasi Kromosom

Inisialisasi dilakukan untuk membangkitkan himpunan solusi baru secara acak/random

yang terdiri atas sejumlah string

chromosome dan ditempatkan pada pen

ampungan yang disebut populasi

(Mahmudy, 2015). Representasi kromosom

dapat menggunakan bilangan biner,

bilangan integer, real coded, maupun

permutasi.

2. Crossover

Crossover merupakan operasi yang bekerja

untuk menggabungkan 2 kromosom induk menjadi kromosom baru. Jumlah solusi

jadwal yang mengalami crossover

ditentukan oleh parameter crossover rate.

Metode crossover yang paling umum

digunakan adalah metode one-cut-point,

yang secara acak memilih satu titik potong dan menukarkan bagian kanan dari tiap

induk untuk menghasilkan offspring

(Mahmudy, 2015).

3. Mutasi

Mutasi dilakukan dengan memilih satu induk secara acak dari populasi. Metode mutasi yang digunakan adalah dengan memilih satu titik acak kemudian mengubah nilai gen pada titik tersebut. Metode mutasi

yang paling sederhana adalah reciprocal

exchange mutation. Metode ini bekerja

dengan memilih dua posisi (exchange point

/ XP) secara random kemudian menukarkan nilai pada posisi tersebut (Mahmudy, 2015). Selain itu juga terdapat metode insertion exchange mutation.

4. Evaluasi

Evaluasi adalah fungsi yang digunakan untuk mengetahui ketahanan kromosom masih pantas diteruskan eksistensinya (Tyas, Rahman, & Dewi, 2013). Setelah itu

dihitung nilai fitness yang

(3)

Semakin besar nilai fitness maka semakin baik individu tersebut.

5. Seleksi

Proses terakhir dalam algoritma genetika adalah seleksi yaitu memilih

individu-individe terbaik berdasarkan nilai fitness

yang telah dihasilkan. Metode seleksi ada

metode seleksi elitism, binary tournament

dan roulette wheel selection.

3. ATURAN PENJADWALAN

Terdapat 5 constraint atau pelanggaran yang

harus dipenuhi dalam proses evaluasi

implementasi algoritma genetika untuk

penjadwalan customer service seperti yang ditunjukkan oleh Tabel 1. Pada sample uji yang digunakan pada penelitian ini digunakan 10 customer service dengan ID A, B, C, E, F, G, H, I, J. Lokasi dan shift dari penjadwalan customer service biro perjalanan Kangoroo ditunjukkan oleh Tabel 2.

Tabel 1 Aturan Penjadwalan

No. Kode Constraint Bobot

1 P1 Setiap Customer

service tidak boleh berjaga lebih dari satu shift dalam satu hari.

0.005

2 P2 Customer service

perempuan tidak boleh memiliki shift malam.

0.005

3 P3 Customer service

harus memiliki service sama sesuai dengan jumlah

Tabel 2 Lokasi dan Shift Penjadwalan

No

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

Gambar 1 Inisialisai Kromosom

Inisialisasi kromosom yang telah terbentuk yaitu sebanyak 3 individu ditunjukkan oleh tabel 3, 4 dan 5. Pus Cab Pus Cab Pus Cab

(4)

Tabel 3 Inisialisasi Kromosom Individu 1

Tabel 4Inisialisasi Kromosom Individu 2

PARENT2 HARI 1 2 3 4 5 6 7

Tabel 5 Inisialisasi Kromosom Individu 3

PARENT3 HARI 1 2 3 4 5 6 7

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 pointcrossover adalah titik

ke 28.

Gambar 2 Proses Crossover

4.3. Mutasi

Mutasi merupakan proses pengubahan gen keturunan secara random. Dalam penjadwalan customer service ini digunakan metode mutasi

reciprocal exvhange mutation yaitu dengan

memilih dua posisi (exchange point /XP)

customer service dalam gen tertentu secara

random kemudia nilainya saling ditukarkan pada posisi tersebut. Dalam proses manualisasi ini di tentukan parent 3 sebagai induk untuk melakukan mutasi. Dikarenakan offspring atau jumlah anak adalah 2 maka dipilih parent 1 sebagai induk kedua, dengan titik tukar titik 20 dan 42.

Gambar 3 Proses Mutasi

Gambar 4 Proses Mutasi

4.4. Cek Constraint_P1

Pengecekan dilakukan dengan menghitung kemunculan setiap kode karyawan persatu hari. Jika kode customer service muncul lebih dari satu kali dalam satu hari maka dinilai sebagai penalti yang bernilai 1.

Gambar 5 Cek Constraint P1

Kotak yang berwarna merah menunjukkan penalty yang dilakukan oleh suatu kode customer service. Jadi pelanggaran P1 berjumlah 14.

Constraint P2 adalah setiap customer

service perempuan tidak boleh memiliki shift malam. Batasan kedua ini dihitung dari jumlah shift malam customer service perempuan dalam satu jadwal.

Kode berwarna biru menunjukkan customer

service perempuan yang ada di shift malam. Jumlah penalti P2 adalah 7.

(5)

Constraint P3 adalah setiap customer

service harus memiliki istirahat minimal 8 jam.

Pengecekan constraint ini dilakukan dengan

mengecek kode yang berjaga shift pagi pada hari

ini baik di lokasi pusat maupun cabang apakah

sama dengan kode yang berjaga di shift malam

hari sebelumnya.

Kode berwarna kuning menunjukkan

pelanggaran yang terjadi. Jadi jumlah

pelanggaran P3 adalah 2.

Pelanggaran P4 berjumlah 36 dikarenakan terdapat 36 pelanggaran yang terjadi pada setiap shift di setiap customer service. Adapun jumlah pembagian kerja pada proses manualisasi ini

untuk karyawan laki-laki shift pagi lokasi pusat

adalah 2 hari, shift siang lokasi pusat adalah 2

hari, shift 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 perempuan adalah shift pagi lokasi pusat adalah 2 hari, shift siang lokasi pusat

adalah 2 hari, shift malam lokasi pusat adalah 0

hari, shift pagi lokasi cabang adalah 1 hari, dan shift siang lokasi cabang adalah 1 hari.

4.8. Cek Constraint P5

Constraint P5 adalah aturan hari kerja setiap customer service adalah 4 hari kerja dan 1 hari libur secara berturut-turut. Sehingga telah ditentukan hari libur dari setiap karyawan. Jika seharusnya karywan tersebut libur di hari itu dan dia ada jadwal berjaga, maka akan dihitung sebagai penalti.

Terdapat pelanggran yang dilakukan oleh pegawai B sebanyak 2, pegawai C sebanyak 1, pegawai E sebanyak 1, pegawai G sebanyak satu dan pegawai I sebanyak 1 sehingga jumlah

pelanggaran constraint P7 adalah 6.

4.9. Perhitungan Fitness

Nilai kebugaran atau fitness dalam algoritma genetika menunjukkan seberapa optimal hasil

individu yang dihasilkan. Semakin besar fitness

semakin baik hasil yang terbentuk. Perhitungan nilai fitness pada penelitian ini menggunakan persamaan

Metode seleksi yang digunakan dalam penelitian ini adalah elitism selection. Elitism selection yaitu mengumpulkan seluruh parent

(6)

bernilai fitness paling besar sesuai jumlah populasi yang ditentukan.

Tabel 6 Nilai Fitness yang Dihasilkan

Individu Fitness

Setelah melewati proses sebanyak 2 generasi hasil seleksi diperlihatkan pada tabel 7.

Tabel 7 Hasil Seleksi

Individu Awal Fitness

P1 P1 0.7634

P2 P2 0.7605

P3 M2 0.7605

5. PENGUJIAN DAN HASIL 5.1. Pengujian Berdasarkan Ukuran Populasi

Pengujian implementasi algoritma genetika

untuk penjadwalan customer service

berdasarkan ukuran populasi bertujuan untuk

mengetahui nilai fitness yang paling optimal

yang dapat dilakukan oleh sistem. Pengujian ukuran populasi dilakukan dengan membuat ukuran populasi kelipatan 10 dari ukutran populasi 10 hingga 130. Pengujian berdasarkan ukuran populasi dilakukan pada ukuran generasi 10, crossover rate 0.5 dan mutation rate 0.5. Masing-masing ukuran populasi diuji sebanyak 5 kali.

Gambar 10 Rata-rata Nilai Fitness Pengujian Berdasarkan Ukuran Populasi

Gambar 11 Rata-rata Waktu Pengujian Berdasarkan Ukuran Populasi

Dari Gambar 10 dan 11 dapat dilihat bahwa ukuran populasi dengan hasil nilai fitness paling optimal dengan rata-rata sebesar 0.580235367 dengan ukuran populasi 110. Setelah ukuran populasi 110 saat pengujian dilanjutkan, terjadi penurunan nilai fitness dan nilai fitness yang dihasilkan selanjutnya bertambah tetapi tidak secara signifikan. Pada umumnya, semakin tinggi ukuran populasi maka berpengauh terhadap rata-rata nilai fitness yang didapatkan namun semakin tinggi ukuran populasi 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.

5.2. 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 mutationrate 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.

(7)

Gambar 12 Rata-rata Nilai Fitness Pengujian Berdasarkan Ukuran Generasi

Gambar 13 Rata-rata Waktu Pengujian Berdasarkan Ukuran Generasi

Ukuran generasi 110 menghasilkan nilai fitness paling baik yaitu 0.6704. Nilai fitness yang dihasilkan dari pengujian ini mengalami kenaikan seiring dengan bertambahnya ukuran generasi. Dari hasil pengujian berdasarkan ukuran generasi ini dapat disimpulkan jika jumlah generasi terlalu sedikit maka area pencarian algoritma semakin sempit sehingga solusinya kurang optimal. Sebaliknya jika semakin banyak generasi maka semakin besar

waktu komputasinya dan belum tentu

menghasilkan solusi yang lebih optimal (Mahmudy, 2013).

5.3. Pengujian Berdasarkan Perbandingan Crossover rate dan Mutation Rate

Pengujian berdasarkan perbandingan

Crossover Rate dan Mutation Rate dilakukan untuk mengetahui nilai perbandingan antara crossover rate dengan mutation rate yang akan

menghasilkan nilai fitness paling optimal.

Parameter yang digunakan yaitu ukuran populasi dan ukuran generasi dengan hasil yang paling optimal dari pengujian yang telah dilakukan sebelumnya yaitu ukuran populasi sebesar 110 dan ukuran generasi sebesar 110. Perbandingan crossoverrate dan mutationrate 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.

Gambar 14 Rata-rata Nilai FitnessPengujian Berdasarkan Perbandingan Crossover Rate dan

Mutation Rate

Gambar 15 Rata-rata Waktu Pengujian Berdasarkan Perbandingan Crossover Rate dan Mutation Rate

Rata-rata nilai fitness terbesar yang dapat

dihasilkan implementasi penjadwalan customer

service dengan menggunakan algoritma genetika

sebesar 0.695049 dengan perbandingan

crossover rate dan mutation rate sebesar 0.7:0.3. Hasil dari pengujian ini menunjukkan

bahwa semakin besar nilai crossover rate

dibandingkan dengan mutation rate maka nilai

fitness akan semakin besar. Sebaliknya jika

perbandingan mutation rate lebih besar

dibandingkan crossover rate maka nilai fitness akan semakin kecil. Hal tersebut dikarenakan

proses crossover menghasilkan anak yang lebih

bervariasi dari induk sehingga memungkinkan hasil yang lebih baik. Selain itu, penggunaan

metode reciprocal exchange mutation

menghasilkan anak yang hampir mirip dengan

induk sehingga nilai fitness yang dihasilkan

cenderung tidak berubah secara signifikan begitupun anak yang dihasilkan akan hampir sama dengan induknya. Tetapi pada pengujian ini, crossoverrate yang terlalu besar juga belum

tentu menghasilkan nilai fitness yang bertambah

0,5

Crossover Rate : Mutation Rate

0

(8)

secara signifikan.

Hasil pengujian terbaik didapatkan pada ukuran populasi 110, ukuran generasi 110 dan perbandingan crossover rate dan mutation rate 0.7:0.3. Nilai fitness terbaik sebesar 0.70922 dengan masih terdapat pinalti yang dilanggar. Pelanggaran pinalti 1 sebesar 29, pelanggaran pinalti 2 sebesar 6, pelanggaran pinalti 3 sebesar 4, pelanggaran pinalti 4 sebesar 28 dan pelanggaran pinalti 5 sebesar 15.

5.4. Pengujian Perbaikan Bobot

Dikarenakan hasil yang belum optimal pada pengujian sebelumnya, maka peneliti

memutuskan untuk melakukan optimasi.

Optimasi yang dilakukan oleh peneliti secara manual dengan cara mengubah nilai bobot fitness pada pelanggaran yang terjadi. Bobot pelanggaran ke 3 dan ke 4 diubah menjadi 0.001 yang sebelumnya bernilai 0.005. Sedangkan untuk bobot pinalti 1, 2, dan 5 tetap dibiarkan 0.005.

Pada pengujian perbaikan bobot ini parameter yang digunakan adalah hasil dari pengujian yang telah dilakukan sebelumnya yaitu ukuran populasi 110, ukuran generasi 110

dan perbandingan crossover rate dan mutation

rate sebesar 0.7:0.3. pengujian dilakukan

sebanyak 5 kali dengan parameter yang sama. Hasil pengujian terbaik didapatkan pada ukuran populasi 110, ukuran generasi 110 dan perbandingan crossover rate dan mutation rate

0.7:0.3. Nilai fitness terbaik sebesar

0.822368421 dengan masih terdapat pinalti yang dilanggar. Pelanggaran pinalti 1 sebesar 28, pelanggaran pinalti 2 sebesar 0, pelanggaran pinalti 13 sebesar 4, pelanggaran pinalti 4 sebesar 38 dan pelanggaran pinalti 5 sebesar 5.

Gambar 16 Grafik Nilai Fitness Pengujian Perbaikan Bobot

Gambar 17 Grafik Waktu Pengujian Perbaikan Bobot

5.5. Pengujian Pengaruh Konvergensi

Pengujian pengaruh konvergensi dilakukan pada perubahan bobot dengan parameter tebaik yaitu ukuran populasi 110, ukuran generasi 110

dan perbandingan crossover rate dan mutation

rate 0.7:0.3. Titik ukuran generasi yang

dianggap sebagai dimulainya titik konvergen adala 70% dari 110 yaitu titik 77. Sehingga pada generasi ke 77 dan setelahnya akan diberlakukan konvergensi saat selisih nilai fitness kurang dari

0.0055 atau sama dengan nilai fitness

sebelumnya. Dari pengujian yang telah

dilakukan didapatkan pada saat generasi ke 77 algorima genetika untuk penjadwalan customer service telah mengalami konvergensi dengan

nilai fitness yang sama seperti generasi

sebelumnya yaitu sebesar 0.7874015748 dengan pelanggaran pinalti 1 sebesar 29, pinalti 2 sebesar 5, pinalti 3 sebesar 14, pinalti 4 sebesar 40 dan pinalti 5 sebesar 12..

5.6 Pengujian Waktu

Kita anggap bahwa 3 hari pembuatan jadwal hanya dilakukan pada jam kerja karyawan yaitu dari pukul 08.00 hingga pukul 17.00 yaitu 9 jam dikalikan 3 hari menjadi 97200 detik, akan dihitung presentase waktu program

untuk membuat jadwal dibandingkan

denganmanual. Rumus pengujian waktu sebagai berikut:

𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑎𝑠𝑒𝑤𝑎𝑘𝑡𝑢 = 100×_{𝑤𝑎𝑘𝑡𝑢𝑚𝑎𝑛𝑢𝑎𝑙}𝑤𝑎𝑘𝑡𝑢𝑠𝑖𝑠𝑡𝑒𝑚 (2)

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

(9)

𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑎𝑠𝑒 𝑤𝑎𝑘𝑡𝑢 = 31.41 %

Sedangkan untuk presentase waktu yang dibutuhkan program dengan dilakukannya perbaikan bobot memiliki rata-rata waktu sebesar 28826.6 detik. Sehingga perhitungan presentase waktu penjadwalan menghasilkan hasil sebagai berikut:

𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑎𝑠𝑒 𝑤𝑎𝑘𝑡𝑢 = 100 𝑥 28826.6₉₇₂₀₀

𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑎𝑠𝑒 𝑤𝑎𝑘𝑡𝑢 = 29.66 %

Dapat disimpulkan bahwa implementasi algoritma genetika untuk penjadwalan customr service menghabiskan waktu yang lebih sedikit daripada yang dibutuhkan untuk pembuatan

jadwal secara manual. Program hanya

membutuhkan 30% waktu yang dibutuhkan untuk pembuatan jadwal dibandingkan dengan cara manual sehingga lebih efisien dalam waktu.

6. PENUTUP

Implementasi dari program penjadwalan

customer service telah sesuai dengan

manualisasi yang telah dilakukan sebelumnya seluruhnya bernilai sama persis.

Dari pengujian yang telah dilakukan, didapatkan ukuran populasi 110, ukuran

generasi 110 dan perbandingan crossover rate

dan mutation rate 0.7:0.3 menghasilkan nilai fitness yang terbaik yaitu mempunyai rata-rata sebesar 0.70922 dikarenakan nilai fitness yang masih belum terlalu optimal maka peneliti

melakukan modifikasi pada nilai bobot

constraint ketiga dan keempat yang sebelumnya

bernilai 0.005 diubah menjadi 0.001 sedangkan yang lain tetap bernilai sama. Dari pengujian

perbaikan bobot tersebut dihasilkan nilai fitness

terbaik sebesar 0.822368421. terjadi kenaikan nilai fitness mencapai 0.1 hal tersebut dapat

terjadi karena pelanggaran yang terjadi pada

constraint yang lebih utama sebenarnya sudah sedikit tetapi dikarenakan nilai bobot setiap constraint sama, nilai fitness akan menjadi lebih

kecil. Lalu memungkinkan constraint yang

seharusnya tidak dilanggar, menjadi dilanggar kembali pada proses berikutnya.

Pada implementasi algoritma genetika untuk

penjadwalan customer service, untuk

menghasilkan jadwal yang baik maka diperlukan waktu yang cukup lama. Waktu yang dibutuhkan program untuk memproses satu penjadwalan dapat mencapai 12 jam tergantung dengan kondisi laptop atau komputer. Sedangkan proses

pembuatan jadwal secara manual dengan

menggunakan Microsoft Excel dapat memakan

waktu hingga 3 hari selama jam kerja. Program

untuk penjadwalan customer service dengan

penerapan algoritma genetika hanya memakan waktu 30% saja dibandingkan dengan cara

manual dengan Microsoft Excel.

Pada penelitian berikutnya dapat digunakan

metode mutasi lain seperti insertion exchange

mutation dan penggunaan metode seleksi

lainnya seperti binary tournament selection dan

roulette wheel selection untuk menghasilkan hasil yang lebih optimal. Optimasi pada pengecekan pinalti baiknya dilakukan untuk mengurangi lama waktu yang dibutuhkan program. Lalu, pemfokusan untuk konvergensi dalam algoritma genetika juga perlu dilakukan agar penjadwalan menjadi lebih baik.

DAFTAR PUSTAKA

Baker, K.R., 1974. Introduction to Scheduling

and Sequencing. New York: Wiley. Tersedia

di: Google Books

<http://booksgoogle.com> [Diakses 24

Agustus 2016]

Coley, David A., 1999. An Introduction to Genetic Algorithms for Scientists and Engineers. Singapura: World Publishing.

Tersedia di: Google Books

September 2016]

Mahmudy, WF, Marian, RM & Luong, LHS 2012b, 'Solving part type selection and loading problem in flexible manufacturing system using real coded genetic algorithms

– Part II: optimization', International

Conference on Control, Automation and Robotics, Singapore, 12-14 September, World Academy of Science, Engineering and Technology, pp. 706-710.

Mahmudy, W. F., 2013. Algoritma Evolusi. Malang: Program teknologi dan Ilmu Komputer (PTIIK) Universitas Brawijaya.

Mahmudy, W. F., 2015. Dasar-Dasar ALgoritma Evolusi (Modul Kuliah Semester Ganjil 2015-1016). Malang: Program Teknologi dan Ilmu Komputer (PTIIK) Universitas Brawijaya.

Mahmudy, WF, Marian, RM & Luong, LHS 2013b, 'Real coded genetic algorithms for

(10)

problem – Part II: optimization', Advanced Materials Research, vol. 701, pp. 364-369.

Mahmudy, WF, Marian, RM & Luong, LHS 2013e, 'Optimization of part type selection and loading problem with alternative production plans in flexible manufacturing

system using hybrid genetic algorithms –

Part 2: genetic operators & results', 5th International Conference on Knowledge and

Smart Technology (KST), Chonburi,

Thailand, 31 Jan - 1 Feb, pp. 81-85.

Suprayogi, DA & Mahmudy, WF, 2015. “Penerapan Algoritma Genetika Travelling Salesman Problem with Time Window. Studi Kasus Rute Antar Jemput Laundry”, Jurnal Buana Informatika, vol. 6, no. 2, pp. 121-130.

Tyas, R. A., Rahman, M. A., & Dewi, C. 2013. Impelementasi Algoritma Genetika Untuk Optimasi 0/1 Multi-Dimensional Knapsack Problem Dalam penentuan Menu Makanan

Sehat. DORO Repository Jurnal

Mahasiswa PTIIK Universitas Brawijaya,

vol. 1, no. 4.

Vollman, T.E., William, L.B.,., dan D. Clay, W.,

1998. Manufacturing Planning and Control

Systems. New York: The McGraw-Hill

Company. Tersedia di: Google Books

Agustus 2016]

Yunarto, H.I., 2006. BCI: In Sales and

Distribution. Jakarta: Elex Media

Komputindo. Tersedia di: Google Books